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

Δημητροπούλου, Μαρία

Computer vision and pattern recognition techniques for biometric authentication

Διπλωματική εργασία

Author

Δημητροπούλου, Μαρία

Date

2024-03

Advisor

Zois, Elias

MD_Diploma_Thesis_v18_SK_PT_EZ.pdf (3.991Mb)

Keywords

Επεξεργασία εικόνας ; Υπολογιστική όραση ; Στατική αναγνώριση υπογραφής ; Αραιή αναπαράσταση ; Εκμάθηση λεξικού ; Χειρόγραφη υπογραφή

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.

Abstract

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.