Распределение значений локальной кривизны как структурный признак для off-line верификации рукописной подписи

В работе предложен новый признак описания цифрового изображения рукописной подписи на базе частотного распределения значений локальной кривизны контуров этой подписи. Подробно описывается вычисление этого признака на бинарном изображении подписи. Формируется нормализованная гистограмма распределений значений локальной кривизны для 40 интервалов. Частотные значения, записанные в виде 40-мерного вектора, названы кодом локальной кривизны подписи.

При верификации близость двух подписей определяется корреляцией между кодами кривизны и LBP-кодами, описанными авторами в работе [23]. Для выполнения процедуры верификации подписи строится двумерное признаковое пространство, содержащее образы корреляционной близости пар подписей. При верификации подписи с N подлинными подписями этого же человека в признаковом пространстве представлено N(N-1)/2 образов близости пар подлинных подписей и N образов пар близости анализируемой подписи с подлинными. В качестве классификатора используется машина опорных векторов (SVM).

Экспериментальные исследования выполнены на оцифрованных изображениях подлинных и фальшивых подписей из двух баз. Точность автоматической верификации подписей на общедоступной базе CEDAR составила 99,77 %, а на базе TUIT 88,62 %.

1. Lin W. Y. et al. Robust and accurate curvature estimation using adaptive line integrals // EURASIP Journal on Advances in Signal Processing. – 2010. – Vol. 2010. – Pp. 1-14. DOI: 10.1155/2010/240309

2. Cazals F., Pouget M. Estimating differential quantities using polynomial fitting of osculating jets // Computer Aided Geometric Design. – 2005. – Vol. 22, iss. 2. – Pp. 121-146. DOI: 10.1016/j.cagd.2004.09.004

3. Gao D. Integrating 3D seismic curvature and curvature gradient attributes for fracture characterization: Methodologies and interpretational implications // Geophysics. – 2013. – Vol. 78. – iss. 2. – Pp. O21-O31. DOI: 10.1190/geo2012-0190.1

4. Chen He X., Yung N.H.C. Corner detector based on global and local curvature properties // Optical engineering. – 2008. – Vol. 47, iss. 5. – Pр. 057008-057008–12. DOI: 10.1117/1.2931681

5. Zhang W. et al. Discrete curvature representations for noise robust image corner detection // IEEE Transactions on Image Processing. – 2019. – Vol. 28, iss. 9. – Pр. 4444-4459. DOI: 10.1109/tip.2019.2910655

6. Fischer P., Brox T. Image descriptors based on curvature histograms // Pattern Recognition: 36th German Conference, GCPR 2014, Münster, Germany, September 2-5, 2014, Proceedings 36. – Springer International Publishing, 2014. – Pр. 239-249. DOI: 10.1007/978-3-319-11752-2_19

7. Садыков С.С. Алгоритм логического определения кривизны точек дискретной линии / С.С. Садыков // Алгоритмы, методы и системы обработки данных. – 2015. – №. 1. – С. 52-59.

8. Worring M., Smeulders A.W.M. Digital curvature estimation // CVGIP: Image understanding. – 1993. – Vol. 58, iss. 3. – Pр. 366-382. DOI: 10.1006/ciun.1993.1048

9. Tong W.S., Tang C.K. Robust estimation of adaptive tensors of curvature by tensor voting //IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2005. – Vol. 27, iss. 3. – Pр. 434-449.

10. Flynn P.J., Jain A.K. On reliable curvature estimation // CVPR. – 1989. – Vol. 88. – Pр. 5-9.

11. Trucco E., Fisher R.B. Experiments in curvature-based segmentation of range data // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1995. – Vol. 17, iss. 2. – Pр. 177-182.

12. Magid E., Soldea O., Rivlin E. A comparison of Gaussian and mean curvature estimation methods on triangular meshes of range image data // Computer Vision and Image Understanding. – 2007. – Vol. 107, iss. 3. – Pр. 139-159. DOI: 10.1016/j.cviu.2006.09.007

13. Al-Sharadqah A., Chernov N. Error analysis for circle fitting algorithms. Electronic Journal of Statistics. – 2009. – Vol. 3. – Pр. 886-911. DOI: 10.1214/09-ejs419

14. Gadermayr M. et al. Shape curvature histogram: A shape feature for celiac disease diagnosis // Medical Computer Vision. Large Data in Medical Imaging: Third International MICCAI Workshop, MCV 2013, Nagoya, Japan, September 26, 2013, Revised Selected Papers 3. – Springer International Publishing, 2014. – Pр. 175-184.

15. Guerbai Y., Chibani Y., Hadjadji B. The effective use of the one-class SVM classifier for handwritten signature verification based on writer-independent parameters //Pattern Recognition. – 2015. – Vol. 48, iss. 1. – Pр. 103-113.

16. Han J. H., Poston T. Chord-to-point distance accumulation and planar curvature: a new approach to discrete curvature // Pattern Recognition Letters. – 2001. – Vol. 22, iss. 10. – Pр. 1133-1144.

17. Arica N., Vural F.T.Y. BAS: a perceptual shape descriptor based on the beam angle statistics // Pattern Recognition Letters. – 2003. – Vol. 24, iss. 9-10. – Pр. 1627-1639.

18. Coeurjolly D., Miguet S., Tougne L. Discrete curvature based on osculating circle estimation // Visual Form 2001: 4th International Workshop on Visual Form, IWVF4 Capri, Italy, May 28-30, 2001 Proceedings. – Springer Berlin Heidelberg, 2001. – Pр. 303-312.

19. Kerautret B., Lachaud J.O. Robust estimation of curvature along digital contours with global optimization // Lecture Notes in Computer Science. – 2008. – Vol. 4992. – Pр. 334-345.

20. Alam S. et al. One-class support vector classifiers: A survey // Knowledge-Based Systems. – 2020. – Vol. 196. – Pр. 105754. DOI: https://doi.org/10.1016/j.knosys.2020.105754

21. Ахунджанов У.Ю. Предварительная обработка изображений рукописных подписей для последующего распознавания / У.Ю. Ахунджанов, В.В. Старовойтов // Системный анализ и прикладная информатика. – 2022. – № 2. – С. 4-9.

22. Старовойтов В.В., Ахунджанов У.Ю. Новый признак для описания изображений рукописной подписи на базе локальных бинарных шаблонов / В.В. Старовойтов, У.Ю. Ахунджанов // Информатика. – 2022. – Т. 19, № 3. – С. 6273. DOI: 10.37661/1816-0301-2022-19-3-62-73