RU2148274C1

RU2148274C1 - Способ идентификации личности по особенностям подписи

Info

Publication number: RU2148274C1
Application number: RU98115719A
Authority: RU
Inventors: А.И. Иванов; И.А. Сорокин; В.Л. Бочкарев; В.А. Оськин; В.В. Андрианов
Original assignee: Пензенский научно-исследовательский электротехнический институт
Priority date: 1998-08-17
Filing date: 1998-08-17
Publication date: 2000-04-27

Abstract

Изобретение относится к вычислительной технике и предназначено для ограничения доступа к информации путем биометрической идентификации личности по индивидуальным особенностям почерка, выявляемым при воспроизведении пользователем заранее известной парольной фразы или подписи. Техническим результатом заявленного изобретения является повышение достоверности идентификации личности по особенностям почерка. Для этого после определения дифференциальных и интегральных параметров фрагмента подписи идентифицируемой личности осуществляют повторно масштабирование упомянутых вычислительных параметров и временных интервалов, минимизируя среднее отклонение упомянутых вычисленных параметров и временных интервалов от их эталонных значений, кроме того, дополнительно вычисляют коэффициенты корреляции этих вычислительных параметров и временных интервалов, а также вычисляют оценки указанных коэффициентов корреляции, а при принятии решения об идентификации личности сравнивают эти оценки коэффициентов корреляции с их эталонными значениями. 1 з.п. ф-лы, 5 ил.

Description

Изобретение относится к вычислительной технике и предназначено для ограничения доступа к информации путем биометрической идентификации личности по индивидуальным особенностям почерка, выявляемым при воспроизведении пользователем заранее известной парольной фразы или подписи.

Известен "Способ сдвига для сигнатурного контроля" по патенту США N 4562592, МКИ 4 G 06 K 9/22, НКИ 382-2, УДК 681.362. Публикация 851231 Т. 1061 N 5 (ВИНИПИ 111-10-86). По этому способу получают данные ускорения и данные сжатия и осуществляют сравнение их с эталонами (ускорения и сжатия). При этом осуществляют сдвиг сжатых сигналов (предъявленного и эталонного), находят точку максимума функции корреляции и запоминают сдвиг, соответствующий максимуму. Далее именно для этого сдвига контролируют значение корреляции пар данных ускорений (предъявленного и эталонного). Этот способ, с одной стороны, позволяет частично исключить неопределенность положения и масштаба подписи, однако он не дает возможность точной коррекции масштабов времени и амплитуды подписи. В целом этот способ не позволяет осуществить идентификацию личности с достаточно высокой достоверностью.

Последний недостаток частично компенсируется "Способом сравнения ручной записи с эталонной записью и применений способа" по патенту Швейцарии N 665915, МКИ 4 G 06 K 9/62, УДК 621.327. Публикация 880615 N 11 (ВИНИПИ 117-03-89). По этому способу эталонный и предъявленный сигналы делят на отдельные фрагменты (например, фрагменты равной длины) и каждый из этих фрагментов отдельно совмещают с соответствующим эталоном, а также индивидуально масштабируют по времени. Последнее улучшает вероятность правильного решения, но все же не позволяет получить достаточно высокой достоверности.

Наиболее близкими к заявляемому являются "Способ и устройство идентификации почерка" по патенту Швейцарии N 659531, МКИ4 G 06 K 9/62, G 06 D 7/00, УДК 681.327.12, публикации 870130 N 2. По этому патенту используется максимальный объем исходной информации, анализируется кривая колебания пера по одной оси - Y(t), анализируется кривая колебания пера по второй оси - X(t), анализируется кривая колебания давления пера на подложку - P(t). Три сигнала оцифровываются, вводятся в ЭВМ или микропроцессор и сравниваются с эталонами. Основным недостатком этого технического решения является недостаточно высокая вероятность правильного принятия решения идентификации.

Все перечисленные выше способы далеко не полностью используют получаемую информацию в виде кривых колебаний пера и давления, что приводит к недостаточно высокой достоверности принятия решения.

Задачей настоящего изобретения является повышение достоверности идентификации личности по особенностям почерка за счет более полного использования исходной информации.

Технический результат, достигаемый изобретением, заключается в более полном использовании исходной информации, повышении точности изменения исходных контролируемых параметров и в увеличении общего числа контролируемых параметров за счет привлечения вторичных контролируемых параметров, получаемых из первичных параметров.

Сущность заявленного изобретения заключается в том, что вводят в вычислитель преобразованные в цифровую форму колебания пера, воспроизводящего подпись идентифицируемой личности, и его давление на графический планшет с последующим определением начала и конца подписи идентифицируемой личности, фрагментируют упомянутую подпись, масштабируют каждый фрагмент этой подписи, вычисляют дифференциальные и интегральные параметры фрагментов упомянутой подписи, а также вычисляют временные интервалы фрагментов этой подписи, принимают решение об идентификации личности путем сравнения упомянутых вычисленных параметров и временных интервалов с их эталонными значениями, после определения упомянутых дифференциальных и интегральных параметров осуществляют повторное масштабирование упомянутых вычисленных параметров и временных интервалов минимизируя среднее отклонение упомянутых вычисленных параметров и временных интервалов от их эталонных значений, дополнительно вычисляют коэффициенты корреляции этих вычисленных параметров и временных интервалов, а также вычисляют оценки указанных коэффициентов корреляции, при упомянутом принятии решения сравнивают эти оценки коэффициентов корреляции с их эталонными значениями.

Кроме этого, упомянутые сравнения вычисленных дифференциальных и интегральных параметров фрагментов подписи и временных интервалов фрагментов подписи с их эталонными значениями, а также оценок коэффициентов корреляции этих вычисленных параметров и временных интервалов с их эталонными значениями осуществляют параллельно, упомянутое решение об идентификации личности принимается искусственной нейтронной сетью с предварительным ее обучением как на примерах образцов подписи идентифицируемой личности, так и на примерах попыток подделки, получаемых путем искажения упомянутых эталонных значений.

Поставленная задача решается путем воспроизведения личностью своей подписи (или пароля) на графическом планшете при параллельном преобразовании подписи в кривые колебания конца пера по координатам с последующим сравнением полученных данных с эталонными. После получения кривых колебания пера во времени по координатам Y(t), X(t), P(t) определяют начало и конец подписи и осуществляют фрагментирование кривых на отдельные сегменты и измеряют длительности времени сегментов. Затем осуществляют приведение каждого сегмента к единому масштабу амплитуд и времени. При этом используют 4•k разных масштабных коэффициента M_Yk, M_Xk, M_Pk, M_tk. Далее на каждом сегменте вычисляют интегральные характеристики сигналов в форме линейных функционалов (например, вычисляют интегралы Фурье, определяя амплитуды первых нескольких гармонических составляющих). При этом находят (N-k) интегральных параметров, которые вместе с k измеренными временными интервалами сегментов образуют N анализируемых далее данных ν.

Отличительной особенностью предложенного способа является использование еще одного повторного масштабирования. Домножаются все параметры на один масштабный коэффициент ν_j. Масштабный коэффициент выбирают таким образом, чтобы в среднем каждый параметр приблизился к своему математическому ожиданию. В частности, общий масштабный коэффициент может быть вычислен усреднением множества частных масштабных коэффициентов, фиктивно приводящих измеренные параметры к значению их математического ожидания. В этом случае расчетная формула будет следующей:

где m(m(ν_j)) - математическое ожидание, ν_j - значение параметра.

При обучении используют несколько реализаций подписи личности (или несколько реализаций пароля, воспроизведенного личностью на планшете). По нескольким реализациям вычисляют обычное для личности значение математического ожидания измеряемых параметров m(m(ν_j)) и дисперсию этих параметров σ

\binom{2}{j}

. Второй отличительной особенностью предлагаемого способа является то, что дополнительно вычисляют характерные для личности коэффициенты корреляции между измеряемыми параметрами:

где n - число примеров, использованных при обучении. Далее формируют эталон, куда входят математические ожидания измеряемых параметров, их дисперсии и их попарные коэффициенты корреляции.

При принятии решения сравнивают меру близости параметров предъявленного образца подписи (пароля) с эталонными параметрами. Кроме того, дополнительно сравнивают меру близости оценок коэффициентов корреляции, полученных на одной последней реализации подписи (пароля), с эталонными значениями коэффициентов корреляции. В частности, оценка меры близости измеренных параметров к эталонным может быть осуществлена вычислением Евклидова расстояния:

Аналогично может быть вычислена мера близости оценок коэффициентов корреляции к их эталонным значениям:

где

это оценка коэффициента корреляции, полученная на одной реализации сигнала и вычисленная по формуле (2) при n = 1. При этом меры расстояния E_ν, E_r для подлинного автора оказываются малы, а для злоумышленника, подделывающего подпись, их значение увеличивается в несколько раз.

Эффективность идентификации личности существенно улучшается, если для принятия решения "Свой"/"Чужой" в соответствии со вторым пунктом предложенного способа используется нейросеть. Отличительной особенностью предлагаемого способа является то, что нейросеть обучают, предъявляя ей n примеров образцов подписи (пароля), преобразованных в виде N измеренных интегральных параметров - ν_i, а также в виде (N² - N)/2 оценок коэффициентов корреляции

При этом предъявление нейросети на этапе обучения и идентификации только параметров ν_i является классическим способом решения задачи, не дающим особых преимуществ. Существенного улучшения удается добиться только при предъявлении нейросети исходных данных ν_i в совокупности с оценками коэффициентов корреляции между ними

Пирамиду нейронов, принимающих положительное решение "Свой", обучают, предъявляя нейросети n образцов подлинной подписи. Еще одной особенностью предложенного способа является то, что пирамиду нейронов, принимающих отрицательное решение "Чужой", обучают на примерах типовых ошибок злоумышленников, подделывающих подпись. К таким примерам относятся высокая равномерность движений (обвод оригинала), лишние точки остановки и так далее. Примеры типовых ошибок получают из эталонных данных путем их искажения, в частности смещают математическое ожидание и увеличивают их дисперсию.

Пример реализации предложенного способа и описание соответствующего ему устройства поясняются фигурами.

На фиг. 1 изображена блок-схема устройства для реализации предложенного способа, содержащая графический планшет 1, блок ввода информации 2, блок масштабирования и сегментирования 3, блок интегральных преобразований 4, второй масштабирующий блок 5, блок вычислений математических ожиданий и дисперсий 6, блок вычисления корреляций 7, блок хранения эталонов 8, блок принятия решения 9.

На фиг. 2 приведен пример воспроизведения слова пароля - "Пенза".

На фиг. 3 приведена кривая колебания пера по оси Y при воспроизведении пароля фиг. 2. На вертикальной оси графика фиг. 3 отложены отсчеты положения пера в координатах графического планшета, на горизонтальной оси отложены отсчеты времени.

На фиг. 4 приведена кривая колебания пера по оси X при воспроизведении пароля фиг. 2. На вертикальной оси графика фиг. 4 отложены отсчеты положения пера в координатах графического планшета, на горизонтальной оси отложены соответствующие отсчеты времени.

На фиг. 5 приведена кривая колебания давления пера P(t) на графический планшет при воспроизведении пароля фиг. 2. На вертикальной оси графика фиг. 5 отложены отсчеты давления пера на планшет в относительных единицах, на горизонтальной оси отложены отсчеты времени, соответствующие моментам измерения давления.

Устройство для реализации предложенного способа имеет графический планшет 1, выходы которого соединены с входами блока ввода информации 2, выход которого соединен со входом блока масштабирования и сегментирования 3. Выход блока 3 соединен со входом блока интегральных преобразований 4. В свою очередь выход блока интегральных преобразований 4 соединен со входом второго блока масштабирования 5, чей выход параллельно соединен со входами блока вычисления математических ожиданий и дисперсий 6, блока вычисления корреляций 7, блока принятия решения 9. Выход блока вычисления математических ожиданий и дисперсий 6 соединен со входом блока хранения эталонов 8. Выход блока вычисления корреляций 7 также соединен со входом блока хранения эталонов 8. Выходы блока хранения эталонов 8 соединены со входами блока вычисления корреляций 7 и блока принятия решения 9. Кроме того, выход блока вычисления корреляций 7 соединен с одним из входов блока принятия решения 9.

При реализации первой части предложенного способа устройство с блок-схемой фиг. 2 работает следующим образом. Пользователь воспроизводит слово пароль на графическом планшете 1, пример которого приведен на фиг. 2. При этом графический планшет 1 преобразует колебания пера в электрические сигналы Y(t), X(t), P(t), которые преобразуются в цифровую форму блоком ввода информации 2. Пример колебания пера по координате Y приведен на фиг. 3. Пример колебания пера по координате X приведен на фиг. 4. Пример колебания давления пера на планшет 1 приведен на фиг. 5. Из этих графиков видно, что в моменты 0, 26, 50, 70, 110, 150, 238, 255 отсчетов времени происходит отрыв пера от графического планшета. Блок масштабирования и сегментирования 3 выделяет моменты отрыва пера t₀, t₁, t₂, t₃, t₄, t₅, t₆, t₇, определяет длительности 7 сегментов и осуществляет по каждому сегменту приведение сигнала к заданному масштабу амплитуды и времени. Далее выделенные сегменты поступают в блок интегральных преобразований 4, который осуществляет вычисление интегралов Фурье по интервалам времени каждого из 7 сегментов. При учете первых двух гармонических составляющих на каждом сегменте измеряется 4 параметра (амплитуда синусной составляющей первой гармоники, амплитуда косинусной составляющей первой гармоники, амплитуда синусной составляющей второй гармоники, амплитуда косинусной составляющей второй гармоники). При этом получается, что данные состоят из 7 интервалов времени и 7•4=28 интегральных параметров, всего 35 контролируемых параметров. Полученные 35 значений данных поступают на вход второго блока масштабирования 5, который осуществляет повторное масштабирование данных в соответствии с формулой (1).

При обучении устройства идентифицируемая личность предъявляет n образцов подписи, которые преобразуются блоками 1, 2, 3, 4, 5, и затем полученные данные усредняются блоком вычисления математических ожиданий и дисперсий 6. Этот блок 6 вычисляет математически ожидания 35 параметров и 35 значений их дисперсий, эти данные поступают в блок хранения эталонов 8. Вычисление математических ожиданий и дисперсий производится по рекуррентным формулам и постепенно уточняется с ростом числа учтенных примеров. Параллельно с дисперсией и математическим ожиданием блок 7 рекуррентно вычисляет коэффициенты корреляции между данными, характерные для идентифицируемого пользователя. В силу симметричности корреляционной матрицы вычисляется (35²-35)/2=595 коэффициентов корреляции, что эквивалентно более чем десятикратному увеличению числа исходных данных. При этом качество вторичных данных (коэффициентов корреляции) не намного хуже первичных исходных данных. Для рассматриваемой задачи обычно значение модуля коэффициента корреляции попадает в интервал величин от 0,3 до 0,7. Положительное и отрицательное значения коэффициента корреляции равновероятны. В итоге по окончании обучения блок 7 переносит в блок 8 дополнительных 595 эталонных значений коэффициентов корреляции, характерных для идентифицируемой личности.

После обучения в режиме идентификации личности рассматриваемое устройство работает аналогично, с той лишь разницей, что блок 6 не работает, а блок 7 вычисляет оценку коэффициентов корреляции по одной реализации подписи. Кроме того, работает блок принятия решения 9, вычисляющий меру близости поступивших данных к эталонным по формулам (3), (4). При малых значениях расстояний (3), (4) принимается решение "Свой", при увеличении расстояния в 2...3 раза принимается решение "Чужой".

Следует отметить, что выше приведен упрощенный вариант работы устройства по предложенному способу. В основном упрощение касается процедуры сегментации подписи. Промышленные системы наряду с сегментацией по отрыву пера используют сегментацию по признаку пересечения ранее проведенной линии и по признаку выделения локальных минимумов или максимумов. Какое сочетание способов сегментации используется для заявляемого способа несущественно и приводит только к изменению числа контролируемых параметров. Последнее несущественно для отличительной части предлагаемого способа.

Следует отметить, что процедуры решения, построенные на вычислении классической Евклидовой меры близости (3), (4), существенно уступают аналогичной взвешенной мере, имеющей при каждом члене суммы свой весовой коэффициент, оптимизирующий влияние контролируемых параметров. Приемлемой технической реализацией этого подхода является использование нейросетей, для которых известны удовлетворительные процедуры поиска весовых коэффициентов /Горбань А. Н. Обучение нейронных сетей. М.: СП Параграф, 1990/. В связи с этим по второму пункту способа для решения поставленной задачи предложено использовать нейросеть для принятия решения "Свой"/"Чужой". Применительно к реализации устройства блок принятия решения 9 представляет симулятор нейросети, весовые коэффициенты каждого из нейронов хранятся в блоке хранения эталонов 8. Для рассматриваемого примера общее число входов нейросети составит 595+35=630. При использовании трехслойной нейросети с нейронами первого и второго слоя, имеющими по 8 входов, общее число нейровесов составит (630+2•630/8 + 2•630/64)= 828. Последнее эквивалентно существенному росту объема информации эталона. В блоке хранения эталона 8 хранится 35 математических ожиданий, 35 дисперсий и минимум 828 весовых коэффициентов нейронов первого слоя, второго слоя и третьего слоя. Сама нейросеть будет иметь один нижний слой из 79 нейронов каждый по 8 входов, во втором слое решения "Свой" будет 10 нейронов с 8 входами, столько же нейронов будет во втором параллельном слое решения "Чужой". В третьем последнем слое будет всего два нейрона с 10 входами. Первый слой нейросети и пирамида двух других слоев решения "Свой" настраиваются индивидуально под образцы подписи каждой зарегистрированной личности. Второй и третий слои пирамиды нейронов решения "Чужой" настраиваются на распознавание типовых примеров искажения эталонных данных злоумышленником, подбирающим подпись. Примеры типовых ошибок и искажений получают преобразованием эталонных данных подписи идентифицируемой личности путем смещения математических ожиданий на 20% и увеличения всех дисперсий на 60% Математическое ожидание смещается случайным образом, имитация увеличенной дисперсии также осуществляется путем использования генератора случайных чисел.

При обучении нейросети на ее входы предъявляются примеры подписи в виде 35 основных параметров и 595 производных параметров (оценок коэффициентов корреляции между парами параметров). Число используемых примеров подписи от 20 до 30.

Улучшение вероятных характеристик идентификации личности по предложенному способу обусловлено несколькими причинами.

1. В сравнении с прототипом улучшается точность измерений за счет повторного масштабирования данных, фактически производится усреднение ошибок масштабирования допущенных ранее при частом масштабировании элементов букв на каждом из 7 выделенных фрагментах.

2. В сравнении с прототипом, использующим контроль только 35 параметров, по первому пункту предложенного способа используется дополнительный контроль 595 вторичных, но весьма значимых параметров. Хотя каждый из вторичных параметров хуже первичного параметра в 2...3 раза, но многократное увеличение их числа приводит к положительному эффекту.

3. В сравнении с прототипом и пунктом первым предложенного способа использование нейросетей позволяет более качественно решать задачу распознавания образов при обилии нечеткой (размытой) информации о множестве оценок корреляционных функций, что является известным фактом. Однако, с другой стороны, проведенные нами исследования показали, что классические нейросети не способны напрямую эффективно контролировать корреляционные моменты (данных в литературе о наличии у нейросетей именно этого дефекта не обнаружено). По сути дела появление технических преимуществ по второму пункту предложенного способа связано с компенсацией одного из существенных дефектов нейросетей. Именно для этого на вход нейросети подаются выделенные ранее оценки корреляционных коэффициентов. К дополнительному улучшению характеристик приводит обучение нейросети на примерах типовых искажений эталонных данных, характерных для злоумышленников.

Имеющиеся в ПНИЭИ данные статистических испытаний позволяют оценить вероятности ошибок идентификации личности на уровне 0,12 при контроле только 35 исходных параметров, что должно быть близко к характеристикам прототипа. В случае использования предложенного способа по первому пункту вероятность ошибок уменьшается до величины 0,03 при тех же условиях использования 35 исходных параметров. При использовании второго пункта предложенного способа вероятность ошибок должна снизиться до величины 0,005.

При необходимости могут быть предоставлены протоколы испытаний серийной системы идентификации личности, частично реализующей первый пункт предложенного способа и обеспечивающей вероятности ошибок первого и второго рода на уровне 0,01 при подписи из 5 букв и контроле 60 основных параметров.

Claims

1. Способ идентификации личности по особенностям подписи, заключающийся в том, что вводят в вычислитель преобразованные в цифровую форму колебания пера, воспроизводящего подпись идентифицируемой личности, и его давление на графический планшет с последующим определением начала и конца подписи идентифицируемой личности, фрагментируют упомянутую подпись, масштабируют каждый фрагмент этой подписи, вычисляют дифференциальные и интегральные параметры фрагментов упомянутой подписи, а также вычисляют временные интервалы фрагментов этой подписи, принимают решение об идентификации личности путем сравнения упомянутых вычисленных параметров и временных интервалов с их эталонными значениями, отличающийся тем, что после определения упомянутых дифференциальных и интегральных параметров и временных интервалов осуществляют повторное масштабирование упомянутых вычисленных параметров и временных интервалов, минимизируя среднее отклонение упомянутых вычисленных параметров и временных интервалов от их эталонных значений, кроме того, дополнительно вычисляют коэффициенты корреляции этих вычисленных параметров и временных интервалов, а также вычисляют оценки указанных коэффициентов корреляции, при упомянутом принятии решения сравнивают эти оценки коэффициентов корреляции с их эталонными значениями.

2. Способ по п.1, отличающийся тем, что упомянутые сравнения вычисленных дифференциальных и интегральных параметров фрагментов подписи и временных интервалов фрагментов подписи с их эталонными значениями, а также оценок коэффициентов корреляции этих вычисленных параметров и временных интервалов с их эталонными значениями осуществляют параллельно, упомянутое решение об идентификации личности принимается искусственной нейронной сетью с предварительным ее обучением как на примерах образцов подписи идентифицируемой личности, так и на примерах попыток подделки, получаемых путем искажения упомянутых эталонных значений.