بخشی از مقاله
چکیده
با افزایش حجم بانک اطلاعاتی، مسئلهی استخراج ویژگیهای منحصربه فرد و سرعت بازشناسی در بازشناسی امضای دستخط بسیار حائز اهمیت میگردد. در این مقاله سیستم سلسلهمراتبی جهت دستیابی به دو هدف نرخ بازشناسی و سرعت بالا از طریق ایجاد دو سطح مجزای تصمیمگیری پیادهسازی گردیده است. در سطح اول با مدل سازی سیستم بینایی انسان به بازشناسی پرسرعت و در سطح تصمیمگیری دوم، سیستم بازشناسی دقیق بر پایهی ویژگیهای محلی مستقل از مقیاس - SIFT - به همراه فیلتر مختصاتی پیاده سازی گردیده است. نرخ و سرعت بازشناسی بر روی بانک اطلاعاتی معتبر - SVC2004 - عملکرد منحصربهفرد اینسیستم را در مقایسه با روشهای مطرح دیگر در این حوزه نشان میدهد.
کلمات کلیدی:سیستم بازشناسی امضا، برونخط، سیستم بینایی انسان، ویژگیهای محلی، فیلتر مختصاتی، بیومتریک.
-1 مقدمه
با افزایش حجم تجارت در روابط های اقتصادی، امنیت که مهمترین نمود آن در تشخیص هویت است، اهمیتی مضاعف یافته است. این اهمیت با نگاهی به روابط اقتصادی قابل تشخیص است. جهت این تشخیص هویت از عامل تمایز دهندهی انسانها که بیومتریک نامیده میشود استفاده مینمایند. بیومتریک در علوم زیستی شامل دو شاخهی روانشناختی و زیستیاست که امضا در میان تمام ویژگیهای بیومتریک به دلیل خصوصیاتی شامل کابرد عام و هزینهی پایین و در عین حال منحصر به فرد بودن، دارای جایگاه ویژهای است.تحقیقات در زمینهی امضا به دو حوزهی بازشناسی و اعتبارسن جی تقسیم میگردد. در بازشناسی، تعلق یک امضا به یک فرد تعیین میگردد و در اعتبارسنجی سعی بر تفکیک امضای جعلی از اصلی میباشد. تمرکز تحقیقات در این زمینه بر افزایش نرخ بازشناسی و سرعت زمان اجرای برنامه است .[1]
هدف در سیستمهای بازشناسی امضا رسیدن به دقت بازشناسی بالا و در عین حال افزایش سرعت بازشناسی است. جهت نیل به این هدف روشهای متنوعی طراحی گشته است که بین نرخ بازشناسی و سرعت بازشناسی تعادل به وجود میآورند.سیستمی که در این مقاله پیشنهاد شده است، از دو زیرسیستم تشکیل شده است. این دو زیرسیستم شامل استفاده از قابلیتهای سیستم بینایی انسان است که با مدلسازی و قرار دادن سطح تصمیم اولیه در این سیستم، سعی در بازشناسی سریع و پردقت داریم. این سیستم جدید در این مقاله پیشنهاد شده است. در زیرسیستم دوم از ویژگیهای محلی مستقل از مقیاس SIFT1 به همراه فیلتر مختصاتی استفاده مینماییم که توسط مولفان در [1] پیشنهاد شده است و قابلیتهای آن به اثبات رسیده است. زیرسیستم دوم دارای دقت بسیار خوبی است اما عیب آن کند بودن سیستم پیشنهادی است.
در این مقاله ابتدا با مدلسازی سیستم بینایی انسان بر پایهی موجکها، سیستمی پایه ساخته میشود که میتواند با سرعت زیاد عمل بازشناسی را با نرخ خوبی انجام دهد. اگر این سیستم در تشخیص معیار شباهت دو امضا با تفکیک زیاد ناتوان بود، عمل تشخیص را به سطح دوم تصمیمگیری انتقال میدهد. در سطح دوم از ویژگیهای محلی SIFTاستفاده خواهد شد. این کاربرد بر اساس تعریف معیار شباهت تصاویر بر مبنای تعداد نقاط منطبق بین دو تصویر خواهد بود.روشهای مختلف و بسیار متنوعی برای نیل به هدف بازشناسی و اعتبارسنجی به وجود آمده است. استفاده از ترکیب ویژگیهای آماری که قبلا مورد استفاده قرار گرفته است با دو ویژگی مبتنی بر فاصلهی2 جدید، همراه طبقهبند نیو بیس3 و الگوریتم انتخاب ویژگی، منجر به سیستمی جدید گردیده است .[2]
در مقالهای دیگر [3] از تبدیل کانتورلت CT4 جهت استخراج ویژگی و از فاصله اقلیدسی برای طبقهبندی امضاهای فارسی و انگلیسی به صورت مجزا استفاده شده است. در کاری دیگر از CSFNN5 جهت استفاده از مزایای هر دو طبقهبند MLP6 و RBF7 استفاده شده است .[4] و در انتها ویژگی ضرایب ویولت کد شده8 که از تبدیل ویولت استفاده میکند به عنوان ویژگی در [5] استفاده شده است. مقالههای اندکی که در آن از SIFT استفاده شده است به دلیل نتایج ضعیف، عدم استفادهی مناسب از قابلیتهای این الگوریتم و همچنین قدیمی بودن، قابلیت ذکر کردن را ندارد.ساختار ادامهی مقاله به صورت زیر میباشد: در فصل دوم به معرفی سیستم پیشنهادی به صورت مشروح خواهیم پرداخت. نتایج اعمال روش پیشنهادی بر روی بانک دادهی معتبر جهانی در فصل سوم خواهد آمد و در انتها نتیجهگیری از نتایج روش پیشنهادی خواهیم داشت.
-2 روش پیشنهادی
-1-2 مدلسازی سیستم بینایی انسان
الگوریتم طراحی شدهی این بخش، با مدلسازی عملکرد شبکیهی چشم انسان و با تأکید بر سیستم تطبیق و بازشناسی در شبکهی عصبی، توانسته است قدرت تشخیص و تفکیک بسیار بالا را با سرعت زیاد همراه کند. بنابراین در مرحلهی اول، تصاویر امضا مورد پردازش قرار میگیرد و سپس در مرحلهی دوم عمل تطبیق انجام میگردد. این مراحل به ترتیب با تکیه بر اصول شبکیهی چشم و عملکرد مغز انسان طراحی گردیده است. چنین مدلسازی تحت سه بخش پیشپردازش، استخراج معیارهای شباهت و شناسایی امضا تقسیمبندی شده است که در ادامه به صورت مشروح توضیح داده خواهد شد.
-1-1-2 پیشپردازش
به دلیل طبیعت انسانی، امضای هر فرد در شرایط مختلف روحی و روانی متفاوت است. در نتیجه باعث وجود تغییرات درونکلاسی خواهد شد که خطا را افزایش خواهد داد. بنابراین اولین گام کاهش تغییرات درونکلاسی است. از جملهی این تغییرات عبارتاست از: چرخش، مقیاس، جابهجایی، تغییرات ضخامت خطوط تشکیل دهندهی امضا، تغییرات رنگ و تغییرات هندسی امضا. در این میان امضاهای افراد مختلف دارای زاویههای مختلفی نسبت به خط فرضی هستند در حالی که امضاهای یک فرد، تغییرات چندانی از این لحاظ ندارند. به همین جهت چرخش به عنوان یکی از ویژگیها استفاده میگردد.
مراحل پیشپردازش به صورت زیر میباشد: تصویر اسکن شده که به صورت دیجیتال در دسترس است، شکل -1الف، به سطح خاکستری تبدیل شده و نواحی اضافی اطراف آن حذف میگردد. کاهش حجم تصاویر و استقلال از رنگ ترسیم امضا از مزیتهای عمدهی این کار است. شکل -1ب. در مرحلهی بعد تصاویر امضا به اندازهای که موجب تخریب امضا نگردد، نرمالیزه میگردند. این اندازه به صورت تجربی برابر با 50*50 انتخاب شده است. شکل -1ج. عمل نرمالیزه کردن جهت عمل تطابق که در مرحلهی تطابق صورت میگیرد، اجباری است. در گام بعد تصویر امضا جهت حذف اثرهای ناشی از اسکنر مات میگردد. شکل -1د. و در آخرین مرحله امضا به تصویر باینری تبدیل میگردد.شکل -1ه.
-2-1-2 استخراج معیارهای شباهت تصویر
در بخش دوم با استفاده از تصاویر پیشپردازش شده در قبل، روشی کاملا جدید بر مبنای خصوصیت شبکهی بینایی و مغز انسان طراحی شده است. این الگوریتم توانایی دستیابی به سرعتهای بسیار زیاد و دقتهای بالا را به صورت همزمان دارد. مراحل ایجاد چنین الگوریتمی در ادامه توضیح داده خواهد شد:
گام اول: تعریف معیار تفکیک
امضا متشکل از خطوط بر روی پسزمینهی سفید میباشد. مهمترین و اصلیترین عمل، ایجاد مکانیسمی است که بتواند تفکیکی بین این دو بخش برای استفاده در گامهای بعد قائل شود. الگوریتم پیشنهادی با الهام گرفتن از خواص موجکها، روش کاملا ابتکاری برای این منظور پیادهسازی کرده است. موجک دارای سه خاصیت میباشد: - 1 عمر محدود، - 2 مقیاس و فرکانس متفاوت و - 3 داشتن میانگین صفر. خاصیت سوم باعث میگردد که مقدار سطح DC شکل موج حذف گردد. موجکها میزان شباهت مقیاس و فرکانس سیگنال را با خود اندازه میگیرند. از این ویژگی میتوان برای ساخت سیستم تطبیق جدید استفاده کرد. همچنین سیگنال موجک با سیگنال اصلی کانوال میگردد که دقیقا مبنای عملکردی سیستم بینایی انسان میباشد.
الگوریتم پیشنهادی برای ایجاد یک معیار تفکیک، از این خاصیت استفاده میکند. با توجه به اینکه در موجکها باید میانگین سطح زیر منحنی برابر صفر باشد، بنابراین الزاما در تصاویر آزمون نیز چنین اصلی باید رعایت گردد. این کار به آسانی با تفریق عدد میانگین مقدار شدت نور پیکسلهای به صورت یکنواخت نمونهبرداری شدهی یک تصویر از تمام پیکسلهایش امکانپذیر است. به صورت ریاضی این عملگر به صورت رابطه - 1 - توصیف میشود.این عملگر باید برروی تمام بانک دادهی ما پیادهسازی شود. پس از این عمل، تصویر ما تبدیل به یک معیار تفکیک با طول محدود و میانگین صفر خواهد بود که مانند موجک قابلیت تعیین شباهتها را خواهد داشت.
گام دوم- تطبیق سریع مبتنی بر بینایی انسان
در گام دوم، تصویر معیار ما برروی تصویر بزرگ متشکل از تمام تصاویر بانک داده حرکت گسسته با جابهجایی به اندازهی تصویر خواهد کرد و بر اساس معادلهی زیر در هر کدام ضرب آرایهای خواهد شد و در انتها مجموع که همان حالت گسستهی انتگرال میباشد - رجوع شود به - 2گرفته خواهد شد. - عملگر کانولوشن - که در این معادله: :S ضریب شباهت.:T تعداد تصاویر بانک دادهی موجود. : - , - تصویر i ام بانک داده. : - , - تصویر معیار آزمون.الگوریتم پیشنهادی با اجرا بر روی دو تصویر آزمون و آموزشی، در انتها عددی را به عنوان میزان شباهت به این دو تصویر نسبت میدهد. هزینهی محاسباتی عملگر پیشنهادی بسیار پایین است که سرعتهای تطبیق بالا را به ارمغان خواهد آورد. اگر دو تصویر مشابه باشند، عدد نهایی مثبتتر خواهد بود و در غیر این صورت، نتیجه منفیتر خواهد شد.
گام سوم- تعیین ضرایب مشابهت
عملگر تطبیق ذکر شده در گام دوم، برای تمام بانک دادهی ما محاسبه خواهد شد. خروجی این کار ضرایب مشابهتی است که نشان دهندهی همسانی تصویر بانک داده با تصویر آزمون میباشد. اگر کل بانک داده را به عنوان یک تصویر واحد فرض کنیم، ضرایب مشابهت حداکثر برای هر کلاس حاصل از تطبیق امضای آزمون با بانک داده به صورت شکل 2 خواهد بود.
-3-1-2 شناسایی امضا
پس از عمل تطبیق و بهدست آوردن ضرایب نهایی، تصاویری که دارای شباهت زیادتری با تصویر آزمون باشند، دارای ضریب شباهت بالاتری خواهند بود. بنابراین با محاسبهی حداکثر مقدار بهدست آمده و تخصیص کلاس مربوط به بانک داده به امضای آزمون، میتوان به بازشناسی سریع امضا دست یافت. توصیف ریاضی عملگر به صورت معادلهی 3 میباشد.که در معادلهی : - 3 - :Class کلاسی که حداکثر ضریب شباهت در آن قرار دارد. :Sample نمونهی درون کلاسی دارای حداکثر ضریب شباهت.در نهایت با تخصیص کلاس بدست آمده به تصویر موردنظر به هدف خواهیم رسید.
-2-2 استخراج ویژگیهای محلی
این قسمت به طور کلی موضوع مقالهی [1] است که توسط مولفان این مقاله پیشنهاد شده است و نتایج آن به اثبات رسیده است. روش پیشنهادی از چهار بخش پیشپردازش، استخراج ویژگی، طبقهبندی و پسپردازش تشکیل شده است. در زیر هر بخش را به طور مشروح توضیح خواهیم داد:
-1-2-2 پیشپردازش
مانند پیشپردازش در سیستم بینایی انسان، تصویر اسکن شده که به صورت دیجیتال در دسترس میباشد - شکل 3 - الف - - به تصویر سطح خاکستری تبدیل میگردد. - شکل 3 - ج - - . و تصویر بزرگنمایی شده - شکل 3 - ب - - . باینری
