[논문 리뷰] Offline Signature Identification by Fusion of Multiple Classifiers using Statistical Learning Theory

Dakshina Ranjan Kisku, Phalguni Gupta외 1명|arXiv (Cornell University)|2010. 03. 30.

Handwritten Text Recognition Techniques참고 문헌 11인용 수 34

한 줄 요약

이 논문은 다수의 분류기—정규 경험 규칙, 유클리드 거리, 마할라노비스 거리 분류기—를 결합하여 성능을 향상시키기 위해 지지 벡터 기반 머신러닝(SVM)을 사용하는 오프라인 서명 식별 시스템을 제안한다. 600명의 개인으로부터 수집된 5,400건의 서명 데이터베이스에서 평가한 결과, 통계적 학습 이론을 활용한 강건한 점수 융합을 통해 높은 정확도를 달성하였다.

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.

연구 동기 및 목표

• 다양한 분류기들을 융합하여 오프라인 서명 식별의 정확도를 향상시키기 위해.
• 서명 데이터에서 내부 클래스 변동성과 외부 클래스 유사성 문제를 다루기 위해 개별 분류기의 한계를 보완하기 위해.
• 다양한 분류기에서 유도된 매칭 점수를 최적화하기 위해 SVM 기반 통계적 학습 이론을 적용하기 위해.
• 대규모 데이터베이스에서 신뢰할 수 있는 서명 식별이 가능한 강건한 시스템을 개발하기 위해.
• 실세계 서명 데이터를 활용한 점수 수준 융합의 효과성을 검증하기 위해.

제안 방법

• 이미지 처리 기법을 사용하여 오프라인 서명 이미지에서 전역 및 국소 특징을 추출한다.
• 세 가지 기본 분류기인 정규 경험 규칙, 유클리드 거리, 마할라노비스 거리를 적용하여 서명 매칭을 수행한다.
• 각 쿼리 서명에 대해 데이터베이스 내 모든 서명과의 매칭 점수를 생성한다.
• 지지 벡터 기반 머신러닝(SVM)을 사용하여 세 분류기의 매칭 점수를 융합하여 하나의 더 구분력 있는 점수로 통합한다.
• 쿼리 서명의 융합 점수를 데이터베이스 내 모든 서명과 비교하여 서명 식별을 수행한다.
• 통계적 학습 이론을 활용하여 SVM 융합 과정을 최적화하여 일반화 능력과 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 다양한 분류기를 융합하는 것이 개별 분류기 대비 오프라인 서명 식별 정확도 향상에 기여하는가?
• RQ2 SVM 기반 점수 융합은 다양한 기반 거리 분류기에서 유도된 다수의 매칭 점수를 융합하는 데 얼마나 효과적인가?
• RQ3 제안된 융합 프레임워크는 대규모 오프라인 서명 데이터베이스에서 어떤 성능을 보이는가?
• RQ4 전역 및 국소 특징은 식별 시스템의 강건성에 어떻게 기여하는가?
• RQ5 통계적 학습 이론의 통합은 내부 클래스 변동성이 존재하는 상황에서 서명 식별의 신뢰성을 향상시키는가?

주요 결과

• 제안된 융합 프레임워크는 상호보완적인 강점을 융합하여 개별 분류기 대비 식별 정확도를 크게 향상시킨다.
• SVM를 통한 점수 융합은 서명 매칭의 보다 우수한 일반화 및 강건성을 제공한다.
• 600명의 개인으로부터 수집된 5,400건의 오프라인 서명 대규모 데이터베이스에서 높은 성능을 달성한다.
• 전역 및 국소 특징의 통합은 매칭 과정의 구분 능력을 향상시킨다.
• 정규 경험 규칙, 유클리드 거리, 마할라노비스 거리 분류기를 SVM를 통해 융합한 결과, 단독 방법 대비 뛰어난 성능을 기록한다.
• 결과는 통계적 학습 이론이 신뢰할 수 있는 서명 식별 시스템 설계에 효과적임을 입증한다.