[論文レビュー] Biometric Signature Processing & Recognition Using Radial Basis Function Network

Ankit Chadha, Neha Satam+1 more|arXiv (Cornell University)|Nov 7, 2013

Handwritten Text Recognition Techniques参考文献 9被引用数 4

ひとこと要約

本論文では、200件のトレーニングサンプルを用いて80%の認識精度を達成する、径基数関数ネットワーク（RBFN）に基づくバイオメトリクス署名認識手法を提案する。システムは、回転、スケーリング、平行移動の補正を施して署名を前処理し、64ピクセルのグレースケール特徴量を抽出してRBFNをトレーニングし、データベースと照合することで、計算負荷を低減した効率的で低コストなリアルタイム認証を実現する。

ABSTRACT

Automatic recognition of signature is a challenging problem which has received much attention during recent years due to its many applications in different fields. Signature has been used for long time for verification and authentication purpose. Earlier methods were manual but nowadays they are getting digitized. This paper provides an efficient method to signature recognition using Radial Basis Function Network. The network is trained with sample images in database. Feature extraction is performed before using them for training. For testing purpose, an image is made to undergo rotation-translation-scaling correction and then given to network. The network successfully identifies the original image and gives correct output for stored database images also. The method provides recognition rate of approximately 80% for 200 samples.

研究の動機と目的

• 手動による検証を置き換えるため、機械学習を用いた自動的で効率的かつ高精度な署名認識手法の開発。
• 異なる書き込みセッションにおける回転、スケーリング、平行移動によるクラス内変動の課題に対処。
• 8×8グレースケール画像から導出される64次元の特徴ベクトルを用いることで、計算複雑性を低減。
• 実際の歪みを伴う手書き署名の認識において、径基数関数ネットワーク（RBFN）の性能を評価。
• モバイルおよび組み込みシステムにおける低コストでリアルタイムに実装可能な実用性の検証。

提案手法

• 前処理では、幾何変換推定を用いてテスト署名の回転、スケーリング、平行移動を補正する。
• 特徴抽出では、各8×8グレースケール署名画像をピクセル強度値を表す64×1ベクトルに縮小する。
• RBFNは、トレーニングサンプルの64×50行列（50の署名、各々64の特徴）を用いてトレーニングされ、強度レベル[0, 255]をカバーする2次元入力空間を持つ。
• ネットワークは、調整可能な広がりを持つガウス型径基数関数を用い、トレーニング中に平均二乗誤差（MSE）を最小化する。
• 検証フェーズでは、重複しない5枚のテスト画像を用いて認識性能を評価する。
• システムはMATLAB 7.0を用いて実装され、Intel Core i5プロセッサと4GB RAMを搭載したWindows 8マシンでテストされた。

実験結果

リサーチクエスチョン

• RQ1 回転、スケーリング、平行移動の変動が生じても、RBFNは手書き署名を効果的に認識できるか？
• RQ2 8×8グレースケール画像から導出される64次元の特徴空間を用いることで、どの程度の認識精度が達成できるか？
• RQ3 異なる数のトレーニングサンプルを用いた場合、RBFNの性能はどのように変化するか？
• RQ4 幾何補正は、署名検証システムにおける認識精度をどの程度向上できるか？
• RQ5 提案手法は、モバイルまたは組み込みプラットフォームにおける低コストでリアルタイムに実装可能か？

主な発見

• 200件の署名サンプルでトレーニングした場合、認識率は80%に達した。400件で76.8%のピーク性能を示した。
• 500件で71.34%、50件で72.65%に低下したため、約200件のサンプルで最適な性能が得られた。
• MSE値が10.85未満の範囲で、RBFNは50イタレーション以内に収束した。最低MSE（2.23695×10⁻³¹）は500イタレーション目で達成された。
• 幾何的歪みに対して高い耐性を示し、10件のテストサンプルにおいて、検出された回転およびスケーリング値が元のパラメータに非常に近い値となった。
• 64次元の特徴ベクトルの使用により、標準的なDCTベースの手法と比較して計算要件が著しく低減された。
• 本システムは、低コストでリアルタイムにハードウェア実装に適しており、タブレットやスマートフォンなどのモバイルデバイスへの統合が可能である。