چکیده : این واقعیت که امضا به طور گسترده به عنوان ابزاری برای تأیید شخصی استفاده می شود نیازی برای یک سیستم تایید خودکار به علت ناشی از عوارض جانبی به راحتی توسط کسانی که هویت را جعل می کنند و یا یک فرد را منظور می کنند سو استفاده قرار می گیرد.

مقدار زیادی از کار در سطحی از شناسایی امضا آفلاین در طول چند دهه گذشته انجام شده است. تأیید و شناسایی می تواند آفلاین یا آنلاین بر اساس برنامه انجام شود. سیستم های آنلاین از اطلاعات پویا از یک امضا گرفته شده در همان زمانی که امضای ساخته می شود استفاده می کند. سیستم های آفلاین بر روی تصویر اسکن شده از امضا کار می کنند. در این مقاله، ما یک روش برای تأیید امضا ها به روش آفلاین با استفاده از مجموعه ای از ویژگی های هندسی که بر اساس شکل ساده استفاده شده است ارائه می دهیم. ویژگی های مورد استفاده عبارتند از: سطح، مرکز ثقل، خروج از مرکز، کشیدگی و چولگی.

قبل از استخراج ویژگی، پیش پردازش از یک تصویر اسکن شده برای مجزا کردن قسمت امضا و حذف هر گونه نویزجعلی موجود ضروری است. این سیستم در ابتدا با استفاده از یک پایگاه داده از امضا های به دست آمده از آن دسته از افرادی که امضاهای آنها به وسیله ی سیستم تصدیق شده، آموزش دیده است. جزئیات پیش پردازش به خوبی ویژگی های به تصویر کشیده شده در بالا در سراسر بحث شرح داده شده است. شبکه های عصبی مصنوعی (۱ANN) به منظور بررسی و طبقه بندی امضا استفاده شده اند: امضای اصلی و یا امضای جعلی، و نسبت طبقه بندی در حدود ۹۳٪ کمتر از یک آستانه ۹۰٪ می باشد جزئیات اجرا و نتایج شبیه سازی در این مقاله مورد بحث قرار گرفته است.

کلمات کلیدی:روش آفلاین شناسایی امضا ،پردازش تصویر،شبکه های عصبی

-۱مقدمه:
چکهای سنتی بانکی،وام های بانکی، کارت های اعتباری و اسناد مختلف حقوقی بخش جدایی ناپذیر از اقتصاد مدرن هستند. آنها یکی از واسطه های اصلی هستند که افراد و سازمان ها به وسیله ی آن پول را منتقل می کنند و صورت حساب را می پردازند. امروزه همه معاملات به ویژه مالی نیاز ما را به امضا به منظور تصدیق ضرورت داده است. بدیهی است که عوارض جانبی از امضا این است که آنها می توانند به منظور جعل کردن اعتبار اسناد سوء استفاده قرار گیرند. از این رو در سال های اخیر نیاز به پژوهش در راه حل های کارآمد خودکار برای شناخت امضا و تایید آن برای جلوگیری از آسیب پذیری به تقلب رو به افزایش است[۱] ، [ ۲ ] ، [ ۳ ] ، .[ ۴ ]

با رویکردی به شناسایی امضا با توجه به دستیابی به داده ها به دو دسته تقسیم بندی می شوند : (سیستم شناسایی امضای آنلاین و سیستم شناسایی امضای آفلاین ). در زمان تولید امضا در سیستم آنلاین اطلاعات با حرکت قلم ثبت می شود واین اطلاعات شامل محل، و سرعت احتمالی ،سرعت و فشار قلم، به عنوان توابعی از زمان می باشند. سیستم های آنلاین از این اطلاعات در مدت فراگیری استفاده می کند.

سیستم های آنلاین می توانند در برنامه های کاربردی زمان واقعی مانند معامله کارت های اعتباری و یا دسترسی منابع استفاده شوند. درحالی که سیستم های شناسایی امضای آفلاین تصویر دو بعدی از امضا را به عنوان ورودی می گیرند.
سیستم های آفلاین برای تأیید خودکار امضا بر روی چک های بانکی و اسناد [ ۵ ] ، [ ۶ ] مفید هستند. یک سیستم که قوی طراحی می شود نه تنها باید قادر به در نظر گرفتن این عوامل ، بلکه قادر به تشخیص انواع مختلفی از امضای جعلی باشد.
در تشخیص امضا ، امضای جعلی را می توان به سه بخش مختلف تقسیم کرد. این دسته بندی ها بر اساس چگونگی تشابه امضای جعلی در ارتباط با امضای اصلی است و به عنوان جعل تصادفی، جعل ساده و جعل ماهرانه شناخته شده است. در امضای جعل تصادفی جعل کننده نام امضاء کننده یا شکل امضا نمی دانند. در جعل ساده و جعل غیر ماهرانه ، جعل کننده نام صاحب امضا را می داند اما نمی داند امضا ی خود به چه چیزی مشابه است. در حالی که در جعل امضای ماهرانه ، تشابه نزدیکی به امضای واقعی که توسط یک جاعل که امضا را دیده و در تولید امضای واقعی تمرین کرده است دارد.

این مقاله برای شناسایی امضا روی امضاهای جعلی ماهرانه تمرکز خواهد کرد . [ ۷ ]

۱ Artificial Neural Network

×اولین همایش ملی پیشرفت های تکنولوژی در مهندسی برق، الکترونیک و کامپیوتر
First National Conference of Technology Developments on Electronical, Electronics and Computer Engineering×
. . . W W W . T D E C O N F . I R . . .

ما در دو مرحله به این مسئله روی می آوریم. در ابتدا تصویر امضا اسکن شده پیش پردازش شده است که برای استخراج ویژگی ها متناسب باشد. سپس تصویر پیش پردازش شده برای استخراج پارامترهای هندسی مربوطه که می تواند با استفاده از روش ANN بین امضاهای جعلی و دقیق تمایز قائل شود استفاده می شود. قسمت دوم با مراحل قبل از پردازش سروکار دارد و ویژگی های استخراج شده که از ترکیب ANN تبعیت می کنند و روش های آموزش در قسمت سوم را توضیح می دهد .

جزئیات پیاده سازی و نتایج شبیه سازی در قسمت چهارم بیان شده است. در نهایت نتیجه گیری در قسمت پنجم ترسیم شده است.

-۲پیش پردازش تصویر و استخراج ویژگی ها:
ما در دو مرحله به این مسئله می رسیم . در ابتدا، تصویر امضا اسکن شده پیش پردازش می شود تا برای استخراج ویژگی متناسب باشد. سپس، تصویر پیش پردازش شده برای استخراج پارامترهای هندسی مربوطه که می تواند بین امضا های جعلی از آنهایی که به طور دقیق از روش ANN استفاده می کنند تمایز قائل شود استفاده می شود.

۲-۱ پیش پردازش [۸]
امضا برای اولین بار گرفته شده و به یک فرمت که توسط یک کامپیوتر می تواند پردازش شود تبدیل می شود . در حال حاضر برای پیش پردازش آماده است. در مرحله پیش پردازش، تصویر RGB از امضا را به سیاه و سفید تبدیل شده و سپس به تصویر باینری تبدیل می شود.

هدف از این مرحله آماده سازی امضا برای استخراج ویژگی است . مرحله پیش پردازش شامل دو مرحله است: وارونگی رنگ ، عملیات فیلتر و عملیات تبدیل باینری،

:۲-۱-۱ وارانگی رنگ:: [ ۹ ]
تصویر رنگی RGB با حذف رنگ به شدت تصویر سیاه و سفید و اطلاعات اشباع شده در حین متمرکز کردن و حفظ کردن تشعشعات تبدیل می شود.

شکل ۱ الف:نمونه امضا پردازش شده

شکل ۱ ب: شدت تصویر سیاه و سفید