Piotr Porwik Uniwersytet Śląski w Katowicach

1. Rozpoznawanie podpisów odręcznych na podstawie zredukowanegozbioru cech i nowej miary podobieństwa Piotr Porwik Uniwersytet Śląski w Katowicach

2. Zagadnienia prezentacji • Urządzenia rejestrujące • Cechy podpisu • Miary podobieństwa cech • Nowa koncepcja podobieństwa • Redukcja cech • Klasyfikacja na pełnym i zredukowanym zbiorze cech Biometria w urządzeniach moblinych

3. Czy identyfikacja /weryfikacja osoby jest zawsze możliwa? NIE! Podpis kapitana Bonaparte w roku 1793 (ma 24 lata) Generał dywizji (1796) (ma 27 lat) Napoleon jak cesarz Francji 1804 (ma 35 lat) Dowódca Francuzów pod Austerlitz 1805 (ma 36 lat) Dowódca Francuzów pod Moskwą 1812 (ma 43 lata) Przed śmiercią na wyspie Św. Heleny 1821 (ma 52 lata) Biometria w urządzeniach moblinych 1769 Korsyka – 1821 Św. Helena

4. Urządzenia rejestrujące podpis SigLite Backlit LCD 1x5 HID USB Biometria w urządzeniach moblinych

5. Cechy podpisu (1) • Cechy statyczne (np. podpis off-line) • Cechy dynamiczne (np. podpis on-line) • Siła nacisku pióra na podłoże • Chwilowe przyśpieszania pióra • Prędkości kierunkowe • Liczba podniesień i opuszczeń pióra • Kąt nachylenia pióra • (40 cech można zarejestrować lub je wyznaczyć na podstawie zarejestrowanych cech) Biometria w urządzeniach moblinych

6. Czy to jest ważne ? Biometria w urządzeniach moblinych

7. Cechy podpisu (2) Biometria w urządzeniach moblinych

8. Cech podpisu –graficznie (1) Biometria w urządzeniach moblinych

9. Cechy podpisu – graficznie (2) Biometria w urządzeniach moblinych

10. Miary podobieństwa (1) Biometria w urządzeniach moblinych

11. Miary podobieństwa (2) Sung-Hyug Cha (2007) Comprehensive survey on distance/similarity measures between probability density functions. Int. J. of Mathematical Models and Methods in Applied Sciences, vol. 1, pp. 300-307. Biometria w urządzeniach moblinych

12. Nowa koncepcja podobieństwa (1) Zbiór cech: Zbiór metod : (sposoby wyznaczania podobieństwa) Zbiór wszystkich kombinacji „cecha-metoda”: Niech nowy współczynnik nazywa się Sim Biometria w urządzeniach moblinych

13. Nowa koncepcja podobieństwa (2) Podpisy oryginalne: Podpisy fałszywe: c –liczba podpisów oryginalnych, d – liczba podpisów fałszywych, u – liczba zarejestrowanych cech, k – liczba użytych miar podobieństwa (metod pomiaru) Biometria w urządzeniach moblinych

14. Nowa koncepcja podobieństwa (3) Współczynnik Sim pomiędzy podpisami oryginalnymi: Biometria w urządzeniach moblinych

15. Nowa koncepcja podobieństwa (4) Współczynnik Sim pomiędzy podpisami prawdziwymi i fałszywymi: Biometria w urządzeniach moblinych

16. Nowa koncepcja podobieństwa (5) Macierze X oraz Y mogą być jednak bardzo duże! • Rozwiązanie: redukcja rozmiarów macierzy. Na przykład: • PCA • SVD • Metoda Hotellinga Dwie pierwsze metod są dobrze znane i opisane w literaturze. Metoda Hotellinga jest mniej znana ale tutaj daje najlepsze rezultaty. Biometria w urządzeniach moblinych

17. Szkic metody Hotellinga (1) Biometria w urządzeniach moblinych

18. Szkic metody Hotellinga (2) Elementy macierzy X oraz Y są próbkami dwóch populacji: Rozkład jest normalny, a parametry tego rozkładu są nieznane. Można je jednak estymować: Biometria w urządzeniach moblinych

19. Szkic metody Hotellinga (3) * - test Bartletta Jeśli kowariancje S1 oraz S2 są homogeniczne*, to: (wariancja wspólna) w przeciwnym przypadku: (wariancje oddzielnie) Statystyka Hotellinga: Test Hotellinga można sprowadzić do testu F: Poziom istotności Biometria w urządzeniach moblinych

20. Szkic metody Hotellinga (4) Biometria w urządzeniach moblinych

21. Bazy danych • SVC 2004http://www.cse.ust.hk/svc2004 • MCYThttp://atvs.ii.uam.es/mcytscores.html • SigComp2011http://www.iapr-tc11.org/mediawiki/index.php/Datasets_List • 4NSigComp2012http://www.iapr-tc11.org/mediawiki/index.php/Datasets_List • SigWiComp2013http://www.dfki.de/afha/2013/SigWiComp.html • Baza własnahttp://biometrics.us.edu.pl Bazy zawierają podpisy oryginalne i sfałszowane. W eksperymencie badano 1600 podpisów z podziałem na podpisy uczące i testowe Biometria w urządzeniach moblinych

22. Testy praktyczne, (k-NN), Hotelling Prawidłowe rozpoznanie Biometria w urządzeniach moblinych

23. Testy praktyczne, PCA Biometria w urządzeniach moblinych

24. Testy praktyczne, PCA Biometria w urządzeniach moblinych

25. Testy praktyczne (k-NN), PCA Nieprawidłowe rozpoznanie! Biometria w urządzeniach moblinych

26. Jakie klasyfikatory stosować do weryfikacji podpisu ? • Pytania dodatkowe. Dla nowego typu danych: • czy jakość klasyfikacji jest podobna kiedy klasyfikator pracuje na: • danych zredukowanych, • danych nie zredukowanych, (to może być duży zbiór!) • danych surowych (pierwotne cechy, bez przetworzenia) Aby odpowiedzieć na te pytania trzeba przeprowadzić odpowiednie eksperymenty! Biometria w urządzeniach moblinych

27. ?? „It is obvious that more does not mean better, especially in the case of classifiers!!” *) *) XIAO-HUA ZHOU et al..Statistical Methods in Diagnostic Medicine. Wiley-Interscience, 2002, Biometria w urządzeniach moblinych

28. Zastosowane klasyfikatory Biometria w urządzeniach moblinych

29. Wyniki klasyfikacji Biometria w urządzeniach moblinych

30. Wyniki klasyfikacji Biometria w urządzeniach moblinych

31. Wyniki klasyfikacji Użyte narzędzia Matlab, R, KNIME Biometria w urządzeniach moblinych

32. Wyniki klasyfikacji Biometria w urządzeniach moblinych

33. Porównanie z innymi (przybliżona ocena) 1) D. Impedovo, G. Pirlo, Automatic signature verification: the state of the art. IEEE Trans. on Syst. Man. and Cybernetics. Part C: Applications and Reviews, vol. 38v no. 5, 2008, pp. 609-635. Biometria w urządzeniach moblinych

34. PNN+PSO Biometria w urządzeniach moblinych

35. Trening sieci Biometria w urządzeniach moblinych

36. www://mit.us.edu.pl Biometria w urządzeniach moblinych

37. www://mit.us.edu.pl Biometria w urządzeniach moblinych

38. Dziękuję za uwagę Biometria w urządzeniach moblinych