Диагностическое исследование почерка

Эссе-курсовая по теме "Диагностическое исследование почерка". ...

Оглавление
Введение 3
Цели и задачи диагностической экспертизы 5
Классификация признаков почерка 5
Методики исследования почерка 6
Текстозависимый анализ почерка: 7
Текстонезависимые 8
1)Текстурный анализ. 8
Частотный метод 11
Преобразование Фурье 12
Локальные методики 13
Методы, основанные на избыточных образцах письма 13
Принципы построения биометрических систем динамической аутентификации по рукописному почерку 15
Заключение 17
Список литературы 17

В настоящее время системы доступа и защиты информации ,основанные на биометрических технологиях, становятся все более популярными не только среди юридических, но и среди физических лиц, вследствие своей надежности и удобства. В данном эссе я рассматриваю одно из направлений биометрических технологий: исследование почерка. Определяю цели и задачи диагностического исследования почерка, произвожу краткий обзор, опубликованный методов, а также схему работы устройства диагностирования почерка.

Текстозависимый анализ почерка:Метод, предложенный En.Zois V. Anastassopoulos - метод, основанный на морфологическом преобразовании функции проектирования слова. Изображение слова преобразуется в двоичную форму и проектируется в горизонтальном направлении. Чтобы учесть пробелы между буквами создаются две функции проекции: c и без нулевых ячеек. Далее производится повторная выборка, в результате функция состоит из 100 ячеек, что делает ее независимой от длины слова. Полученная проекция морфологически обрабатывается для получения требуемого вектора особенностей. Различие между двумя такими обработками означает количество информации, которая будет удалена путем увеличения размера структурного элемента. Результаты применения последовательных открытий к функции проектирования структурными элементами длины 3 и 7 соответственно представлены на рис(3.1) . Окончательный вектор особенностей получился просто разделением проекции на сегменты и измерения относительной области, которые два структурных элемента удаляют в каждом блоке. Производилось тестирование на 50 образцах двух слов одинакового языка, при этом было выявлено до 7 процентов ошибок в определении личности пишущего.Рис.1 Морфологическая обработка функции проекции: (a)начальная функция проекции;(b)обработка структурным элементом длины 3 (с) обработка структурным элементом длины 7ТекстонезависимыеТекстурный анализ.Предлагаемый подход включает в себя следующие этапы:1. предобработка изображения: выделение символов, фильтрация дефектов;2. получение гранично-скелетного представления текста и признакового описания символов на его основе (Рис. 2).3. классификация символов по алфавиту в тексте рукописи;4. отбор из всего множества распознанных символов элементов с наибольшей достоверностью классификации (выбор так называемых «ярких представителей» классов);5. построение признаковой модели, характеризующей особенности почерка (генерация признаков посимвольного анализа и общих геометрических признаков почерка).Выделение символов и фильтрация дефектов происходит при помощи многоканального фильтра Габора Гранично-скелетное представление включает аппроксимацию исходного растрового образа полигональной областью и непрерывный скелет (множество серединных осей области).Распознавание символов включает: построение базы прецедентов, генерацию признаков, построение и оценку классификатора. База прецедентов строится на основе экспертной классификации локализованных символов рукописи по алфавиту. В качестве признакового описания символов предлагается использовать 8 геометрических признаков, получаемых из контурного представления букв: отношение ширины буквы к высоте, периметр контура, площадь символа, две координаты центра тяжести, округлость, число «дыр» и их площадь. Все величины приводятся к размерам ограничивающей рамки символа. В качестве алгоритма классификации используется модель на нейронных сетях, осуществляющая распознавание символов на основе вектора признаков. Достигнутая в ходе обучения нейронной сети точность распознавания символов составляет 92% на контрольной выборке. Дальнейший сравнительный анализ почерков осуществляется для символов, изображающих одну и ту же букву алфавита. При этом для анализа выбираются те символы, у которых высока достоверность классификации, так называемые «яркие представители».Для разработки признакового описания почерка предлагается анализировать почерк с помощью двух видов показателей: величинами, характеризующими начертание отдельных букв (ярких представителей классов), и некоторыми общими геометрическими свойствами почерка. В качестве инструмента сравнения письма отдельных символов используется признаковая модель начертания букв. Она включает признаки, описывающие извилистость контура: вариацию касательной и число вершин многоугольной фигуры. Первый из них вычисляется как вариация угла между последовательными ребрами многоугольной фигуры. Число вершин определяется непосредственно из гранично-скелетного представления символа. Чем более извилиста граница символа, тем выше должны быть значения этих признаков. Для анализа геометрических характеристик почерка используются следующие признаки: ширина штриха почерка (Рис.3), размеры букв, величина пробелов в строках. Эти показатели рассчитываются по всем символам представленного фрагмента текста.Результатом применения итоговой признаковой модели почерка к фрагменту рукописи является набор показателей двух видов: характеристик начертания каждого типа букв (посимвольный анализ), общих геометрических свойств почерка. На основе этих значений осуществляется сравнительный анализ нескольких фрагментов текста.Частотный методМетод, предложенный R. Pareti, N.Vincent –метод идентифицирования, основанный на законе Ципфа. Закон Ципфа (Зипфа) — эмпирическая закономерность распределения частоты слов естественного языка: если все слова языка (или просто достаточно длинного текста) упорядочить по убыванию частоты их использования, то частота n-го слова в таком списке окажется приблизительно обратно пропорциональной его порядковому номеру (так называемому рангу этого слова). Например, второе по используемости слово встречается примерно в два раза реже, чем первое, третье — в три раза реже, чем первое.Т.е это может быть записано как ,где - число появлений данной структуры ранга i, где k,a константы. Данный закон характеризуется показателем степени a , в то время как константа k больше связана с длиной изучаемой символьной последовательности. Зависимость нелинейная, но простым преобразованием приводится к линейном зависимости между логарифмом N и логарифмом ранка .Авторы выбрали дискретизацию уровня серого(яркости) по k-уровням ,k устанавливается на 9 а затем на 3. Маска 3x3 (k=9) и 4 маски соединений позволяет получить 99 и 35 возможных шаблонов соответственно. Хотя закон Ципфа не годится для целого изображения, кривые Ципфа строятся и апроксимируются для отдельных зон. Авторы выбирают для рассмотрения до 3 линейных зон в каждой кривой. Соедниняют эти зоны прямыми. 3 наклона этих прямых и пересечений с осью абсцисс являются особенностями данного документа и два документа сравниваются при помощи расстояния Хэмминга в пространстве параметров. Коэффициент идентификации достигает 80 процентовПреобразование ФурьеЕще один частотный метод, основанный на преобразовании Фурье. Анализ проводитсядля двухкоординатной системы, использующей двойку функций x(t), y(t). Реализации функций x(t), y(t) можно трактовать как полигармонические процессы, протекающие в интервале времени Т, соответствующем времени воспроизведения подписи (пароля). Поэтому функции x(t), y(t) можно представить рядами Фурье с некоторым конечным числом членов разложения n Коэффициенты разложения вычисляются по формулам:и являются искомыми информативными параметрами для идентификации. Свойство линейности ортогональных функционалов позволяет осуществить операцию масштабирования вводимых подписей. Для определения неизвестного масштаба вводимой очередной подписи xα(t), yα(t) относительно первой введенной x1(t), y1(t) (как масштабного эталона) достаточно решить уравнения где μx, μy – коэффициенты масштабирования.Коэффициенты разложения a0 , axi ,bxi , ayi , byi , вычисленные для i = 1.. n членов разложения, в совокупности рассматриваются как N-мерный вектор информативных биометрических параметров (где N=4n):V = {v1, v2, ..., vN }.Вектор V является исходным для последующей процедуры идентифика-ции/аутентификации.Локальные методики Методики, основанные на локальных признаках. Вполне возможно, что данные методики являются частью других, более общих.J.-P. Crettez, предлагает анализ изменчивости почерка с целью идентифицирования почерковедческого стиля перед началом процесса распознавания текста. На этом уровне автор предлагает два уровня исследований: в первом исследуются 3 параметра: толщина строки, которая зависит остроты ручки и рукописного давления главной части слова, и межстрочной плотности символов (число символов на единицу длины). Второй вид наблюдения основан на идее что авторы используют при письме некоторые направления чаще и интенсивней чем остальные. Методы, основанные на избыточных образцах письмаВместо раскладывания текста на графемы, I. Siddiqi and N.