[논문 리뷰] Handwritten Signature Verification Using Hand-Worn Devices

Ben Nassi, Alona Levy외 2명|arXiv (Cornell University)|2016. 12. 19.

Handwritten Text Recognition Techniques참고 문헌 15인용 수 21

한 줄 요약

이 논문은 스마트워치와 같은 손에 착용하는 장치에서 수집한 동작 데이터를 활용하여 온라인 수기 서명 인증 시스템을 제안한다. 가속도계와 자이로스코프 읽기 값을 이용해 기계 학습 분류기를 훈련시키며, 66명의 참가자로부터 수집한 1,980건의 진짜 및 위조 서명 데이터셋에서 높은 정확도—AUC 0.98 및 EER 0.05—를 달성한다. 이는 보편적인 웨어러블 센서가 전용 디지타이저 없이도 안전하고 비침습적인 서명 인증을 가능하게 한다는 것을 보여준다.

ABSTRACT

Online signature verification technologies, such as those available in banks and post offices, rely on dedicated digital devices such as tablets or smart pens to capture, analyze and verify signatures. In this paper, we suggest a novel method for online signature verification that relies on the increasingly available hand-worn devices, such as smartwatches or fitness trackers, instead of dedicated ad-hoc devices. Our method uses a set of known genuine and forged signatures, recorded using the motion sensors of a hand-worn device, to train a machine learning classifier. Then, given the recording of an unknown signature and a claimed identity, the classifier can determine whether the signature is genuine or forged. In order to validate our method, it was applied on 1980 recordings of genuine and forged signatures that we collected from 66 subjects in our institution. Using our method, we were able to successfully distinguish between genuine and forged signatures with a high degree of accuracy (0.98 AUC and 0.05 EER).

연구 동기 및 목표

• 특수한 디지타이저나 태블릿에 의존하지 않는 저비용이고 접근 가능한 서명 인증 시스템을 개발하는 것.
• 스마트워치와 같은 손에 착용하는 장치에서 수집한 동작 데이터가 수기 서명의 동적 패턴을 신뢰성 있게 캡처하여 생체 인증에 활용할 수 있는지 조사하는 것.
• 개인별 맞춤화 없이도 일반화 능력이 뛰어난 단일 글로벌 기계 학습 모델을 제한된 수의 사용자 데이터로 훈련시켜 서명 인증에 활용하는 것.
• 기기 위치 및 사용자 행동과 같은 실제 환경 조건에서 시스템 성능을 평가하는 것.

제안 방법

• 사용자가 종이 위에서 서명할 동안 손에 착용한 장치에서 가속도계 및 자이로스코프 데이터를 수집하며, 수동으로 기록된 수동 이동의 시간적 시퀀스를 기록하는 전용 애플리케이션을 사용한다.
• 서명 인증을 이진 분류 문제로 설정하여 진짜 대 위조를 분류하는 데 기계 학습 분류기를 사용한다. 이는 추출된 동작 특징에 기반한다.
• 66명의 참가자로부터 수집한 진짜 및 위조 서명 데이터셋을 바탕으로 글로벌 분류기를 훈련시키며, 사용자별 맞춤화 없이도 광범위한 적용 가능성을 확보한다.
• 특징 공학에는 시간 도메인 및 주파수 도메인 표현 방식이 포함되며, 평균, 표준편차, 스펙트럼 전력 등 동적 서명 행동을 캡처하는 데 기여한다.
• 성능 평가를 위해 로지스틱 회귀 분류기를 사용하며, AUC 및 등가 오류 비율(EER)을 통해 성능을 측정한다.
• 보안 전송 프rotocol은 암호화된 동작 데이터를 신뢰할 수 있는 제3자(TTP)에게 전송하며, TTP는 저장된 기준 샘플과 글로벌 모델을 사용해 서명을 검증한다.

실험 결과

연구 질문

• RQ1 스마트워치와 같은 손에 착용하는 장치에서 수집한 동작 데이터가 생체 인증을 위한 수기 서명의 동적 특성을 신뢰성 있게 캡처할 수 있는가?
• RQ2 시험 시 사용된 기준 서명 수에 따라 인증 시스템의 성능은 어떻게 변하는가?
• RQ3 소규모 사용자 그룹에서 훈련된 단일 글로벌 기계 학습 모델이 사용자별 적응 없이도 새로운 개인에게 효과적으로 일반화될 수 있는가?
• RQ4 기기 위치(예: 주로 사용하는 손 vs. 비주로 사용하는 손)가 시스템 정확도와 사용성에 미치는 영향은 무엇인가?

주요 결과

• 제안된 방법은 수신기 작동 특성 곡선(AUC)의 면적을 0.98로 달성하여 진짜 서명과 위조 서명 간의 우수한 분류 능력을 보였다.
• 등가 오류 비율(EER)은 0.05로, 거짓 수락률과 거짓 거부률 간의 균형이 매우 우수함을 보여주었다.
• 기준 서명이 단 두 개일 경우에도 AUC 0.969 및 EER 0.054를 달성하여 등록 데이터가 최소일 때에도 뛰어난 강건성을 보였다.
• 기준 서명 수를 늘릴수록 성능이 향상되었으며, 일곱 개의 기준 서명을 사용했을 때 AUC는 0.983, EER는 0.036에 도달했다.
• 특수한 디지타이저나 태블릿 없이도 표준 손에 착용하는 장치에서 수집한 동작 데이터를 활용해 서명을 성공적으로 검증하였다.
• 기기 착용 위치 문제(예: 66%의 사용자가 주로 사용하는 손에 기기를 착용하지 않음)에도 불구하고, 실제 환경 조건에서도 효과적인 성능을 유지하였다.