مقايسه ويژگي‌هاي سيگنالي با استفاده از الگوريتم اصلاح شده DTW در مسيله تصديق امضاي پويا

Comparison of Function Features using Modified DTW for Dynamic Signature Verification

تاكنون روش‌هاي بسياري براي براورد ميزان شباهت يا اختلاف سيگنال‌هاي زماني معرفي شده‌اند. الگوريتم DTW از جمله راهكارهاي قدرتمنديست كه علاوه بر توانايي فوق در زمينه‌هاي طبقه‌بندي، داده‌كاوي و تطابق ناحيه‌اي دو سيگنال نيز مورد توجه است. DTW بر پايه بهينه‌سازي فواصل نقاط دو سيگنال و با انبساط و انقباض محور زمان در هر نقطه قادر به يافتن نقاط متناظر است. در اين مقاله با اصلاح قيود محلي حاكم بر DTW روشي براي ارزيابي ميزان شباهت كلّي يا ناحيه‌اي دو سيگنال پيشنهاد مي‌شود. الگوريتم مطرح شده در اين مقاله علاوه بر افزايش دقت و قابليت بالاتر در سنجش فاصله سيگنال‌ها و طبقه‌بندي با خطاي كمتر، نسبت به تغييرات ساختاري و منبع توليد سيگنال زماني نيز مقاوم‌تر از DTW مرسوم بوده و قابليت تعميم‌پذيري بيشتري از خود نشان مي‌دهد. با استفاده از يك پايگاه دادگان تركيبي متشكل از افراد ترك (از كشور تركيه)، چيني و انگليسي‌زبان و اعمال روش پيشنهادي مبتني بر طبقه‌بندي كننده‌هاي فيشر، پنجره پارزن و ماشين بردار پشتيبان در مسيله تصديق امضاي نشان داده مي‌شود كه ضمن كاهش 3/12% خطاي طبقه‌بندي الگوها، در شرايط سطح آستانه عمومي خطاي EER در گروه جاعلان تصادفي و ماهر به ترتيب برابر 46/1% و 51/3% به‌دست آمده است.

Many methods are introduced for estimating the similarities or differences of time signals. One of theses methods, DTW algorithm, is also a utility for other domains including classification, data mining and matching regions between two time signals. DTW algorithm minimizes points distance between two signals by contracting or expanding the time axes to find the corresponding points. In this paper, with modification of the local constraints in DTW, a powerful method is proposed for measuring the global or local similarities between two signals. In addition to increasing the accuracy of signals distance measurements and decreasing the classification error, proposed algorithm is more stable than classic DTW against variations of structure and time signal source. The proposed method for dynamic signature verification was applied to a dataset of signatures from Turkish, Chinese and English people. The results of the experiments based on Fisher, Parzen Window and Support Vectors Machine classifications, showed that equal error rate (EER) is 1.46% and 3.51% with universal threshold for random and skilled forgeries, respectively.