مقاله تأیید امضای دست نویس آفلاین: یک روش یادگیری انتقال و انتخاب ویژگی

چکیده

Handwritten signature verification poses a formidable challenge in biometrics and document authenticity. The objective is to ascertain the authenticity of a provided handwritten signature, distinguishing between genuine and forged ones. This issue has many applications in sectors such as finance, legal documentation, and security. Currently, the field of computer vision and machine learning has made significant progress in the domain of handwritten signature verification. The outcomes, however, may be enhanced depending on the acquired findings, the structure of the datasets, and the used models. Four stages make up our suggested strategy. First, we collected a large dataset of 12600 images from 420 distinct individuals, and each individual has 30 signatures of a certain kind (All authors signatures are genuine). In the subsequent stage, the best features from each image were extracted using a deep learning model named MobileNetV2. During the feature selection step, three selectors neighborhood component analysis (NCA), Chi2, and mutual info (MI) were used to pull out 200, 300, 400, and 500 features, giving a total of 12 feature vectors. Finally, 12 results have been obtained by applying machine learning techniques such as SVM with kernels (rbf, poly, and linear), KNN, DT, Linear Discriminant Analysis, and Naive Bayes. Without employing feature selection techniques, our suggested offline signature verification achieved a classification accuracy of 91.3%, whereas using the NCA feature selection approach with just 300 features it achieved a classification accuracy of 97.7%. High classification accuracy was achieved using the designed and suggested model, which also has the benefit of being a self-organized framework. Consequently, using the optimum minimally chosen features, the proposed method could identify the best model performance and result validation prediction vectors.

چکیده به فارسی (ترجمه ماشینی)

تأیید امضای دست نوشته ، یک چالش بزرگ در بیومتریک و اصالت مستند ایجاد می کند.هدف این است که صحت یک امضای دستنویس ارائه شده را مشخص کنیم ، و بین موارد واقعی و جعلی تمایز قائل شوید.این موضوع در بخش هایی مانند امور مالی ، مستندات حقوقی و امنیت کاربردهای بسیاری دارد.در حال حاضر ، زمینه دید رایانه و یادگیری ماشین پیشرفت چشمگیری در حوزه تأیید امضای دست نوشته شده است.با این حال ، نتایج بسته به یافته های اکتسابی ، ساختار مجموعه داده ها و مدل های استفاده شده ممکن است افزایش یابد.چهار مرحله استراتژی پیشنهادی ما را تشکیل می دهد.اول ، ما یک مجموعه داده بزرگ از 12600 تصویر از 420 فرد مجزا جمع آوری کردیم ، و هر فرد دارای 30 امضا از یک نوع خاص است (همه امضاهای نویسندگان واقعی هستند).در مرحله بعدی ، بهترین ویژگی های هر تصویر با استفاده از یک مدل یادگیری عمیق به نام Mobilenetv2 استخراج شد.در طول مرحله انتخاب ویژگی ، از سه تجزیه و تحلیل مؤلفه محله (NCA) ، Chi2 و اطلاعات متقابل (MI) برای بیرون کشیدن 200 ، 300 ، 400 و 500 ویژگی استفاده شد و در مجموع 12 بردار ویژگی را ارائه می دهد.سرانجام ، 12 نتیجه با استفاده از تکنیک های یادگیری ماشین مانند SVM با هسته (RBF ، پلی و خطی) ، KNN ، DT ، تجزیه و تحلیل تبعیض آمیز خطی و خلیج های ساده لوحانه بدست آمده است.بدون استفاده از تکنیک های انتخاب ویژگی ، تأیید امضای آفلاین پیشنهادی ما به دقت طبقه بندی 91.3 ٪ دست یافت ، در حالی که با استفاده از رویکرد انتخاب ویژگی NCA با تنها 300 ویژگی ، به دقت طبقه بندی 97.7 ٪ رسید.دقت طبقه بندی بالا با استفاده از مدل طراحی شده و پیشنهادی حاصل شد ، که این مزیت نیز از داشتن یک چارچوب خود سازماندهی است.در نتیجه ، با استفاده از ویژگی های بهینه انتخاب شده حداقل ، روش پیشنهادی می تواند بهترین عملکرد مدل و بردارهای پیش بینی اعتبار سنجی نتیجه را شناسایی کند.