Верифікація та розпізнавання підпису як багатопараметричного процесу на основі спайкінгової нейронної мережі

Abstract

У статті проведено аналіз відомих методів динамічної верифікації підпису, які зведено у класифікаційну таблицю. Запропоновано метод динамічної верифікації підпису на основі спайкінгової нейронної мережі. Обрано три динамічних параметри підпису l(t), α(t), Z(t), які є інваріантними до кута нахилу підпису, а після їх нормалізації – ще й до просторового та часового масштабів підпису. Ці динамічні параметри підпису подаються на спайкінгову нейронну мережу для розпізнавання одночасно у вигляді часових рядів без попереднього перетворення у вектор статичних ознак, що, з одного боку, спрощує метод завдяки відсутності складних обчислювальних процедур перетворення, а з іншого боку, перешкоджає втраті корисної інформації, а тому – підвищує точність і достовірність верифікації та розпізнавання підписів (особливо при розпізнаванні підроблених підписів, які сильно корельовані з оригіналами). Використовувана нейронна мережа має просту процедуру навчання, причому навчаються не всі нейрони мережі, а тільки вихідні. При необхідності додавання нових підписів не потрібно перенавчати всю мережу повністю, а достатньо додати кілька вихідних нейронів і навчити тільки їхні зв’язки.

The article reviews the known methods of dynamic signature verification, which are summarized in the classification table. A method of dynamic signature verification based on a spiking neural network is proposed. Three dynamic parameters of the signature l(t), α(t), Z(t) are chosen, which are invariant to the angle of inclination of the signature, and after their normalization - also to the spatial and temporal scales of the signature. These dynamic signature parameters are simultaneously fed to the spiking neural network for recognition in the form of time series without prior conversion into a vector of static features. This, on the one hand, simplifies the method due to the absence of complex computational conversion procedures and, on the other hand, prevents the loss of useful information and therefore increases the accuracy and reliability of signature verification and recognition (especially for forgery signatures that are highly correlated with genuine ones). The used neural network has a simple learning procedure, and not all neurons of the network are trained, but only the output neurons. If you need to add new signatures, you do not need to retrain the entire network, but just add a few output neurons and learn only their connections.