[論文レビュー] Offline Signature Identification by Fusion of Multiple Classifiers using Statistical Learning Theory

Dakshina Ranjan Kisku, Phalguni Gupta+1 more|arXiv (Cornell University)|Mar 30, 2010

Handwritten Text Recognition Techniques参考文献 11被引用数 34

ひとこと要約

本論文では、複数の分類器（ガウス的経験則、ユークリッド距離、マハラノビス距離分類器）をサポートベクターマシン（SVM）を用いて統合する、オフライン署名識別システムを提案する。統合により認識精度が向上し、統計的学習理論を活用したスコア統合により、ロバストな性能が得られる。5,400通の署名（600人の個人から）からなるデータベースで評価された結果、良好な性能が得られた。

ABSTRACT

This paper uses Support Vector Machines (SVM) to fuse multiple classifiers for an offline signature system. From the signature images, global and local features are extracted and the signatures are verified with the help of Gaussian empirical rule, Euclidean and Mahalanobis distance based classifiers. SVM is used to fuse matching scores of these matchers. Finally, recognition of query signatures is done by comparing it with all signatures of the database. The proposed system is tested on a signature database contains 5400 offline signatures of 600 individuals and the results are found to be promising.

研究の動機と目的

• 複数の分類器を統合することで、オフライン署名識別の認識精度を向上させること。
• 署名データにおけるクラス内変動とクラス間類似性の問題を、個々の分類器の限界を補うために解決すること。
• 異なる分類器からのマッチングスコアを最適に統合するために、SVMによる統計的学習理論の応用。
• 大規模なデータベースにおいても信頼性のある署名認識が可能なロバストなシステムの構築。
• 実世界の署名データを用いたスコアレベル統合の有効性の検証。

提案手法

• 画像処理技術を用いて、オフライン署名画像からグローバルおよびローカル特徴を抽出する。
• 3つのベースライン分類器（ガウス的経験則、ユークリッド距離、マハラノビス距離）を適用し、署名マッチングを実行する。
• 各クエリ署名について、データベース内の全署名と比較し、各分類器からマッチングスコアを生成する。
• サポートベクターマシン（SVM）を用いて、3つの分類器からのマッチングスコアを統合し、より判別力の高いスコアを生成する。
• クエリ署名の統合スコアを、データベース内の全署名と比較することで署名認識を実行する。
• 統計的学習理論を活用して、SVMの統合プロセスを最適化し、一般化性能とロバスト性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 複数の分類器を統合することで、個々の分類器に比べてオフライン署名識別の認識精度が向上するか？
• RQ2 SVMを用いたスコア統合は、異なる距離ベース分類器からの多様なマッチングスコアを効果的に統合できるか？
• RQ3 本手法の統合フレームワークは、大規模なオフライン署名データベース上でどの程度の性能を示すか？
• RQ4 グローバルおよびローカル特徴は、認識システムのロバスト性にどのように寄与するか？
• RQ5 統計的学習理論の統合により、クラス内変動が生じる状況下でも、署名識別の信頼性が向上するか？

主な発見

• 提案された統合フレームワークは、補完的な強みを組み合わせることで、個々の分類器に比べて顕著に認識精度が向上した。
• SVMを用いたスコア統合により、署名マッチングにおける一般化性能とロバスト性が向上した。
• 600人の個人からなる5,400通のオフライン署名データベースにおいて、本システムは良好な結果を示した。
• グローバルおよびローカル特徴の統合により、マッチングプロセスの判別力が向上した。
• ガウス的経験則、ユークリッド距離、マハラノビス距離分類器をSVMで統合することで、単体の手法に比べて優れた性能が得られた。
• 結果から、統計的学習理論が信頼性のある署名識別システム設計に有効であることが示された。