Show simple item record

Forgery detection using machine learning and image processing

dc.contributor.advisorKesidis, Anastasios
dc.contributor.authorΚαρυστινός, Αλέξανδρος
dc.date.accessioned2024-07-22T08:44:24Z
dc.date.available2024-07-22T08:44:24Z
dc.date.issued2024-07-17
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/7131
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-6965
dc.description.abstractIn an era where digital transactions and document authentication play a central role, the need for strong and secure methods to verify handwritten signatures is paramount. This thesis explores the intersection of traditional signature analysis and modern machine learning techniques to develop a reliable signature verification system. The survey begins with a comprehensive review of existing signature verification methods, including both conventional image processing techniques and advanced machine learning approaches. Challenges posed by the inherent variability of human signatures are identified, including differences in writing style and the presence of noise. The proposed solution leverages advanced machine learning algorithms, specifically adapted for signature recognition such as SVM, Decision Trees, kNN, and others. As in all cases of machine learning, in this one too, we use datasets. The datasets used for training and evaluation include a diverse collection of handwritten signatures, capturing variations in styles, angles, and levels of complexity. In addition, a key feature of this work is that feature extraction techniques are used to transform the raw signature data into meaningful representations for the machine learning models. For this purpose, four different feature sets of increasing complexity are proposed to improve the overall system performance.el
dc.format.extent68el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.publisherUniversité de Limogesel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectForgery detectionel
dc.subjectSignaturesel
dc.subjectMachine learningel
dc.subjectImage processingel
dc.subjectPatch based processingel
dc.subjectFeature extractionel
dc.titleForgery detection using machine learning and image processingel
dc.title.alternativeΑνίχνευση πλαστογραφίας με χρήση μηχανικής μάθησης και επεξεργασίας εικόναςel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeΜαστοροκώστας, Πάρις
dc.contributor.committeeTselenti, Panagiota
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.contributor.departmentΤμήμα Μηχανικών Τοπογραφίας και Γεωπληροφορικήςel
dc.contributor.masterΤεχνητή Νοημοσύνη και Οπτική Υπολογιστικήel
dc.description.abstracttranslatedΣε μια εποχή όπου οι ψηφιακές συναλλαγές και η επικύρωση εγγράφων διαδραματίζουν κεντρικό ρόλο, η ανάγκη για ισχυρές και ασφαλείς μεθόδους επαλήθευσης χειρόγραφων υπογραφών είναι υψίστης σημασίας. Η παρούσα διατριβή διερευνά τη διασταύρωση της παραδοσιακής ανάλυσης υπογραφών και των σύγχρονων τεχνικών μηχανικής μάθησης για την ανάπτυξη ενός αξιόπιστου συστήματος επαλήθευσης υπογραφών. Η έρευνα ξεκινά με μια περιεκτική επισκόπηση των υφιστάμενων μεθόδων επαλήθευσης υπογραφών, συμπεριλαμβανομένων τόσο των συμβατικών τεχνικών επεξεργασίας εικόνας όσο και των προηγμένων προσεγγίσεων μηχανικής μάθησης. Προσδιορίζονται οι προκλήσεις που θέτει η εγγενής μεταβλητότητα των ανθρώπινων υπογραφών, συμπεριλαμβανομένων των διαφορών στο στυλ γραφής και της παρουσίας θορύβου. Η προτεινόμενη λύση αξιοποιεί προηγμένους αλγορίθμους μηχανικής μάθησης, ειδικά προσαρμοσμένους για την αναγνώριση υπογραφών, όπως SVM, δέντρα απόφασης, kNN και άλλους. Όπως σε όλες τις περιπτώσεις μηχανικής μάθησης, έτσι και σε αυτή, χρησιμοποιούμε σύνολα δεδομένων. Τα σύνολα δεδομένων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση περιλαμβάνουν μια ποικίλη συλλογή χειρόγραφων υπογραφών, αποτυπώνοντας παραλλαγές σε στυλ, γωνίες και επίπεδα πολυπλοκότητας. Επιπλέον, ένα βασικό χαρακτηριστικό αυτής της εργασίας είναι ότι χρησιμοποιούνται τεχνικές εξαγωγής χαρακτηριστικών για τη μετατροπή των ακατέργαστων δεδομένων υπογραφής σε ουσιαστικές αναπαραστάσεις για τα μοντέλα μηχανικής μάθησης. Για το σκοπό αυτό, προτείνονται τέσσερα διαφορετικά σύνολα χαρακτηριστικών αυξανόμενης πολυπλοκότητας για τη βελτίωση της συνολικής απόδοσης του συστήματος.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

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