[논문 리뷰] Biometric Signature Processing & Recognition Using Radial Basis Function Network

Ankit Chadha, Neha Satam외 1명|arXiv (Cornell University)|2013. 11. 07.

Handwritten Text Recognition Techniques참고 문헌 9인용 수 4

한 줄 요약

이 논문은 200개의 학습 샘플을 사용하여 80%의 인식 정확도를 달성하는 라디얼 기저 함수 네트워크(RBFN) 기반의 생체 인식 서명 인식 방법을 제안한다. 시스템은 서명을 보정하기 위해 회전, 스케일링, 이동을 보정하고, 64픽셀 회색조 특징을 추출하며, RBFN을 학습시켜 입력 서명을 데이터베이스와 비교 분류함으로써, 낮은 계산 부하를 갖는 효율적이고 저비용의 실시간 인증을 가능하게 한다.

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.

연구 동기 및 목표

• 수동 검증을 대체하기 위해 기계 학습을 활용한 자동화되고 효율적이며 정확한 서명 인식 방법을 개발하기 위해.
• 다른 작성 세션 동안 발생하는 서명의 내부 클래스 변동성(회전, 스케일링, 이동) 문제를 해결하기 위해.
• 8×8 회색조 이미지에서 유도된 64차원 특징 벡터를 사용하여 계산 복잡도를 감소시키기 위해.
• 실제 왜곡 상황에서 라디얼 기저 함수 네트워크(RBFN)가 손글씨 서명을 인식하는 데 성능을 평가하기 위해.
• 모바일 및 임베디드 시스템에 저비용 실시간 하드웨어 구현 가능성을 입증하기 위해.

제안 방법

• 사전 처리 단계에서는 기하 변환 추정을 사용하여 테스트 서명의 회전, 스케일링, 이동을 보정한다.
• 특징 추출 단계에서는 각 8×8 회색조 서명 이미지를 픽셀 강도 값의 64×1 벡터로 압축한다.
• RBFN은 64×50 학습 샘플 행렬(50개의 서명, 각각 64개의 특징)을 기반으로 학습되며, 강도 수준 [0, 255]를 커버하는 2차원 입력 공간을 사용한다.
• 네트워크는 조정 가능한 산점 범위를 갖는 가우시안 라디얼 기저 함수를 사용하고, 학습 중 평균 제곱 오차(MSE)를 최소화한다.
• 검증 단계에서는 5개의 겹치지 않는 테스트 이미지를 사용하여 인식 성능을 평가한다.
• 시스템은 인텔 코어 i5 프로세서와 4GB RAM을 탑재한 윈도우 8 기반 머신에서 MATLAB 7.0을 사용하여 구현 및 테스트되었다.

실험 결과

연구 질문

• RQ1 RBFN은 서명의 회전, 스케일링, 이동 변동성에도 불구하고 손글씨 서명을 효과적으로 인식할 수 있는가?
• RQ2 8×8 회색조 이미지에서 유도된 감소된 64차원 특징 공간을 사용할 경우 어떤 인식 정확도를 달성할 수 있는가?
• RQ3 다양한 수의 학습 샘플을 사용할 경우 RBFN의 성능는 어떻게 변하는가?
• RQ4 기하 보정은 서명 검증 시스템의 인식 정확도 향상에 어느 정도 기여하는가?
• RQ5 제안된 방법은 모바일 또는 임베디드 플랫폼에 저비용 실시간 구현에 적합한가?

주요 결과

• 200개의 서명 샘플로 학습한 결과 시스템은 80%의 인식률을 달성하였으며, 400개 샘플일 경우 최고 76.8%의 성능를 기록하였다.
• 500개 샘플일 경우 인식률은 71.34%로 하락하고, 50개 샘플일 경우 72.65%로 나타나 200개 샘플 주변에서 최적 성능를 보였다.
• RBFN는 MSE 값이 10.85 이하일 경우 50회 이내에 수렴하였으며, 500회 반복 시 최저 MSE(2.23695×10⁻³¹)를 기록하였다.
• 이 방법은 기하 왜곡에 대해 뛰어난 내성성을 보였으며, 10개의 테스트 샘플에서 검출된 회전 및 스케일링 값이 원래 파rameter와 매우 유사하였다.
• 감소된 64차원 특징 벡터의 사용은 표준 DCT 기반 방법 대비 계산 요구량을 크게 감소시켰다.
• 시스템은 저비용 실시간 하드웨어 구현에 매우 적합하며, 태블릿 및 스마트폰과 같은 모바일 장치에 통합 가능성이 있다.