Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Rozpoznawanie podpisów odręcznych na podstawie zredukowanego zbioru cech i nowej miary podobieństwa Piotr Porwik Uniwersytet Śląski w Katowicach.

Podobne prezentacje


Prezentacja na temat: "Rozpoznawanie podpisów odręcznych na podstawie zredukowanego zbioru cech i nowej miary podobieństwa Piotr Porwik Uniwersytet Śląski w Katowicach."— Zapis prezentacji:

1 Rozpoznawanie podpisów odręcznych na podstawie zredukowanego zbioru cech i nowej miary podobieństwa Piotr Porwik Uniwersytet Śląski w Katowicach

2 Biometria w urządzeniach moblinych 2 Zagadnienia prezentacji Urządzenia rejestrujące Cechy podpisu Miary podobieństwa cech Nowa koncepcja podobieństwa Redukcja cech Klasyfikacja na pełnym i zredukowanym zbiorze cech

3 Biometria w urządzeniach moblinych 3 Czy identyfikacja /weryfikacja osoby jest zawsze możliwa? NIE! Podpis kapitana Bonaparte w roku 1793 (ma 24 lata) 1769 Korsyka – 1821 Św. Helena Generał dywizji (1796) (ma 27 lat) Dowódca Francuzów pod Austerlitz 1805 (ma 36 lat) Dowódca Francuzów pod Moskwą 1812 (ma 43 lata) Napoleon jak cesarz Francji 1804 (ma 35 lat) Przed śmiercią na wyspie Św. Heleny 1821 (ma 52 lata)

4 Biometria w urządzeniach moblinych 4 Urządzenia rejestrujące podpis SigLite Backlit LCD 1x5 HID USB

5 Biometria w urządzeniach moblinych 5 Cechy podpisu (1) Cechy statyczne (np. podpis off-line) Cechy dynamiczne (np. podpis on-line) – Siła nacisku pióra na podłoże – Chwilowe przyśpieszania pióra – Prędkości kierunkowe – Liczba podniesień i opuszczeń pióra – Kąt nachylenia pióra (40 cech można zarejestrować lub je wyznaczyć na podstawie zarejestrowanych cech)

6 Biometria w urządzeniach moblinych 6 Czy to jest ważne ?

7 Biometria w urządzeniach moblinych 7 Cechy podpisu (2)

8 Biometria w urządzeniach moblinych 8 Cech podpisu –graficznie (1)

9 Biometria w urządzeniach moblinych 9 Cechy podpisu – graficznie (2)

10 Biometria w urządzeniach moblinych 10 Miary podobieństwa (1) 1Euclidean12Jaccard 2Gower13Fidelity 3Minkowski14Bhattacharyya 4City Block15Hellinger 5Cosine16Matusita 6Kulczynski17Pearson 7Canberra18Neyman χ2 8Czekanowski19Squared χ2 9Intersection20Symmetric χ2 10 Clark21 Kullback–Leibler 11 Lorentzian22 Kumar-Hassebrook

11 Biometria w urządzeniach moblinych 11 Miary podobieństwa (2) Sung-Hyug Cha (2007) Comprehensive survey on distance/similarity measures between probability density functions. Int. J. of Mathematical Models and Methods in Applied Sciences, vol. 1, pp

12 Biometria w urządzeniach moblinych 12 Nowa koncepcja podobieństwa (1) Zbiór cech : Zbiór metod : (sposoby wyznaczania podobieństwa ) Zbiór wszystkich kombinacji „cecha-metoda”: Niech nowy współczynnik nazywa się Sim

13 Biometria w urządzeniach moblinych 13 Nowa koncepcja podobieństwa (2) Podpisy oryginalne : Podpisy fałszywe: c –liczba podpisów oryginalnych, d – liczba podpisów fałszywych, u – liczba zarejestrowanych cech, k – liczba użytych miar podobieństwa (metod pomiaru)

14 Biometria w urządzeniach moblinych 14 Nowa koncepcja podobieństwa (3) Współczynnik Sim pomiędzy podpisami oryginalnymi:

15 Biometria w urządzeniach moblinych 15 Nowa koncepcja podobieństwa (4) Współczynnik Sim pomiędzy podpisami prawdziwymi i fałszywymi:

16 Biometria w urządzeniach moblinych 16 Nowa koncepcja podobieństwa (5) Macierze X oraz Y mogą być jednak bardzo duże! Rozwiązanie: redukcja rozmiarów macierzy. Na przykład: -PCA -SVD -Metoda Hotellinga Dwie pierwsze metod są dobrze znane i opisane w literaturze. Metoda Hotellinga jest mniej znana ale tutaj daje najlepsze rezultaty.

17 Biometria w urządzeniach moblinych 17 Szkic metody Hotellinga (1)

18 Biometria w urządzeniach moblinych 18 Szkic metody Hotellinga (2) Elementy macierzy X oraz Y są próbkami dwóch populacji: Rozkład jest normalny, a parametry tego rozkładu są nieznane. Można je jednak estymować:

19 Biometria w urządzeniach moblinych 19 Szkic metody Hotellinga (3) Jeśli kowariancje S1 oraz S2 są homogeniczne *, to: (wariancja wspólna) w przeciwnym przypadku: (wariancje oddzielnie) Statystyka Hotellinga: * - test Bartletta Test Hotellinga można sprowadzić do testu F: Poziom istotności

20 Biometria w urządzeniach moblinych 20 Szkic metody Hotellinga (4)

21 Biometria w urządzeniach moblinych 21 Bazy danych SVC MCYT SigComp NSigComp2012 SigWiComp2013 Baza własna Bazy zawierają podpisy oryginalne i sfałszowane. W eksperymencie badano 1600 podpisów z podziałem na podpisy uczące i testowe

22 Biometria w urządzeniach moblinych 22 Testy praktyczne, (k-NN), Hotelling Prawidłowe rozpoznanie

23 Biometria w urządzeniach moblinych 23 Testy praktyczne, PCA

24 Biometria w urządzeniach moblinych 24 Testy praktyczne, PCA

25 Biometria w urządzeniach moblinych 25 Testy praktyczne (k-NN), PCA Nieprawidłowe rozpoznanie!

26 Biometria w urządzeniach moblinych 26 Jakie klasyfikatory stosować do weryfikacji podpisu ? Pytania dodatkowe. Dla nowego typu danych: czy jakość klasyfikacji jest podobna kiedy klasyfikator pracuje na: -danych zredukowanych, -danych nie zredukowanych, (to może być duży zbiór!) -danych surowych (pierwotne cechy, bez przetworzenia) Aby odpowiedzieć na te pytania trzeba przeprowadzić odpowiednie eksperymenty!

27 Biometria w urządzeniach moblinych 27 ?? „It is obvious that more does not mean better, especially in the case of classifiers!!” *) *) XIAO-HUA ZHOU et al..Statistical Methods in Diagnostic Medicine. Wiley-Interscience, 2002,

28 Biometria w urządzeniach moblinych 28 Zastosowane klasyfikatory

29 Biometria w urządzeniach moblinych 29 Wyniki klasyfikacji

30 Biometria w urządzeniach moblinych 30 Wyniki klasyfikacji

31 Biometria w urządzeniach moblinych 31 Wyniki klasyfikacji Użyte narzędzia Matlab, R, KNIME

32 Biometria w urządzeniach moblinych 32 Wyniki klasyfikacji

33 Biometria w urządzeniach moblinych 33 Porównanie z innymi (przybliżona ocena) 1) D. Impedovo, G. Pirlo, Automatic signature verification: the state of the art. IEEE Trans. on Syst. Man. and Cybernetics. Part C: Applications and Reviews, vol. 38v no. 5, 2008, pp

34 Biometria w urządzeniach moblinych 34 PNN+PSO

35 Biometria w urządzeniach moblinych 35 Trening sieci

36 Biometria w urządzeniach moblinych 36 www://mit.us.edu.pl

37 Biometria w urządzeniach moblinych 37 www://mit.us.edu.pl

38 Biometria w urządzeniach moblinych 38 Dziękuję za uwagę


Pobierz ppt "Rozpoznawanie podpisów odręcznych na podstawie zredukowanego zbioru cech i nowej miary podobieństwa Piotr Porwik Uniwersytet Śląski w Katowicach."

Podobne prezentacje


Reklamy Google