Đề xuất kết hợp surf và độ đo lipschitz với fuzzy logic cho vấn đề sàng lọc những vị trí nghi ngờ những vị trí giả mạo của chữ ký

LỜI CÁM ƠN Để hoàn thành luận văn này, em gửi lời cảm ơn chân thành đến toàn thể Quý Thầy, Cô giảng viên Trường Đại học Thủ Dầu Một tận tình giảng dạy, truyền đạt kiến thức quý báu tạo điều kiện thuận lợi cho em suốt trình học tập, nghiên cứu Em bày tỏ lịng biết ơn đến TS Hồng Mạnh Hà, giảng viên Đại học Thủ Dầu Một tận tâm giảng dạy, hướng dẫn đưa góp ý, điều chỉnh vô xác thực cho luận văn, đồng thời Quý thầy cho em lời động viên sâu sắc giúp em có định hướng đắn để hoàn thành luận văn Cuối em gửi lời cảm ơn đến gia đình, bạn khóa, đồng nghiệp quan nhiệt tình hỗ trợ thông tin, chia sẻ kiến thức hay giúp em trình thực Trân trọng! Học viên thực Lê Quang Thiện i LỜI CAM ĐOAN Tôi Lê Quang Thiện, học viên lớp CH17HT, ngành Hệ thống Thông tin, Trường Đại học Thủ Dầu Một Tôi xin cam đoan luận văn “Đề xuất kết hợp Surf độ đo Lipschitz với Fuzzy Logic cho vấn đề sàng lọc vị trí nghi ngờ giả mạo chữ ký” tơi nghiên cứu, tìm hiểu phát triển hướng dẫn TS Hoàng Mạnh Hà, chép từ tài liệu, công trình nghiên cứu người khác mà khơng ghi rõ tài liệu tham khảo Tôi xin chịu trách nhiệm lời cam đoan Học viên thực Lê Quang Thiện ii MỤC LỤC Trang LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC CÁC CHỮ VIẾT TẮT vi DANH MỤC BẢNG vii DANH MỤC CÁC HÌNH VẼ viii CHƢƠNG TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU 1.1 Lý chọn đề tài 1.2 Mục tiêu nghiên cứu 1.3 Đối tƣợng, phạm vi nghiên cứu 1.4 Phƣơng pháp nghiên cứu 1.5 Bố cục luận văn CHƢƠNG CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2.1 Tổng quan xác minh chữ ký 2.1.1 Giới thiệu 2.1.2 Phân loại hệ thống xác minh chữ ký 2.1.3 Cách tiếp cận cho toán xác minh chữ ký 2.1.4 Một số vấn đề liên quan đến hiệu hệ thống xác minh chữ ký 2.2 Các bƣớc thực hệ thống xác minh chữ ký 11 2.2.1 Thu nhận liệu 11 2.2.2 Tiền xử lý 12 2.2.3 Trích xuất lựa chọn đặc trƣng 14 2.2.4 Xác minh 15 iii 2.2.5 Đánh giá hiệu 17 2.3 Một số lợi ích ứng dụng xác minh chữ ký 18 2.3.1 Lợi ích xác minh chữ ký 18 2.3.2 Các ứng dụng xác minh chữ ký 18 2.4 Một số nghiên cứu liên quan 19 2.5 Hƣớng đề xuất nghiên cứu 22 CHƢƠNG ĐỀ XUẤT XÁC MINH CHỮ KÝ VỚI SURF VÀ SVM 23 3.1 Trích chọn đặc trƣng điểm bật cho toán xác minh chữ ký offline 23 3.1.1 Thuật tốn tìm kiếm góc Harris 24 3.1.2 Trích chọn đặc trƣng cục bất biến với SIFT 27 3.1.3 Trích chọn đặc trƣng SURF 35 3.2 Mơ hình túi đựng từ Bag of Words nhận dạng đối tƣợng 41 3.2.1 Bag of Word 41 3.2.2 Áp dụng khối Bag of Word vào nhận dạng đối tƣợng ảnh 42 3.3 Logic mờ (Fuzzy Logic) 43 3.3.1 Giới thiệu tập mờ 43 3.3.2 Phép mở rộng hình trụ tập mờ 45 3.3.3 Phép giao tập mờ 45 3.3.4 Phép hội tập mờ 46 3.3.5 Quan hệ mờ 46 3.3.6 Phép chiếu 47 3.3.7 Luật mờ suy diễn luật 47 3.3.8 Mơ hình suy diễn mờ 48 iv 3.4 Phân lớp, nhận dạng đối tƣợng với SVM 49 3.4.1 SVM với tập mẫu phân hoạch tuyến tính đƣợc 49 3.4.2 SVM tuyến tính với tập mẫu khơng phân hoạch tuyến tính đƣợc 53 3.4.3 SVM phi tuyến 56 3.5 Đề xuất mô hình xác minh chữ ký với SURF, BoW SVM 60 3.5.1 Giai đoạn huấn luyện 61 3.5.2 Giai đoạn xác minh chữ ký 63 3.6 Kết luận chƣơng 67 CHƢƠNG CÀI ĐẶT VÀ THỰC NGHIỆM 69 4.1 Dữ liệu chƣơng trình 69 4.2 Thực nghiệm 70 4.2.1 Cách tiến hành thực nghiệm 70 4.2.2 Các tham số cài đặt 70 4.2.3 Môi trƣờng thực nghiệm 70 4.3 Kết thực nghiệm 70 4.3.1 Kết 70 4.3.2 Đánh giá 72 4.4 Phần mềm trực quan hóa kết 73 4.5 Kết luận chƣơng 75 CHƢƠNG KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 76 5.1 Kết đạt đƣợc 76 5.2 Hƣớng phát triển 76 CƠNG TRÌNH CƠNG BỐ 78 TÀI LIỆU THAM KHẢO 79 v BẢNG KÝ HIỆU VÀ CHỮ VIẾT TẮT Chữ viết tắt Ý nghĩa SIFT Scale Invariant Feature Transform SURF Speeded Up Robust Features BoW Bag of Words Model FRR False Rejection Rate FAR False Acceptance Rate AER Average Error Rate DTW Dynamic Time Warping WT Wavele SVM Support Vector Machine EER Equal Error Rate MNN Modular Neural Networks ANN Artificial Neural Network NN Neural Network EBP-ANN Error Back Propagation ANN CWT Complex Wavelet Transform DWT Discrete Wavelet Transform HMM Hidden Morkov Model vi DANH MỤC CÁC BẢNG Bảng 2.1: Bảng tổng hợp số nghiên cứu liên quan đến lĩnh vực nhận dạng xác minh chữ ký offline 19 Bảng 4.1: Kết thực nghiệm tập liệu Genuines (240 chữ ký/10 người) 72 Bảng 4.2: Kết thực nghiệm tập liệu Forgeries (123 chữ ký) 72 Hình 4.3: Bảng tổng hợp số FAR: thể việc nhận dạng nhầm chữ ký giả mạo chữ ký thật 73 Hình 4.4: Bảng tổng hợp số FRR: thể việc nhận dạng nhầm chữ ký thật thành chữ ký giả mạo 73 vii DANH MỤC CÁC HÌNH VẼ Hình 2.1: Các đặc trưng sinh trắc học người Hình 2.2 Ví dụ tập ảnh chữ ký thu thập từ internet Hình 2.3 Các thiết bị tạo chữ ký online Sigma, Omega, Gamma, Alpha Hình 2.4 Bút thông minh Anoto Pen Hình 2.5 Giả mạo ngẫu nhiên (b) Giả mạo đơn giản (c) Giả mạo tinh vi (d) Chữ ký thật – gốc 10 Hình 2.6 Các bước phương pháp xác minh chữ ký 11 Hình 2.7 Chi tiết bước thực xác minh chữ ký 12 Hình 2.8 Ảnh chữ ký gốc quét từ trắng (b): Kết tiền xử lý với bước chuẩn hóa, khử nhiễu làm mỏng 14 Hình 2.9 Tính độ xác EER với FRR FAR 18 Hình 3.1 Các điểm bật ảnh 24 Hình 3.2 Cửa sổ trượt phát góc Harris 25 Hình 3.3 Minh họa trường hợp 27 Hình 3.4 Một ví dụ tìm kiếm góc Harris 27 Hình 3.5 Mơ tả khơng hồn thiện thuật tốn Harris 28 Hình 3.6 Quá trình tính khơng gian đo (L) hàm sai khác D 30 Hình 3.7 Quá trình tìm điểm cực trị hàm sai khác DoG 31 Hình 3.8 Minh họa bước trình lựa chọn điểm bật 32 Hình 3.9 Mơ tả cách tạo mô tả cục 34 Hình 3.10 Kết tìm kiếm đặc trưng SIFT 35 Hình 3.11 Xấp xỉ đạo hàm cấp hàm Gaussian hộp lọc 37 Hình 3.12 Các điểm bật phát 38 Hình 3.13 Lọc Haar wavelet để tính ảnh hưởng hai hướng x y 38 Hình 3.14 Vùng hình trịn xung quanh hướng đại diện cho điểm đặc trưng 39 Hình 3.15 4x4 hình vng xung quanh điểm đặc trưng 40 Hình 3.16 Ví dụ đốm sáng tối đốm tối sáng 40 Hình 3.17 Kết chạy thực tế tìm SURF 41 viii Hình 3.18 Ví dụ văn hình bên phải, có codebook kính lúp “China”, “trade”, … 41 Hình 3.19 Gom đặc trưng gái (mắt, mũi, miệng, cằm, tóc, …) vào túi đặc trưng 42 Hình 3.20 Tách đặc trưng vật thể (khuôn mặt, xe đạp, đàn violon) 43 Hình 3.21 Xác định vật thể sử dụng Bag of Words 43 Hình 3.22 Hàm thành viên 45 Hình 3.23 Phép mở rộng hình trụ tập mờ 45 Hình 3.24 Suy diễn luật 48 Hình 3.25 Mơ hình suy diễn mờ (tham khảo Jang & Sun (1996)) 48 Hình 3.26 Siêu phẳng phân chia liệu 50 Hình 3.27 Siêu phẳng với lề cực đại cho SVM phân chia hai tập mẫu…… …….51 Hình 3.28 Minh hoạ mẫu gọi Support Vector 53 Hình 3.29 Khơng thể phân hoạch hai tập mẫu siêu phẳng 54 Hình 3.30 Ảnh hưởng số lề mềm C 55 Hình 3.31 Một mặt phân chia phi tuyến trở thành siêu phẳng không gian lớn 57 Hình 3.32 Mặt phẳng [-1,1]x[-1,1] R2 thành mặt cong R3 57 Hình 3.33 RBF Gaussian Kernel chuyển mặt thành siêu phẳng 60 Hình 3.34 Đề xuất mơ hình xác minh chữ ký với SURF, BoW SVM 61 Hình 3.35 Mơ hình xây dựng đặc trưng dựa BoW descriptors 63 Hình 4.1 Phần đầu tập chữ ký thật SigComp2011 70 Hình 4.2 Phần đầu tập chữ ký giả mạo SigComp2011 70 Hình 4.3 Giao diện huấn luyện mơ hình 75 Hình 4.4 Giao diện kết test mơ hình với tập chữ ký thật 75 Hình 4.5 Giao diện kết test mơ hình với tập chữ ký giả mạo 76 ix B4: Tái tạo chuỗi số liệu xˆi từ hàm mật độ uˆ yˆi từ hàm mật độ vˆ B5: Ước lượng kỳ vọng thơng qua tính trung bình  n Eˆ X    xˆi n i 1 (3.71) n Eˆ Y    yˆi n i 1 (3.72)  Eˆ X  Eˆ X  Y  Eˆ Y    n  n n    ˆ ˆ ˆ    x i   x i   yi   yˆi   n i 1  n i 1   n i 1     (3.73) Độ tương đồng tiến dần tới thể mức độ giống véc tơ đặc trưng Để xác định xem chữ ký truy vấn đầu vào có giống với chữ ký mẫu (của người X) hay không, ta chọn ngưỡng phù hợp cho độ đo tương đồng Việc chọn ngưỡng cho phù hợp thường thực qua thực nghiệm Nếu chọn ngưỡng thấp dễ bị xác nhận nhầm (là chữ ký người Y lại xác nhận người X), chọn cao dễ dẫn đến tình thực tế chữ ký người X lại xác định (do lúc người dùng ký chữ ký giống hệt so với chữ ký mẫu) 3.6 Kết luận chƣơng Trong chương 3, tơi đề xuất mơ hình xác minh chữ ký offline dựa kết hợp phương pháp trích chọn đặc trưng SURF, phương pháp túi đựng từ Bag of Words phân lớp SVM Phương pháp SURF kỹ thuật trích chọn đặc trưng mạnh với hiệu tốt, phù hợp cho ứng dụng đòi hỏi phải xử lý thời gian thực Tuy nhiên, sử dụng SURF, số mô tả (descriptors) tìm tương đối lớn khơng biết trước, gây khó khăn cho việc sử dụng phân lớp để huấn luyện nhận dạng, mơ hình phân lớp địi hỏi véc tơ đặc trưng đầu vào có định dạng (ví dụ: số chiều, …) Chính vậy, tơi kết hợp với mơ hình BoW để lấy 67 véc tơ đặc trưng ảnh chữ ký với số chiều cố định làm giảm số chiều véc tơ đặc trưng (nhưng giữ đặc trưng thiết yếu nhất), nhằm làm tăng hiệu hệ thống Trong việc xác thực chữ ký, đề xuất sử dụng độ đo tương tự cosin Copulas Gauss, độ đo sử dụng rộng rãi chứng minh có hiệu cao lớp tốn tương tự 68 CHƢƠNG CÀI ĐẶT VÀ THỰC NGHIỆM 4.1 Dữ liệu chƣơng trình Trong luận văn, tơi sử dụng liệu ICDAR 2011 Signature Verification Competition (SigComp2011) cung cấp [18] Bộ liệu SigComp2011 gồm chữ ký 10 người (239 chữ ký thật 123 chữ ký giả mạo) Hình 4.1: Phần đầu tập chữ ký thật SigComp2011 Hình 4.2: Phần đầu tập chữ ký giả mạo SigComp2011 69 4.2 Thực nghiệm 4.2.1 Cách tiến hành thực nghiệm Việc thực nghiệm tiến hành liệu mục 4.1 chữ ký người (bao gồm chữ ký thật chữ ký giả mạo), sau ghi lại kết mức độ xác việc nhận dạng, mức độ xác việc xác minh chữ ký, sau lấy trung bình kết toàn tập liệu để đánh giá mức độ xác mơ hình xác minh chữ ký đề xuất 4.2.2 Các tham số cài đặt Tham số hệ thống: kích thước túi từ (vocabulary size): 50 (có thể thay đổi lên 100, 200, … để đánh giá mức độ ảnh hưởng hiệu tốc độ) Thuật tốn trích xuất đặc trưng sử dụng thuật tốn SURF, ngồi lựa chọn thuật toán SIFT để đánh giá mặt hiệu thuật toán Ảnh chữ ký đầu vào chuẩn hóa kích thước 150x100 pixel Các tham số ngưỡng độ tương tự thay đổi: 0.5, 0.6, 0.7, 0.8 4.2.3 Môi trường thực nghiệm Các thực nghiệm thực máy tính chạy hệ điều hành Windows 10 Pro 64bit với cấu hình bản: - CPU: Intel(R) Core(TM) i7 @2.6GHz - RAM: GB Phần mềm thực nghiệm xây dựng Visual Studio 2012, ngôn ngữ VC++ kết hợp với thư viện xử lý ảnh mã nguồn mở OpenCV 2.4.9 4.3 Kết thực nghiệm 4.3.1 Kết Tham số hệ thống: kích thước túi từ (vocabulary size): 50 (có thể thay đổi lên 100, 200, … để đánh giá mức độ ảnh hưởng hiệu tốc độ) Ảnh chuẩn hóa kích thước 150x100 pixel Các tham số ngưỡng độ tương tự thay đổi: 0.5, 0.6, 0.7, 0.8 Kết thực nghiệm với liệu SigComp2011: 70 Bảng 4.1: Kết thực nghiệm tập liệu Genuines (240 chữ ký/10 người) Tỷ lệ xác nhận xác Tỷ lệ nhận STT Tên ngƣời dùng dạng xác (%) (%) độ tương đồng độ tương độ đo tương >0.6 đồng >0.7 đồng >0.8 Người dùng 70.83 20.83 4.16 4.16 Người dùng 100 87.5 54.16 12.5 Người dùng 95.83 95.83 50 12.5 Người dùng 100 58.33 8.3 4.166667 Người dùng 75 45.83 4.166 Người dùng 100 37.5 8.33 4.166667 Người dùng 91.66 41.66 20.83 4.166667 Người dùng 91.66 54.16 12.5 4.166667 Người dùng 95.83 95.83 50 4.166667 10 Người dùng 10 21.73 0 Trung bình 82.1% 55.92% 21.24% 4.99% Bảng 4.2: Kết thực nghiệm tập liệu Forgeries (123 chữ ký) Tỷ lệ xác nhận xác STT (%) Tên ngƣời dùng độ tương đồng >0.6 độ tương đồng >0.7 độ đo tương đồng >0.8 Người dùng 100 100 100 Người dùng 86.178862 96.747967 99.186992 Người dùng 81.300813 95.121951 98.373984 Người dùng 86.178862 98.373984 100 Người dùng 86.991870 98.373984 100 Người dùng 91.056911 98.373984 100 Người dùng 98.373984 99.186992 100 Người dùng 93.495935 99.186992 100 Người dùng 78.861789 93.495935 100 10 Người dùng 10 95.934959 98.373984 99.186992 71 Trung bình 89.83% 97.72% 99.67% 4.3.2 Đánh giá Bảng 4.3 Bảng tổng hợp số FAR: thể việc nhận dạng nhầm chữ ký giả mạo chữ ký thật FAR STT Tên ngƣời dùng Ngưỡng tương đồng Ngưỡng tương đồng Ngưỡng tương >0.6 >0.7 đồng >0.8 Người dùng 0 Người dùng 0.13821138 0.03252033 0.00813008 Người dùng 0.18699187 0.04878049 0.01626016 Người dùng 0.13821138 0.01626016 Người dùng 0.1300813 0.01626016 Người dùng 0.08943089 0.01626016 Người dùng 0.01626016 0.00813008 Người dùng 0.06504065 0.00813008 Người dùng 0.21138211 0.06504065 10 Người dùng 10 0.04065041 0.01626016 0.00813008 Trung bình 0.101626015 0.022764227 0.003252032 Bảng 4.4: Bảng tổng hợp số FRR: thể việc nhận dạng nhầm chữ ký thật thành chữ ký giả mạo FRR STT Tên ngƣời dùng Ngưỡng tương đồng Ngưỡng tương đồng Ngưỡng tương >0.6 >0.7 đồng >0.8 Người dùng 0.7917 0.9584 0.9584 Người dùng 0.125 0.4584 0.875 Người dùng 0.0417 0.5 0.875 Người dùng 0.4167 0.917 0.958333 Người dùng 0.5417 0.95834 Người dùng 0.625 0.9167 0.958333 Người dùng 0.5834 0.7917 0.958333 72 Người dùng 0.4584 0.875 0.958333 Người dùng 0.0417 0.5 0.958333 10 Người dùng 10 0.7827 1 Trung bình 0.4408 0.787554 0.950007 Một số nhận xét: Tỷ lệ nhận dạng xác bảo đảm tương đối tốt: gần 90% nhiều người dùng nhận dạng thành công 100% chữ ký Tỷ lệ xác minh chữ ký xác giảm dần chữ ký thật ngưỡng độ đo tương đồng tăng dần (từ 0.6, 0.7 đến 0.8), thể việc số FRR tăng dần Độ đo tương đồng cao bảo đảm tính xác thực chữ ký xác cao, lại loại bỏ nhiều chữ ký hợp lệ khơng phải người dùng lúc ký giống hệt so với chữ ký mẫu Đối với hệ thống trên, tính xác việc xác minh chữ ký bị ảnh hưởng kết nhận dạng chữ ký, đầu vào cho việc xác minh chữ ký (xác định danh tính người ký lấy chữ ký mẫu tương ứng người để so sánh độ tương đồng với chữ ký truy vấn) Nếu biết trước danh tính người cần xác minh, việc xác minh giải tốn so sánh độ tương đồng hai chữ ký kết xác Ngược lại, tỷ lệ xác minh chữ ký xác tăng dần chữ ký giả mạo ngưỡng độ đo tương đồng tăng dần (từ 0.6, 0.7 đến 0.8) – tỷ lệ 95%, tương ứng với thể việc số FAR giảm dần (tiến sát 0) Độ đo tương đồng cao bảo đảm loại bỏ gần triệt để chữ ký giả mạo Trên thực tế, việc chọn ngưỡng tương đồng để dung hòa hai trường hợp phải tiến hành thông qua thực nghiệm 4.4 Phần mềm trực quan hóa kết Chương trình demo thực nghiệm viết Visual C++ MFC (bản 2012), sử dụng thư viện xử lý ảnh mã nguồn mở OpenCV Intel (v 2.4.9) Chương trình có số chức như: - Xây dựng mơ hình nhận dạng chữ ký: từ tập ảnh chữ ký đầu vào, qua bước tiền xử lý ảnh (resize kích thước 150x100, nhị phân hóa ảnh, 73 …), tìm điểm keypoint với SURF trích chọn đặc trưng với BoW, sau huấn luyện với phân lớp SVM Các bước thực thể trực quan hóa thơng qua hình ảnh liệu hình output (các véc tơ đặc trưng, kết phân cụm, thời gian huấn luyện mơ hình, …) - Kiểm tra độ xác mơ hình nhận dạng xác thực chữ ký: cho phép kiểm tra tập đầu vào chữ ký (bao gồm chữ ký thật chữ ký giả mạo) Kết hiển thị trực quan hình hình ảnh, liệu hình output (các véc tơ đặc trưng, kết nhận dạng, kết xác thực người, kết tổng hợp, …) Hình 4.3: Giao diện huấn luyện mơ hình Hình 4.4: Giao diện kết test mơ hình với tập chữ ký thật 74 Hình 4.5: Giao diện kết test mơ hình với tập chữ ký giả mạo 4.5 Kết luận chƣơng Trong chương 4, tiến hành cài đặt thực nghiệm mơ hình xác minh chữ ký đề xuất chương liệu chuẩn SigComp2011 nhằm đánh giá hiệu mơ hình đề xuất Kết (dựa số FRR FAR) cho thấy hiệu hệ thống tốt việc phát chữ ký giả mạo (thể việc số FAR thấp – xấp xỉ 0) chưa thực tốt việc phát chữ ký thật, loại bỏ chữ ký thật (thể số FRR tương đối cao – điều bị ảnh hưởng kết từ khâu nhận dạng trước đó) Việc thể rõ nét tăng ngưỡng tương đồng 75 CHƢƠNG KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 5.1 Kết đạt đƣợc Xác minh chữ ký toán ứng dụng nhiều thực tế nhiều nhà nghiên cứu quan tâm, đặc biệt xác minh chữ ký offline – độ khó Trong đề tài này, tơi nghiên cứu vấn đề tốn xác minh chữ ký nói chung tốn xác minh chữ ký offline nói riêng Về bản, hệ thống xác minh chữ ký phải thực bước chính: thu nhận chữ ký, tiền xử lý liệu, trích chọn đặc trưng, nhận dạng/xác minh đánh giá hiệu hệ thống Đối với bước trên, tùy vào đặc thù tốn tình cụ thể mà có phương pháp tiếp cận khác Trong đề tài, tơi đề xuất mơ hình để giải toán xác minh chữ ký sử dụng phương pháp trích chọn đặc trưng cục bất biến SURF kết hợp với mơ hình túi đựng từ BoW nhằm xây dựng véc tơ đặc trưng chữ ký, làm đầu vào để huấn luyện nhận dạng với phân lớp SVM để xác định danh tính cho chữ ký truy vấn Áp dụng chuyển đổi Copulas Gauss cho toán đối sánh véc tơ đặc trưng nhằm xác thực chữ ký Tại bước xác minh chữ ký, đề xuất sử dụng độ đo mức tương đồng cosin với ngưỡng người dùng lựa chọn Qua thực nghiệm liệu SigComp2011 cho thấy kết xác minh chữ ký tốt, đặc biệt trường hợp phát chữ ký giả mạo (thể số FAR thấp – gần 0) Tuy nhiên, việc xác minh chữ ký thật tương đối hạn chế, thể số FRR cao, đặc biệt trường hợp người dùng chọn ngưỡng tương đồng lớn (>0.8) Do việc xác minh chữ ký bị ảnh hưởng kết bước nhận dạng (xác định danh tính người ký) trước đó, nên phần độ xác bị giảm xuống 5.2 Hƣớng phát triển Trong thời gian tới, tập trung giải vấn đề thông qua việc làm tăng độ xác kết nhận dạng chữ ký (sử dụng tập liệu huấn luyện phong phú hơn, sử dụng kết hợp phương pháp nhận dạng khác, nghiên cứu thêm kỹ thuật trích chọn đặc trưng hiệu hơn, …) tìm kiếm 76 phương pháp xác minh chữ ký hiệu (các độ đo mức tương tự, phi tương tự khác, thuật toán phân cụm, …), đánh giá hiệu hệ thống nhiều liệu để có nhìn tổng thể xác 77 CƠNG TRÌNH CƠNG BỐ Hồng Mạnh Hà, Lê Quang Thiện, Nguyễn Việt Thanh Hiền, Nơng Kiều Trang, Hồng Hà Quang Tùng (2019) “Copulas Gauss cho toán xác định độ tƣơng quan ứng dụng đối sánh vector đặc trƣng” Hội nghị Quốc gia lần thứ XXII Điện tử, Truyền thông Công nghệ Thông tin” (The 22st National Conference on Electronics, Communications and Information Technology, viết tắt REV-ECIT) REV-ECIT Hội nghị Khoa học Quốc gia thường niên REV chủ trì 78 TÀI LIỆU THAM KHẢO [1] Abdilbaree Talib Nasser, Nuran Dogru, Signature recognition by using SIFT and SURF with SVM basic on RBF for voting online, International Conference on Engineering and Technology, Vol 6, (2017), 579-586 IRJET [2] Priyanka Sharma et al, Offline Signature Verification Using Surf Feature Extraction and Neural Networks Approach, International Journal of Computer Science and Information Technologies, Vol (3), (2014), 3539-3541 IJCSIT [3] Alattas, E., & Meshoul, S 2011, July An effective feature selection method for on-line signature based authentication In Fuzzy Systems and Knowledge Discovery (FSKD), 2011 Eighth International Conference on (Vol 3, pp 1431-1436) IEEE [4] Kekre, H B., & Bharadi, V A 2010 Gabor filter based feature vector for dynamic signature recognition International Journal of Computer Applications,Vol 3, 74-80 [5] Uludag, U., Pankanti, S., Prabhakar, S., & Jain, A K 2004 Biometric cryptosystems: issues and challenges Proceedings of the IEEE, 92(6), 948-960 [6] Miroslav, B A Č A Behavioral and physical biometric characteristics modeling used for ITS security improvement Volume Issue 4, (2009), – 13, SEMANTICSCHOLAR [7] Miroslav, B., Petra, K., & Tomislav, F 2011, May Basic on-line handwritten signature features for personal biometric authentication In MIPRO, vol 2011 Proceedings of the 34th International Convention (pp 1458-1463) IEEE [8] Jain, C., Singh, P., & Rana, P 2013 Offline Signature Verification System with Gaussian Mixture Models (GMM) INTERNATIONAL 79 JOURNAL OF COMPUTERS & TECHNOLOGY, 10(6), 1700-1705 IEEE [9] DR, S K., RAJA, K., CHHOTARAY, R., & PATTANAIK, S 2010 Offline Signature Verification Based on Fusion of Grid and Global Features Using Neural Networks International Journal of Engineering Science Vol 2(12), 2010, 7035-7044 SEMANTICSCHOLAR [10] Pourreza, H R 2011, September Offline Signature Recognition using Modular Neural Networks with Fuzzy Response Integration In International Conference on Network and Electronics Engineering Volume – 11, (pp 53 - 59) COSEC [11] Shashikumar, D R., Raja, K B., Chhotaray, R K., & Pattanaik, S 2010, December.Biometric security system based on signature verification using neural networks In Computational Intelligence and Computing Research (ICCIC), 2010 IEEE International Conference on (pp 1-6) IEEE [12] Sigari, M H., Pourshahabi, M R., & Pourreza, H R 2011 Offline handwritten signature identification and verification using multi-resolution gabor wavelet International Journal of Biometric and Bioinformatics, Volume – 5, (pp 234 - 248) CSCJOURNALS [13] Odeh, S M., & Khalil, M 2011, June Off-line signature verification and recognition: neural network approach In Innovations in Intelligent Systems and Applications (INISTA), 2011 International Symposium on (pp 34-38) IEEE [14] Foroozandeh, A., Akbari, Y., Jalili, M J., & Sadri, J 2012, September Persian Signature Verification Based on Fractal Dimension Using Testing Hypothesis In Frontiers in Handwriting Recognition (ICFHR), 2012 International Conference on (pp 313-318) IEEE [15] Shirdhonkar, M S., & Kokare, M 2011 Off-Line Handwritten Signature Identification Using Rotated Complex Wavelet Filters arXiv preprint arXiv:1103.3440 Vol 8, Issue 1, January 2011 ISSN (Online): 16940814 IJCSI 80 [16] Pourshahabi, M R., Sigari, M H., & Pourreza, H R 2009, December offline Handwritten signature identification and verification using contourlet transform In Soft Computing and Pattern Recognition, 2009 SOCPAR'09 International Conference of (pp 670-673) IEEE [17] Soleymanpour, E., Rajae, B., & Pourreza, H R 2010, October Offline handwritten signature identification and verification using contourlet transform and Support Vector Machine.In Machine Vision and Image Processing (MVIP), 2010 6th Iranian (pp 1-6) IEEE [18] Dileep, D 2012 A feature extraction technique based on character geometry for character recognition Department of Electronics and Communication Engineering, Amrita School of Engineering, Kollam, Kerala, INDIA (volume={abs/1202.3884} SEMANTICSCHOLAR [19] Samoro G, Taqqu M S,“Stable non-Gaussian Random Process” Chapman and Hall, LonDon, 1994 Vol 13, (2017), (pp 133-142) IEEE [20] Offline handwritten signature verification using local and global features” Annals of Mathematics and Artificial Intelligence, Vol 75, No (1-2), pp: 231-247, 2015, (IF = 0.807) SEMANTICSCHOLAR [21] Phần mềm xác thực chữ ký viết tay offline - HDUSigVeri 1.3”, 06-052012, Giải ba hội thi sáng tạo khoa học kỹ thuật toàn quốc (VIFOTEC) [22] The-Anh Pham, Hong-Ha Le and Nang-Toan Do, “Offline handwritten signature verification using local and global features” Annals of Mathematics and Artificial Intelligence, Vol 75, No (1-2), pp: 231-247, 2015, (IF = 0.807) [23] Nguyễn Bá Thịnh, (2013), nghiên cứu xây dựng hệ thống xác thực chữ ký viết tay, Luận văn Cao Học, Học Viện Công Nghệ Bưu Chính Viến Thơng 81 ... Fuzzy Logic cho vấn đề sàng lọc vị trí nghi ngờ giả mạo chữ ký? ?? Trong đề tài, tơi đề xuất mơ hình xác minh chữ ký sử dụng phương pháp trích chọn đặc trưng SURF ảnh chữ ký đầu vào, kết hợp với mơ hình... tạo chữ ký giả mạo Các chữ ký giả mạo chia làm loại chính: 2.1.4.1 Giả mạo ngẫu nhiên: kẻ giả mạo chữ ký chữ ký chí tên người cần giả mạo, chữ ký giả mạo tạo chữ ký ngẫu nhiên 2.1.4.2 Giả mạo. .. giả mạo Kẻ giả mạo tập ký theo chữ ký người cần giả mạo nhiều lần tạo chữ ký giả giống với chữ ký thật Hình 2.5 minh họa kiểu giả mạo chữ ký Hình 2.5: (a) Giả mạo ngẫu nhiên (b) Giả mạo đơn giản