信用卡交易之离线手写签名辨识系统creditcardtransactionusing.ppt

* * * * 信用卡交易之離線手寫簽名辨識系統（Credit Card Transaction Using Off-line Signature Recognition System） 資工四 呂佩玲 指導教授 :林道通教授 2010/12/30 Outline 研究動機 系統流程 資料來源 實驗步驟 (一)前處理 （二）DDD特徵抽取法 （三）SVM分類訓練器 （四）比對辨識率 測試結果 結論 研究動機 近年消費形式的改變，在網路上使用信用卡線上付費成為主流的消費方式，但所面臨的安全問題日趨嚴重，消費者資料個資洩漏和盜刷事件時有所聞。 希望藉由離線手寫簽名辨識（Off-line Signature Recognition）技術，有效比對持卡人的筆跡。 除資料驗證外再加入筆跡辨識作為第二道認證機制，核對持卡人姓名和筆跡是否相符，進而提供比照後的筆跡相似度，增加信用卡的使用安全性以及辨識率。 系統流程 影像二值化 空白切割 文字正規化 DDD特徵法 SVM train svm svm predict 資料來源 Database from Sigcomp2010 License from University of Las Palmas de Gran Canaria 資料庫包含： 960個使用者 每位使用者皆有24筆真實簽名 和30筆偽造簽名 前處理（1/2) 影像二值化 將RGB色彩轉換成黑白影像，所有低於臨界值的像素設定為黑色，其餘的像素都設定為白色，二值化影像最主要的功能是區分出影像中的物件與背景，以便萃取中物件影像資訊。 空白切割 空白切割的動作，可以減少無效的特徵，將圖像的解析度提高，也可確保欲辨識的字型會在影像中心的位置。 前處理(2/2) 空白切割（續） 利用垂直和水平投影累計像素量，找出適合的切割點。 文字正規化 正規化的目的是為了使得參考樣本的簽名文字區塊可以和測試樣本的文字做區域性的特徵值比對，本系統將輸入文字的大小正規化為四的倍數。 DDD特徵法(1/5) 方向性距離分佈特徵法 （簡稱DDD特徵法） 將八個方向分別依順序編碼成0～7 ，可記錄每個像素點在八個方向(水平、垂直、左右斜角)的距離特徵 一個黑色像素在計算後獲得與自己最近的八個方向白色像素之間的最短距離，反之亦然。 DDD特徵法(2/5) 將計算後得到的資訊填入黑白集合(White and Black Set，WB)中。 藉由編制八個方向性距離資訊，一個像素就可以粗略地描述此像素周圍的整體字型形狀及其資訊。 DDD特徵法(3/5) 邊界附近的像素，由於距離資訊皆遇到相同邊界，抽取的特徵值都會有高度的相關性，所提供的距離資訊對於整體辨識率而言，即是造成所謂的冗餘(Redundant)。 DDD特徵法(4/5) Map Titling (貼圖) 利用貼圖方法，在一個輸入字型圖樣的周圍再貼上相同的字型圖樣，並允許一個像素可以跨越字型圖樣的邊界，直接計算其到臨近所貼圖字型圖樣的距離。 DDD特徵法(5/5) 將中間的簽名字樣分割成4*4大小的方格，並計算方格內的黑白集合平均值。 每一張簽名圖形可得到16*16=256筆特徵值，並利用這些特徵值進行SVM訓練和比對。 Support Vector Machine（SVM） 將手寫簽名樣本作資料分群，首先將已知的簽名樣本作為Training Data set，使用SVM將簽名的參考樣本作為Training Model，我們希望找出一個分類的依據來決定某筆資料的分類。 當Training Model已找出一個Hyperplane，只要代入某一筆未知分類的簽名資料，即可辨識出該筆簽名資料的類別。 測試結果（1/2） 無貼圖效果 user accuracy 001 50% (12/24) 002 50% (12/24) 003 50% (12/24) 004 50% (12/24) 005 54.1667% (13/24) 006 50% (12/24) 007 50% (12/24) 008 50% (12/24) 009 54.1667% (13/24) 010 50% (12/24) 50.8333% (122/240) 有貼圖效果 user accuracy 001 83.333% (20/24) 002 50% (12/24) 003 95.8333% (23/24) 004 58.333% (14/24) 005 54.1667% (13/24) 006 50% (12/24) 007 50% (12/24) 008 58.333% (14/24) 009 70