[论文解读] Online Signature Verification Based on Writer Specific Feature Selection and Fuzzy Similarity Measure

Chandra Sekhar, Prerana Mukherjee+2 more|arXiv (Cornell University)|May 21, 2019

Handwritten Text Recognition Techniques参考文献 15被引用 8

一句话总结

本文提出一种基于作者特定特征选择与模糊相似性度量的作者依赖型在线签名验证系统。通过在训练数据上优化个体化阈值与特征集以最小化等错误率（EER），该方法在四个基准数据集上均实现了低于当前最先进模型的错误率，证明了其对用户内变异性的更强鲁棒性。

ABSTRACT

Online Signature Verification (OSV) is a widely used biometric attribute for user behavioral characteristic verification in digital forensics. In this manuscript, owing to large intra-individual variability, a novel method for OSV based on an interval symbolic representation and a fuzzy similarity measure grounded on writer specific parameter selection is proposed. The two parameters, namely, writer specific acceptance threshold and optimal feature set to be used for authenticating the writer are selected based on minimum equal error rate (EER) attained during parameter fixation phase using the training signature samples. This is in variation to current techniques for OSV, which are primarily writer independent, in which a common set of features and acceptance threshold are chosen. To prove the robustness of our system, we have exhaustively assessed our system with four standard datasets i.e. MCYT-100 (DB1), MCYT-330 (DB2), SUSIG-Visual corpus and SVC-2004- Task2. Experimental outcome confirms the effectiveness of fuzzy similarity metric-based writer dependent parameter selection for OSV by achieving a lower error rate as compared to many recent and state-of-the art OSV models.

研究动机与目标

• 解决在线签名验证中个体内部变异性的挑战。
• 克服传统作者无关方法中对所有用户使用固定特征与阈值的局限性。
• 开发一种具有作者特定参数的个性化验证系统，以提升准确性。
• 在多样且标准的基准数据集上验证该方法的鲁棒性。

提出的方法

• 系统采用区间符号表示法来建模签名的时间与空间动态特性。
• 在参数固定阶段，基于最小化等错误率（EER）来选择作者特定的特征集。
• 采用模糊相似性度量来比较签名样本，其中包含作者特定的接受阈值。
• 利用每位作者的训练样本确定最优阈值与特征集。
• 该方法避免全局特征与阈值的选择，转而针对每位作者定制参数，以降低用户内变异性的负面影响。
• 该方法在四个标准数据集上进行评估：MCYT-100（DB1）、MCYT-330（DB2）、SUSIG-Visual与SVC-2004-Task2。

实验结果

研究问题

• RQ1 与作者无关的方法相比，作者特定的特征选择与模糊相似性度量是否能提升在线签名验证的准确性？
• RQ2 个性化阈值与特征集的选择如何影响签名验证中的等错误率（EER）？
• RQ3 所提出的方法是否在具有不同签名特征的多样化数据集上保持鲁棒性？
• RQ4 模糊相似性度量在多大程度上减轻了签名动态中个体内部变异性的负面影响？

主要发现

• 所提出方法在所有四个基准数据集上均实现了低于近期及最先进在线签名验证模型的等错误率（EER）。
• 作者特定的参数选择显著降低了签名动态中个体内部变异性的负面影响。
• 模糊相似性度量结合个性化特征集与阈值，显著增强了验证的鲁棒性。
• 该系统在多样化的数据集上表现出一致的性能，包括MCYT-100、MCYT-330、SUSIG-Visual与SVC-2004-Task2。
• 利用训练样本进行的参数固定阶段成功识别出每位作者的最优阈值与特征，使EER最小化。
• 结果证实，作者依赖型方法在签名验证准确性方面优于传统的作者无关方法。