Τεχνικές μηχανικής μάθησης και υπολογιστικής όρασης για επεξεργασία χειρόγραφων δειγμάτων με έμφαση στην βιομετρική ταυτοποίηση

Δημητροπούλου, Μαρία

dc.contributor.advisor	Zois, Elias
dc.contributor.author	Δημητροπούλου, Μαρία
dc.date.accessioned	2024-04-10T07:54:24Z
dc.date.available	2024-04-10T07:54:24Z
dc.date.issued	2024-03
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/6453
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-6289
dc.description.abstract	Στην παρούσα διπλωματική εργασία διερευνάται ένα σημαντικό θέμα στον τομέα της ασφάλειας και της τεχνολογίας πληροφοριών. Η επαλήθευση των χειρόγραφων υπογραφών ως βιομετρικών δεδομένων είναι ένα από τα πιο σύνθετα αλλά και ταυτόχρονα μη επεμβατικά βιομετρικά χαρακτηριστικά στον τομέα της αναγνώρισης προτύπων και της υπολογιστικής νοημοσύνης. Με τη χρήση της χειρόγραφης βάσης CEDAR, ο στόχος της συγκεκριμένης διατριβής έχει να κάνει με την εξέταση τόσο των γνησίων όσο και των πλαστών δειγμάτων χειρόγραφων υπογραφών με στόχο την αξιολόγηση και ταξινόμηση τους. Χρησιμοποιώντας μη επιβλεπόμενες μεθοδολογίες και αλγόριθμους μηχανικής μάθησης, όπως ο K-SVD και ο OMP, διερευνάται μια αραιή αναπαράσταση των στατικών εικόνων των δειγμάτων υπογραφής, η οποία είναι ένα κρίσιμο βήμα για την ακριβή ταξινόμησή τους. Ένα σύστημα επιβεβαίωσης της γνησιότητας της υπογραφής σχεδιάζεται και υλοποιείται με τη χρήση του μετασχηματισμού διχοτόμησης του αρχικού χώρου των χαρακτηριστικών. Στη συνέχεια, η χρήση ισχυρών μοντέλων Υποστήριξης Διανυσματικών Μηχανών (SVM) επιτρέπει την αξιολόγηση αυτών των χαρακτηριστικών και την ταξινόμηση των δειγμάτων υπογραφής ως γνήσια ή πλαστά με υψηλή ακρίβεια.	el
dc.format.extent	56	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Επεξεργασία εικόνας	el
dc.subject	Υπολογιστική όραση	el
dc.subject	Στατική αναγνώριση υπογραφής	el
dc.subject	Αραιή αναπαράσταση	el
dc.subject	Εκμάθηση λεξικού	el
dc.subject	Χειρόγραφη υπογραφή	el
dc.title	Τεχνικές μηχανικής μάθησης και υπολογιστικής όρασης για επεξεργασία χειρόγραφων δειγμάτων με έμφαση στην βιομετρική ταυτοποίηση	el
dc.title.alternative	Computer vision and pattern recognition techniques for biometric authentication	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Karabetsos, Sotiris
dc.contributor.committee	Tsiakas, Panagiotis
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών	el
dc.description.abstracttranslated	In this thesis an important topic in the field of security and information technology is explored. The verification of handwritten signatures as biometric data is one of the most complex yet non-invasive biometric traits in the field of pattern recognition. With the use of the CEDAR dataset, this thesis examines both genuine and forged handwritten signature samples with the aim of evaluating and classifying them. Using unsupervised machine learning algorithms such as K-SVD and OMP, a sparse representation of the static images of the signature samples is explored, which is a crucial step for their accurate classification. A writer independent signature verifier is designed and implemented with the use of the dichotomy transform. Subsequently, the use of robust Support Vector Machine (SVM) models allows the evaluation of these features and the classification of signature samples as genuine or forged with high accuracy.	el

Files in this item

Name:: MD_Diploma_Thesis_v18_SK_PT_EZ.pdf
Size:: 3.991Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές