Исследование почерка на основе анализа динамических кривых тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат физико-математических наук Колядин, Дмитрий Витальевич
- Специальность ВАК РФ05.13.18
- Количество страниц 260
Оглавление диссертации кандидат физико-математических наук Колядин, Дмитрий Витальевич
Введение
П о ч е рк ка к объе кт био метрич еског о а на л иза.
Почерк.и,личность.
Глава 1. Криминалистическая экспертиза почерка и графология
Криминалисти
Общие признаки почерка, характеризующие пространственную ориентайию.дгажений.
Общие признаки, отражающие степень и характер сфррмщованности.пис^
0?.$ФМЯГИЯ.1.
Определение.
Обзор, существую.
Глава 2. Обзор работ в области распознавания динами ческих кривых
Ра с п о з на в а ние.отс ка н и p.Q ва н н о го ру ко п и с н о гр. те кета.3.
Р.а спрзна ва ни? ди н амич ее ки х. к р и в ы ^.
Эластичное сопоставление.
Двигательные модели.
Вер. иф и ка ц и я рук.о пи с но й .по дпи си.
Характеристически
Сопоставление.траекторий.
М.еМШСТШ.ежийдодхрд.
Су.ВДествующиек.омме
Глава 3. Система анализа рукописного почерка
Пред на з н а ч е н и е. си с те мы ип остано вка.задач и.
Ш^ентификация .ми.верификация.
Системапочерковыхх^
Q б р а б о т к а. ди н а м ич££ки х. к ри в ых.7.
Этапы обработки.
Предобработка.
Выделение ^кстрем^ьных то
ОтборжсШ^ММШЫх точек.
Постобработка.
Общая схема.программы.
Анализ.динамичес
Выделениехлоб^ьных
Выделениепочеркр^
Ш^ентиф.икадия.и.поиск.
Хараетеристиче^
Метод сопостажения.
В £Р. иф и ка ц ия рук.о п и с но и .п о дпи£и. и. п очерка.10$
Верификация, по.:форме.ЩаеШ)рии.
Вери.фикацияпо ЖШ^Ж?. .нщисания.
Глава 4. Экспериментальная оценка производительности и надежности системы
Метод ика. п ро в ере н и я .а кс п е рим е н то в.1.2.1. зуд ьт а.т ы. ра б о ты а лгор и тм Q в. пои с к а.1.2$ ьтаты онре де ления.п о дд£Льных.подписей.1.23.
Прдделка.фррмы и.динамики.нап^
Требования к исполнению подпи
Результат.тесхир
Спрсобь1.дальнен1и
Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Поддержка принятия решений при построении психологического портрета личности на основе нейросетевого распознавания почерка2013 год, кандидат наук Юрьева, Наталия Евгеньевна
Повышение надёжности идентификации пользователей компьютерных систем по динамике написания паролей2011 год, кандидат технических наук Еременко, Александр Валериевич
Графологические средства отражения индивидуально-психологических особенностей личности2003 год, кандидат психологических наук Осекова, Ольга Васильевна
Методология защиты смешанного документооборота на основе многофакторной биометрической аутентификации с применением нейросетевых алгоритмов2019 год, доктор наук Ложников Павел Сергеевич
Криминалистическое исследование подписей, выполненных от имени вымышленных лиц2000 год, кандидат юридических наук Бондаренко, Павел Викторович
Введение диссертации (часть автореферата) на тему «Исследование почерка на основе анализа динамических кривых»
Проблема анализа рукописного текста не нова. Применительно к истории России палеографы связывают появление почерковедения с утверждением скорописи в XVII веке. В это время письменное дело выходит из стен монастырей, где ему предавалось особое значение, и передается в руки наемных переписчиков, допускающих вольное написание букв. К этому же периоду и относится появление первой, так называемой, каллиграфической судебной экспертизы почерка.
Долгое время предметом исследования являлась рукописная «бумажная» подпись. Но развитие компьютерных технологий позволило перейти от анализа статических изображений к анализу начертательных траекторий. Во втором случае путем применения специальных графических планшетов удается отслеживать движение «электронного пера». В данной диссертации предметом рассмотрения являются именно «динамические» кривые1. При этом объектом анализа является как почерк в целом, так и отдельная рукописная подпись. Область применения данной технологии достаточно широка: от карманных компьютеров до сетевых приложений класса «клиент-сервер».
Почерк как объект биометрического анализа
Под термином «биометрия» принято понимать автоматизированный анализ биологических характеристик человека с целью подтверждения его личности. В значительной степени условно, биометрию можно разделить на «физиологическую» и «поведенческую».
1 В англоязычной литературе для обозначения первого подхода применяется термин: «Off-line» распознавание, а для второго подхода - «On-line» распознавание. В русскоязычной литературе нет четко установившейся терминологии по данному вопросу, поэтому в тексте диссертации принято первый подход называть «статическое» распознавание, а второй подход как «динамическое» распознавание.
Физиологическая биометрия базируется на прямых измерениях характеристик частей человеческого тела. К основным и широко распространенным технологиям в настоящий момент относятся методы распознавания:
• по отпечатку пальца,
• по радужной оболочке глаза,
• по рисунку кровеносных сосудов глазного дна,
• по геометрии ладони.
Поведенческая биометрия основывается на анализе действий, совершаемых человеком. Таким образом, можно утверждать, что, в некоторой степени, данная разновидность биометрических технологий использует косвенное измерение биологических характеристик частей человеческого тела. Лидирующими технологиями в этом направлении являются:
• распознавание голоса,
• анализ «клавиатурного почерка»,
• распознавание рукописной подписи.
Ключевым свойством упомянутых выше методов является наличие временного фактора как основополагающего для проведения анализа.
Под «биометрической системой» понимается интегрированная совокупность программного обеспечения и электронного оборудования, совместно решающие задачи идентификации (распознавания) или верификации (подтверждения)2 личности человека. Таким образом, мы подходим к двум принципиально различным режимам функционирования подобных систем. В первом случае система работает в режиме поиска эталона по образцу, с последующим их сравнением [94]. В то время как во втором слу
2 Отметим, что устоявшихся русскоязычных терминов в данном случае не существует, что вносит определенную путаницу. В англоязычной литературе термин «идентификация» переводится как identification (one-to-many, recognition), а термин «верификация» как - verification (one-to-one matching, authentication). чае система сразу извлекает эталон по предъявленному идентификатору (например, имени пользователя) и производит сравнение образца с эталоном. Все приводимые в диссертации алгоритмы ориентированы именно на режим множественного сопоставления как более сложный, но и обладающий большей функциональностью.
Биометрические методы подтверждения личности имеют целый ряд достоинств. Для работодателей данная технология предоставляет следующие преимущества (приведем далеко не полный их перечень):
• Уменьшение расходов связанных с забывания паролей,
• Устраняется проблема обмана работодателя («buddy punching»),
• Улучшается защищенность, т.к. нет общих и упрощенных паролей,
• Повышается уровень безопасности, т.к. нет магнитных карт-ключей, которые можно похитить.
Для пользователей основное преимущество идентификации на основе биометрических данных заключается в освобождении от необходимости запоминать большое количества разнообразных паролей.
Тем не менее, биометрические методы идентификации не могут преца.
Рис.1. Поддельный отпечаток пальдоставить 100% гарантии в правильности своего функционирования. Методы, основанные на физиологических особенностях тела, могут быть скомпрометированы использованием муляжей. На рис.1 приведен пример поддельного отпечатка пальца. В случае системы, основанной на распознавании человеческого лица известны случаи, когда системе предъявлялась фотография, которую система благополучно «распознавала» в качестве зарегистрированного пользователя. Поэтому одним из основных направлений совершенствования биометрических методов в настоящее время является комбинация различных технологий [60]. Активная исследовательская работа в данном направлении проводится в следующих научных центрах: Michigan State University (США), Fraun-hofer Institute for Integrated Circuits (Германия), Dalle Molle Institute for Perceptual Artificial Intelligence (Швейцария) и др.
Большую защиту для подделки представляют методы, основанные на анализе поведенческих характеристик человека. Однако эти характеристики обладают повышенной вариативностью, что затрудняет работу биометрической системы, и в общем случае снижает ее надежность. Здесь на первое место в плане технической реализации выходит почерк. Действительно, на протяжении столетий подпись и почерк служили целям идентификации личности человека. Подпись является общепринятым методом заверки подлинности бумажных документов. Развитие компьютерных технологий позволяет расширить область применения рукописной подписи. Большое количество разнообразных приложений нуждаются в надежной схеме идентификации личности пользователя. Примерами таких приложений могут служить: ограничение доступа в служебные и охраняемые помещения, пользование компьютерными средствами, осуществление финансовых операций. В работе [106] в сравнительном анализе технологий идентификации личности фигурирует идея составления «психологического личностного профиля». Следует отметить, что в области криминалистической экспертизы почерка эксперт сначала пытается составить «психологический» портрет владельца почерка, определить степень выработанности почерка и только затем проводит графологический анализ. Таким образом, мы подходим к возможности анализа почерка с точки зрения установления некоторых психологических характеристик индивида.
Почерк и личность
Проведение почерковедческого анализа только с целью верификации почерка было бы неполным без рассмотрения взаимосвязи между характеристиками начертательных движений и психологией индивида. Вопросами выявления закономерностей между почерком и характером занимается графология. Как и классический психоанализ, графология носит отпечаток искусства. Подчас одни и те
1831 год, 19 лет
1832 год, 20 лет
1838 год, 26 лет
УОЛ?
1859 год, 47 лет же признаки разные исследователи толкуют по-разному [89]. Следует отметить, что в значительной степени данная область почерковедения еще недостаточно исследована. Целью данной работы служит, в том числе, попытка привнесения точных методов, основанных на современных компьютерных технологиях в сферу графологии. В России, а затем и в Советском Союзе за почти сто лет было издано Рис. 2. Автографы Чарльза Диккенса, только две книги, посвященных выявлению психологического портрета человека по его почерку [93], [108], не считая небольших брошюр [107] и научно-популярных статей [88]. Тем не менее, исследования, проводимые почерковедами [109], выявили связь между характером выполняемых движений пером и психологическим портретом человека. На рис.2 приведены автографы Чарльза Диккенса в разные периоды его жизни. Этот рисунок наглядно демонстри
1870 год, 58 лет рует, как росло самомнение писателя, проявляемое в размашистом росчерке одновременно с его славой, и как к старости его почерк стал более «спокойным».
К сожалению, в Советском Союзе графология часто упоминалась как «лженаука». Это привело фактически к отсутствию отечественной школы графоанализа. На Западе в настоящее время издается большое количество книг посвященных графологии. В этой области работает большое количество экспертов разного уровня квалификации, услугами которых пользуются кадровые и брачные агентства, HR подразделения компаний. Утверждается, что профессиональный графолог может прояснить такие вопросы как, например:
• Психологический настрой испытуемого,
• Эмоциональные реакции,
• Движущую силу и мотивацию,
• Социальные качества,
• Навыки мышления, '
• Трудоспособность,
• Природную талантливость и определенные навыки.
Графологический анализ строится на выявлении устойчивых почерковых характеристик. Применение графических планшетов позволяет автоматизировать предварительную стадию сбора информации для анализа, и тем самым его формализовать, избавившись от субъективных оценок. Подобное программное обеспечение может найти применение в отделах кадров предприятий и организаций. Бесспорно, квалифицированный эксперт всегда сможет лучше проанализировать предъявленный ему образец почерка, тем не менее, указанное программное обеспечение может служить неплохим подспорьем менеджеру по набору кадров при проведении интервью при приеме на работу. Частично обсуждению этого вопроса также посвящена данная диссертационная работа. Тем не менее, проведение большого исследования в области графологии требует больших ресурсов и привлечения квалифицированных психологов, поэтому главным образом в диссертации только производится постановка задачи, и указываются технические возможности ее решения.
В качестве небольшого забавного отступления можно привести случай из практики отечественного графолога Н.А. Чура. На одном из занятий группы из 12 человек он предложил составить психологический портрет владельца почерка, образец которого представлен на рис.3. Интересно, что только один человек из группы узнал во владельце автографа Президента РФ В.В. Путина, а 4 человека вообще пришли к выводу, что почерк принадлежит женщине. Тем не менее, в области криминалистической почерковедческой экспертизы существуют довольно строго полученные результаты по выявлению пола владельца почерка [90].
В заключение скажем, что графология как научная дисциплина находится еще на пути становления, и привлечение численных методов основанных на компьютерных технологиях может придать ей новые качества.
РлГ ^^^
Рис.3. Образец почерка В.В. Путина.
Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Теоретические и методические основы судебно-почерковедческой экспертизы сходных подписей2004 год, кандидат юридических наук Жакова, Татьяна Максимовна
Разработка математического и алгоритмического обеспечения автоматической верификации подписи2009 год, кандидат технических наук Абдалла Али Ахмед Абдельрахман
Теоретические и методические проблемы распознавания в судебном почерковедении и при производстве экспертиз2004 год, кандидат юридических наук Шестакова, Софья Сергеевна
Методы, модели и алгоритмы распознавания клавиатурного почерка в ключевых системах2013 год, кандидат наук Савинов, Александр Николаевич
Разработка и исследование методов скрытного клавиатурного мониторинга2006 год, кандидат технических наук Казарин, Максим Николаевич
Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Колядин, Дмитрий Витальевич
Выход:
4) Для р= 1, 2, . ,ш положим, что узел t[tp*2.\,tp*2] являетсяр-ым ребенком узла t. Вызываем Subtree{t[tp»2-btp»2]»0-Полученное скелетное дерево обладает следующими свойствами:
1) Высота дерева соответствует количеству разбиений исходной кривой по высоте.
2) Листья дерева образуют последовательное перечисление пиков кривой, за исключением тех, которые были исключены из рассмотрения при квантизации.
3) Высота листа дерева соответствует амплитуде соответствующего пика кривой.
4) Наиближайший общий предшественник двух узлов указывает на соответствующую долину кривой.
Для сравнения двух кривых и введения меры их различия предлагается ввести следующие четыре типа операций:
1) расщепление отец-ребенок,
2) слияние отец-ребенок,
3) расщепление брат-брат,
4) слияние брат-брат.
Расщепление отец-ребенок применяется к узлу дерева, в результате чего появляется новый узел - ребенок. В результате узел-ребенок содержит дочерние узлы исходного родительского узла.
Слияние отец-ребенок - операция, обратная к предыдущей.
Расщепление брат-брат приводит к образованию нового узла, имеющего такую же высоту. Новый узел может иметь ноль или несколько подузлов изначального узла.
Слияние брат-брат -обратная операция по отношению к выше описанной. При этом результирующий узел содержит все узлы, ранее принадлежавшие братским узлам. (На рис. В.34 приводятся схемы перечисленных расщеплений и слияний.)
Поскольку с помощью перечисленных операций два произвольных дерева можно свести одно к другому, то идея сопоставления двух кривых на основе их скелетных деревьев заключается в минимизации штрафа — количества действий, которое необходимо совершить, чтобы привести одно дерево в соответствие с другим. Утверждается, что по сравнению с другими алгоритмами string-to-string сопоставления данный метод позволяет отслеживать более существенные отличия между двумя анализируемыми кривыми.
Объединение решающих правил (классификаторов)
Часто при анализе изображений формируются наборы признаков не допускающие совместной обработки и классификации, например, такая ситуация возможна, когда во внимание принимаются глобальные и локальные характеристики. В таком случае приходится организовывать ком
• noon
I ИООТ1 ucnac 17.7-1 а)
11Т« I»
К i iii •
Ъ)
Рис. В.34. Схема четырех типов операций расщепления-слияния. бинацию решающих правил (classifiers) или экспертных заключений, каждое из которых оптимальным образом характеризует определенный набор признаков. Самый простой способ совмещения различных анализируемых характеристик производится путем так называемого раннего связывания (early integration)', когда все вектора исходных данных трактуются как один большой вектор. Тем не менее, такой подход имеет определенные недостатки. Большая размерность входных данных усложняет систему и требует большего числа примеров для достижения заданной точности. Кроме этого источники данных могут иметь различную надежность, что так же следует принимать во внимание. Альтернативный подход заключается в организации так называемого позднего связывания (late integration), когда каждая компонента общей экспертной системы принимает решение, каждое из которых затем комбинируется в окончательное заключение.
Помимо вышеуказанного архитектура сложных классификаторов может строиться несколькими способами: эксперты-классификаторы могут работать параллельно, а могут организовываться в иерархические или многоэтапные дискриминантные процессы. В первом случае проводится «голосование» экспертов и выработка окончательного решения, во втором случае на вход следующему этапу передаются только образцы, прошедшие предварительный отбор на предыдущей стадии.
Ниже приведем различные построения архитектур комбинаций решающих правил. Пусть имеется т «экспертов» и п классов. Тогда обозначим через dJt,je\.m,/el.л апостериорную вероятность принадлежности у-го заключения эксперта к z-му классу. Для каждого решающего правила (эксперта) на вход подается специальное представление исходного сигнала х, которое мы будем обозначать Xj. Рассмотрим различные подходы к определению меры принадлежности входного сигнала х к z-му классу:
В.26) где f— искомая комбинационная функция с некими параметрами у/. Понимая под г,- апостериорную вероятность принадлежности к му классу в качестве окончательного решения мы выбираем класс с наибольшей вероятностью:
Г =arg max г,. (В.27) I
Голосование
Голосование является простейшим способом комбинации нескольких решающих правил. В англоязычной литературе этот метод имеет и другие синонимичные наименования: committees, ensembles или linear opinion pools. Прежде всего, каждый классификатор10 отдельно и независимо обучается, с целью минимизации взаимного влияния. Обозначим через yi желаемый выход от работы dyt -го классификатора на основе анализа соответствующего Xj -го представления входного сигнала х. Обучение проводится путем минимизации функции энтропии для всех образцов, перечисляемых индексом р:
Ej = -X I>f log</„(*;) V/, (В.28)
Р > где yf =1 увели xpj ei-му классу и 0 иначе. Обозначим через Д весу-го классификатора. Тогда у/ = \JmMPj с условием нормировки:
V/,/?,> 0, и (в-29> м
Тогда в соответствии с введенными обозначениями, для правила (В.26) получим следующий вид:
Л = fv (du , А • Д»)=
В.30) j-1
10 Мы допускаем использование синонимичных обозначений понятия выбора оптимального соответствия как то: решающее правило, классификатор, экспертное заключение или просто эксперт.
Если все весовые коэффициенты одинаковы и равны: /3f=\fm, то формула (В.ЗО) будет представлять простое голосование, дающее осред-ненное значение. Композиция экспертов
В основе данного метода лежит схема объединения отдельных экспертных заключений в единое целое. Формула (В.26) принимает вид: м
Этот метод очень напоминает метод голосования с той лишь разницей, что в данном случае веса голосов зависят от входного сигнала. Обучение dji и Pj предлагается осуществлять путем минимизации уравнения:
Смысл указанной процедуры заключается в том, что для данного входного сигнала х, только одно значение Д будет ответственно за голосование у'-го эксперта в получении окончательного результата, иными словами в процессе обучения производится минимизация различия между желаемым итоговым решением и значениями выходных вероятностей у'-го эксперта. Стековое обобщение (stacked generalization)
Данный метод предполагает, что голоса экспертов {обобщение О уровня) не обязательно скомбинированы линейно. Более того, их комбинация {обобщение 1 уровня) также подвергается процедуре обучения. В общем виде функция построения итогового решения выглядит как и в предыдущих случаях: где fs может быть произвольной и не обязательно взвешенной суммой как в случае голосования или композиции экспертов.
В.31)
В.32)
В.ЗЗ)
Обучение dJt и /производится по отдельности. Функция/дает на выход желаемый результат при наличии определенной комбинации своих параметров на входе. Таким образом, обучение функции / производится на наборах данных отличных от используемых при обучении dJh которые сами обучаются по принципу (В.28). Затем комбинационная функция (В.ЗЗ) обучается путем минимации функционала:
E = -ZZynognP, (В.34)
Р i где гкропределяется уравнением (В.ЗЗ).
Метод добавочного улучшения (boosting)
Данный метод применяется, когда частота ошибок классификаторов немного лучше случайного распределения. В отличие от предыдущих подходов, в данном случае классификаторы обучаются последовательно. После того как произведено обучение первого эксперта, проводится обучение второго эксперта на примерах, на которых первый классификатор дал сбой с целью обеспечения уверенности в том, что теперь два классификатора взаимно дополняют друг друга. Затем третий классификатор обучается на тех примерах, на которых заключения предыдущих двух экспертов не совпадают. В результате: г1=/в(с 1»с2»сзХ гДе Cj = arg max d}i, j = 1,2,3 (В .3 5 ) с, если с, = с-, 2 (В.36) сj иначе
Поскольку для обучения необходимо три различных набора данных этот метод объедения решающих правил является вычислительно дорогостоящим.
Каскадный метод
В основе подхода лежит замечание, что большое количество анализируемых образцов допускают обработку простым классификатором, или классификатором, использующим простое представление исходного сигнала. В то время как более сложный классификатор использует более тщательное и детальное решающее правило или представление сигнала и применяется в случаях, с которыми простой классификатор может потенциально не справиться. Основная проблема заключается в определении ситуации, когда сигнал может быть обработан простым классификатором (ds), а когда сложным (dx). В процессе обучения формируются два множества примеров: те образцы, которые предположительно не могут быть достоверно классифицированы простым экспертом, используются для обучения сложного эксперта.
Метод анализа на основе мулыпиагентных технологий
Концепция интеллектуальных агентов взаимодействующих в рамках мультиагентной платформы получила широкое распространение сравнительно недавно, хотя ее корни уходят в 60-е годы XX века. Здесь под агентом мы понимаем программную систему, являющуюся частью среды и существующую в ней, причем эта система (агент) способна получать и обрабатывать информацию из окружающей среды; одновременно сама система существует во времени в соответствии со своим собственным планом и программой поведения и способна передавать сведения в окружающую среду [24,82]. Своим появлением агентная концепция построения программного обеспечения обязана необходимостью обрабатывать разнородные (и, возможно, распределенные) данные.
Эта концепция соответствует идеям задач распознавания образов, когда имеется несколько классификаторов и классифицирующих гипотез, среди которых надо сделать оптимальный выбор. В работе [79] была предложена и описана система анализа рукописного текста, основанная на мультиагентной архитектуре. Традиционный процесс распознавания образа состоит из этапов: предобработки, сегментации, выделения особенностей (характеристик), классификации (см. рис. В.35).
Стадия классификации реализуется, как правило, с помощью нейронных сетей, скрытых марковских моделей, метрических классификаторов и т.п. При этом следует иметь в виду, что производится выделение набора характеристик, специфичных для каждого классификатора.
Основное отличие мультиагентной технологии (МАТ) от ранее описанных методов и способов комбинации решений нескольких классифика
Рис. В.35. Схема мультиагентной архитектуры [57]. торов заключается в том, что в МАТ между агентами всегда присутствует переговорный процесс. Существует несколько стандартов на языки межа-гентного взаимодействия, например, KIF (knowledge interchange format), KQML (knowledge query and manipulation language). Агенты могут взаимодействовать не только между собой, но и с базой знаний (knowledge base) к которой они обращаются для получения необходимых сведений для принятия решения. Для распознавания каждого символа может быть создана группа агентов, например, для отличения буквы <а> от буквы <и>. В процессе распознавания агент может запросить базу знаний на предмет уточнения кривизны нижнего элемента символа или положения концов траектории. Таким образом, в описываемом подходе агенты активируются по соответствующему запросу, а характеристики вычисляются по требованию, что позволяет уменьшить размерность задачи (количество анализируемых характеристик), и в конечном итоге увеличить скорость работы алгоритма.
На рис. В.36 представлены возможные варианты взаимодействия агентов. Головной процесс (на схеме обозначен буквой М — master) выступает в роли поставщика данных, который принимает исходные данные, дем Ж
AAA a) Master-slave point to point
000 b) Master-slave via Router c) Master-slave point to point via Router
Рис. В.36. Виды взаимодействий между агентами. d) Full connectivity лает предобработку и производит их сегментацию. Агентный процесс (АГГ) способен получить данные от головного процесса (ГП), извлечь из них характеристики и сформировать список гипотез. ГП может быть напрямую связан с АП (рис. В.Зба), или взаимодействовать через маршрутизатор (рис. В.ЗбЬ); АП могут иметь двухточечные виртуальные связи, устанавливаемые через маршрутизатор (рис. В.Збс) либо быть полностью связанными (рис. B.36d).
Заключение
Предложенный подход, основанный на разделении пространственной и динамической информации о рукописной подписи в целом показал свою пригодность для коммерческого использования. Тем немее, указанный в диссертационной работе метод не может рассматриваться пригодным к использованию в 100% случаев рукописных кривых. Более того, данный метод имеет достаточно узкую специализацию, и демонстрирует хороший показатели функционирования только на определенном классе рукописных слов. Не смотря на это, разработанный подход идеально подходит к применению в системах контроля доступа, основанных на верификации по рукописным словам. В частности данная система может быть применена в графическом пользовательском интерфейсе нового типа на карманных компьютерах, оборудованных сенсорным экраном.
Список литературы диссертационного исследования кандидат физико-математических наук Колядин, Дмитрий Витальевич, 2005 год
1. Alimoglu F., Alpaydin E. Combining Multiple Representations for Pen-based Handwritten Digit Recognition. // ELEKTRIK: Turkish Journal of Electrical Engineering and Computer Sciences, 2001, vol. 9, no. 1, pp. 1-12.
2. Badr Al-Badr, Haralick R. M. Symbol Recognition without Prior Segmentation // Proceedings of the IS&T/SPIE Symposium on Electronic Imaging Science and Technology: Document Recognition, San Jose, CA, 1994, vol. 2181, pp. 303-314
3. Bagdanov A.D., Worring M. Granulometric Analysis of Document Images. // In Proceedings of the 16th International Conference on Pattern Recognition, 11-15 August 2002, Quebec, CANADA, vol. 1, pp. 468-473
4. Bastos L.C., Bortolozzi F., Sabourin R., Kaestner C. Mathematical Modelation of Handwritten Signatures by Conies // WACV'96 Third IEEE Workshop on Application of Computer Vision, 1996
5. Bovino L., Impedovo S., Pirlo G., Sarcinella L. Multi-Expert Verification of Hand-Written Signatures // Proceedings of the Seventh International Conference on Document Analysis and Recognition (ICDAR 2003), pp. 932- 936
6. Branston B. Graphology Explained: A Workbook. USA, Maine, Samuel Weiser, Inc., 1991
7. Chan Kam-Fai, Yeung Dit-Yan. Elastic Structural Matching for Recognizing On-line Handwritten Alphanumeric Characters // Pattern Recognition, 1999, vol. 32, no. 7, pp. 1099-1114
8. Chen H., Agazzi O.E., Suen C.Y. Piecewise Liner Modulation Model of Handwriting // Proceedings of the 4th International Conference on Document Analysis and Recognition (ICDAR), Ulm, Germany, August 1997, pp. 363-367
9. Cheng Yao-Chou, Lu Shin-Yee. Waveform Correlation by Tree Matching. // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1985, vol. 7, no. 3, pp. 299-305
10. Chu S., Keogh E., Hart D., Pazzani M. Iterative Deepening Dynamic Time Warping for Time Series // IEEE International Conference on Data Mining, Maebashi City, Japan, 2002
11. Connell S.D., Jain A.K. Template-based Online Character Recognition. // Pattern Recognition, 2001, vol. 34, pp. 1-14
12. Dullink H., van Daalen В., Nijhuis J., Spaanenburg L., Zuidhof H. Implementing a DSP Kernel for Online Dynamic Handwritten Signature Verification Using the TMS320 DSP Family//Technical report, Texas Instruments, 1995
13. Ehrich R.W., Koehler K.J. Experiments in the Contextual Recognition of Cursive Script. // IEEE Transactions on Computers, 1975, no. 24, pp. 182-194
14. El-Yacoubi A., Gilloux M., Sabourin, C.Y. Suen. An HMM-Based Approach for Off-Line Unconstrained Handwritten Word Modeling and Recognition // IEEE Transactions On Pattern Analysis And Machine Intelligence, 1999, vol. 21, no. 8, pp. 752-760
15. Guberman S.A., Lossev I., Pashintsev A.V. Method and Apparatus for Recognizing Cursive Writing from Sequential Input Information, US Patent WO 94/07214, March 1994
16. Guerfali W., Plamondon R. The Delta LogNormal Theory for the Generation and Modeling of Cursive Characters // Int. Conf. on Document Analysis and Recognition (1995), pp. 495-498
17. Gupta G. K., Joyce R.C. A Simple Approach to Dynamic Handwritten Signature Verification //Technical report, James Cook Univ. of North Queensland, 1995
18. Gupta G., McCabe A. A Review of Dynamic Handwritten Signature Verification // Technical Article, James Cook University Computer Science Department, 1997
19. Guyon I. Handwriting Synthesis from Handwritten Glyphs // In Proc. of the 5th International Workshop on Frontiers of Handwriting Recognition, 1995, pp. 309-312
20. Hahgai S., Yamanaka S., Hamamoto T. Writer Verification using Altitude and Direction of Pen Movement // International Conference on Pattern Recognition, 2000, vol. 3, pp. 479482
21. Hao F., Chan C. W. Online Signature Verification Using a New Extreme Points Warping Technique // Pattern Recognition Letters, 2003, vol. 24, no. 16, pp. 2943-2951
22. Hastie Т., Kishon E. A Model for Signature Verification // IEEE International Conference on Decision Aiding for Complex Systems, 1991, pp. 191-196
23. Hayes-Roth В. An Architecture for Adaptive Intelligent Systems. // Artificial Intelligence: Special Issue on Agents and Interactivity, pp. 329-365
24. Hollerbach J. An Oscillation Theory of Handwriting // Biological Cybernetics, 1981, no. 39, pp. 139-156
25. Homayoon S.M. Beigi. Pre-Processing the Dynamics of On-Line Handwriting Data, Feature Extraction and Recognition. // Progress in Handwriting Recognition, A.C. Downton and S. Impedovo (eds.), World Scientific Publishers, New Jersey, 1997, pp. 191-198
26. Hough P.V.C., Machine Analysis of Bubble Chamber Pictures. // International Conference on High Energy Accelerators and Instrumentation, CERN, 195928. http://www.biometricgroup.com/29. http://www.writinganalysis.com/
27. Jain A.K., Griess F.D., Connell S.D, On-line Signature Verification // Pattern Recognition, 2002, vol. 35, no. 12, pp. 2963-2972
28. Jermyn I., Mayer A., Monrose F., Reiter M., Rubin A. The Design and Analysis of Graphical Passwords // 8th Usenix Security Symposium, Washington, USA, 1998
29. Kashi R.S., Hu J., Nelson W.L., Turin W. On-line Handwritten Signature Verification using Hidden Markov Model Features // IJDAR, 1998, no. 2, pp. 319-330
30. Keogh E., Pazzani M. Scaling up Dynamic Time Warping for Datamining Applications // Proc. of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2000.
31. Kim G., Govindaraju V. Handwritten Phrase Recognition as Applied to Street Name Images // Pattern Recognition, 1998, vol. 31, no.l, pp.41-51
32. Kohonen T. The Self-organizing Map // Proceedings of the IEEE, vol.78, 1990, pp. 14641479
33. Lee D. H., Cho H.G. The Beta-Velocity Model for Simulating Handwritten Korean Scripts // Proceedings of 4th International Conference on Raster Imaging and Digital Typography, St.Malo, France, March 1998, pp. 252-264
34. Li X., Yeung D.Y. On-line Handwritten Alphanumeric Character Recognition Using Dominant Points in Strokes. // Pattern Recognition, 1997, vol. 30, no. 1, pp. 31-44
35. Li Xiaolin, Parizeau Marc, Plamondon Rejean. Detection of Extreme Points of On-line Handwritten Scripts // Progress in Handwriting Recognition, edited by A. C. Downton and S. Impedovo, World Scientific, 1997, pp. 169-176
36. Lowe S. R. The Complete Idiot's Guide to Handwriting Analysis. NY.: Penguin Group: Alpha books, 1999
37. Maddouri S.S., Amiri Hamid, Abdel Belaid. Local Normalization Towards Global Recognition of Arabic Handwritten Script // International Workshop on Frontiers in Handwriting Recognition, 2002
38. Martinez J. R., Alcantara R. S. On-line Signature Verification Based on Optimal Feature Representation and Neural-network-driven Fuzzy Reasoning // SSGRR, L'Aquila, Italy, January 6-12, 2003
39. McCabe A. Hidden Markov Modelling with Simple Directional Features for Effective and Efficient Handwriting Verification // 6th Pacific Rim International Conference on Artificial Intelligence, Melbourne, Australia, August 28 September 1,2000
40. McNichol A., Nelson J. A. Handwriting Analysis: Putting It to Work for You. USA, Illinois, McGraw-Hill Companies: Contemporary Books, 1994
41. Morita M., Bortolozzi F., Facon J., Sabourin R. Morphological Approach of Handwritten Word Skew Correction // X SIBGRAPI'98, International Symposium on Computer Graphics, Image Processing and Vision, Rio de Janeiro, Brazil, October 1998
42. Morris R. Forensic Handwriting Identification: Fundamental Concepts and Principles. — UK, London, Academic Press, 2000
43. Munich M. E., Perona P. Continuous Dynamic Time Warping for Translation-invariant Curve Alignment With Applications to Signature Verification // International Conference on Computer Vision, 20-25 September, 1999, pp. 108-115
44. Munich M. E., Perona P. Visual Signature Verification using Affine Arc-length // IEEE Conference on Computer Vision and Pattern Recognition, 1999, vol. 2, pp. 180-186
45. Nalwa V. S. Automatic On-Line Signature Verification. // Proceedings of the IEEE, 1997, vol. 85, no. 2, pp. 215-239
46. Neskovic P., Davis P. C., Cooper L. N. Interactive Parts Model: an Application to Recognition of On-line Cursive Script // Advances in Neural Information Processing Systems (NIPS), 2000, vol. 13, pp. 974-980
47. Park J. Hierarchical Character Recognition and its Use in Handwritten Word/Phrase Recognition: PhD dissertation. State University of New York at Buffalo, 1999
48. Pavlidis Т., Zhou J. Page Segmentation and Classification // Computer Vision Graphics and Image Processing, 1995, vol. 26, pp. 2107-2123
49. Plamondon R., Lorette G. Automatic Signature Verification and Writer Identification The State of The Art. // Pattern Recognition, 1989, vol. 22, no. 2, pp. 107-131.
50. Pu Y., Shi Z. A Natural Learning Algorithm based on Hough Transform for Text Lines Extraction in Handwritten Documents. // Eighth International Workshop on Frontiers in Handwriting Recognition, KAIST Campus, Taejon City, Korea, Auguest 12-14, 1998
51. Rigoll G., Kosmala A. A Systematic Comparison Between On-Line and Off-Line Methods for Signature Verification with Hidden Markov Models // 14th International Conference on Pattern Recognition, Australia, 1998, vol. 2, pp. 1755-1757
52. Rosenthal A.S., Hu J., Brown M. K. Size And Orientation Normalization Of On Line Handwriting Using Hough Transform // IEEE International Conference on Acoustics, Speech, and Signal Processing, 1997, vol. 4, pp. 3077-3080
53. Rosenthal A.S., Hu J., Brown M. K. Size and Orientation Normalization of On-line Handwriting Using Hough Transform. // In Proc. ICASSP'97, Munich, Germany, April 1997
54. Ross A., Jain A. Information Fusion in Biometrics. // Pattern Recognition Letters, 2003, no. 24, pp.2115-2125
55. Sabourin R., Genest G., Preteux F. J. Off-Line Signature Verification by Local Granu-lometric Size Distributions // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, vol. 19, no. 9, pp. 976-988
56. Said H. E. S., Peake G.S., Tan T. N., Baker K. D. Writer Identification from Non-Uniformly Skewed Handwriting Images // Proc. 9th British Mach. Vision Conf., September1998, pp. 478-487
57. Saon G., Belaid A., Gong Y. Stochastic Trajectory Modeling for Recognition of Unconstrained Handwritten Words // In Proceedings of the International Conference on Document Analysis and Recognition, 1995, pp. 508-511
58. Schenkel M., Guyon I., Henderson D. On-Line Cursive Script Recognition using Time Delay Neural Networks and Hidden Markov Models // Machine Vision and Applications, 1995, vol. 8, no. 4, pp. 215-223
59. Schomaker L. Using Stoke- or Character-based Self-organizing Maps in the Recognition of On-line, Connected cursive script // Pattern Recognition, 1993, vol. 26, no. 3, pp. 443-450
60. Sebastian T.B., Kimia B.B. Curves vs. Skeletons in Object Recognition. // In Proceedings of International Conference on Image Processing, 2001, Thessaloniki, Greece, vol.3, pp. 22-25
61. Seni G. Large Vocabulary Recognition of On-line Handwritten Cursive Words: PhD Dissertation, Department of Computer Science. State University of New York at Bufalo, 1995
62. Seni G., Seybold J. Diacritical Processing for Unconstrained On-line Handwriting Recognition Using Forward Search // International Journal on Document Analysis and Recognition,1999, vol. 2, no. l,pp. 24-29
63. Seni G., Shihari R., Nasrabadi N. Large Vocabulary Recognition of On-line Handwritten Cursive Words //IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996, vol. 18, no. 6, pp. 757-762
64. Shaohua P., Deng, Hong-Yuan Mark Liao, Chin Wen Ho, Hsiao-Rong Tyan. Wavelet-Based Off-Line Handwritten Signature Verification. // Computer Vision and Image Understanding, 1999, vol. 76, no. 3, pp. 173-190
65. Sheikholeslami G., Srihari S.N., Govindaraju V. Computer Aided Graphology 11 Fifth International Workshop on Frontiers in Handwriting Recognition Essex, England, September, 1996, pp. 457-460
66. Shi Z., Govindaraju V. Line Separation for Complex Document Images Using Fuzzy Runlength // International Workshop on Document Image Analysis for Libraries, Palo Alto, CA, January 23-24,2004
67. Shi Z., Govindaraju V. Skew Detection for Complex Document Images Using Fuzzy Runlength // In Proceedings of the International Conference on Document Analysis and Recognition, Edinburgh, Scotland, August 2003
68. Singer Y., Tishby N. Dynamical Encoding of Cursive Handwriting // Biological Cybernetics, 1994, vol. 71, no. 3, pp. 227-237
69. Starner Т., Makhoul J., Schwartz R., Chou G. On-line Cursive Handwriting Recognition Using Speech Recognition Methods // IEEE Proceedings International Conference on Acoustics, Speech, and Signal Processing, April 1994, pp. 125-128
70. Steinherz Т., Intrator N. A Special Skeletonization Algorithm for Cursive Words. // Proceedings of the Seventh International Workshop on Frontiers in Handwriting Recognition, September 11-13 2000, Amsterdam, pp. 529-534
71. Tappert C., Suen C., Wakahara T. The State of the Art in On-Line Handwriting Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence, August, 1990, pp. 787-808
72. Vuuroijl L., Schomaker L. Multiple-agent Architectures for the Classification of Handwritten Text// In Proceedings of IWFHR'98, pp. 335-346
73. Wang J., Wu C., Xu Y. Q., Shum H. Y., Ji L. Learning-based Cursive Handwriting Synthesis // Eighth International Workshop on Frontiers in Handwriting Recognition (IWFHR-8), Ontario, Canada, August, 2002
74. Wessels Т., Omlin C.W. A Hybrid System for Signature Verification. // International Joint Conference on Neural Networks, 2000, vol. 5, pp. 509-514
75. Wooldridge M., Jennings N.R. Agent Theories, Architectures, and Languages: a Survey. // Springer-Verlag, Berlin, Intelligent Agents, 1995, pp. 1-22
76. Yang L., Widjaja B.K., Prasad R. Application of Hidden Markov Models for Signature Verification. // Pattern recognition, 1995, vol.28, no. 2, pp. 161-170
77. Yanikoglu В., Sandon P.A. Segmentation of Off-Line Cursive Handwriting Using Linear Programming // Pattern Recognition, 1998, vol. 31, no. 12, pp. 1825-1833
78. Younes L. Computable Elastic Distances Between Shapes // SIAM Journal on Applied Mathematics, 1998, vol. 58, no. 2, pp. 565 586
79. Zimmer Alessandro, Ling Lee Luan. A Hybrid On/OfF Line Handwritten Signature Verification System // 7th International Conference on Document Analysis and Recognition (ICDAR 2003), Edinburgh, Scotland, UK, 3-6 August 2003, pp. 424-428
80. Айзенк Г.Ю. Структура личности. M.: КСП+, 1999
81. Балла О. Графология вранье или наука? // "Родная Газета" № 11(11), 2003
82. Балла О. Почерк в поисках объяснения и понимания. // М. «Знание-Сила» №4, 1998
83. Винберг А.А., Шванкова М.В. Почерковедческая экспертиза. Учебник для вузов МВД СССР. Высшая следственная школа МВД СССР, Волгоград, 1977 *
84. Винберг А.И. Криминалистическая экспертиза в советском уголовном процессе. — Москва, 1956
85. Губерман Ш.А., Розенцвейт В.В. Алгоритм распознавания рукописных текстов. // М. Автоматика и телемеханика, №5, 1976. с. 122-129
86. Зуев-Инсаров Д.М. Почерк и личность. М.: Изд-во "СТ", 1993
87. Колядин Д.В. Анализ динамических кривых применительно к задаче верификации рукописной подписи / Доклады XI Всероссийской конференции «Математические методы распознавания образов». М., 2003. - с. 330-332
88. Колядин Д.В. Анализ динамических кривых применительно к задаче проверки аутентичности рукописного текста. / Труды XLVI научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук». М.:МФТИ, 2003. - с. 57
89. Колядин Д.В. Верификация динамической рукописной подписи в режиме множественного сопоставления с учетом повышенной вариативности почерка. // Моделирование и обработка информации: Сб.ст./Моск.физ.-тех. ин-т. М., 2003. - с. 124-129
90. Колядин Д.В. Верификация динамической рукописной подписи с учетом повышенной вариативности почерка. / Труды XLV научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук». М.:МФТИ, 2002. - с. 44
91. Колядин Д.В., Петров И.Б. Быстрое сопоставление рукописных динамических подписей в биометрической системе контроля доступа. // Электронный журнал «Исследовано в России», 2005, 083, с. 870-878http://zhurnal.ape.relarn.ru/articles/2005/083.pdf
92. Колядин Д.В., Петров И.Б. О проблеме верификации подписи по динамике ее исполнения // Процессы и методы обработки информации: Сб.ст./Моск.физ.-тех. ин-т. -М., 2005.-с. 168-177
93. Колядин Д.В., Петров И.Б. Сопоставление рукописных динамических кривых методом оценки схожести локальных особенностей вблизи экстремальных точек. / Труды международной конференции «Математика. Компьютер. Образование». Пущино, 2005.-с. 125.
94. Колядин Д.В., Савин А.А. О проблеме верификации подписи в системах контроля доступа. // Обработка информации и моделирование: Сб.ст./Моск.физ.-тех. ин-т. -М.,2002.-с. 81-89.
95. Кормен Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ // МЦНМО, Москва, 2000
96. Косарев В.И. 12 лекций по вычислительной математике. М., Изд-во МФТИ, 1995
97. Кулагин П.Г., Колонутова А.И. Экспертная методика дифференциации рукописей на мужские и женские: Методическое письмо. М., 1968
98. Ложников П.С. Распознавание пользователей в системах дистанционного образования: обзор. // Educational Technology & Society, № 4(2) 2001, с. 211-216
99. Маяцкий В. Графология. Москва, 1990
100. Моргенштерн И.Ф. Психографология. СПб.: Изд-во «Питер», 1994
101. Наджимов O.K. Как узнать характер человека по его подписи, или практическая графология. Изд-во "Мир экономики и права", Ташкент, 1998
102. Поцепаев Р.В. Восстановление траекторий написания символов по их изображениям. // Электронный журнал "Исследовано в России", 2003, 120, с. 1437-1450, http://zhurnal.ape.relarn.ru/articles/2003/120.pdf
103. Рабинер J1.P. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: обзор. // ТИИЭР, 1989, т.77, 2, с. 86-120
104. Сара Д. Тайны почерка. М.: Вече, Персей, ACT, 1996
105. Федоренко Р.П. Введение в вычислительную физику. М., Изд-во МФТИ, 1994
106. Фурман Я.И., Кревецкий А.В., Передреев А.К., Роженцов А.А., Хафизов Р.Г., Егоши-на И.Л., Леухин А.Н. Введение в контурный анализ; приложения к обработке изображений и сигналов. М. Физматлит, 2003
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.