reconocimiento biométrico de firma manuscrita: fundamentos, avances y aplicaciones - dr. julián...
TRANSCRIPT
Autenticación Biométrica de Firma Manuscrita Dinámica
Grupo de Reconocimiento Biométrico – ATVS (http://atvs.ii.uam.es)Universidad Autónoma de Madrid, Spain
Julián Fiérrez, Prof. Titular de Universidad
(Con contribuciones de Javier Ortega, Marcos Martínez, Javier Galbally y Rubén Vera)
Esquema de la Presentación
1. ATVS - ¿Quiénes Somos?
2. Tecnología de Reconocimiento de Firma
3. Competiciones Internacionales
4. Proyecto e-BioFirma con CECABANK
5. Proyecto Biografo con DGGC
6. Retos en Reconocimiento de Firma
1. Grupo ATVS
Grupo ATVS – Líneas El grupo ATVS se crea en 1992 en la UPM, iniciado por los Catedráticos de Universidad,
en el área de Teoría de la Señal y Comunicaciones, Javier Ortega García y Joaquín González Rodríguez
Sus actividades de I+D+i abarcan diversos aspectos de los campos del tratamiento de señales biométricas: clasificación de patrones, extracción de características, análisis de la interacción hombre‐máquina, análisis estadístico de datos, etc.
Actualmente, el grupo está formado por:
Personal de plantilla (9): 3 Catedráticos de Universidad, 3 Prof. Titulares de Universidad, 2 Prof. Ayudante Doctor, 1 Prof. Asociado
Investigadores Post‐Doctorales (1): 1 contratado Juan de la Cierva
Investigadores Pre‐Doctorales (7): 5 contratados FPI/FPU, 2 contratados con cargo a proyectos.
Otros Investigadores (>15): investigadores jóvenes vinculados a contratos, diversos becarios de PFC.
Grupo ATVS – Personal Líneas de Investigación
HuellaDactilar
Escritor Bases de Datos
FirmaLocutorIdioma
Iris
Biometría Forense
SeguridadMultibiometría
Cara
Grupo ATVS – Méritos CientíficosParticipación initerrumpida en el Plan Nacional de I+D+i desde 1994 (CogniMetrics, Bio‐
Shield, Bio‐Challenge, TeraSense, BiosecurID, BioPass), y en proyectos CENIT/AVANZA.
Participación en el Plan Regional CAM, entre 2006 y 2013 (CONTEXTS).
Participación en Proyecto Europeos: FP5, FP6 (BioSec, Biosecure), FP7 (BEAT, TabulaRasa, BBfor2), H2020 (TRIBE+).
Contratos Internacionales y Nacionales con el Sector productivo: Google ResearchAward, Australian Research Council, NIST –USA, Dirección General de la Guardia Civil, Centro Criptológico Nacional, Cecabank, BBVA, ETS, Telefónica.
Organización de Congresos Científicos: IEEE ICCST Carnahan‐2016, URSI 2016, ICB‐2013, ICB‐09, BioID_MultiComm‐09, ISCA/IEEE Odyssey‐04.
Organización y Participación en Evaluaciones Tecnológicas Competitivas: NIST 2001‐2016, BTAS 2016, FVC‐06, BMEC 2007, SVC‐04.
Producción Científica (últimos 5 años): 4 libros completos, 5 capítulos de libro, 31 artículos en revistas de impacto, 70 comunicaciones en Congresos Internacionales, más de 4.000 citas a sus trabajos; J. Ortega y J. Fiérrez con índices h≥40.
10 Tesis Doctorales leídas
Colaboración científica (estancias, artículos), más de 30 grupos de prestigio internacional.
BEAT, TABULA RASA (FP7 EU, STREP)• Participants: ATVS + 8 European institutions• November 2010 – May 2016: BIOMETRIC SECURITY
TeraSense (Consolider‐Ingenio 2010)• Participants : 16 Spanish Universities• December 2008 – November 2013: BIOMETRICS BEYOND THE VISIBLE
Bio‐Residence, BBfor2 (FP6‐FP7 EU, Marie Curie Actions)• Participants : ATVS, Michigan State University, + 8 European institutions• April 2007 – December 2013: RESEARCH MOBILITY IN BIOMETRICS
BioSec, BioSecure (FP6 EU, IP and NoE)• Participants : 29 European institutions, incl. ATVS• December 2003 – September 2007: BIOMETRIC DATABASES AND RESOURCES
COST‐275, COST‐2101 (ESF EU, COST Actions)• Participants : +15 European Countries• May 2001 – September 2010: BIOMETRIC RESEARCH NETWORKING
MARTA, IDENTICA (CENIT, AVANZA)• July 2007 – December 2010• Entornos Seguros, Seguridad Vehicular Avanzada
CONTEXTS (Comunidad de Madrid)• Participants: ATVS, UAH, UPM, UC3M• January 2010 – December 2013: NEW BIOMETRIC APPLICATIONS
Bio‐Shield, MCYT Bimodal, Biosecur‐ID, Bio‐Pass, Bio‐Challenge(MINECO, MCYT)
• December 2000 – November 2015: BASIC RESEARCH IN BIOMETRICS
Proyectos Públicos – Selección
e‐BioFirma Rec. Firma Dinámica• Funding from: Cecabank• Period: 2014 – 2016
Biografo 2.0: Identificación de Escritor• Funding from: Ministerio del Interior• Period: November 2010 – October 2011
Cátedra Telefónica – UAM• 2010‐2015
GOOGLE, MetaDatos en Identificación Locutor• 2009‐2010
Facial Recognition• Funding from: Ministerio del Interior• Period: January 2012 – December 2013
Common Criteria Development• Funding from: Ministerio de Defensa• Period: January 2009 – December 2010
Automatic Writer & Latent Fingerprint ID• Funding from: Ministerio del Interior• Period: January 2009 – December 2010
Signature Verification over TabletPC• Period : October 2004 – March 2005
Contratos Privados – Selección Grupo ATVS – Premios y DistincionesPremio “Miguel Catalán” a investigadores de menos de 40 años de la CAM a Julian Fierrez
(02/2016).
Medalla en los Premios Jóvenes Investigadores de la Real Academia de Ingeniería a Julian Fierrez (11/2015).
EAB European Biometric Industry Award a Marta Gomez‐Barrero (09/2015).
Siew‐Sngiem Best Paper Award en ICB 2015 (05/2015).
EAB European Biometric IndustryAward a Marcos Martinez‐Diaz (09/2014).
Premios del COIT (2013) a los PFC: 1er PremioCASSIDIAN en Comunicaciones Seguras y Ciberseguridad (F. M. Espinoza); 2º PremioCASSIDIAN enComunicaciones Seguras y Ciberseguridad (M. Moreno); 2º PremioUNITECO en NuevasTecnologías para la Gestión Mejorada de Riesgos (E. González).
EURASIP Best PhD Award, mayor impacto en Procesado de Señal y Comunicaciones (J. Fiérrez, 06/2012).
Premios del COIT (2012) a los PFC: Premio BancoSabadell a las MejoresTecnologías para Aplicaciones Bancarios (J. Franco).
MejorTesis Doctoral de la UAM (J. Galbally, 09/2011).
Premios del COIT (2011) a los PFC: Premio ISDEFE al mejor PFC en Seguridad y Defensa(M. Puertas).
9th European Biometrics Research Award organized by the EAB (European Association for Biometrics).
Winner of the Industry Award: Marta Gómez Barrero, ATVS, UAM, for the work: “FullyUnlinkable and Irreversible Template Protection Based on Bloom Filters”.
European Biometrics Industry Award 2015
http://www.eab.org/award/reports/report2015.html
8th European Biometrics Research Award organized by the EAB (European Association for Biometrics).
Winner of the Industry Award: Marcos Martínez Díaz, ATVS, UAM, for the work: “Graphical Password‐based User Authentication with Free‐form Doodles”.
European Biometrics Industry Award 2014
http://www.eab.org/award/reports/report2014.html?ts=1410595407633
Reconocimiento de Firma Biométrica
sample index
0 50 100 150 200 250 300 350 400
0
2000
4000
x
0 50 100 150 200 250 300 350 400
0
1000
2000
y
0 50 100 150 200 250 300 350 400
0
500
1000
z
0 50 100 150 200 250 300 350 400
1000
1200
1400
azim
uth
0 50 100 150 200 250 300 350 400
400
500
600
altit
ude
J. Fierrez, and J. Ortega‐Garcia, “On‐Line Signature Verification”, Chapter 10 in Handbook of Biometrics, A.K. Jain, A. Ross and P. Flynn (eds.), Springer, pp. 189‐209, 2008.
D. Impedovo and G. Pirlo, “Automatic Signature Verification: The State of the Art” IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, Vol. 38, No. 5, pp. 609‐635, September 2008.
2. Reconocimiento de Firma
Introducción La firma manuscrita es uno de los rasgos biométricos con mayor aceptación
social comomedio de autenticación de documentos, habiéndose usado desdesiglos para realizar transacciones y validar documentos legales.
El reconocimiento automático de firma mantiene en la actualidad algunosretos de carácter general:
Alta variabilidad intra‐usuario (biometría conductual, inter‐sesión…)
Se requieren varias muestras de la firma del usuario genuino (no siempre seráposible, dependerá del tipo de aplicación).
Variabilidad intra‐usuario pequeña (posible existencia de imitacionesentrenadas, skilled forgeries); baja permanencia temporal
El grado de semejanza entre la imitación y el original es impredecible
Firmas genuinas Skilled ForgeryAlta variabilidad Baja variabilidad
Motivación
Enorme proliferación de dispositivos con capacidad de captura de informaciónmanuscrita.
Dispositivos ‘de sobremesa’:
• Alta calidad de captura
• Sensores con capacidad para adquirir información digital instantánea a frecuencias de 100 ~200 muestras/seg
• Información de desplazamiento (ejes x e y), de presión, y de ángulos(azimut y elevación) del útil respecto al plano de firma.
• Es posible capturar la información de trazos ‘en vuelo’
Dispositivos móviles:
• Universalidad y ubiquidad de las soluciones
• Calidad de captura heterogénea
• Sensores limitados en su capacidad de adquisición
• Ergonomía, potencial problema
Espacio Limitado
Mayor VariabilidadIntra‐Usuario
Útil / Dedo
Ergonomía
Posición
Falta de trayectorias ‘envuelo’
Calidad de Muestreo
Falta de Informaciónde Presión
Verificación de Firma en Movilidad
2. Proceso de Autenticación
Etapas en el Proceso de Autenticación
1. Adquisición de Datos y Pre‐Procesado
2. Extracción de Características
3. Cáculo de Similitud (Matching)
1. Adquisición de Datos y Pre‐Procesado
2. Extracción de Características
3. Cálculo de Similitud (Matching)
Etapas en el Proceso de Autenticación
Escenario de adquisición (i)
Información online (funciones temporales) + offline (imagen del grafo)
sample index
0 50 100 150 200 250 300 350 4000
2000
4000
x
0 50 100 150 200 250 300 350 4000
1000
2000
y
0 50 100 150 200 250 300 350 4000
500
1000
z
0 50 100 150 200 250 300 350 4001000
1200
1400
azim
uth
0 50 100 150 200 250 300 350 400400
500
600al
titud
e
Altitude (0°-90°)
90°
270°
0°
Azimuth (0°-359°)
180°
Altitude (0°-90°)
90°
270°
0°
Azimuth (0°-359°)
180°
Información Dinámica – On-Line La información dinámica – online (presión, velocidad, aceleración) mejora
mucho la separación entre firmas genuinas, imitaciones y casuales
Información online (funciones temporales)
Escenario de adquisición (ii)
0 50 100 150 200 250 300 350 4000
2000
4000
x
0 50 100 150 200 250 300 350 4000
1000
2000
y
0 50 100 150 200 250 300 350 4000
500
1000
z
1400• La tableta captura muestras de la posición del útil a lo largo de la trayectoria de firma
• Se define una frecuencia de muestreo: n puntos por segundo (100 ~ 200 hz.)
• Los puntos están equiespaciados en el tiempo, no en su ubicación espacial
Adquisición de la Firma: Muestreo Espacial
Normalización (necesaria siempre):
• Invarianza a la traslacióno coordenadas relativas al punto de comienzo, o al centro de masas …o coordenadas relativas al punto anterior (∆ , ∆ )
• Invarianza con la escalao Ajuste a tamaño prefijado
• Invarianza a la rotacióno Detección y giro respecto a
eje principal
Remuestreo (no siempre necesario):
• Se reduce o se normaliza el número de muestras para obtener puntos equidistantes en el espacio.
• Problemas: pérdida potencial de información• Solución: Inserción de puntos críticos (cambio de trayectoria, comienzo y final
de firma, …) como guía de remuestreo. ...
Adquisición de Firma: Pre-Procesado
1. Adquisición de Datos y Pre-Procesado
2. Extracción de Características
3. Cálculo de Similitud (Matching)
Etapas en el Proceso de Autenticación
Representación por Características Globales
Ejemplos de Características Globales
XY
PA
z
0 100 200 300
Al
Signature Representation: Global Features
Examples of Global Features
XY
PA
z
0 100 200 300
Al
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.90
5
10
15
20
25
Signature duration (Feature num. 1)
Num
ber o
f pen
-ups
(Fea
ture
num
. 2)
Genuine signatures from all usersSpecific user signaturesSkilled forgeries
0 50 100 150 200 250 300 350 400 4500
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Aver
age
pen
spee
d (F
eat u
re n
um. 2
6)
Genuine signatures from all usersSpecific user signaturesSkilled forgeries
Representación por Características Locales
Ejemplos de SecuenciasTemporales basadas en Características LocalesX
YP
Az
0 100 200 300
Al
Aportación relativa de cada Secuencia
0 2 4 6 8 10 12
x, y
x, y, p
x, y, p, γ
x, y, p, γ, Ф
x, y, p, θ
x, y, p, θ, v
x, y, p, θ, v, ρ
w = x, y, p, θ, v, ρ, a
[w, Δw] EER (%)
0.2 0.5 1 2 5 10 20 40
0.2
0.5 1 2
5
10
20
40
Tasa de Falsa Aceptación (%)
Tasa
de
Fals
o Re
chaz
o (%
)
x,yx,y,px,y,p,γx,y,p,Φ
0.2 0.5 1 2 5 10 20 40
0.2
0.5 1 2
5
10
20
40
Tasa de Falsa Aceptación (%)
Tasa
de
Fals
o Re
chaz
o (%
)
x,y,p,θx,y,p,θ,vx,y,p,θ,v,ρx,y,p,θ,v,ρ,a
1. Adquisición de Datos y Pre‐Procesado
2. Extracción de Características
3. Medida de Similitud (Matching)
Etapas en el Proceso de Autenticación Enfoques usando Secuencias Temporales
Modelos Ocultos de Markov Alineamiento Temporal Dinámico
Correspondencia punto a puntoModelado Estadístico de las Regiones de la Firma
Ejemplo: HMM5 muestras entrenamiento(x,y) como vectores de características1 estado, 8 mezclas de Gaussianas
HMM DTW
3. Competiciones Internacionales
Competición SVC 2004 Escenario: Firma dinámica capturada con tabletaWacom
Número de firmantes: 40
Entrenamiento:• Auténticas: 5 firmas genuinas de la primera sesión.
• Reconocimiento:
• Auténticas: Las 10 firmas restantes de la segunda sesión.
• Imitaciones Casuales: 20 firmas tomadas aleatoriamente de 20 usuarios distintos(entre sí y del usuario objetivo).
• Falsificaciones: Las 20 falsificaciones disponibles.
D. Yeung, et al., “SVC2004: First International Signature Verification Competition”, Proc. of Intl. Conf. on Biometric Authentication, ICBA-04, pp.: 16–22, Springer LNCS-3072, July 2004.
Signature Verification Competition, SVC-04
Sistemas ATVS-UAM
SVC-04 con imitaciones
SVC-04 sin imitaciones
http://www.cs.ust.hk/svc2004/
BioSecure Multimodal Database
667 donantes
Equilibrio entre géneros; 18~65, distribución de edades
Dos dispositivos de firma para todos los usuarios Tablet Dispositivo Móvil
2 sesiones separadas meses; cada uno dividida en 3 bloques de 5 firmas
Permite la comparación sistemática de ambos dispositivos de captura
Imitaciones de muy alta calidad
Las imitaciones se hicieron conociendo la dinámica específica de cada firma; incluso era posible firmar sobre la imagen de la firma objetivo.
J. Ortega-Garcia, J. Fierrez, et al., “The Multi-Scenario Multi-Environment BioSecure Multimodal Database”, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2010
Evaluación de Rendimiento: Bases de Datos
Algunas muestras de ‘BioSecure Multimodal DB’:Tablet Móvil
Evaluación de Rendimiento: Bases de Datos
Sin Imitaciones Con Imitaciones
Incremento de EERs
3 evaluaciones públicas de referencia
BioSecure Multimodal Evaluation Campaign, BMEC 2007
Evaluación sobre la ‘BioSecure Multimodal Database’
Firma dinámica capturada con dispositivo móvil
http://biometrics.it-sudparis.eu/BMEC2007/
Evaluación de Rendimiento, BMEC2007
3 evaluaciones públicas de referencia
BioSecure Signature Evaluation Campaign, BSEC 2009
Evaluación sobre la ‘BioSecure Multimodal Database’
Tarea 1: Móvil vsTablet, interoperabilidad entre sensores
http://biometrics.it-sudparis.eu/BSEC2009/
Evaluación de Rendimiento: Comparación
Sistemas ATVS-UAM, clasificados en 1er lugar
3 evaluaciones públicas de referencia
BioSecure Signature Evaluation Campaign, BSEC 2009
Evaluación sobre la ‘BioSecure Multimodal Database’
Tarea 2: Efecto de la variabilidad temporal
http://biometrics.it-sudparis.eu/BSEC2009/
Evaluación de Rendimiento: Comparación
Sistemas ATVS-UAM, clasificados en 1er lugar
Evaluación competitiva en comparación 1 a 1 de firmas online y offline (escenario típico de cotejo forense)
3 tareas diferentes: sólo online, sólo offline, combinación offline + online
Competición SigComp 2009: Resultados
Vivian L. Blankers, C. Elisa van den Heuvel, Katrin Franke, Louis Vuurpijl: “ICDAR 2009 SignatureVerification Competition”, Proc. of ICDAR 2009, pp: 1403-1407.
http://sigcomp09.arsforensica.org/
Combinación offline + online ATVS‐UAM, 1er clasificado
4. Proyecto e-BioFirma con CECABANK
Adquisión de base de datos e‐BioSign
‐ Compuesta por 70 usuarios en 2 sesiones de captura. 5 dispositivos. 5000 firmas.
Solución A: Comparación de Datos Biométricos de Firmas Manuscritas Digitalizadas en el Ámbito Forense.
‐ Nueva versión de Herramienta Forense SignAnalyzer para análisis y comparación de firmas dinámicas. Mejora muy significativa respecto versión inicial.
‐ Desarrollo de módulo de comparación de firmas dinámicas basado en funciones temporales de las firmas y algoritmo de comparación DynamicTime Warping (DTW).
Objetivos Proyecto e-BioFirma1 (Solución A) Base de Datos e-BioSign
• Esquema de captura multi‐dispositivo
• Permite abordar la problemática de robustez en escenarios de inter‐operabilidad
• 5 dispositivos (3 tabletas Wacom y 2 dispositivos Samsung)
• Incluye muestras tanto de firma como de escritura
• Se considera también la escritura con el dedo sobre pantalla (entornos de movilidad)
• 70 usuarios, 2 sesiones de captura separadas algunas semanas
• Para cada usuario, se cuenta con un total de 7 firmas en cada sesión: 4 genuinas y 3 imitaciones entrenadas
• Un total de 560 firmas genuinas y 420 imitaciones entrenadas
R. Vera-Rodriguez, R. Tolosana, J. Ortega-Garcia and J. Fierrez, "e-BioSign: Stylus- and Finger-InputMulti-Device Database for Dynamic Signature Recognition", in Proc. IWBF 2015.
Dispositivos empleados en e-BioSign
1.Wacom STU‐500.2.Wacom STU‐530.3.Wacom DTU‐1031.4.Tablet Samsung Galaxy Note 10.15.Tablet Samsung Ativ 7.
(2)
(3) (4) (5)
(1)
El objetivo ha sido el desarrollo de una herramienta de análisis grafístico forense (SignAnalyzer) que permitiera que los peritos grafísticos pudieran analizar firmas biométricas dinámicas
• Caraterísticas básicas de SignAnalyzer:
• Es compatible con el análsis análisis tradicional de firma estática sobre papel
• Puede trabajar simultáneamente con varias firmas (dubitadas e indubitadas), reproduciendo sus características dinámicas, permitiendo el alineamiento temporal y espacial de las mismas, posibilitando la selección de trazos específicos para un análisis de detalle (ángulos, distancias, velocidad)
• Incorpora medidas cuantitativas de parámetros ‘subjetivos’ como el temblor y la fluidez de las firmas.
• Da apoyo estadístico al perito forense sobre algunos parámetros especialmente relevantes (duración de la firma, fluidez, temblor, …)
• Incluye un sistema de reconocimiento de firma biométrica dinámica basado en relaciones de verosimilitud (likelihood ratios, LRs)
La herramienta grafística forense SignAnalyzer
Objetivo 1. Desarrollo de herramienta SignAnalyzer que permite realizar análisis forense y comparación de firmas dinámicas.
Posibilidad de realizar un cotejo “tradicional” con información de la imagen.
Adicionalmente, inclusión de conjunto amplio de funcionalidades para analizar la información dinámica, estadísticas poblacionales, y comparación automática.
Carga de varias firmas simultáneamente, permitiendo realizar análisis tanto espacial como temporal. Permite realizar normalización espacial y temporal.
La herramienta SignAnalyzer (i)Análisis multi-firma con superposición
Análisis multi-firma con superposición
Análisis individual de cada firma:
Visualización de realización de la firma (video), incluyendo la información en vuelo.
Selección de trazos de la firma para análisis de detalle. Permite la selección desde la imagen espacial como desde la información temporal.
La herramienta SignAnalyzer (ii)Gradiente de color presión y velocidadGradiente de color presión y velocidad
Análisis en detalle de trazos seleccionados. Funcionalidades: medidas de longitud, ángulos, áreas, zoom, rotación, desplazamientos laterales, visualización de muestras de la firma, etc.
Análisis estadístico de varios parámetros (duración, velocidad, aceleración, fluidez y temblor) sobre población de firmas de referencia para dotar de apoyo estadístico el informe del experto forense.
La herramienta SignAnalyzer (iii)Trayectoria de vuelo del bolígrafo durante
el recorrido
Trayectoria de vuelo del bolígrafo durante
el recorrido
Estadística poblacional: velocidad, duración, aceleración,
fluidez y temblor
Estadística poblacional: velocidad, duración, aceleración,
fluidez y temblor
Objetivo 2. Desarrollo de sistema de comparación de firmas dinámicas en el ámbito de oficina bancaria basado en DTW.
Evaluación de rendimiento del sistema desarrollado, en comparación con la tecnología de Cecabank (valores de EER), sobre base de datos BioSecure:
CECABANK Solución B
Cecabank ATVSComp. 1:1 8,8 % 1,1 %Comp. 5:1 6,9 % 0,3 %
Cecabank ATVSComp. 1:1 16,8 % 8,0 %Comp. 5:1 13,7 % 5,6 %
EER (%) Comparaciones entre usuarios genuinos EER (%) Comparaciones con imitaciones de firmas
5. Proyecto Biografo con DGGC
54
Reconocimiento Automático de EscritorEl problema
Preprocesado: segmentación
¿ ?
1980
Estudios individuales: No evaluaciones competitivas
EER≈25%: comparaciones 5:1SER≈10% (sólo líneas)
2009
ICDAR 2009 Sig. Verif. Comp.:EER=9.15% Condiciones forenses 1:1
EER≈3%: comparaciones 5:1SER=3.1%: error de segmentación
(líneas+palabras)
Evolución de la solución
Reconocimiento
2005
SAIGBIÓGRAFO
V1.0
55
Resultados 2009-2010
Desarrollo de mejoras sobre la capacidad de identificación de Biógrafo v1.0 (prototipos MATLAB sin interfaz gráfico): Motor de reconocimiento 1 con características: de gradiente,
estructurales, de concavidad y geométricas Motor de reconocimiento 2 con otras características locales de
contorno: dirección, curvatura, coocurrencia de direcciones y run-length
Motor de reconocimiento 3 con características de emisión alográfica
Fusión de los tres sistemas de reconocimiento
Top 1 Top 5 Top 1078 % 88% 97%
Top 1 Top 5 Top 1593 % 100% 100%
Bv1.0 Mejoras sobre Bv1.0
56
Resultados 2010-2011: Biógrafo v2.0Desarrollo de Biógrafo v2.0: herramienta de apoyo al experto a través del cálculo
objetivo de similitud en reconocimiento de escritor. Alta modularidad y escalabilidad Herramienta de gestión de grandes bases de datos Herramientas de segmentación y de edición gráfica Herramientas de reconocimiento selectivo Facilidad de uso del interfaz gráfico Funcionamiento sobre cualquier plataforma (prog. en Java)
Bv1.0 Mejoras 2009-2010
BIOGRAFO V2.0
+
57
Recorte y corrección de muestras capturadas
Resultados 2010-2011: Biógrafo v2.0
58
Resultados 2010-2011: Biógrafo v2.0Gestión de usuarios, documentos y muestras
59
Resultados 2011: BD de Escritor DGGC
Digitalización de documentos indubitados y dubitados(550 usuarios, 1-8 docs/usuario)
Utilización de Biógrafo v2.0: Creación de una DB relacional:
usuarios-documentos-caracteres Gestión de la DB Captura de caracteres:
(5 muestras x 60 caracteres x 550 usuarios ≈ 165.000 muestras)
Pruebas de reconocimiento sobre la DB (en desarrollo)
6. Retos en Reconocimiento de Firma
RETO 1: Caracterización de escenarios e interoperabilidad de sensores
M. Martinez‐Diaz, J. Fierrez, R. P. Krish and J. Galbally, "Mobile Signature Verification: Feature Robustness and Performance Comparison", IET Biometrics, Vol. 3, n. 4, pp. 267‐277, December 2014.
CaracterizaciónBase de conocimiento
CaracterizaciónBase de conocimiento
RETO 2: Uso continuo de información de contexto
P. Aleksic, M. Ghodsi, et al. “Bringing Contextual Information to Google Speech Recognition”, Interspeech, 2015.F. Alonso‐Fernandez, J. Fierrez, and J. Ortega‐Garcia, “Quality Measures in Biometric Systems”, IEEE Security & Privacy, December 2012.F. Alonso‐Fernandez, J. Fierrez, et al., "Quality‐Based Conditional Processing in Multi‐Biometrics: application to Sensor Interoperability", IEEE Trans. on Systems, Man and Cybernetics A, Vol. 40, n. 6, pp. 1168‐1179, 2010.
Calidad de Señal, Información del Sensor, etc.
CaracterizaciónBase de conocimiento
0.1 0.2 0.5 1 2 5 10 20 40
0.1
0.2
0.5
1
2
5
10
20
40
FAR (in %)
FR
R (
in %
)
HMM System
BID 1−2BID 1−3BID 1−4BID 1 − Bure1BID 1 − Bure2
RETO 3: Adaptación de modelos con el tiempo
J. Galbally, M. Martinez‐Diaz and J. Fierrez, "Aging in Biometrics: An Experimental Analysis on On‐Line Signature", PLOS ONE, July 2013.
2 meses4 meses6 meses
12 meses15 meses
2 meses4 meses6 meses
12 meses15 meses
Prob
abilid
ad
Puntuaciones
RETO 3: Adaptación de modelos con el tiempo
0.1 0.2 0.5 1 2 5 10 20 40
0.1
0.2
0.5
1
2
5
10
20
40
FAR (in %)
FR
R (
in %
)
HMM System
BID1−Bure13Bure11−Bure13BID1+Bure11−Bure13Bure11+Bure12−Bure13
Referencia: 12 meses (4 firmas)Registro actual (4 firmas)
Registro mixto (4 + 4 firmas)Registro completo (8 firmas)
J. Galbally, M. Martinez‐Diaz and J. Fierrez, "Aging in Biometrics: An Experimental Analysis on On‐Line Signature", PLOS ONE, July 2013.
RETO 4: Adaptación a especificidades de usuarios
J. Fierrez, J. Ortega‐Garcia and J. Gonzalez‐Rodriguez, "Target Dependent Score Normalization Techniques and their Application toSignature Verification", IEEE Trans. on Systems, Man and Cybernetics‐C, August 2005.
Caracterización del firmante
CaracterizaciónBase de conocimiento
firmante 1
firmante N
RETO 5: Aprovechamiento de datos masivos
CaracterizaciónBase de conocimiento
Big Data
Deep Learning
infoanónima
Ignacio Lopez‐Moreno, Javier Gonzalez‐Dominguez, Oldrich Plchot, "Automatic Language Identification Using Deep Neural Networks", Proc. IEEE ICASSP, May 2005.
Autenticación Biométrica de Firma Manuscrita Dinámica
Grupo de Reconocimiento Biométrico – ATVS (http://atvs.ii.uam.es)Universidad Autónoma de Madrid, Spain