sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2022-1-12-18sapi-547Research ArticleСистемный анализSystem analysisOff-line верификация рукописной подписи с применением сверточной нейронной сетиVerification of a static (off-line) signature using a convolutional neural networkАхунджановУ. Ю.AkhundjanovU. Yu.

Ахунджанов Умиджон Юнус угли, аспирант

СтаровойтовВ. В.StarovoitovV. V.

Старовойтов Валерий Васильевич, доктор технических наук, профессор. Главный научный сотрудник ОИПИ НАН Беларуси. Лауреат Государственной премии Республики Беларусь (2003г).

valerystar@mail.ruОбъединенный институт проблем информатики Национальной академии наук БеларусиБеларусьUnited Institute of Informatics Problems, National Academy of Sciences of BelarusBelarus202208062022011218Copyright © Ахунджанов У.Ю., Старовойтов В.В., 20222022Ахунджанов У.Ю., Старовойтов В.В.Akhundjanov U.Y., Starovoitov V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/547

Данная статья посвящена разработке метода обнаружения подделки рукописных подписей. Подпись до сих пор остается одним из самым распространенных методов идентификации личности. Подпись на финансовых и других документах может быть подделана, поэтому выявление подделки является актуальной задачей. Это задача бинарной классификации: определить является подпись подлинной или фальшивой.

В статье описываются результаты распознавания рукописных подписей, выполненных на бумажном носителе. Для экспериментов использовалась база рукописных подписей 10 человек. Для каждого человека было собрано 10 подлинных и 10 поддельных подписей, выполненных другими людьми. Подписи были оцифрованы в виде цветных изображений с разрешением 850×550 пикселей. Затем формировалось бинарное представление каждой подписи. Для классификации использовались три варианта уменьшения подписей до размеров: 128×128, 256×256 и 512×512 пикселей. Эти изображения служили исходными данными для сверточной нейронной сети.

В результате тестирования предлагаемого подхода средняя точность корректной классификации достигнута на изображениях среднего размера и равняется 93,33%.

This article is devoted to the development of a method for detecting forgery of handwritten signatures. The signature still remains one of the most common methods of identification. The signature on financial and other documents can be forged, so detecting forgery is an urgent task. This is the task of binary classification: to determine whether the signature is genuine or fake.The article describes the results of recognition of handwritten signatures made on paper. A database of handwritten signatures of 10 people was used for experiments. For each person, 10 genuine and 10 forgery signatures made by other people were collected. The signatures were digitized as color images with a resolution of 850×550 pixels. Then a binary representation of each signature was formed. Three variants of reducing signatures to sizes were used for classification: 128×128, 256×256 and 512×512 pixels. These images served as the source data for the convolutional neural network.As a result of testing the proposed approach, the average accuracy of the correct classification was achieved on medium-sized images and is equal to 93.33%.

распознаваниеверификациярукописная подписьклассификацияFRRFARrecognitionverificationhandwritten signatureclassificationFRRFARReferencesСтаровойтов В.В., Голуб Ю. Обработка изображений радужной оболочки глаза для систем распознавания. Минск: LAP LAMBERT Academic Publishing, 2018. – 188с.Golub Yu., Starovoitov V.V. Image processing of the iris for recognition systems. Minsk: LAPA LAMBERT Academic Publishing House, 2018. 188 p.Бобовкин М.В. Актуальные проблемы теории и практики судебно-почерковедческого исследования подписи // Вестник Московского университета МВД России. – 2017. – №.2. – C.109-115.Bobovkin M.V. Actual problems of the theory and practice of forensic handwriting analysis of the signature // Bulletin of the Moscow University of the Ministry of Internal Affairs of Russia. 2017. No. 2. – P.109-115.Hafemann, L.G. Offline handwritten signature verification — Literature review / L.G. Hafemann, R. Sabourin, L.S. Oliveira // Seventh International Conference on Image Processing Theory, Tools and Applications (IPTA) – 2017. 8p. DOI:10.1109/ipta.2017.8310112.Hafemann, L.G. Offline handwritten signature verification — Literature review / L.G. Hafemann, R. Sabourin, L.S. Oliveira // Seventh International Conference on Image Processing Theory, Tools and Applications (IPTA) – 2017. 8p. DOI:10.1109/ipta.2017.8310112.Hadeel J.Jriash. Offline handwritten signature verification system using neural network / J.Jriash Hadeel, A. Z. Abdullah Nada // International Journal of Computer Science and Mobile Computing. – 2015. Vol.4, Issue.10.– P. 403-412.Hadeel J.Jriash. Offline handwritten signature verification system using neural network / J.Jriash Hadeel, A. Z. Abdullah Nada // International Journal of Computer Science and Mobile Computing. – 2015. Vol.4, Issue.10.– P. 403-412.Impedovo S. Verification of Handwritten Signatures: an Overview / S. Impedovo, G. Pirlo // 14th International Conference on Image Analysis and Processing. – 2007. – P.191-196. DOI:10.1109/iciap.2007.4362778.Impedovo S. Verification of Handwritten Signatures: an Overview / S. Impedovo, G. Pirlo // 14th International Conference on Image Analysis and Processing. – 2007. – P.191-196. DOI:10.1109/iciap.2007.4362778.Foroozandeh, A. Offline Handwritten Signature Verification and Recognition Based on Deep Transfer Learning / A. Foroozandeh, A.H. Ataollah, H. Rabbani // International Conference on Machine Vision and Image Processing. – 2020, 7p. DOI: 10.1109/mvip49855.2020.918748.Foroozandeh, A. Offline Handwritten Signature Verification and Recognition Based on Deep Transfer Learning / A. Foroozandeh, A.H. Ataollah, H. Rabbani // International Conference on Machine Vision and Image Processing. – 2020, 7p. DOI: 10.1109/mvip49855.2020.918748.Choi S.S. A survey of binary similarity and distance measures / S. S. Choi, S. H. Cha, C.C. Tappert // Journal of Systemics, Cybernetics and Informatics. – 2010. – Vol. 8. – No.1. – P. 43–48.Choi S.S. A survey of binary similarity and distance measures / S. S. Choi, S. H. Cha, C.C. Tappert // Journal of Systemics, Cybernetics and Informatics. – 2010. – Vol. 8. – No.1. – P. 43–48.Canbek G. Binary classification performance measures/metrics: A comprehensive visualized roadmap to gain new insights / G. Canbek, S. Sagiroglu, T.T. Temizel, N. Baykal // International Conference on Computer Science and Engineering. − 2017. – P. 821-826. DOI:10.1109/UBMK.2017.8093539.Canbek G. Binary classification performance measures/metrics: A comprehensive visualized roadmap to gain new insights / G. Canbek, S. Sagiroglu, T.T. Temizel, N. Baykal // International Conference on Computer Science and Engineering. − 2017. – P. 821-826. DOI:10.1109/UBMK.2017.8093539.Sokolova M. Lapalme G. A systematic analysis of performance measures for classification tasks / M. Sokolova // Information Processing & Management. – 2009. – Vol. 45. -№ 4. – P. 427–437.Sokolova M. Lapalme G. A systematic analysis of performance measures for classification tasks / M. Sokolova // Information Processing & Management. – 2009. – Vol. 45. -№ 4. – P. 427–437.В. Старовойтов. Сравнительный анализ оценок качества бинарной классификации / В. Старовойтов, Ю. И. Голуб // Информатика. – 2020. − Т. 17. − № 1. – С.87–101.Starovoitov V. V., Golub Y. I. Comparative study of quality estimation of binary classification. Informatics. – 2020. – Vol. 17, no. 1, P. 87−101 (in Russian).Исрафилов, Х.С. Исследование методов бинаризации изображений / Х.С. Исрафилов // Вестник науки и образования. – 2017. –T.2.№ 6(30). − С. 43–50.Israfilov, Kh.S. Research of image binarization methods / Kh.S. Israfilov // Bulletin of science and education. 2017. No. 6(30). −P. 43–50.Янковский, А.А. Критерии выбора метода бинаризации при обработке изображений лабораторных анализов. АСУ и приборы автоматики [Электронный ресурс]. – Режим доступа: https://cyberleninka.ru/article/n/kriterii-vybora-metodabinarizatsii-pri-obrabotke-izobrazheniy-laboratornyh-analizov/viewer. – Дата доступа: 25.12.2021.Yankovsky, A.A. Criteria for choosing the binarization method for processing images of laboratory analyses. Automated control systems and automation devices URL: https://cyberleninka.ru/article/n/kriterii-vyborametoda-binarizatsii-pri-obrabotke-izobrazheniy-laboratornyh-analizov/viewer.

The authors declare that there are no conflicts of interest present.