面向离线手写签名增强的个性化参数优化
计算机视觉与模式识别
2020-10-15 v1 机器学习
摘要
通常，在真实场景中，可用于训练自动签名验证系统（ASVS）的签名样本很少。然而，此类系统确实需要大量签名才能达到可接受的性能。可采用神经运动签名复制方法和特征空间增强方法来满足增加样本数量的需求。这类技术通过手动或经验性地定义一组参数来引入一定程度的书写者变异性。因此，本研究提出一种自动建模最常见书写者变异特征的方法。该方法用于在图像空间和特征空间中生成离线签名并训练 ASVS。我们还引入了一种考虑特征向量来评估样本质量的替代方法。我们使用三个知名的离线签名数据集 GPDS、MCYT-75 和 CEDAR 评估了使用生成样本时 ASVS 的性能。在 GPDS-300 中，当 SVM 分类器使用每位书写者一个真实签名以及在图像空间中生成的复制样本进行训练时，等错误率（EER）从 5.71% 降至 1.08%。在相同条件下，使用特征空间增强技术时 EER 降至 1.04%。我们还验证了在图像空间中生成复制样本的模型在三个不同数据集中复现了最常见的书写者变异特征。
引用
@article{arxiv.2010.06663,
title = {Intrapersonal Parameter Optimization for Offline Handwritten Signature Augmentation},
author = {Teruo M. Maruyama and Luiz S. Oliveira and Alceu S. Britto and Robert Sabourin},
journal= {arXiv preprint arXiv:2010.06663},
year = {2020}
}
备注
16 pages, 11 figures, To appear in the IEEE Transactions on Information Forensics & Security