Verificación de firmas en línea usando modelos de mezcla Gaussianas y estrategias de aprendizaje para conjuntos pequeños de muestras
DOI:
https://doi.org/10.17533/udea.redin.n79a09Palabras clave:
verificación de firmas en línea, Modelos de Mezclas Gaussianas, Modelo Histórico Universal, GMM-supervector variacional, aprendizaje BayesianoResumen
El artículo aborda el problema de entrenamiento de sistemas de verificación de firmas en línea cuando el número de muestras disponibles para el entrenamiento es bajo, debido a que en la mayoría de situaciones reales el número de firmas disponibles por usuario es muy limitado. El artículo evalúa nueve diferentes estrategias de clasificación basadas en modelos de mezclas de Gaussianas (GMM por sus siglas en inglés) y la estrategia conocida como modelo histórico universal (UBM por sus siglas en inglés), la cual está diseñada con el objetivo de trabajar bajo condiciones de menor número de muestras. Las estrategias de aprendizaje de los GMM incluyen el algoritmo convencional de Esperanza y Maximización, y una aproximación Bayesiana basada en aprendizaje variacional. Las firmas son caracterizadas principalmente en términos de velocidades y aceleraciones de los patrones de escritura a mano de los usuarios. Los resultados muestran que cuando se evalúa el sistema en una configuración genuino vs. impostor, el método GMM-UBM es capaz de mantener una precisión por encima del 93%, incluso en casos en los que únicamente se usa para entrenamiento el 20% de las muestras disponibles (equivalente a 5 firmas), mientras que la combinación de un modelo Bayesiano UBM con una Máquina de Soporte Vectorial (SVM por sus siglas en inglés), modelo conocido como GMM-Supervector, logra un 99% de acierto cuando las muestras de entrenamiento exceden las 20. Por otro lado, cuando se simula un ambiente un ambiente real en el que no están disponibles muestras impostoras y se usa únicamente el 20% de las muestras para el entrenamiento, una vez más la combinación del modelo UBM Bayesiano y una SVM alcanza más del 77% de acierto, manteniendo una tasa de falsa aceptación inferior al 3%.
Descargas
Citas
S. Liu and M. Silverman, “A practical guide to biometric security technology,” IT Professional, vol. 3, pp. 27–32, Jan. 2001.
K. Franke and J. Ruiz-del Solar, “Soft-biometrics: Soft-computing technologies for biometric-applications,” in Proceedings of the 2002 AFSS International Conference on Fuzzy Systems. Calcutta: Advances in Soft Computing, AFSS ’02, (London, UK, UK), pp. 171–177, Springer-Verlag, 2002.
S. Impedovo and G. Pirlo, “Verification of handwritten signatures: An overview,” in Proceedings of the 14th International Conference on Image Analysis and Processing, ICIAP ’07, (Washington, DC, USA), pp. 191–196, IEEE Computer Society, 2007.
J. F. Vargas, M. A. Ferrer, C. M. Travieso, and J. B. Alonso, “Off-line signature verification based on grey level information using texture features,” Pattern Recognition, vol. 44, pp. 375–385, Feb. 2011.
M. D. Malekar and S. Patel, “Off-line signature verification using artificial neural network,” International Journal of Emerging Technology and Advanced Engineering, vol. 3, no. 9, pp. 127–130, 2013.
K. Manoj, “Signature verification using neural network,” International Journal on Computer Science and Engineering, vol. 4, no. 9, pp. 1498–1504, 2012.
E. Argones-Ra and J. L. Alba-Castro, “Online signature verification based on generative models.,” IEEE Transactions on Systems, Man, and Cybernetics, Part B, vol. 42, no. 4, pp. 1231–1242, 2012.
D. Reynolds, T. Quatieri, and R. Dunn, “Speaker verification using adapted Gaussian Mixture Models,” Digital Signal Processing, vol. 10, no. 1-3, pp. 19–41, 2000.
L. Wan and B. Wan, “On-line signature verification with two-stage statistical models,” in Proceedings of the 2005 Eight International Conference on Document Analysis and Recognitio, ICDAR’05, 2005.
M. Martinez-Diaz, J. Fierrez, and J. Ortega-Garcia, “Universal background models for dynamic signature verification,” in Proceedings of the First IEEE International Conference on Biometrics: Theory, Applications, and Systems, BTAS’07, 2007.
W. Campbell, D. Sturim, and D. Reynolds, “Support vector machines using GMM supervectors for speaker verification,” IEEE Signal Processing Letters, vol. 13, no. 5, pp. 308 – 311, 2006.
H. Attias, “Inferring parameters and structure of latent variable models by variational Bayes,” in Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann Publishers Inc. San Francisco, CA, USA, pp. 21–30, 1999.
S. Garca, J. Luengo, and F. Herrera, Data Preprocessing in Data Mining. New York, NY, USA: Springer, 2015.
C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.
D. Reynolds, “Speaker identification and verification using Gaussian mixture speaker models,” Speech Communication, vol. 17, no. 1-2, pp. 91–108, 1995.
R. O. Duda, P. E. Hart, and D. G. Stork, Pattern classification. New Jersey, NY, USA: Wiley-Interscience, 2nd ed., 2000.
M. Ferras, L. Cheung-Chi, C. Barras, and J. Gauvain, “Comparison of speaker adaptation methods as feature extraction for SVM-based speaker recognition,” IEEE Transactions on Audio, Speech, and Language Processing, vol. 18, no. 6, pp. 1366 – 1378, 2010.
C. Leggetter and P. Woodland, “Maximum likelihood liner regression for speaker adaptation of continuous density hidden Markov models,” Computer Speech and Language, vol. 9, no. 2, pp. 171–185, 1995.
C. Cortes and V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, no. 3, pp. 273–297, 1995.
K. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
N. Nasios and A. Bors, “Variational learning for Gaussian Mixture Models,” IEEE Trans. Systems, Man, Cybern., Part B,, vol. 36, no. 4, pp. 849–862, 2006.
V. Sahu, H. Mishra, and C. Shekar, “Variational bayes adapted GMM based for audio clip classification models,” in Proc. Int. Conf. Pattern Recognition Mach. Intell., pp. 513–518, 2009.
J. Fierrez-Aguilar, J. Ortega-Garcia, D. Torre-Toledano, and J. Gonzalez-Rodr ́ıguez, “Biosec baseline corpus: A multimodal biometric database,” Pattern Recognition, pp. 1389–1392, 2007.
J. Montalvao, N. Houmani, and B. Dorizzi, “Comparing GMM and parzen in automatic signature recognition a step backward or forward,” in Proceedings of CBA2010, pp. 4463–4468, 2010.
N. Sae-Bae and N. D. Memon, “Online signature verification on mobile devices,” IEEE Transactions on Information Forensics and Security, vol. 9, no. 6, pp. 933–947, 2014.
J. Fierrez-Aguilar, L. Nanni, J. L.-P. nalba, J. Ortega-Garcia, and D. Maltoni, “An on-line signature verification system based on fusion of local and global information,” in Proceedings of the International Conference on Audio- and Video-based Biometric Person Authentication (T. Kanade, A. Jain, and N. K. Ratha, eds.), vol. 3546 of Lecture Notes in Computer Science, Berlin, Germany: Springer-Verlag.
S. Garcia-Salicetti, N. Houmani, B. Ly-Van, B. Dorizzi, F. Alonso-Fernandez, J. Fierrez, J. Ortega-Garcia, C. Vielhauer, and T. Scheidat, Online Handwritten Signature Verification. Springer-Verlag, London, 2008. ISBN 978-1-84800-291-3.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2016 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter