Off line signature verification using Radon Transform and svm/knn classifiers
Абдалла Али Ахмед Абдельрахман, Жирков Владислав Федорович · Вестник Тамбовского государственного технического университета · 2009
Es wird die Methode der Verifikation der statischen Signaturen mit der Benutzung der diskreten Radon-Transformation betrachtet. Es sind die Prozeduren der Bearbeitung und der Vergleichung der Signaturen mit der Berucksichtigung der Besonderheiten ihrer Vorlegung angefuhrt. In den Experimenten wird die Datenbank, die 2250 Signaturen der 75 Autoren enthalt, benutzt. Es wurden die Kontrollsignaturen und qualifizierte Falschungen. Die Klassifikation auf Original und Falschung wird nach den Vergleichungsresultaten erfullt. Es werden die Standartklassifikatoren SVM/KNN benutzt. Der Anteil der richtigerkannten Signaturen bildete 80 % fur SVM und 70 % fur KNN.Est examinee la methode de la verification des signatures statiques avec lemploi de la transformation discrete Radon. Sont cites les procedes du traitement et de la comparaison des signatures compte tenu de leur presentation. Dans les experiments est utilisee une base de donnees contenant 2250 signatures de 75 auteurs pour chacun desquels il y avaient les signatures de controle et les imitations qualifees. La verification etait realisee par la voie de la comparaison avec chaque signature de controle de lauteur. La classification identite/imitation etait executee par les resultats de la comparaison normalisee avec lemploi des donnees statistiques de controle. Sont utilises les classificateurs standartises SVM/KNN. La part des signatures identifiees correctement est 80 % pour les methodes des vecteurs de controle et 70 % pour les k-voisins les plus proches.We present a system for off-line signature verification, approaching the problem as a two-class pattern recognition problem. We use Discrete Radon Transform to extract global features from the signatures. During enrollment, a number of reference signatures are used for each registered user and cross aligned to extract statistics about that users signature. A test signatures verification is established by first aligning it with each reference signature for the claimed user. The signature is then classified as genuine or forgery, according to the alignment scores which are normalized by reference statistics, using standard pattern classification techniques. We experimented with SVM classifier and KNN classifier. Using a database of 2250 signatures (genuine signatures and skilled forgeries) from 75 writers our present system achieves a performance of approximately 80 % when used SVM classifier and a performance of approximately 70 % in the case of KNN classifier.