[論文レビュー] Handwritten Signature Verification Using Hand-Worn Devices

Ben Nassi, Alona Levy+2 more|arXiv (Cornell University)|Dec 19, 2016

Handwritten Text Recognition Techniques参考文献 15被引用数 21

ひとこと要約

本論文では、スマートウォッチなどの手に装着するデバイスからのモーションドメインを活用し、加速度計およびジャイロスコープの読み出し値を用いて機械学習分類器を訓練する、新しいオンライン手書き署名検証システムを提案する。本手法は、66名の被験者から収集した1,980件の本物および偽造署名からなるデータセット上で、0.98のAUCおよび0.05のEERを達成し、日常的なウェアラブルセンサーが、専用のディジタイザーを必要とせず、侵襲的でない形で安全な署名検証を可能にできることを示している。

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).

研究の動機と目的

• 専用のディジタイザーまたはタブレットに依存しない低コストでアクセス可能な署名検証システムの開発。
• スマートウォッチなどの手に装着するデバイスからのモーショーデータが、バイオメトリクス認証のための手書き署名の動的パターンを信頼性高く捉えられるかを調査すること。
• 個人に特化したカスタマイズなしに、少数のユーザーから得たデータセット上でトレーニングされた一様なマシンラーニングモデルを用いて、個人間で一般化可能な署名検証を実現すること。
• デバイスの装着位置やユーザー行動といった実世界の制約を考慮した、システムの性能評価。

提案手法

• 署名の記録中に、紙の上に手で署名を行う際、手に装着したデバイスから加速度計およびジャイロスコープのモーショーデータを収集し、時間的経過に伴う手の動きのシーケンスを記録するカスタムアプリケーションを用いる。
• 署名検証を、本物対偽造の二値分類問題として定式化し、抽出されたモーショーフィーチャーに基づいてトレーニングされたマシンラーニング分類器を用いる。
• 66名の参加者から得た本物および偽造署名のデータセット上で、ユーザーごとに個別にカスタマイズしない一様な分類器をトレーニングし、広範な適用性を実現する。
• 特徴工学には、時間領域および周波数領域のモーショーシグナル表現（平均、標準偏差、スペクトルパワーなど）を含め、動的署名行動を捉える。
• 評価にはロジスティック回帰分類器を用い、AUCおよび等誤差率（EER）を性能指標として用いる。
• プロトコルには、暗号化されたモーショーデータを信頼できる第三者機関（TTP）に安全に送信するプロセスが含まれており、TTPは保存された基準サンプルと一様なモデルを用いて署名を検証する。

実験結果

リサーチクエスチョン

• RQ1 スマートウォッチなどの手に装着するデバイスからのモーショーデータは、バイオメトリクス認証のための手書き署名の動的特性を信頼性高く捉えることができるか？
• RQ2 テスト時に使用する基準署名の数が、検証システムの性能にどのように影響するか？
• RQ3 少数のユーザーから得たデータセット上でトレーニングされた一様なマシンラーニングモデルは、ユーザー固有の適応なしに、新しい個人に対しても効果的に一般化できるか？
• RQ4 デバイスの装着位置（例：優位手対非優位手）が、システムの正確性および使いやすさに与える影響は何か？

主な発見

• 提案手法は受信者操作特性曲線（ROC）下の面積（AUC）が0.98に達し、本物と偽物の署名の識別能力が優れていることを示した。
• 等誤差率（EER）は0.05であり、誤認証率と誤拒否率のバランスが良好であることを示した。
• 基準署名が2件のみであっても、AUCは0.969、EERは0.054に達し、登録データが最小限であっても高い耐障害性を示した。
• 基準署名を7件に増やすと、AUCは0.983、EERは0.036に向上し、性能が向上した。
• 標準的な手に装着するデバイスから収集したモーショーデータを用いて署名検証が成功したため、専用のディジタイザーまたはタブレットの必要がなくなった。
• デバイスの装着位置に関する課題（例：66％の被験者が優位手に装着していなかった）が存在したが、本手法は現実的な条件下でも効果的であることが確認された。