Verificación de firmas en línea usando modelos de mezcla Gaussianas y estrategias de aprendizaje para conjuntos pequeños de muestras

Autores/as

DOI:

https://doi.org/10.17533/udea.redin.n79a09

Palabras clave:

verificación de firmas en línea, Modelos de Mezclas Gaussianas, Modelo Histórico Universal, GMM-supervector variacional, aprendizaje Bayesiano

Resumen

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%.

|Resumen
= 239 veces | PDF (ENGLISH)
= 180 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Julián David Arias-Londoño, Universidad de Antioquia

Departamento de Ingeniería Electrónica y Telecomunicaciones.

Gabriel Jaime Zapata-Zapata, Universidad de Antioquia

Profesor, Departamento de Ingeniería de Sistemas.

Jesús Francisco Vargas-Bonilla, Universidad de Antioquia

Departamento de Ingeniería Electrónica y Telecomunicaciones.

Juan Rafael Orozco-Arroyave, Universidad Friedrich-Alexander Erlangen-Nürnberg

Laboratorio de reconocimiento de patrones.

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

2016-06-16

Cómo citar

Arias-Londoño, J. D., Zapata-Zapata, G. J., Vargas-Bonilla, J. F., & Orozco-Arroyave, J. R. (2016). Verificación de firmas en línea usando modelos de mezcla Gaussianas y estrategias de aprendizaje para conjuntos pequeños de muestras. Revista Facultad De Ingeniería Universidad De Antioquia, (79), 84–97. https://doi.org/10.17533/udea.redin.n79a09

Artículos similares

1 2 3 4 > >> 

También puede {advancedSearchLink} para este artículo.