04-juarez chambi, ronald m
DESCRIPTION
04-Juarez Chambi, Ronald MTRANSCRIPT
1
Verificación e identificación de firmas offline
mediante el análisis de imágenes con redes complejas
Autor: Ronald M. Juarez Chambi Asesor: Dr. César A. Beltrán Castañón
[email protected] [email protected] Facultad de Ciencias e Ingeniería – Sección Ingeniería Informática
Pontificia Universidad Católica del Perú
Lima, Perú
Resumen— La firma manuscrita es el medio más común para identificar la validez de un documento. Los procesos de
verificación e identificación de estas son realizados de forma manual por peritos caligráficos que utilizan criterios
generalmente subjetivos. Varias técnicas se han propuesto para apoyar en la solución de este problema mediante el uso de
algoritmos computacionales, pero el problema sigue abierto. El presente trabajo desarrolla de manera inédita la
aplicación de redes complejas para la caracterización, y posterior verificación e identificación de una firma offline. Las
redes complejas pueden ser consideradas entre las áreas de teoría de grafos y la mecánica estadística, y se caracterizan
por poseer propiedades adecuadas para el reconocimiento de formas, las cuales presentan invariancia a la rotación,
escala, trazado y ruido de la imagen. Previamente, las imágenes de las firmas offline fueron pre-procesadas para obtener
una versión esqueletizada de la misma, para tener una imagen más adecuada para la extracción de características. Para
los experimentos se trabajó con una base de datos de imágenes de firmas offline de 960 personas, y se alcanzó una tasa de
acierto de 85.12% en la identificación y de 76.11% para la verificación. Esto demuestra que la metodología utilizada con
redes complejas otorga un auspicioso camino para los procesos de identificación y verificación de firmas de personas y
usarlas en diferentes aplicaciones prácticas como trámites documentarios y validaciones de padrones electorales.
Finalmente, esta nueva metodología de autenticación de firmas basada en redes complejas, incrementa el estado del arte
del área.
Palabras clave—Redes complejas, reconocimiento de
patrones, verificación de firmas, procesamiento de
imágenes digitales, análisis de formas.
I. INTRODUCCIÓN
El proceso de verificación e identificación de firmas
ológrafas es utilizado en muchas entidades públicas y
privadas en cualquier tipo de documento, para cualquier
tipo de trámite, del mismo modo una aplicación muy
común es la identificación de firmas en los padrones
electorales. Entiéndase verificar o reconocer como la
situación en que la persona dice ser el dueño de la firma y
se necesita comparar su firma con la que se encuentra en
una base de datos fidedigna y entiéndase por identificar
cuándo se desconoce la identidad de la persona y se
necesita comparar su firma en una base de datos hasta encontrar la que más se parezca.
Este trabajo es realizado por personas especializadas
con pericia caligráfica; lo cual, como cualquier proceso
manual, es lento y con una alta dependencia del criterio
subjetivo del especialista. Aunque existen algunos
aplicativos en el mercado de software, estos no
garantizan una tasa alta de identificación y menos de
verificación. El presente trabajo propone una alternativa
para suplir la necesidad de verificación de firmas
automatizada mediante un algoritmo que compare dos
firmas para encontrar un nivel de similitud aceptable
entre estas y así autenticar su validez. Para ello se trabajó
sobre una base de datos de imágenes de 960 grupos de
firmas offline, cada grupo conformado por 54 firmas, de
las cuales 24 son genuinas y 30 falsas. Cada grupo de
firmas pertenece a una persona. Para comparar las firmas
mediante el análisis de las imágenes, se estableció tres
pasos: pre-procesamiento, extracción de características y
clasificación. El pre-procesamiento consistió en la
identificación de los píxeles que conforman la imagen,
considerando que las firmas pueden tener diferente
grosor se aplicó el algoritmo de adelgazamiento iterativo
de Pavlidis [1], con el fin de obtener una representación
esqueletizada de la firma. Ello permite llevar a una
representación de red compleja más adecuada. Para la
extracción de características se aplicaron las propiedades
de conectividad de redes complejas, consiguiendo
conformar un vector de características de dimensión 26.
Estos vectores de características se constituyen en la
entrada para el proceso de comparación mediante una red
neuronal perceptron multicapa, para lo cual se define un
umbral mínimo que sirve como indicador de similitud. El
método propuesto, basado en redes complejas, realiza un
eficiente trabajo de caracterización de las formas por
mostrar un buen grado de robustez a la falta de
información, tolerante al ruido e invariante en escala y
rotación. A continuación se desarrolla el artículo, en la
sección II se muestra el estado del arte, Sección III
describe la teoría de redes complejas y sus propiedades,
la Sección IV describe la propuesta de caracterización de
las firmas offline mediante redes complejas; finalmente
se presentan los resultados, Sección V, y conclusiones, Sección VI.
2
II. ESTADO DEL ARTE
En la actualidad, existen dos grupos de características
que pueden ser usadas para la verificación e
identificación de firmas: funcionales y paramétricas.
Cuando una característica funcional es utilizada, la firma
se representa como una función en el tiempo cuyos
valores constituyen el conjunto de características, como
posición, velocidad, aceleración, presión, fuerza,
dirección del lapicero en movimiento y la inclinación del
lápiz, como características online [2] [3] [4]. Por otra
parte, para las características paramétricas u offline, la
firma es representada como un vector de elementos
donde cada valor del vector es una característica de la
firma tales como tiempo de duración de la firma, número
de veces que se levanta o coloca el lapicero,
transformada de Fourier, intensidad de grises, matrices de formas [5] [6].
Los métodos actuales de verificación de firmas
utilizan decenas de técnicas de verificación las cuales se
pueden agrupar en cinco cuatro categorías: Comparación
de Plantillas [7]; Redes Neuronales [8]; Modelos Ocultos
de Márkov [9]; Técnicas estructurales [10]. Esto
demuestra que se tiene un gran número de técnicas de
caracterización de firmas ya sea como modelos
matemáticos o como vectores de características; además,
en la parte de clasificación también hay decenas o cientos
de técnicas que hacen más variada la posibilidad de hacer
combinaciones de caracterización de la firma y técnicas
de clasificación [11].
Más allá de las diferentes técnicas de caracterización
y clasificación de firmas, no se tiene un antecedente en la
literatura de la aplicación de redes complejas para la
caracterización de firmas, siendo que por las
características de estas, se constituye en un método
adecuado para este problema, como lo demostramos en
este trabajo. Sin embargo, a pesar de ser reciente la
técnica, se encontraron aplicaciones en reconocimiento
de patrones, estudios de redes sociales, internet, genética molecular, entre otros [12].
III. REDES COMPLEJAS
En términos generales, una red o grafo es un
conjunto de elementos llamados vértices o nodos con
conexiones entre ellos, llamados enlaces. No obstante,
este término tiene distintos significados en distintas
disciplinas. Un ejemplo de red puede visualizarse en la
Figura 1.
En este contexto, una red compleja se refiere a una
red que posee ciertas características topológicas no
triviales que no ocurren en redes simples, además de tener una gran cantidad de nodos y enlaces.
H
I
F
D
BC
GE
A
ENLACE
NODO
Figura 1 – Una red con 9 nodos y 10 enlaces
Existen diferentes modelos teóricos de redes
complejas tales como el modelo de Erdös-Rényi,
modelos de libre escala, completamente aleatorios, entre
otros [12]. En este trabajo es utilizado el modelo de red
propuesto por Watts-Strogatz [12], este modelo de red
presenta la propiedad de pequeño-mundo, esto quiere
decir que todos los vértices pueden ser accedidos desde
cualquier otro vértice a través de un pequeño número de
enlaces y contienen un alto número de bucles de
longitud tres, estos es, si un vértice 𝑖 tiene conexión con
un vértice 𝑗 y este tiene conexión con un vértice 𝑘
entonces hay una alta probabilidad que 𝑖 y 𝑘 estén conectados (alto coeficiente de agrupamiento) [12].
El modelo dinámico de la red de Watts-Strogatz es
obtenido artificialmente mediante la utilización de
umbrales que sirven para seleccionar las conexiones de la
red. El formato de la firma offline está correlacionado con
la estructura de la red en las diferentes etapas de su
crecimiento. El estudio de sus propiedades dinámicas
(medidas que fueron obtenidas a partir del crecimiento
dinámico de la red, basado en el número de conexiones
de sus componentes) producirá un descriptor o vector de
características de la firma, la cual será utilizada para su análisis y el respectivo proceso de clasificación.
3.1. Medida de conectividad en redes complejas
El grado o degree de un nodo es el número de enlaces
que tiene dicho nodo. En caso de que la red sea dirigida
hablamos de in-degree —número de enlaces incidentes
en el nodo— y de out-degree —número de enlaces
salientes del nodo. Si la red es no-dirigida hablaremos
simplemente de grado. Tabla 1. Grado de cada uno de los nodos de la red no-dirigida
de la Figura 1. Grado medio de la red.
Red de la Figura 1
Nodo Grado
A 1
B 3
C 1
D 4
E 2
F 2
G 3
H 2
I 2
Grado medio: 20/9 = 2.222
El grado medio de una red no es más que el
promedio del grado de todos los nodos de la red. A
3
modo de ejemplo, la Tabla 1 indica el grado de cada uno
de los nodos de la Figura 1, y se indica también el grado
medio de la red.
En términos de matriz de adyacencia 𝐴 el grado 𝑘𝐼 de
un nodo 𝑖 viene dado por.
𝑘𝐼 = ∑ 𝐴𝑖𝑗
𝑁
𝑗=1
Donde N es el número de vértices en la red. Además, el
grado máximo 𝑘𝜅 y promedio 𝑘𝜇 de la red vienen
definidos como.
𝑘𝜅 = max 𝑘𝐼 𝑘𝜇 = 1
𝑁∑ 𝐴𝑖𝑗
𝑁
𝑗=1
3.2. Evolución dinámica de la red
Otra característica importante en redes complejas es
su evolución dinámica, la cual afecta directamente en las
propiedades de la red. Como una consecuencia
inmediata, las medidas de las redes complejas son una
función del tiempo, esto es, dos redes obtenidas en
distintos instantes de tiempo partiendo de una misma red
base son representadas con diferentes características.
Aunque la mayoría de veces solo se tiene acceso a la
evolución dinámica de una red compleja que se da en la
naturaleza, se puede obtener un patrón a partir de esta
evidencia y simular matemáticamente la evolución de
una red. Esto permite una caracterización más idónea para el análisis y la clasificación de redes.
IV. CARACTERIZACIÓN DE FIRMAS OFFLINE CON REDES
COMPLEJAS
4.1. Base de datos de imágenes de firmas offline
El conjunto de imágenes de firmas ha sido solicitado
a la comisión organizadora del concurso de firmas offline
4NSigComp2010 organizado por el Grupo de Procesado
Digital de Señal (GPDS) de la Universidad de Las
Palmas de Gran Canaria [13]. Esta base de datos,
denominada como GPDS960Signature, cuenta con un
grupo de 960 firmas, cada grupo de firmas pertenece a
una persona. Dentro de cada uno de estos grupos se
cuenta con 24 firmas genuinas y 30 firmas falsificadas para cada persona.
Las 24 firmas genuinas fueron recolectadas el
mismo día para cada firmante. Las firmas falsificadas
fueron reproducidas a partir de una imagen estática de
una firma verdadera. A cada falsificador se le permitió
practicar la firma genuina tantas veces como lo desee.
Cada falsificador imitó 3 firmas de 5 personas, a partir de
las una imagen elegida aleatoriamente de las veinticuatro
firmas genuinas para cada persona. Por lo tanto hay 30
firmas falsas realizadas por 10 personas para cada una de
las personas. Cada falsificador utilizó su propio lápiz o
lapicero. En la Figura 2 se muestra un ejemplo de firmas
verdaderas y falsas para una persona en particular, de la
base de datos.
Figura 2 – Muestra de firmas genuinas (a) y falsificadas (b) para una
misma persona de la base dedatos.
4.2. Esqueletización de las firmas
Como primera etapa, es necesario tener una firma
pre-procesada de tal manera que sea más adecuada para
la aplicación específica del algoritmo mejorando ciertas
características de la misma del modo que posibilite
efectuar operaciones del procesado sobre ella, ver Figura
3. Para el caso de las firmas, debido a que se obtienen a
partir del escaneo de una imagen, nos interesa el trazo
principal de la firma, es decir, su esqueleto; ya que, a
pesar de que visualmente el trazo de la firma esté
definida, cada pixel es información única para la
computadora. Una línea está compuesta de muchos
píxeles de los cuales la mayoría es información
redundante y solo uno basta para definir el esqueleto de
la firma. Para ello se ha utilizado el algoritmo de
adelgazamientos iterativos de Pavlidis, debido a que los
trazos de una firma son delgados este algoritmo será aún
más eficiente [1] [14],
Figura 3 – Esqueletización de una firma digigitalizada
4.3. Descriptores de grado de la firma como red
compleja
En esta sección se describe la caracterización de la
firma con un enfoque en redes complejas [15]. Sea 𝑆 el
trazo de la firma, donde 𝑆 = [𝑠1, 𝑠2, … , 𝑠𝑁] y 𝑠𝑖 un
vector de la forma 𝑠𝑖 = [𝑥𝑖 , 𝑦𝑖], cuyos componentes son
valores numéricos enteros que representan las
coordenadas en el punto 𝑖 del contorno. Ahora bien, para
poder aplicar la teoría de redes complejas para el
problema, 𝑆 se representa como una red o grafo 𝐺 = ⟨𝑉, 𝐸⟩. Cada pixel del trazo es representado como un
vértice de la red, es decir 𝑆 = 𝑉. Un conjunto de aristas
o enlaces 𝐸 conectan cada par de vértices estableciendo,
4
de esta manera, la red. Este conjunto 𝐸 es calculado
utilizando la distancia Euclidiana entre dos puntos.
𝑑(𝑠𝑖 , 𝑠𝑗) = √(𝑥𝑖 + 𝑦𝑖)2 + (𝑥𝑖 − 𝑦𝑖)2
Por lo tanto, la matriz es representada por una
matriz de adyacencia con pesos 𝑊 de dimensiones 𝑁 ×𝑁 donde:
𝑤𝑖𝑗 = 𝑊([𝑤, 𝑤𝑗]) = 𝑑(𝑠𝑖 , 𝑠𝑗)
Una de las características de este método es que es
invariante al tamaño y rotación de la imagen del afirma.
En la Figura 4 se realiza la normalización de una
imagen, donde se muestra la propiedad de invariancia a
escala y rotación. Para ello se normaliza la matriz 𝑊 en
el intervalo [0,1].
Figura 4 – Propiedad de invariancia a escala y rotación
Inicialmente, el conjunto de aristas 𝐸 conecta todos
vértices de la red. Esto quiere decir que toda la red tiene
un comportamiento regular, una vez que todos los nodos
tengan el mismo número de conexiones. Sin embargo,
una red regular no es considerada una red compleja
debido a que no presenta alguna propiedad relevante
para el desarrollo de aplicaciones. Por lo tanto, es
necesario transformar esta red regular que se tiene
inicialmente en una red compleja que posea propiedades
relevantes para su posterior aplicación.
4.4. Evolución dinámica de una red compleja
El uso de conceptos y herramientas subyacentes a la
investigación en redes complejas proveen información
relevante para la caracterización de firmas. En este
sentido, se plantea: dada una representación
transformada específica presentada previamente, la
caracterización de 𝑆 se puede representar como un
vector de características obtenido de diferentes valores
de 𝑇𝑖 de una operación de transformación 𝛿, que redefine
la cantidad de conexiones del grafo. Esta operación, de
ahora en adelante representado como 𝐴 = 𝛿𝑇𝑖(𝑊𝑖), es
aplicada para cada elemento de la matriz 𝑊 una matriz
sin peso:
𝐴𝑇𝑖= 𝛿𝑇𝑖
(𝑊𝑖) = ∀w ∈ W {𝑎𝑖𝑗 = 1 𝑠𝑖 𝑤𝑖𝑗 ≥ 𝑇𝑖
𝑎𝑖𝑗 = 0 𝑠𝑖 𝑤𝑖𝑗 < 𝑇𝑖
En otras palabras, la caracterización es realizada
usando varias transformaciones 𝛿 donde el umbral 𝑇𝑖 es
incrementado regularmente a razón de 𝑇𝑖𝑛𝑐. Por lo tanto,
dado un conjunto 𝑇, un elemento 𝑇𝑖 ∈ 𝑇 es definido por
una función 𝑓: 𝑇 → 𝑇 donde
𝑇0 = 𝑇𝑖𝑛𝑖 | 0 < 𝑇𝑖𝑛𝑖 < 1
𝑇𝑙+1 = 𝑓(𝑇𝑙) 𝑠𝑖 𝑇𝑙 < 𝑇𝑄 < 1
𝑓(𝑥) = 𝑥 + 𝑇𝑖𝑛𝑐
Donde 𝑇𝑖𝑛𝑖 y 𝑇𝑄 son los umbrales iniciales y finales,
respectivamente. Este enfoque permite una
caracterización que describe una lista de características
transitorias de la evolución dinámica de la red, tal como
se muestra en la Figura 5.
(a) (b) (c)
Figura 5 – Evolución dinámica de una firma representada en una red
para el umbral 𝑇𝑙: (a) 𝑇𝑙 = 0.1; (b) 𝑇𝑙 = 0.15 y (c) 𝑇𝑙 = 0.2
Por lo tanto, una vez obtenidas las redes debido a la
evolución dinámica, el vector de características
propuesto se basa en la concatenación de los descriptores
de grado. Dichos descriptores se obtienen a partir de una
matriz 𝐴 transformada por la operación de
transformación 𝛿 para un instante 𝑇𝑙 usando las medidas
grado medio (𝑘𝜇) y grado máximo (𝑘𝜅), presentados en
el marco teórico. Sin embargo, una normalización de los
grados de los vértices por el número de vértices es
necesario antes de calcular estas medidas.
∀𝑘𝑖 = 𝑘𝑖
𝑁
Esta normalización es realizada para reducir la
influencia de la cantidad de nodos de la red en el cálculo
de los descriptores mencionados. Por lo tanto,
considerando la transformación de la red para cada
instante 𝑇𝑙, el vector de características denotado por 𝜑 es
calculado como la concatenación del grado medio (𝑘𝜇) y
grado máximo (𝑘𝜅) obtenidos en cada etapa de la
evolución de la red y de este modo se obtiene la
caracterización propuesta de una firma a través de una
red compleja:
𝜑 = [ 𝑘𝜇(𝑇0), 𝑘𝜅(𝑇0), 𝑘𝜇(𝑇1), 𝑘𝜅(𝑇1), … , 𝑘𝜇(𝑇𝑄), 𝑘𝜅(𝑇𝑄)]
El procedimiento de caracterización de las firmas
offline explicado en esta sección, se resume en el
Algoritmo 1:
5
Notación: S es la imagen inicial de la firma.
V es el conjunto de nodos o vértices, cada
nodo es un pixel representado por sus
coordenadas.
W es la matriz de adyacencia con pesos de
la red regular generada a partir del
esqueleto de la
𝜑 es el vector de características que se
obtiene de aplicar el algoritmo a 𝑆
𝛿 es la operación de transformación de la
red compleja (ver sección 4.2)
CARACTERIZACION (S, 𝜑)
1. Esqueletizar la firma en 𝑆
2. Obtener el conjunto de vértices 𝑉 a partir del
esqueleto de 𝑆
3. Obtener la matriz de adyacencia con pesos 𝑊 a
partir del conjunto de 𝑉
4. Normalizar el peso de la matriz 𝑊 al intervalo
de [0 1] 5. Para cada valor de umbral 𝑇𝑙 desde 𝑇0 a 𝑇𝑄 con
un incremento 𝑇𝑖𝑛𝑐 repetir los pasos del 6 al 9
Inicio
6 Aplicar la operación de transformación
𝛿𝑇𝑖(𝑊) para obtener una matriz de
adyacencia sin peso 𝐴𝑇𝑖
7 Obtener el grado medio 𝑘𝜇(𝑇𝑙) y el grado
máximo 𝑘𝜅(𝑇𝑙)
8 Añadir los elementos 𝑘𝜇(𝑇𝑙) y 𝑘𝜅(𝑇𝑙) al
vector 𝜑
9 Normalizar el vector 𝜑 de acuerdo al
número de nodos 𝑁 de la red
Fin
Fin
10 Fin del algoritmo
Algoritmo 1. Algoritmo de caracterización
V. RESULTADOS
5.1. Experimentación
Para evaluar el rendimiento del vector de
características propuesto, se ha implementado un modelo
de clasificación que permite medir la similitud de las
características sobre la base de datos de firmas
GPDS960Signature. Los resultados se han obtenido
usando firmas con variación en escala, rotación, grosor y
ruido. Para ello se utilizó una red neuronal Perceptrón
Multicapa como máquina de aprendizaje, y se utilizó la
técnica de validación cruzada mostrando los resultados
en una matriz de confusión. Para ello se utilizó la API de
la herramienta Weka.
Los experimentos fueron desarrollados con un
procesador Core i5 2.4 Ghz. Las pruebas de verificación
tuvo una duración de 1.49 horas y 1.12 horas para
identificación utilizando toda la base de datos de firmas.
Por lo que tuvo un tiempo de procesamiento promedio
0.1 segundos por firma, el cual demuestra tiempos
computacionales razonables para el algoritmo. Se
realizaron dos experimentos: uno para ver la efectividad
en verificación y otro en identificación. Para la primera
se utilizaron dos clases por cada persona, la primera
clase contiene las firmas genuinas y la segunda clase las
firmas falsas. Para el caso de la identificación se
definieron 960 clases —una clase por persona— cada
clase contiene únicamente las firmas genuinas de cada
persona.
5.2. Resultados de verificación
Para la verificación, la Tabla 2 presenta la tasa de
acierto promedio que el algoritmo obtuvo al aplicarlo
sobre los 960 grupos de firmas, habiendo utilizado la
estrategia de validación cruzada leave-one-out. Los
resultados obtenidos muestran un alto rendimiento del
vector de características. El histograma por efectividad se
muestra en la Figura 6, la cual tiene una alta capacidad de
discriminación entre las dos clases para cada persona. Se
han obtenido discriminaciones de hasta 98% y en
promedio 76% para la verificación.
Figura 6 – Histograma de efectividad para verificación
Tabla 2. Resumen de la tasa de acierto de verificación para las 960
personas
Tasa de acierto Porcentajes
Promedio 76.11%
Máximo 98.15%
Mínimo 44.45%
5.3. Resultados de identificación
Para la identificación se utilizó el total de firmas
genuinas de la base de datos, donde cada grupo se
constituyó en una clase, lo que hizo complejo el
problema en vista que se tenían 960 clases y 23040
instancias. La Tabla 3 muestra el resumen de efectividad de identificación para las 960 personas
Tabla 3. Tasa de acierto de identificación para las 960 personas
Métricas Porcentajes
Clasificaciones correctas 85.12%
Clasificaciones incorrectas 14.88%
Total de instancias 480
14
71
211
390
223
51
0
50
100
150
200
250
300
350
400
450
[40% - 50%> [50% - 60%> [60% - 70%> [70% - 80%> [80% - 90%> [90% - 100%>
Efectividad de verificación de firmas en las 960 personas
6
Como se puede observar, se ha obtenido el 85.12%
de identificación correcta y un error general de 14.88 %.
Esta tasa nos muestra una alta efectividad del algoritmo
para identificar firmas.
Como se comprenderá, mostrar el resultado general
implicaría una tabla de 960x960, lo cual es imposible de
representar en este espacio del artículo. Por ello, a modo
de ejemplo en la Tabla 5 se muestra una parte de la
matriz de clasificación para un conjunto de 20 grupos de
firmas escogidas aleatoriamente, siendo que en la
diagonal se puede verificar la cantidad de firmas clasificadas correctamente.
Tabla 5. Matriz de confusión para una muestra de 20 personas para el
proceso de identificación de firmas
VI. CONCLUSIONES
En este trabajo se ha presentado un método efectivo
de caracterización de firmas offline para la verificación e
identificación, para lo cual se ha aplicado la novedosa
técnica de redes complejas. Esta técnica se muestra ad-
hoc para la representación de la firma offline por
presentar características que consiguen sobrellevar las
dificultades típicas que presentan las firmas de una
persona en el momento de la adquisición de la imagen
mediante algún lector óptico, como cámara o escáner;
entre estas dificultades tenemos la presencia de ruido,
variabilidad intra-clase de la forma de la firma, tamaño, posición, trazo, entre otros.
Los resultados obtenidos son altamente alentadores,
siendo que comparando con los de la competición
4NSigComp2010 Competition, se obtiene la segunda
menor tasa de error lo que demuestra la competitividad y practicidad del algoritmo [13].
Algunas aplicaciones prácticas de nuestra propuesta
están referidas a la preselección de firmas en escenarios
prácticos como la verificación de autenticidad de
documentos, el proceso de recolección de firmas, como
en padrones electorales, trámites bancarios, entre otros.
Por lo tanto, nuestro algoritmo puede presentarse útil
como un paso previo para agilizar el conteo de firmas
válidas y descartar las firmas que son evidentemente falsas o repetidas.
VII. BIBLIOGRAFÍA
[1] T. Pavlidis, «A thinning algorithms for discrete binary
images,» Computer Graphics and Image Processing, pp.
142-157, 1980.
[2] G. Dimauro, S. Impedovo y G. Pirlo, «A stroke-oriented
approach to signature verification,» From Pixels to
Features III—Frontiers in Handwriting Recognition, pp.
371-384, 1992.
[3] G. Dimauro, S. Impedovo y G. Pirlo, «Component-
oriented algorithms for signature verification,» Patter
Recognition, vol. 8, nº 3, pp. 771-794, 1994.
[4] N. M. Herbst y C. N. Liu, «Automatic signature
verification based on accelerometry,» IBM J. Res. Dev.,
vol. 21, pp. 245-253, 1977.
[5] J. J. Brault y R. Plamondon, «Segmenting handwritten
signatures at their perceptually important points,» IEEE
Trans. Pattern Anal., vol. 15, nº 9, pp. 953-957, 1993.
[6] M. M. Shafiei y H. R. Rabiee, «new on-line signature
verification algorithm using variable length segmentation
and hiddenMarkovmodels,» Proc. 7th Int. Conf. Doc.
Anal. Recognit, vol. 1, p. 443–446, 2003.
[7] R. Sabourin y J. P. Drouhard, «Shape matrices as a mixed
shape factor for offline signature verification,» Proc. 4th
Int. Conf. Doc. Anal. Recognit, vol. 2, pp. 661-665, 1997.
[8] A. I. Al-Shoshan, «Handwritten signature verification
using image invariant and dynamic features,» Proc. Int.
Conf. Comput. Graphics, pp. 173-176, 2008.
[9] J. Fierrez-Aguilar, J. Ortega-Garcia, D. D. Ramos y J.
Gonzalez-Rodriguez, «HMM-based on-line signature
verification: Feature extraction and signature modelling,»
Pattern Recognition, vol. 28, nº 16, pp. 2325-2334, 2007.
[10] K. Huang y H. Yan, «Offline signature verification using
structural feature correspondence,» Patter Recognition,
vol. 35, nº 11, pp. 2467-2477, 2002.
[11] D. Impedovo y P. Giussepe, «Automatic Signature
Verification: The State of Art,» IEEE Transactions on
system, man and cybernetics, vol. 38, nº 5, pp. 609 - 635,
2008.
[12] A.-L. Barabási, Linked: The New Science of Networks,
USA: Perseus Books Group, 2002.
[13] M. Blumenstein, M. A. Ferrer, J.F. Vargas, «The
4NSigComp2010 off-line signature verification
competitin» in Proceedings of 12th International
Conference on Frontiers Handwriting Recognition, pp.
721-726, Kolkata, India, 16-18 Noviembre 2010.
[14] T. Pavlidis, Algorithms for Graphics and Image
Processing, Germany: Springer Verlag, 1982.
[15] A. R. Backes, D. Casanova y O. Martinez Bruno, «A
complex network-based approach for boundary shape
analysis,» Pattern Recognition, vol. 42, pp. 54 - 67, 2009.