Budapesti Műszaki és Gazdaságtudományi Egyetem Műszaki Tudományág Informatikai Tudományszak

Budapesti Műszaki és Gazdaságtudományi Egyetem Műszaki Tudományág Informatikai Tudományszak

MODELLEK ÉS ALGORITMUSOK A HAGYOMÁNYOS ALÁÍRÁSOK STATIKUS, JELLEMZŐ ALAPÚ HITELESÍTÉSÉBEN Ph.D. értekezés tézisei

Kővári Bence András

Tudományos vezető: dr. Charaf Hassan Ph.D. Egyetemi docens

BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM AUTOMATIZÁLÁSI ÉS ALKALMAZOTT INFORMATIKAI TANSZÉK

Budapest, 2013.

Ph.D. értekezés tézisei

Kővári Bence András Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Automatizálási és Alkalmazott Informatikai Tanszék

1111 Budapest, Magyar tudósok körútja. 2/B. e-mail: [email protected] tel.: +36(1)4632486 fax: +36(1)4632871

Tudományos vezető: dr. Charaf Hassan Ph.D. Egyetemi docens

KŐVÁRI BENCE ANDRÁS

1 Előzmények és célkitűzések A kézeredet azonosítás a legősibb biometrikus azonosítási feladatok egyike. Ahogy egyre szélesebb körben kezdték használni, úgy lettek mind a hamisítók, mind a hitelesítők módszerei egyre kifinomultabbak. Jól jelzi ezt, hogy a 20. század első felében még bárki, aki hivatásszerűen kézírással foglalkozott (jegyző, tanító) szakértőnek minősült (Kaszab, et al., 2003). Ma ezzel szemben a törvényszéki írásszakértői hivatás önálló szakmává nőtte ki magát, melyhez külön képzés és egy gazdag technológiai eszköztár is tartozik. Bár számos kísérlet történt az aláírás-hitelesítési folyamatok formalizálására (Bryan & Doug, 1999) tökéletesen megbízható módszer nem ismert. Az aláírások hitelesítése máig egy kérdésekkel és kihívásokkal teli terület még a benne dolgozó szakértők számára is. Professzionális hamisítványokat vizsgálva a szakértők tévedési aránya 0.5% és 7% között mozog (Found & Rogers, 2003) miközben a laikusok még ennél is rosszabb eredményeket érnek el (Jain, 2010) (10% és 26% közti hibaarányokat mértek). Ezek a számok is alátámasztják, hogy még a törvényszéki írásszakértők is hajlamosak hibázni, s számos nyitott kérdés van még a területen. Olyan kérdések, mint: Miért nem tudnak a szakértők magasabb pontosságot elérni? Vajon ezek a hibaarányok a szakértők képességeinek, vagy az aláírások diszkriminatív erejének a határait jelzik? Az elmúlt évek informatikai fejlődésének hála, ma már lehetőségünk nyílik rá, hogy ezeket a kérdéseket mélyebben is megvizsgáljuk. A számítógépes aláírás-hitelesítés célja, hogy emberi közreműködés nélkül eldöntse, hogy egy adott aláírás adott aláíróhoz tartozik-e? A döntést, a vizsgált minta mellett, kizárólag néhány, az aláírótól kapott eredeti minta (referencia aláírások) alapján kell meghozni. A minták jellege alapján a számítógépes aláírás-hitelesítést on-line (vagy dinamikus) és off-line (statikus) területekre bontjuk. Az on-line aláírás-hitelesítésben a teljes aláírási folyamat rögzítésre kerül (például kamerával, vagy digitális táblával), majd az így gyűjtött összes információ alapján születik meg a döntés az eredetiségről. A rögzített információk közt általában a toll pozícióján kívül annak nyomása és dőlésszöge is szerepel az idő függvényeként. Ez a típusú bemenet két jelentős előnyt is ad az on-line területnek. Egyrészt, a bemeneti adatok összerendelését megkönnyíti az, hogy az idő függvényében áll rendelkezésre. Másrészt az adatok egy része (úgy mint a nyomás, vagy a toll sebessége) a hamisító számára nem kiolvasható az aláírás képéből, így azok reprodukálása rendkívül nehéz. Így akár egy megjelenésre eredetiek tűnő aláírásról is kideríthető, hogy hamisítvány. Ezek azok a legfőbb előnyök melyeknek köszönhetően ma az on-line rendszerek 1% alatti hibaarányokat produkálnak (Impedovo & Pirlo, 2008). Az off-line terület ezzel szemben kizárólag az aláírások szkennelt képeiből kiindulva próbálja meghozni ugyanezt a döntést. Vagyis a bemenet 2 dimenziós képekre van korlátozva, s a számos dinamikus jellemző (nyomás, sebesség stb.) gyakorlatilag elvész. Ugyanakkor szemben az on-line hitelesítéssel, mely speciális hardvereket és ellenőrzöttebb folyamatot igényel, az off-line hitelesítés akár az aláírási folyamattól függetlenül, utólag is elvégezhető, így amellett hogy kevésbé intruzív, sokkal jobban illeszkedik a meglévő üzleti folyamatokhoz is. Ezen tulajdonságainak köszönheti, hogy elméleti alkalmazhatósága rendkívül széles palettán mozog. Egyebek mellett például a pénzügyi szektorban, ahol már ma is minden dokumentumot digitalizálnak, egy aláírás-hitelesítő rendszer bevezetése „csupán” egy szoftverfrissítést igényelne, miközben az ügyfelek és ügyintézők munkáját közvetlenül nem befolyásolná.

3

KŐVÁRI BENCE ANDRÁS Miközben az on-line hitelesítés a nem látható jellemzők rögzítése miatt előnyből indul egy szakértővel szemben, addig az off-line hitelesítés kifejezetten hátránnyal, hiszen nem rendelkezik a szakértő írásról alkotott gazdag háttértudásával, így nem meglepő, hogy utóbbi esetben a döntés pontossága is rosszabb lesz. Ma a legpontosabb off-line hitelesítő rendszerek is 9-10% körüli hibaarányt produkálnak (Vargas, et al., 2011) (Batista, et al., 2012). Ez a tény jelentősen korlátozza a tényleges alkalmazhatóságukat. Bár számos kísérlet történt már e korlátok átlépésére, ugyanakkor kutatásom során azt tapasztaltam, hogy egy közös jellemzővel a legtöbb ma létező megoldás rendelkezik: alapvetően fekete dobozként viselkednek (elsősorban az MI alapú megközelítésük miatt), vagyis kevés, emberek számára értelmezhető információt tudnak adni egy-egy döntésük mögöttes tartalmáról (Kovari, et al., 2009). Ez a tulajdonságuk ma továbbfejlesztésük egyik fontos akadálya. Amíg az emberi teljesítmény felülmúlja a számítógépekét, nyilvánvalóan van még tér az algoritmusok fejlesztésének. Kutatásom ezek tükrében egy olyan aláírás-modell és hozzá kapcsolódó kiértékelési eljárások kidolgozására irányult, melyek lehetővé teszik az aláírások kézeredet alapján történő osztályozását. Mindezek alapján céljaim a következők voltak:  A meglévő off-line aláírás-hitelesítő rendszerek átfogó vizsgálata, gyengéik és erősségeik azonosítása. 

Jellemzőkinyerési algoritmusok vizsgálata, illetve szükség szerint újak kidolgozása.



Olyan aláírás-jellemzők azonosítása, melyek jól használhatóak eredeti és hamis aláírások közti különbségtételre.



Egy matematikailag jól modellezhető hitelesítési folyamat kidolgozása és elemzése.



Algoritmusaim nagyobb aláírás-adatbázisokon történő tesztelése, és gyakorlati alkalmazhatóságuk demonstrálása.

2 Módszertani összefoglalás A kitűzött célok meghatározták a kutatásom irányát. Munkám kiindulópontját a meglévő módszerek, modellek és algoritmusok képezték. Először ezek összeírásával, majd a fontosabb megközelítések mélyebb elemzésével foglalkoztam, majd a megismert algoritmusok és módszerek hiányosságai alapján határoztam meg a további teendőimet. A teljes kutatásom, mely alapvetően a meglévő aláírás-hitelesítési modellek továbbfejlesztésére irányult, a következő lépésekkel írható le: 

Áttanulmányoztam az elmúlt 30 év aláírás-hitelesítés terén releváns konferencia és folyóirat kiadványait, megismertem, feldolgoztam és rendszereztem a fontosabb eredményeket.



Megvalósítottam számos képfeldolgozó és aláírás hitelesítő algoritmust, részben mások korábbi eredményeire, részben saját elképzelésekre alapozva.



Kidolgoztam és megvalósítottam egy erősen moduláris keretrendszert, mely lehetővé tette az aláírás-hitelesítés különböző lépéseinek az egymástól független végrehajtását és kiértékelését.



Munkám során hozzáférést kaptam számos jelentős nemzetközi aláírás-adatbázishoz (GPDS300, SVC2004, SigComp2009), s e mellet saját gyűjtéseimből is több – a

4

KŐVÁRI BENCE ANDRÁS hitelesítés különböző aspektusait szolgáló (összességében több mint 10.000 aláírásból).

–

adatbázist

összeállítottam.



A megszerzett tapasztalatok és számos kudarc alapján kidolgoztam formális modellemet az aláírás-hitelesítési folyamat leírására.



Kutatásom utolsó 3 évében elsősorban matematikai statisztikai ismeretem mélyítésén, s ezek által a modellem finomításán dolgoztam.



Kísérletekkel és mérésekkel támasztottam alá, megvalósítható és működőképes a gyakorlatban.

hogy

modellem

valóban

3 Új tudományos eredmények Mivel a legjobban teljesítő rendszerek kivétel nélkül MI alapú megközelítést alkalmaznak, jelenleg kevés belelátásunk van döntéseik (és hibáik) hátterébe. Az érthetőség érdekében első tézisemben egy valószínűségi eloszlásokon alapuló egyszerűsített modell bevezetését javaslom. Ebben a modellben a feldolgozási lépések matematikailag leírhatóak, így egymástól függetlenül elemezhetőek és javíthatóak. Modellemet használva lehetségessé válik, hogy pusztán három, előre ismert paraméter (referencia minták száma, vizsgált jellemzők száma, hamisítványok elvárt minősége) megbecsüljük a rendszer döntésének várható pontosságát. Feltételezésem és modellem helyességét több kísérlettel támasztom alá. Második tézisemben a korábban bemutatott modell tulajdonságait elemzem. Bebizonyítom, hogy a referencia minták, illetve a vizsgált jellemzők számának a növekedése a várható hibaarány csökkenéséhez vezet. Megmutatom, hogy a rendszer egyetlen, nem közvetlenül ellenőrzött paraméterét – a hamisítványok minőségét – megfelelő stratégiával megválasztva minimalizálni lehet az esetleges tévedések hatását a végső hibaarányra. Harmadik tézisemben a jellemzők kinyerésével és párosításával foglalkozok. Bemutatom az általam kidolgozott algoritmusokat a hurkok és az alapvonalak kinyerésére, illetve párosítására, továbbá bevezetek egy újszerű vékonyítási megoldást is. Kísérleteim alapját az itt ismertetett algoritmusok képezték. A tézisfüzet fennmaradó részében áttekintem a téziseimet. Leírásomat minden esetben a tézis fő állításainak összefoglalásával kezdem, majd hivatkozok a disszertációm kapcsolódó fejezeteire, illetve a témában releváns publikációimra. Az egyes fejezeteket a tézis részletes ismertetésével zárom.

I. TÉZIS Statisztikai modell a jellemző-alapú off-line aláírás-hitelesítéshez Kidolgoztam egy statisztikai modellt az off-line aláírás-hitelesítés osztályozás fázisához. Modellem alapján meghatároztam a küszöbértékeket, melyeken belül egy tulajdonság eredetinek fogadható el, s mely minimalizálja a rendszer várható átlagos hibaarányát. Módszeremet kiterjesztettem, hogy alkalmas legyen a korlátos mintaszámból eredő bizonytalanságok kezelésére, s kiterjesztett módszerem segítségével is meghatároztam az átlagos hibaarányt. Számításaimat kísérletekkel, a számításaim alapjául szolgáló feltételezéseket pedig statisztikai próbákkal támasztottam alá.

5


I. tézisemet disszertációm 3. fejezetében tárgyalom. Kapcsolódó publikációim: [1] [2] [3] [4] [7] [8] [11] [16] [20] [25]. 1. Definíció (Terminológia) Jellemző: az aláírás képének egy kiemelt részlete: 

globális jellemző: olyan jellemző, mely az aláírás egészét írja le (pl. aláírás mérete)



lokális jellemző: olyan jellemző, mely az aláírás egy kisebb részletét írja le (pl. hurok, alapvonal)

Jellemző-tulajdonság: egy jellemző egy aspektusát leíró mennyiség (pl. hurok magassága) Jellemző-típus: azonos karakterisztikákkal rendelkező jellemzők csoportja (hurkok, alapvonalak) 1. Feltételezés Egy aláíró aláírásainak egy jellemző-tulajdonsága jól közelíthető egy normális eloszlású valószínűségi változóval (𝑋), melynek várható értéke 𝑚 és szórása 𝑠. (3.1)

𝑋~𝒩(𝑚, 𝑠) 2. Feltételezés

Egy aláírás hamisítványainak egy jellemző-tulajdonsága jól közelíthető egy normális eloszlású valószínűségi változóval ( ), melynek várható értéke 𝑚 és szórása 𝑠 . ~𝒩(𝑚 , 𝑠 ) (3.2) Ezen felül, mivel a hamisítók az eredeti aláírás tulajdonságait próbálják reprodukálni, a várható értékeket azonosnak feltételezzük. 𝑀(𝑋) = 𝑀( ) → 𝑚 = 𝑚

(3.3)

Így tehát az eredeti és hamis jellemzők tulajdonságai alapvetően csak szórásukban térnek el. A hamisítványok minőségének jellemzésére ezért a továbbiakban a két szórás hányadosát használjuk. 𝑠 𝑞 = 𝑠𝑓 (3.4)

I.1 Altézis Bebizonyítottam, hogy amennyiben m és q ismertek, az átlagos hibaarány akkor minimális, ha 𝑞2

𝑤 = ±√2√ln 𝑞 √𝑞2 −1

6

(3.5)

KŐVÁRI BENCE ANDRÁS Továbbá bebizonyítottam, hogy ezt a küszöbértéket alkalmazva a rendszer várható átlagos hibaaránya a következő lesz: 𝐴𝐸𝑅 =

1 2

𝑤

(3.6)

+ 𝛷 ( 𝑞 ) − 𝛷(𝑤)

I.2 Altézis Igazoltam, hogy a 3.5. Egyenlet állítása finomítható, amennyiben a tulajdonságokat a Student eloszlással közelítjük. ebben az esetben az átlagos hibaarány pontosan akkor minimális ha: 𝑤 = ±√(

𝑞 2 −𝑞

2 2+ 𝑛

2 𝑞 𝑛 −𝑞2

)(

𝑛2 −1 𝑛

(3.7)

)

I.3 Altézis Bebizonyítottam, hogy amennyiben a 3.7. egyenlet által meghatározott küszöbértéket alkalmazom a döntéshozásban, a rendszer várható hibaarányai a következőképen számíthatóak. Tévesen elutasított eredeti minták aránya: 𝛼 = 𝑃(𝑚 − 𝑤𝑠 > 𝑋) + 𝑃(𝑚 + 𝑤𝑠 < 𝑋) = 2T𝑜 (m ̂ n − 𝑤𝑠̂𝑛 )

(3.8)

Tévesen elfogadott hamis minták aránya: 𝛽 = 𝑃(𝑚 − 𝑤𝑠 < 𝑋 < 𝑚 + 𝑤𝜎𝑜 ) = 1 − 2Tf (m ̂n − 𝑤

𝑠̂𝑛 𝑞

)

(3.9)

Átlagos hibaarány 𝐴𝐸𝑅 =

𝛼+𝛽 2

1

𝑠̂

= 2 + 𝑇𝑜 (𝑚 ̂ 𝑛 − 𝑤𝑠̂𝑛 ) − 𝑇 (𝑚 ̂ 𝑛 − 𝑤 𝑞𝑛)

(3.10)

Ahol 𝑇𝑜 (𝑥) és 𝑇 (𝑥) rendre az eredeti és a hamis minták tulajdonságainak eloszlásfüggvényei. 3.10. Egyenlet egy olyan rendszer hibaarányát írja le, mely kizárólag egyetlen tulajdonságot vizsgál. A valóságban azonban lehetőségünk van több tulajdonság vizsgálatára, így a következő altézisemben ennek a lehetőségét vizsgálom.

I.4 Altézis Bebizonyítottam, hogy amennyiben egy aláírás eredetiségéről k független tulajdonság vizsgálatával döntünk, ahol minden egyes tulajdonságot eredetiként, vagy hamisként fogadunk el ismert 𝛼 és 𝛽 hibaarányokkal, az átlagos hibaarány minimalizálása érdekében az aláírás hamisítványként való elutasításához szükséges hamis tulajdonságok száma: ln(1−𝛼)−ln(𝛽)

𝑙 = 𝑘 ln(1−𝛼)−ln(𝛽)+ln(1−𝛽)−ln(𝛼)

7

(3.11)


I.5 Altézis A korábban bemutatott egyenletekből, levezettem, hogy modellem alapján a rendszer várható hibaaránya meghatározható három paraméter alapján, melyek: 

a rendszer tanításához használt referencia minták száma (𝑛),



a vizsgált, függetlennek tulajdonságok száma (𝑘)



és a hamisítványok minősége (𝑞).

A hibaarány a következőképpen számítható: 𝐴𝐸𝑅(𝑞, 𝑛, 𝑘) =

⌊𝑙⌋ 𝑘 𝑘 𝑖 𝑘−𝑖 ∑𝑗=0( )𝛽 𝑘−𝑗 (1−β)𝑗 + ∑𝑘 𝑖=⌊𝑙⌋+1( 𝑖 )𝛼 (1−α) 𝑗 2

(3.12)

II. TÉZIS A statisztikai modell tulajdonságai Bebizonyítottam, hogy modellemben mind a mintaszám, mind a jellemzők számának növekedése az átlagos hibaarány csökkenéséhez fog vezetni, és megfogalmaztam egy sejtést, mely szerint a hamisítványok minőségének hibás becslése által bevezetett hiba minimalizálható. II. tézisemet disszertációm 4. fejezetében tárgyalom. Kapcsolódó publikációim: [1] [2] [3] [4] [7] [8] [11] [16] [20] [25].

II.1 Altézis A következő megkötések mellett: 𝑞 > 1, 𝑘 ≥ 1, 𝑛 > 2, 𝑛, 𝑘 ∈ ℤ, 𝑞 ∈ ℝ

(3.13)

és feltételezve, hogy a referencia aláírások száma (𝑛0 ) és a hamisítványok minősége (𝑞0 ) adott, bebizonyítottam, hogy 𝐴𝐸𝑅(𝑞0 , 𝑛0 , 𝑘) csökkenő függvény.

8


AER 0.5

0.4 0.3 0.2 0.1 5.505 4.606 3.707 2.808 1.909 1.01

6.404

7.303

8.202

2 5 8 11 14 17 20 23 k 26 29

9.101

0

q

3.1. ábra – Az átlagos hibaarány (𝐴𝐸𝑅) a túlajdonságok számának (𝑘) és a hamisítványok minőségének (𝑞) függvényében

II.2 Altézis A következő megkötések mellett: 𝑞 > 1, 𝑘 = 1, 𝑛 > 2, 𝑛, 𝑘 ∈ ℤ, 𝑞 ∈ ℝ

(3.14)

és feltételezve, hogy a vizsgált tulajdonságok (𝑘0 ) és a hamisítványok minősége (𝑞0 ) adott, bebizonyítottam, hogy 𝐴𝐸𝑅(𝑞0 , 𝑛, 𝑘0 ) csökkenő függvény.

II.3 Altézis Megfogalmaztam a következő sejtést, melyet szimulációkkal támasztottam alá: Amennyiben a hamisítványok minősége (𝑞𝑎𝑐𝑡 ) az (1; 𝑞𝑚𝑎𝑥 ) intervallumba esik, lehetséges olyan becslést adni rá (𝑞𝑒𝑠𝑡 ) mely minimalizálja az esetleges tévedésekből eredő hibák hatását a rendszer átlagos hibaarányára.

9


AER increase 10% 8% 6%

Maximal value 8.0 of real q 5.7

4% 2%

3.4 10,70 10,10 9,50 8,90 8,30 7,70 7,10 6,50 5,90 5,30 4,70 4,10 3,50 2,90 2,30 1,70 1,10

1.1

0%

Estimated q 3.2. ábra – Az átlagos hibaarány az elvárt leggyengébb minőség (𝑞𝑚𝑎𝑥 ) és a becsült minőség (𝑞𝑒𝑠𝑡 ) függvényében

III. TÉZIS Aláírás feldolgozó algoritmusok Kidolgoztam több, az aláírás-hitelesítés során alkalmazható képfeldolgozási algoritmust. Tézisemben az alapvonalak és a hurkok kinyerésére irányuló, a jellemzők párosítását megvalósító és a tollvonások kinyerését elvégző algoritmusomat ismertetem. III. tézisemet disszertációm 5. fejezetében tárgyalom. Kapcsolódó publikációim: [4] [5] [6] [7] [9] [10] [13] [14] [15] [17] [18] [19] [21] [22] [23] [24] [26] [27].

III.1 Altézis Kidolgoztam egy algoritmust mely egy aláírás képe alapján alkalmas a tollvonások rekonstrukciójára. Az adaptív sugárváltoztatással megoldást adtam a hirtelen irányváltozások kezelésére, és lokálisan optimális megoldást adtam az érintkező vonások összekötésére. Kísérletekkel igazoltam, hogy vékonyítás tekintetében algoritmusom összemérhető eredményt ad számos népszerű vékonyító algoritmussal.

III.2 Altézis Egy heurisztikus algoritmust javasoltam a többdimenziós párosítási probléma megoldására mely jól illeszkedik az off-line aláírás-hitelesítéshez. Megadtam az algoritmus egy egyszerűsített változatát, mellyel lehetőség nyílik a referencia aláírások már összerendelt jellemzői és a vizsgált aláírás jellemzői közti párosítás meghatározására.

III.3 Altézis Kidolgoztam egy modellt, mellyel az alapvonalak jellemezhetőek, s egy képfeldolgozási algoritmust, mely alkalmas e modell kinyerésére az aláírások képeiből.

10


III.4 Altézis Kidolgoztam egy modellt, mellyel a hurkok jellemezhetőek, s egy képfeldolgozási algoritmust, mely alkalmas e modell kinyerésére az aláírások képeiből.

4 Az új tudományos eredmények alkalmazása Tudományos eredményeim alkalmazásait disszertációm 6. fejezetében tárgyalom. Kapcsolódó publikációim: [4] [6] [12] [13] [14] [15] [17] [21] [28]. Disszertációm 7 éves kutatási munka eredménye. Ez alatt az idő alatt egy gazdag alkalmazás infrastruktúra épült ki megoldásaim köré. E téren külön köszönettel tartozom hallgatóimnak, akik e rendszer kiépítésében segítségemre voltak, s cikkeimben társszerzőként szerepelnek. Munkájuk eredményét egyebek mellett 10 diplomaterv, 7 szakdolgozat és 1 TDK munka jelzik, melyek mind szorosan kapcsolódnak az aláíráshitelesítési területhez. Munkánk során kialakított rendszerünk jelenleg 37 C# alapú projektből, s hozzávetőleg 148.000 sor forráskódból áll. E kódbázis 10%-át egy újrafelhasználható osztálykönyvtár teszi ki, mely a keretrendszer mellett a legmegbízhatóbb algoritmusok konszolidált verzióit tartalmazza. Jelenleg a rendszerhez 32 különböző modul tartozik. A Signature Manager (SigMan) (Kutasi, 2010) alkalmazás az aláírások analízisének megkönnyítésére készült. A WPF alapú alkalmazás (az eredeti keretrendszerhez hasonlóan) rendkívül moduláris, s számos jellemző megjelenítését és szerkesztését is támogatja.

4.1. ábra – A SigMan alkalmazás használat közben

Hogy rendszerünkhöz széleskörű hozzáférést biztosítsunk készítettünk egy interaktív, Silverlight alapú frontendet (Pálfalvi, 2012), mely a BME, Automatizálási és Alkalmazott Informatikai Tanszékének honlapján elérhető. A rendszer lehetővé teszi, hogy bárki, akár a rendszer által biztosított teszt aláírásokkal, akár saját mintákkal kipróbálhassa a hitelesítőt.

11


4.2.ábra – Interaktív webes felület (www.aut.bme.hu/signature)

A fejlesztés során használt felhasználó felületek túlzsúfoltak és komplexek egy átlagos felhasználó számára. A Nagy Dániel által készített WPF alapú frontend (Nagy, 2010) ezzel szemben lehetővé teszi, hogy a felhasználók ergonomikus felületen, állítsák össze, illetve futtassák az általuk használni kívánt modul-konfigurációt.

4.3. ábra – Felhasználói élményre optimalizált WPF alapú felület

A rendszer egyik különleges, és az irodalomból ismert más megoldások között egyedi tulajdonsága, hogy döntését részletes információkkal képes alátámasztani (Berceli, 2012) (Pálfalvi, 2012). Az elvont, és fizikai jelentéssel nem bíró paraméterek helyett a szoftver képes közvetlen visszajelzést adni a döntés miértjeiről. Aktuális hitelesítési jelentésünk a vizuális feedback mellett tételesen felsorolja az egyes jellemzők statisztikai tulajdonságait és összeveti őket a vizsgált mintákban mértekkel. Bár algoritmusunk természetesen nem tévedhetetlen, egy emberi felügyelő a jelentések alapján már könnyen el tudja dönteni, hogy az eredményeket az automatikus feldolgozási lépések hibái torzították-e?

4.4.ábra – A hitelesítési jelentés néhány eleme

12


5 Az értekezés témaköréből készült publikációk Nemzetközi folyóiratcikkek: [1] Bence Kovari, Hassan Charaf: A study on the consistency and significance of local features in off-line signature verification. (in press) Pattern Recognition letters (2012) IF: 1.034 [2] Bence Kovari, Hassan Charaf: Analysis of Intra-Person Variability of Features for Off-line Signature Verification. WSEAS Transactions on Computers, Volume 11, Issue 9, pp 1359-1368, ISSN: 1109-2750 (2010) [3] Bence Kovari, Benedek Toth, Hassan Charaf: Classification approaches in off-line handwritten signature verification, WSEAS Transactions on Mathematics, Volume 8, Issue 9, pp. 500-509, ISSN: 1109-2769 (2009) [4] Bence Kovari, Istvan Albert, Hassan Charaf: A General Approach to Off-line Signature Verification, WSEAS Transactions on Computers, Volume 7, Issue 10, pp. 1648-1657, ISSN: 1109-2750 (2008) [5] Bence Kovari, Zsolt Kertész: Stroke Extraction and Approximation with Interpolating Lagrange Curves, Proceedings of World Academy of Science Engineering and Technology 29: pp. 56-60,, (2007)

Nemzetközi kiadványban megjelent előadás [6] Bence Kovari, Hassan Charaf: Feature matching in off-line signature verification. 16th WSEAS International Conference on Computers. Kos, Greece, Paper 232 [7] Bence Kovari: Limitations of Feature Based Off-line Signature Verification Methods, microCAD 2010 International Scientific Conference, Miskolc, Magyarország 2010 [8] Bence Kovari, Hassan Charaf: Statistical Analysis of Signature Features with Respect to Applicability in Off-line Signature Verification. 14th WSEAS International Conference on Computers, 2010, pp 473-478 [9] Mark Vincze, Bence Kovari: Comparative survey of thinning algorithms, 10th International Symposium of Hungarian Researchers on Computational Intelligence and Informatics (CINTI), Budapest, Magyarország, 2009 [10] Kővári Bence, Nagy Bence: Statikus Aláírás-hitelesítés Dinamikus Jellemzők Rekonstrukciójával, Képfeldolgozók és Alakfelismerők (KÉPAF) 7. Konferenciája, Budapest, Magyarország, 2009 [11] Bence Kovari, Adam Horvath, Benedek Toth, Hassan Charaf: Local feature Based Off-line Signature Verification Using Neural Network Classifiers, 11th WSEAS Int. Conf. on Mathematical methods, computational techniques and intelligent systems, pp. 269-274, ISBN~ISSN: 1790-2769, 978-960-474-094-9 La Laguna, Spanyolország 2009

13


[12] Daniel David Nagy, Bence Kovari: Improving Designer-Developer Workflow for Better User Experience, 10th International Symposium of Hungarian Researchers on Computational Intelligence and Informatics (CINTI), Budapest, Magyarország, 2009 [13] Bence Nagy, Bence Kovari: Skew Extraction and Evaluation for Off-line Signature Verification, microCAD 2009 International Scientific Conference, Miskolc, Magyarország 2009 [14] Albert Zsolt, Bence Kovari: Aláírás hitelesítés alsó burkológörbék DTW alapú összehasonlításával, microCAD 2009 International Scientific Conference, Miskolc, Magyarország 2009 [15] Zsolt Albert, Bence Kovari: Aláírás hitelesítés alapvonalak DTW alapú összehasonlításával, Képfeldolgozók és Alakfelismerők (KÉPAF) 7. Konferenciája, Budapest, Magyarország, 2009 [16] Adam Horvath, Bence Kovari: Usability of Neural Networks in Off-line Signature Verification, 10th International Symposium of Hungarian Researchers on Computational Intelligence and Informatics (CINTI), Budapest, Magyarország, 2009 [17] Bence Nagy, Bence Kovari: Baseline Extraction and Evaluation for Off-line Signature Verification, 9th International Symposium of Hungarian Researchers on Computational Intelligence and Informatics (CINTI), Budapest, Magyarország, 2008 [18] Bence Kovari, Gergely Kiss, and Istvan Albert: Stroke Matching for Off-line Signature Verification based on Bounding Rectangles, IEEE ISCIS 2008, 23rd International Symposium on Computer and Information Sciences, Isztambul, Törökország, 2008 [19] Bence Kovari, Gergely Kiss, Hassan Charaf: Stroke Extraction and Stroke Sequence Estimation for Off-line Signature Verification, The Eighth IASTED International Conference on Visualization, Imaging, and Image Processing, Palma de Mallorca, Spanyolország 2008 [20] Bence Kovari, István Albert, Hassan Charaf: A General Representation for Modeling and Benchmarking Off-line Signature Verifiers, 12th WSEAS Int. Conf. on COMPUTERS, Heraklion, Görögország 2008 [21] Zsolt Kertész, Bence Kovari: Off-Line Signature Verification using Feature Based Image Registration IDC, International Symposium on Intelligent and Distributed Computing, Craiova, Románia 2007 [22] Bence Kovari, Áron Horváth, Zsolt Kertész, Csaba Illés: Off-Line Signature Verification - Comparison of Stroke Extraction Methods ICSOFT, 2nd International Conference on Software and Data Technologies, Barcelona, Spanyolország, 2007 [23] Csaba Illés, Bence Kovari: Robust signature stroke extraction for use in off-line signature verification microCAD 2007 International Scientific Conference, Miskolc, Magyarország 2007

14


[24] Bence Kovari: Time-Efficient Stroke Extraction Method for Handwritten Signatures ACS'07, The 7th WSEAS International Conference on Applied Computer Science, Velence, Olaszország 2007 [25] Bence Kovari: The development of off-line signature verification methods, comparative study microCAD 2007 International Scientific Conference, Miskolc, Magyarország 2007 [26] Bence Kovari, Zsolt Kertész, Attila Major: Off-Line Signature Verification Based on Feature Matching INES, 11th International Conference on Intelligent Engineering Systems, Budapest, Magyarország 2007 [27] Bence Kovari: Extraction of Dynamic Features for Off-line Signature Analysis Automation and Applied Computer Science Workshop (AACS), 2006 [28] Bence Kovari, Hassan Charaf: UI modeling for mobile devices microCAD 2007 International Scientific Conference, Miskolc, Magyarország 2005

6 Idegen hivatkozások [3] publikációra hivatkozik: Hemanta Saikia, Kanak Chandra Sarma: Approaches and Issues in Offline Signature Verification System, International Journal of Computer Applications, Volume 42– No.16, March 2012 Gulzar Ali Khuwaja, Mohammad Shakeel Laghari: Learning Vector Quantisation based recognition of offline handwritten signatures, International Journal of Biometrics, Volume 4, Number 2, pp. 116-129, 2012 [4] publikációra hivatkozik: Sharil Tumin, Sylvia Encheva: A Multi PurposeWeb-based Contractual Management System, WSEAS Transactions on Information Science and Applications 7, pp. 819-829, 2010 Milan Tuba, Nadezda Stanarevic: Relation between Successfulness of Birthday Attack on Digital Signature and Hash Function Irregularity, WSEAS Transactions on Information Science and Applications 7, pp. 186-195, 2010 Milan Tuba: Digital signature and hash function irregularity, Proceedings of the 8th WSEAS International Conference on Telecommunications and Informatics, pp. 169-174, 2009 [5] publikációra hivatkozik: Vu Nguyen, Michael Blumenstein: Techniques for static handwriting trajectory recovery: a survey, Proceedings of the 9th IAPR International Workshop on Document Analysis Systems, Boston, Massachusetts, pp. 463-470 , 2010

15


[8] publikációra hivatkozik: Doroz R et al: Handwritten signature recognition with adaptive selection of behavioral features, Communications in Computer and Information Science, 2011. Carfagni, M., Governi, L., Nunziati, M. Offline continuous adaptation of templates for signature identification, International Journal of Mathematical Models and Methods in Applied Sciences, 5 (6), pp. 1003-1010, 2011 [9] publikációra hivatkozik: Soumen Bag, Gaurav Harit: An improved contour-based thinning method for character images, Pattern Recognition Letters, Volume 32, Issue 14, Pages 1836–1842, 2011 Soumen Bag and Gaurav Harit: Skeletonizing Character Images Using Modified Medial Axis-Based Strategy, Int. J. Patt. Recogn. Artif. Intell. 25, 1035, 2011 Soumen Bag, Gaurav Harit: Topographic Feature Extraction for Bengali and Hindi Character Images, Signal & Image Processing: An International Journal (SIPIJ), vol.2, no.2, pp. 181-196, June 2011 [11] publikációra hivatkozik: Somkid Amornsamankul, Jairaj Promrak, Pawalai Kraipeerapun: Solving Multiclass Classiﬁcation Problems using Combining Complementary Neural Networks and ErrorCorrecting Output Codes, International Journal of Mathematics and Computers in Simulation 5, pp. 266-273, 2011 [16] publikációra hivatkozik: K.R. Radhika, M.K. Venkatesha, G.N. Sekhar: Signature authentication based on subpattern analysis, Applied Soft Computing, Volume 11, Issue 3, pp. 3218–3228, April 2011 [18] publikációra hivatkozik: Srikanta Pal, Michael Blumenstein, Umapada Pal: Off-line signature verification systems: a survey, ICWET '11 Proceedings of the International Conference & Workshop on Emerging Trends in Technology, pp. 652-657 Srikanta Pal, Michael Blumenstein, Umapada Pal: Automatic off-Line Signature Verification Systems: A Review, International Conference and Workshop on Emerging Trends in Technology, Number 14 - Article 4, 2011 Haque, M.A.: Offline signature verification method using weighted block analysis, International Conference on Advances in Engineering, Science and Management (ICAESM), pp. 134-139, 2012

16


Haque, M.A.: Improved offline signature verification method using parallel block analysis, International Conference on Recent Advances in Computing and Software Systems (RACSS), pp.119-123, 2012 [20] publikációra hivatkozik: Aman Chadha, Divya Jyoti, M. Mani Roja: Rotation, Scaling and Translation Analysis of Biometric Signature Templates, International Journal of Computer Technology and Applications, Vol 2, No 5, pp. 1419-1425, 2011 [23] publikációra hivatkozik: Charu Jain, Priti Singh, Aarti Chugh: Performance Considerations in Implementing Offline Signature Verification System, International Journal of Computer Applications, Volume 46– No.11, May 2012 [24] publikációra hivatkozik: Vu Nguyen et al: Techniques for static handwriting trajectory recovery: a survey In: DAS '10 Proceedings of the 9th IAPR International Workshop on Document Analysis Systems, ACM Press, 2010. [26] publikációra hivatkozik: Vu Nguyen, Michael Blumenstein: Techniques for static handwriting trajectory recovery: a survey, Proceedings of the 9th IAPR International Workshop on Document Analysis Systems, Boston, Massachusetts, pp. 463-470, 2010 Juan Carlos Briceño, Carlos M. Travieso, Miguel A. Ferrer, Jesús B. Alonso and Francisco Vargas: Angular Contour Parameterization for Signature Identification, Eurocast 2009, LNCS 5717, pp. 358–365, 2009. Samaneh Ghandali, Mohsen Ebrahimi Moghaddam: Off-Line Persian Signature Identification and Verification Based on Image Registration and Fusion, Journal of Multimedia (JMM2) 4(3), pp.137-144, 2009 M.S. Shirdhonkar, Manesh Kokare: Off-Line Handwritten Signature Identification Using Rotated Complex Wavelet Filters, IJCSI International Journal of Computer Science Issues, Vol. 8, Issue 1, January 2011 ISSN (Online): 1694-0814 Srikanta Pal Michael Blumenstein Umapada Pal: Automatic off-Line Signature Verification Systems: A Review, International Conference and Workshop on Emerging Trends in Technology, Number 14 - Article 4, 2011 Shashi Kumar D. R., K. B. Raja, R. K. Chhotaray, Sabyasachi Pattanaik: Off-line Signature Verification Based on Fusion of Grid and Global Features Using Neural Networks, /

17


International Journal of Engineering Science and Technology Vol. 2(12), pp. 7035-7044, 2010 Gulzar Ali Khuwaja, Mohammad Shakeel Laghari: Learning Vector Quantisation based recognition of offline handwritten signatures, International Journal of Biometrics, Volume 4, Number 2, pp. 116-129, 2012 Jyoti Singh, Dr. Manisha Sharma: A Survey on Offline Signature Recognition and Verification Schemes, IOSR Journal of Electronics and Communication Engineering (IOSRJECE)ISSN : 2278-2834 Volume 2, Issue 3, pp, 34-38, 2012

7 Hivatkozott irodalom Batista, L., Granger, E. & Sabourin, R., 2012. Dynamic selection of generative– discriminative ensembles for off-line signature verification. Pattern Recognition, April, 45(4), p. 1326–1340. Berceli, Z., 2012. Írásjellemzők automatikus párosítása az aláíráshitelesítésben (Automated feature matching in signature verification). Master's thesis. Bryan, F. & Doug, R., 1999. Documentation of Forensic Handwriting Comparison and Identification Method: A Modular Approach. Journal of Forensic Document Examination, Volume 12, pp. 1-68. Found, B. & Rogers, D., 2003. The initial profiling trial of a program to characterise forensic handwriting examiners skill. Journal of the American Society of Questioned Document Examiners, 6(2), pp. 483-492. Impedovo, D. & Pirlo, G., 2008. Automatic Signature Verification: The State of the Art. IEEE Transactions on Systems, Man, and Cybernetics - Part C: Applications and reviews, September, 38(5), pp. 509-635. Jain, K. A., 2010. Signature Verification. Michigan State University - Biometrics. Kaszab, G., Soóky, A. & Gulyás, J. I., 2003. Hamis vagy Valódi - Írásszakértés és jogismeret mindenkinek. Budapest: Grafodidakt Grafológusképző és Személyiségfejlesztő Központ. Kovari, B., Toth, B. & Charaf, H., 2009. Classification Approaches in Off-Line Handwritten Signature Verification. WSEAS Transactions on Mathematics, 8(9), pp. 500509. Kutasi, B., 2010. Moduláris WPF keretrendszer kézeredet azonosításhoz (A modular WPF framework for signature verification). Bachelor's thesis. Nagy, D. D., 2010. Felhasználóbarát felületek WPF platformon (User friendly interfaces on WPF platform). Bachelor's thesis. Pálfalvi, M., 2012. Bachelor's thesis. Interaktív aláíráshitelesítési frontend Silverlight platformon (Interactive siganture verification frontend on Silverlight platform). Vargas, J., Ferrera, M., Travieso, C. & Alonso, J., 2011. Off-line signature verification based on grey level information using texture features. Pattern Recognition, 2, 44(2), p. 375–385.

18

Budapesti Műszaki és Gazdaságtudományi Egyetem Műszaki Tudományág Informatikai Tudományszak

Recommend Documents