شناسایی امضای آفلاین بر اساس یادگیری عمیق با استفاده از شبکه‌های عصبی پیچشی
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
مجید کشاورز هدایتی
1
,
رویا راد
2
,
علیرضا تقی زاده
3
1 - دانشجوي کارشناسي ارشد، گروه کامپيوتر وIT، واحد پرند، دانشگاه آزاد اسلامي، تهران، ايران
2 - استاديار، گروه کامپيوتر وIT، واحد پرند، دانشگاه آزاد اسلامي، تهران، ايران
3 - استاديار، گروه کامپيوتر وIT ، واحد پرند، دانشگاه آزاد اسلامي، تهران، ايران
الکلمات المفتاحية: شناسایی امضا, شبکه‌های عصبی پیچشی, بینایی ماشین, استخراج ویژگی, یادگیری عمیق,
ملخص المقالة :
چکیده: یکی از کارآمدترین روشهای شناسایی و تأیید هویت، استفاده از مشخصه‌های زیست‌سنجی یا بیومتریک است. امضا به این دلیل که یکی از مشخصه‌های رفتاری فرد در علم بیومتریک است، گزینه بسیار خوبی برای تأیید هویت هر فرد است. این پژوهش به طراحی و پیاده‌سازی سیستمی برای تشخیص و تأیید امضا با استفاده از الگوریتم‌های بینایی ماشین و یادگیری عمیق می‌پردازد. روش پیشنهادی برای تشخیص امضای آفلاین شامل 4 مرحله کلی شامل پیش‌پردازش، استخراج ویژگی، دسته‌بندی و ارزیابی است. دسته‌بندی امضا بر اساس شبکه‌های عصبی پیچشی با دو معماریVGG19 و Inception V3 پیاده سازی شده است. برای جلوگیری از بیشبرازش از یادگیری انتقالی و دادهافزایی نیز در روند آموزش مدل استفاده شده است. علاوه بر تشخیص امضا از سیستم پیشنهادی می‌توان برای تایید اصلی یا جعلی بودن امضا نیز استفاده نمود. آموزش و آزمایش مدل بر روی دیتاست UTSig صورت گرفته که شامل نمونه امضاهای اسکن شده ایرانی‌ها و توسط دانشگاه تهران تهیه گردیده است. این دیتاست از نمونه امضای 115 نفر و از هر نفر 27 امضا تشکیل شده است؛ در این دیتاست امضاهای جعلی نیز موجود است که برای ارزیابی مدل پس از آموزش و در مرحله تایید امضا از آن‌ها استفاده شده است. در ارزیابی مدل بر روی این دیتاست دقت 94.3% به دست آمد که نشان‌دهنده قدرت روش پیشنهادی نسبت به روشهای مشابه است.
[1] Afrasiabi, Mansourizadeh,"Signature identification using neural network and comparison of Iranian and foreign signatures", the first Iranian Information Technology Student Conference, Sanandaj, 2018.
[2] Abdipour, Shokohi Rostami and Naderi, "Signature identification by a strong data mining algorithm and presentation of a feature set", International Conference on Science, Engineering, Technology and Technological Businesses, Tehran, 2018.
[3] Keshavarz, Jamali and Rafiei, "Offline signature identification using support vector machine", the second conference of new achievements in electrical and computer engineering, Islamic Azad University, Joibar branch, 2013.
[4] Jivesh Poddara, Vinanti Parikha, Santosh Kumar Bhartia, "Offline Signature Recognaition and Forgery Detection using Deep Learning" Pandit Deendayal Petroleum University, Gandhinagar, Gujarat، India 2020
[5] Victoria Ruiz، Ismael Linares، Angel Sanchez، JoseF. Velez، "Off-line Handwritten Signature Verification using Compositional Synthetic Generation of Signatures and Siamese Neural Networks", 2019
[6] Elias N. Zois، Alex Alexandridis، George Economou،" Writer Independent Offline Signature Verification based on Asymmetric Pixel Relations and Unrelated Training-Testing Datasets "، 2019
[7] Szegedy, Christian, et al. "Rethinking the inception architecture for computer vision." Proceedings of the IEEE conference on computer vision and pattern recognaition 2016.
[8] Breast cancer screening using convolutional neural network and follow-up digital mammography - Scientific Figure on ResearchGate. Available from: https://www.researchgate.net/figure/llustration-of-the-network-architecture-of-VGG-19-model-conv-means-convolution-FC-means_fig2_325137356 [accessed 24 Jan, 2023]
[9] Amir Soleimani 1,*, Kazim Fouladi 1, Babak N. Araabi, "UTSig: A Persian Offline Signature Dataset", IET journals, 2016,
