Dynamic handwritten signature identification using spiking neural network

• Autorzy: Kutsman Vladislav , Kolesnytskyj Oleh

Identyfikatory

DOI

10.35784/iapgos.2718

Warianty tytułu

PL

Dynamiczna identyfikacja podpisu odręcznegoprzy użyciu pulsującej sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

The article proposes a method for dynamic signature identification based on a spiking neural network. Three dynamic signatureparameters l(t), xy(t), p(t) are used, which are invariant to the signature slope angle, and after their normalization, also to the signature spatial and temporal scales. These dynamic parameters are fed to the spiking neural network for recognition simultaneously in the form of time series without preliminary transformation into a vector of static features, which, on the one hand, simplifies the method due to the absence of complex computational transformation procedures,and on the other hand, prevents the loss of useful information, and therefore increases the accuracy and reliability of signature identificationand recognition (especially when recognizing forged signatures that are highly correlated with the genuine). The spiking neural network used has a simple training procedure, and not all neurons of the network are trained, but only the output ones. If it is necessary to add new signatures, it is not necessaryto retrain the entire network as a whole, but it is enough to add several output neurons and learn only their connections. Inthe results of experimental studies of the software implementation of the proposed system, it’s EER = 3.9% was found when identifying skilled forgeries and EER = 0.17% when identifying random forgeries.

PL

W artykule zaproponowano metodę dynamicznej identyfikacji podpisów opartą na pulsującej sieci neuronowej. Wykorzystywane są trzy parametry dynamiczne podpisu l(t), xy(t), p(t), które są niezmienne względem kąta nachylenia podpisu, a po ich normalizacji –także do skali przestrzennej i czasowej podpisu. Te dynamiczne parametry są podawane do sieci neuronowej w celu rozpoznania jednocześnie jako szeregi czasowe bez uprzedniej konwersji na wektor cech statycznych, co z jednej strony upraszcza metodę ze względu na brak skomplikowanych procedur konwersji obliczeniowej,a z drugiej ręka zapobiega utracie przydatnych informacji –zwiększa dokładność i wiarygodność identyfikacjii rozpoznawania podpisów (zwłaszczaw rozpoznawaniu podpisów sfałszowanych, które są silnie skorelowane z autentycznymi).Zastosowana sieć neuronowa typu spiking ma prostą procedurę treningu, przy czym nie wszystkie neurony sieci są trenowane, a jedynie te wyjściowe.Jeśli konieczne jest dodanie nowych sygnatur, nie jest konieczne trenowanie całej sieci, ale wystarczy dodać kilka neuronów wyjściowych i uczyć tylko te połączenia.W wyniku eksperymentu programowego zaproponowanego systemu otrzymano EER = 3,9% przy identyfikacji sfałszowanych podpisów i EER = 0,17% przy identyfikacji fałszerstw losowych.

Słowa kluczowe

EN

online signature identification; spiking neural network; invariant dynamic parameters; signature recognition

PL

identyfikacja podpisu online; pulsująca sieć neuronowa; niezmienne parametry dynamiczne; rozpoznawanie podpisu

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2021
• Tom: T. 11, nr 3
• Strony: 34--39
• Opis fizyczny: Bibliogr. 21 poz., tab., rys.

Twórcy

autor

Kutsman Vladislav

• TOV"Ulf-Finans", Kyiv, Ukraine
• Vinnytsia National Technical University, Computer Sciences Department, Vinnytsia, Ukraine

• https://orcid.org/0000-0001-5256-9651

autor

Kolesnytskyj Oleh

• Vinnytsia National Technical University, Computer Sciences Department, Vinnytsia, Ukraine

• https://orcid.org/0000-0003-0336-4910

Bibliografia

• [1] Al-Banhawy N. H., Mohsen H., Ghali N. I.: Signature identification and verification systems: a comparative study on the online and offline techniques. Future Computing and Informatics Journal 5(1), 2020, article 3 [https://digitalcommons.aaru.edu.jo/fcij/vol5/iss1/3]
• [2] Babita P.: Online Signature Recognition Using Neural Network. Journal of Electrical & Electronics 4(3), 2015, 1.
• [3] Diaz M., Ferrer M. A., Impedovo D., Malik M. I., Pirlo G., Plamondon R.: A Perspective Analysis of Handwritten Signature Technology. ACM Comput. Surv. 51(6), 2019, article 117.
• [4] Doroshenko T. Y., Kostyuchenko E. Y: The authentication system based on dynamic handwritten signature. TUSUR 2(32), 2014, 219–223.
• [5] Fierrez J., Galbally J., et al.: BiosecurID: A Multimodal Biometric Database. Pattern Analysis and Applications 13(2), 2010, 235–246.
• [6] Fierrez J., Ortega-Garcia J., Ramos D., Gonzalez-Rodriguez J.: Hmm-Based On-Line Signature Verification: Feature Extraction And Signature Modeling. Pattern Recognition Letters 28(16), 2007, 2325–2334.
• [7] Gerstner W., Kistler W.: Spiking Neuron Models: Single Neurons, Populations, Plasticity. Cambridge University Press, Cambridge 2002. [http://doi.org/10.1017/CBO9780511815706].
• [8] Hamadly I., Khaleel A., Munim A., Hassan H. E., Mohamed H. K.: Online Signature Recognition And Verification Using (SURF) Algorithm With SVM Kernels. Journal of Al-Azhar University Engineering Sector 13(49), 2018, 1332–1344.
• [9] Houmani N., Garcia-Salicetti S., Dorizzi B.: On assessing the robustness of pen coordinates, pen pressure and pen inclination to time variability with personal entropy. IEEE 3rd Int. Conf. on Biometrics: Theory, Applications, and Systems 2009, 1–6.
• [10] Kolesnytskij O. K., Samra Muavija Hassan Hamo: A method for recognizing multidimensional time series using pulsed neural networks. Information technology and computer engineering 2(6), 2006, 86–93.
• [11] Kolesnytskyj O. K., Bokotsey I. V., Yaremchuk S. S.: Optoelectronic Implementation of Pulsed Neurons and Neural Networks Using Bispin-Devices. Optical Memory & Neural Networks (Information Optics) 19(2), 2010, 154–165.
• [12] Kolesnytskyj O. K., Kutsman V. V., Skorupski K., Arshidinova M.: Neurocomputer architecture based on spiking neural network and its optoelectronic implementation. Proc. SPIE 11176, 2019, 1117609 [http://doi.org/10.1117/12.2536607].
• [13] Kutsman V. V., Kolesnytskyj O. K., Denysov I. K.: Investigation of intrapersonal and interpersonal variability of dynamic signature parameters in the process of their identification, Optoelectronic Information-Power Technologies 39(2), 2020, 5–15.
• [14] Kutsman V. V., Kolesnytskyj O. K.: Signature verification and recognition as a multiparametric process based on a spiking neural network. Information technologies and computer engineering 50(1), 2021, 36–44 [http://doi.org/10.31649/1999-9941-2021-50-1-36-44].
• [15] Maass W.: Networks of spiking neurons: the third generation of neural network models. Neural Networks 10, 1997, 1659–1671.
• [16] Nilchiyan M. R., Yusof R. B.: Improved Wavelet-Based Online Signature Verification Scheme Considering Pen Scenario Information. IEEE 1st International Conference on Artificial Intelligence, Modelling and Simulation 2013, 8–13.
• [17] Ortega-Garcia J., Fierrez J., et al.: MCYT Baseline Corpus: A Bimodal Biometric Database. IEEE Proc. Vision, Image and Signal Processing 150(6), 2003, 395–401.
• [18] Patil B. V., Patil P. R.: An Efficient DTW Algorithm For Online Signature Verification. IEEE International Conference on Advances in Communication and Computing Technology (ICACCT) 2018, 1–5.
• [19] Pavlidis I., Papanikolopoulos N. P., Mavuduru R.: Signature Identification Through The Use Of Deformable Structures. Signal Processing 71(2), 1998, 187–201.
• [20] Tolosana R., Vera-Rodriguez R., Fierrez J., Ortega-Garcia J.: DeepSign: Deep On-Line Signature Verification. arXiv preprint arXiv: 2002.10119, 2020.
• [21] Vlachos M., Kollios G., Gunopulos D.: Discovering similar multidimensional trajectories. Proceedings 18th International Conference on Data Engineering 2002, 673–684.