sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2022-2-4-9sapi-554Research ArticleСистемный анализSystem analysisПредварительная обработка изображений рукописных подписей для последующего распознаванияPre-processing of handwritten signature images for following recognitionАхунджановУ. Ю.AkhundjanovU. Yu.СтаровойтовВ. В.StarovoitovV. V.Объединенный институт проблем информатики Национальной академии наук БеларусиБеларусьUnited Institute of Informatics Problems, National Academy of Sciences of BelarusBelarus2022160620220249Copyright © 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/554

В процессе распознавания рукописной подписи предварительная обработка подписи является важным этапом перед выявлением информативных признаков. Подписи одного человека всегда имеют некоторые отличия, кроме того они могут быть разного цвета, разного размера и ориентации. После оцифровки подписей их изображения могут содержать некоторый шум. Цель предварительной обработки изображения подписи – получение максимально инвариантного представления цифрового изображения подписи человека, которое позволит его идентифицировать, либо установить, что подпись подделана.

В данной работе описана последовательность преобразований, необходимых для выполнения предварительной обработки изображения подписи и формирования ее представления единой ориентации и размера. Предполагается что на изображении отсутствуют графические элементы, не относящиеся к подписи и фон относительно однородный. Рассматриваемые преобразования последовательно выполняют бинаризацию изображения подписи, его фильтрацию, поворот, вырезание описывающего прямоугольника и масштабирование до определенного размера.

Описанная процедура предварительной обработке была применена к ряду доступных баз цифровых изображений подписей, таких как CEDAR, BHSig260-Bengali, BHSig260-Hindi. Эксперименты подтверждают, что описанный подход к предварительной обработке изображений подписи позволяет повысить точность результатов  распознавания подписи.

In the process of handwritten signature recognition, preprocessing is an important step before calculation its informative features. Signatures of any person always have some differences, in addition, they can be of different colors, sizes and orientations. After signature digitization, their images may contain some noise. The purpose of signature image preprocessing is to obtain the most invariant representation of the digital image of a person's signature, which will allow us to identify him or define that the signature is forged.

This paper describes a sequence of transformations necessary to perform preprocessing of the signature image and form its representation of a single orientation and size. It is assumed that there are no graphic elements in the image that are not related to the signature and the background is relatively uniform. The transformations under consideration sequentially perform binarization of the signature image, its filtering, rotation, cropping of the circumscribed rectangle and scaling to a fixed size.

The described preprocessing procedures were applied to a number of available digital signature image databases, such as CEDAR, BHSig260-Bengali, BHSig260-Hindi. Experiments on signature recognition confirm that the presented approach to the signature image preprocessing leads to increasing of the recognition accuracy.

подписьидентификацияобработка изображенийбинарное изображениефильтрацияраспознавание подписиsignatureidentificationimage processingbinary imagefilteringsignature recognitionReferencesHafemann, 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. 8 p. DOI:10.1109/ipta.2017.8310112Hafemann, 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. 8 p. DOI:10.1109/ipta.2017.8310112.Plamondon, R. Online and off-line handwriting recognition / R. Plamondon, S. Srihari // IEEE Transactions on Pattern Analysis and Machine Intelligence, – 2000. – Vol. 22, № 1. – P. 63–84.Plamondon, R. Online and off-line handwriting recognition / R. Plamondon, S. Srihari // IEEE Transactions on Pattern Analysis and Machine Intelligence, – 2000. – Vol. 22, № 1. – P. 63–84.Ferrer, M. A. A behavioral handwriting model for static and dynamic signature synthesis / M. A. Ferrer, M. Diaz, C. Carmona-Duarte,cA. Morales // IEEE Transactions on Pattern Analysis and Machine Intelligence, – 2017. – Vol. 39, № 6. – P. 1041–1053.Ferrer, M. A. A behavioral handwriting model for static and dynamic signature synthesis / M. A. Ferrer, M. Diaz, C. Carmona-Duarte,cA. Morales // IEEE Transactions on Pattern Analysis and Machine Intelligence, – 2017. – Vol. 39, № 6. – P. 1041–1053.Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005. – 1072 с.Gonsales, R. Cifrovaja obrabotka izzobrajeniy / R. Gonsales, R. Vuds. – М.: Tehnosfera, 2005. – 1072 p.Шапиро, Л. Компьютерное зрение / Л.Шапиро, Дж.Стокман; пер. с англ. — 3-е изд. — M.: БИНОМ. Лаборатория знаний, 2015. – 763 с.Shapiro, L. Komp’juternoe zrenie / L.Shapiro, Dzh.Stokman; Per. s angl. — 3-е izd. — M.: BINOM. Labotatotija znaniy, 2015. – 763 s.Грузман, И.С. Цифровая обработка изображений в информационных системах: учеб. пособие / И.С. Грузман, В.С. Киричук, В.П. Косых, Г.И. Перетягин, А.А Спектор. – Новосибирск.: Новосиб. гос. техн. ун-т., 2003. – 352 с.Gruzman, I.S. Cifrovaja obrabotka izobrazheniy v informacionnyh: ucheb. posobie / I.S. Gruzman, V.S. Krichuk, V.P. Kosyh, G.I. Peritjagin, A.А. Spektor. – Novosibirsk.: Novosib. gos. tehn. un-t., 2003. – 352 s.Coetzer, J. Off-line signature verification using the discrete radon transform and a hidden Markov model / J. Coetzer, B.Herbst, J. Preez // EURASIP Journal on Advances in Signal Processing, – 2004. – Vol. 2004, № 4. – P. 559–571.Coetzer, J. Off-line signature verification using the discrete radon transform and a hidden Markov model / J. Coetzer, B.Herbst, J. Preez // EURASIP Journal on Advances in Signal Processing, – 2004. – Vol. 2004, № 4. – P. 559–571.Pallavi, V. Hatkar. Image Processing for Signature Verification / V. Hatkar Pallavi, Zareen J Tamboli // International Journal of Innovative Research in Computer Science & Technology (IJIRCST), – 2015. – Vol. 3, № 3. – P. 127–129.Pallavi, V. Hatkar. Image Processing for Signature Verification / V. Hatkar Pallavi, Zareen J Tamboli // International Journal of Innovative Research in Computer Science & Technology (IJIRCST), – 2015. – Vol. 3, № 3. – P. 127–129.Горитов, А.Н. Предварительная обработка изображений в системах технического зрения / А.Н. Горитов // Доклады ТУСУР. – 2018. – Т. 21, № 4-1. – С. 53–58Goritov, A.N. Preliminary image processing in technical vision systems / A.N. Goritov // Doclady TUSUR. – 2018. – Vol. 21, № 4-1. – P. 53-58Dataset [Электронный ресурс]. – Режим доступа: https://drive.google.com/file/d/0B29vNACcjvzVc1RfVkg5dUh2b1E/view. Дата доступа: 28.04.2022Dataset [Electronyj resurs]. – Rezhim dostupa: https://drive.google.com/file/d/0B29vNACcjvzVc1RfVkg5dUh2b1E/view. Data dostupa: 28.04.2022cedar.buffalo.edu [Электронный ресурс]. – Режим доступа: http://www.cedar.buffalo.edu/NIJ/data/signatures.rar. Дата доступа: 28.04.2022cedar.buffalo.edu [Electronyj resurs]. – Rezhim dostupa: http://www.cedar.buffalo.edu/NIJ/data/signatures.rar. Data dostupa: 28.04.2022Recommendation ITU-R BT.709-6. Parameter values for the HDTV standards for production and international programme exchange. – 2015. – P. 19.Recommendation ITU-R BT.709-6. Parameter values for the HDTV standards for production and international programme exchange. – 2015. – P. 19.Otsu, N. A threshold selection method from gray-level histograms// IEEE Transactions on Systems, Man and Cybernetics. – 1979. – Vol. 9, № 1. – P. 62–66.Otsu, N. A threshold selection method from gray-level histograms// IEEE Transactions on Systems, Man and Cybernetics. – 1979. – Vol. 9, № 1. – P. 62–66.Gasmi, A. PCA and SVM as geo-computational methods for geological mapping in the southern of Tunisia, using ASTER remote sensing data set / A. Gasmi, C. Gomez, H. Zouari, A. Masse, D. Ducrot // Arabian Journal of Geosciences, – 2016. – Vol. 9, № 20. – Num. 753. https://doi.org/10.1007/s12517-016-2791-1.Gasmi, A. PCA and SVM as geo-computational methods for geological mapping in the southern of Tunisia, using ASTER remote sensing data set / A. Gasmi, C. Gomez, H. Zouari, A. Masse, D. Ducrot // Arabian Journal of Geosciences, – 2016. – Vol. 9, № 20. – Num. 753. https://doi.org/10.1007/s12517-016-2791-1.Du, Q. Hyperspectral image compression using JPEG2000 and principal component analysis / Q. Du, J. E. Fowler // IEEE Geoscience and Remote Sensing Letters, – 2007. – Vol. 4, № 2. – P. 201–205.Du, Q. Hyperspectral image compression using JPEG2000 and principal component analysis / Q. Du, J. E. Fowler // IEEE Geoscience and Remote Sensing Letters, – 2007. – Vol. 4, № 2. – P. 201–205.Zhu,Y. N. Improved principal component analysis and linear regression classification for face recognition / Y. N. Zhu, C. Y. Zhu, X. Li // Signal Processing. – 2018. – Vol. 145. – P. 175–182.Zhu, Y. N. Improved principal component analysis and linear regression classification for face recognition / Y. N. Zhu, C. Y. Zhu, X. Li // Signal Process., – 2018. – Vol. 145. – P. 175–182.Lai, Z. Multilinear sparse principal component analysis / Z. Lai, Y. Xu, Q. Chen, J. Yang, D. Zhang // IEEE Transactions on Neural Networks and Learning Systems, – 2014. – Vol. 25, № 10. – P. 1942–1950.Lai, Z. Multilinear sparse principal component analysis / Z. Lai, Y. Xu, Q. Chen, J. Yang, D. Zhang // IEEE Transactions on Neural Networks and Learning Systems, – 2014. – Vol. 25, No. 10. – P. 1942–1950.Yi, S. Joint sparse principal component analysis / S. Yi, Z. Lai, Z. He, Y.-M. Cheung, Y. Liu // Pattern Recognition, – 2017. – Vol. 61. – P. 524–536.Yi, S. Joint sparse principal component analysis / S. Yi, Z. Lai, Z. He, Y.-M. Cheung, Y. Liu // Pattern Recognition, – 2017. – Vol. 61. –P. 524–536.Artoni, F. Applying dimension reduction to eeg data by principal component analysis reduces the quality of its subsequent independent component decomposition / F. Artoni, A. Delorme, S. Makeig // NeuroImage, – 2018. – Vol. 175. –P. 176–187.Artoni, F. Applying dimension reduction to eeg data by principal component analysis reduces the quality of its subsequent independent component decomposition / F. Artoni, A. Delorme, S. Makeig // NeuroImage, – 2018. – Vol. 175. –P. 176–187.

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