Поиск :
Личный кабинет :
Электронный каталог: Ахунджанов, У.Ю. - Off-line верификация рукописной подписи с применением сверточной нейронной сети
Ахунджанов, У.Ю. - Off-line верификация рукописной подписи с применением сверточной нейронной сети
Статья
Автор: Ахунджанов, У.Ю.
Системный анализ и прикладная информатика: Off-line верификация рукописной подписи с применением сверточной нейронной сети
Verification of a static (off-line) signature using a convolutional neural network
б.г.
ISBN отсутствует
Автор: Ахунджанов, У.Ю.
Системный анализ и прикладная информатика: Off-line верификация рукописной подписи с применением сверточной нейронной сети
Verification of a static (off-line) signature using a convolutional neural network
б.г.
ISBN отсутствует
На полку
Статья
Ахунджанов, У.Ю.
Off-line верификация рукописной подписи с применением сверточной нейронной сети = Verification of a static (off-line) signature using a convolutional neural network / У. Ю. Ахунджанов, В. В. Старовойтов // Системный анализ и прикладная информатика / гл. ред. Сергей Васильевич Харитончик; учредитель Белорусский национальный технический университет (Минск). – 2022. – № 1. – С. 12-18. – Режим доступа : https://rep.bntu.by/handle/data/112381. – На рус. яз.
Данная статья посвящена разработке метода обнаружения подделки рукописных подписей. Подпись до сих пор остается одним из самым распространенных методов идентификации личности. Подпись на финансовых и других документах может быть подделана, поэтому выявление подделки является актуальной задачей. Это задача бинарной классификации: определить является подпись подлинной или фальшивой. В статье описываются результаты распознавания рукописных подписей, выполненных на бумажном носителе. Для экспериментов использовалась база рукописных подписей 10 человек. Для каждого человека было собрано 10 подлинных и 10 поддельных подписей, выполненных другими людьми. Подписи были оцифрованы в виде цветных изображений с разрешением 850×550 пикселей. Затем формировалось бинарное представление каждой подписи. Для классификации использовались три варианта уменьшения подписей до размеров: 128×128, 256×256 и 512×512 пикселей. Эти изображения служили исходными данными для сверточной нейронной сети. В результате тестирования предлагаемого подхода средняя точность корректной классификации достигнута на изображениях среднего размера и равняется 93,33%.
This article is devoted to the development of a method for detecting forgery of handwritten signatures. The signature still remains one of the most common methods of identification. The signature on financial and other documents can be forged, so detecting forgery is an urgent task. This is the task of binary classification: to determine whether the signature is genuine or fake. The article describes the results of recognition of handwritten signatures made on paper. A database of handwritten signatures of 10 people was used for experiments. For each person, 10 genuine and 10 forgery signatures made by other people were collected. The signatures were digitized as color images with a resolution of 850×550 pixels. Then a binary representation of each signature was formed. Three variants of reducing signatures to sizes were used for classification: 128×128, 256×256 and 512×512 pixels. These images served as the source data for the convolutional neural network. As a result of testing the average accuracy of the correct classification was achieved on medium-sized images and is equal to 93.33%.
004.93`1
общий = БД Труды научных работников БНТУ : 2022г.
труды сотрудников БНТУ = Международный институт дистанционного обучения (МИДО) : кафедра "Информационные системы и технологии"
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
общий = ВЕРИФИКАЦИЯ
общий = РАСПОЗНАВАНИЕ ОБРАЗОВ
общий = БИОМЕТРИЧЕСКАЯ ИДЕНТИФИКАЦИЯ
общий = ИДЕНТИФИКАЦИЯ
общий = БИНАРНЫЕ ИЗОБРАЖЕНИЯ
общий = НЕЙРОННЫЕ СЕТИ
Ахунджанов, У.Ю.
Off-line верификация рукописной подписи с применением сверточной нейронной сети = Verification of a static (off-line) signature using a convolutional neural network / У. Ю. Ахунджанов, В. В. Старовойтов // Системный анализ и прикладная информатика / гл. ред. Сергей Васильевич Харитончик; учредитель Белорусский национальный технический университет (Минск). – 2022. – № 1. – С. 12-18. – Режим доступа : https://rep.bntu.by/handle/data/112381. – На рус. яз.
Данная статья посвящена разработке метода обнаружения подделки рукописных подписей. Подпись до сих пор остается одним из самым распространенных методов идентификации личности. Подпись на финансовых и других документах может быть подделана, поэтому выявление подделки является актуальной задачей. Это задача бинарной классификации: определить является подпись подлинной или фальшивой. В статье описываются результаты распознавания рукописных подписей, выполненных на бумажном носителе. Для экспериментов использовалась база рукописных подписей 10 человек. Для каждого человека было собрано 10 подлинных и 10 поддельных подписей, выполненных другими людьми. Подписи были оцифрованы в виде цветных изображений с разрешением 850×550 пикселей. Затем формировалось бинарное представление каждой подписи. Для классификации использовались три варианта уменьшения подписей до размеров: 128×128, 256×256 и 512×512 пикселей. Эти изображения служили исходными данными для сверточной нейронной сети. В результате тестирования предлагаемого подхода средняя точность корректной классификации достигнута на изображениях среднего размера и равняется 93,33%.
This article is devoted to the development of a method for detecting forgery of handwritten signatures. The signature still remains one of the most common methods of identification. The signature on financial and other documents can be forged, so detecting forgery is an urgent task. This is the task of binary classification: to determine whether the signature is genuine or fake. The article describes the results of recognition of handwritten signatures made on paper. A database of handwritten signatures of 10 people was used for experiments. For each person, 10 genuine and 10 forgery signatures made by other people were collected. The signatures were digitized as color images with a resolution of 850×550 pixels. Then a binary representation of each signature was formed. Three variants of reducing signatures to sizes were used for classification: 128×128, 256×256 and 512×512 pixels. These images served as the source data for the convolutional neural network. As a result of testing the average accuracy of the correct classification was achieved on medium-sized images and is equal to 93.33%.
004.93`1
общий = БД Труды научных работников БНТУ : 2022г.
труды сотрудников БНТУ = Международный институт дистанционного обучения (МИДО) : кафедра "Информационные системы и технологии"
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
общий = ВЕРИФИКАЦИЯ
общий = РАСПОЗНАВАНИЕ ОБРАЗОВ
общий = БИОМЕТРИЧЕСКАЯ ИДЕНТИФИКАЦИЯ
общий = ИДЕНТИФИКАЦИЯ
общий = БИНАРНЫЕ ИЗОБРАЖЕНИЯ
общий = НЕЙРОННЫЕ СЕТИ
