2017-12-14
466
Выяснилось, что различия в подписях уже заметны на первом этапе. На этапе непосредственно самой росписи. Если на бумаге, подписи разных людей имеют примерно один размер, или несущественную разницу в размерах, то на планшете дела обстоят иначе. Одни расписываются очень обширно, ограничиваясь только размером экрана планшета, другие делают это так, как расписывались бы на бумаге. Кто-то давит на ручку несильно (в таком случае существенно заметны различия давлений на участках подписи), а кто-то жмет изо всех сил и тогда значения давлений в точках являются максимальными. Был сделан следующий вывод, что это из-за самого планшета, так как он не маленький, и не оставляет на своем экране никаких следов (как например профессиональный Wacom).
Никому из участвовавших в процедуре регистрации на планшете не удалось воспроизвести подпись соседа, значения вектора особенностей отличались в 3-6 раз. Из-за этого программа все время верно определяла человека.
Поэтому поддельную подпись человек пытался оставить сам, при этом стараясь существенно менять либо давление, либо скорость написания подписи. На рис. 14 можно увидеть оставленные подписи в базе. Первые 5 -подписи из набора R, следующие 3 - поддельные подписи для классификации, остальные 12 - правильные подписи для классификации.
Рисунок 14 - 20 подписей одного человека
Толщина линий подписи на картинке зависит от давления в точке.
Вектора особенностей для набора классификационных подписей можно увидеть на рис. 15. Cреднее значение для подлинных подписей 0.86, 0.8, 0.53, а для подделок 1.33, 1.05, 0,9. Для набора подписей, где основные различия в скорости написания средние значения 1.2, 1.2, 1.0, см. рис. 16. Различий в написании чисто визуально не наблюдается. А благодаря динамическому снятию данных получаем красивую картину, где четко видна граница между подделкой и достоверной подписью.
Рисунок 15 - Вектора особенностей в текстовом виде.
Рисунок 16 - Вектора особенностей ложных подписей в текстовом виде.
Конечно, данные цифры различны для наборов подписей другого человека. Но динамика такова, что каким бы ни был вектор особенностей, для ложных подписей значения получаются немного больше, достаточно больше для того, чтобы система отказала в аутентификации.
Было зарегистрировано 8 наборов подписей и был сделан логический вывод, что в нашем случае, определять достоверность подписи можно и без использования квадратично дискриминантного анализа, а всего лишь ввести некий порог вхождения. И, возможно, самым эффективным порогом будет порог по минимальному расстоянию до R-набора (первый элемент в векторе особенностей).
Кстати, так же на основании векторов, можно сделать вывод в каком психологическом состоянии находится человек. Так, возбужденного человека система не пропускает, потому что скорость написания подписи или давление на перо сильно отличаются от заявленных в базе подписей.
