Εμφάνιση απλής εγγραφής

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

dc.contributor.advisorZois, Elias
dc.contributor.authorΔημητροπούλου, Μαρία
dc.date.accessioned2024-04-10T07:54:24Z
dc.date.available2024-04-10T07:54:24Z
dc.date.issued2024-03
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/6453
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-6289
dc.description.abstractΣτην 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.extent56el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.el*
dc.subjectΕπεξεργασία εικόναςel
dc.subjectΥπολογιστική όρασηel
dc.subjectΣτατική αναγνώριση υπογραφήςel
dc.subjectΑραιή αναπαράστασηel
dc.subjectΕκμάθηση λεξικούel
dc.subjectΧειρόγραφη υπογραφήel
dc.titleΤεχνικές μηχανικής μάθησης και υπολογιστικής όρασης για επεξεργασία χειρόγραφων δειγμάτων με έμφαση στην βιομετρική ταυτοποίησηel
dc.title.alternativeComputer vision and pattern recognition techniques for biometric authenticationel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeKarabetsos, Sotiris
dc.contributor.committeeTsiakas, Panagiotis
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.description.abstracttranslatedIn 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


Αρχεία σε αυτό το τεκμήριο

Thumbnail
Όνομα:
MD_Diploma_Thesis_v18_SK_PT_EZ.pdf
Μέγεθος:
3.991Mb
Τύπος:
PDF
Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές