Tez No	İndirme	Tez Künye	Durumu
392225		Offline signature verification with user-based and global classifiers of local features / Kullanıcı bazlı ve evrensel yerel öznitelik sınıflandırıcıları ile çevrimdışı imza doğrulama Yazar:MUSTAFA BERKAY YILMAZ Danışman: DOÇ. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT Yer Bilgisi: Sabancı Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2015 109 s.
İmza doğrulama, bir kişinin gerçek imzalarından yararlanarak taklit imzalarını saptama problemidir. Zorluk, bir kişinin imzalarındaki geçerli çeşitliliği, yüksek sınıf içi ve düşük sınıflararası çeşitliliğin varlığına rağmen tespit etmekte yatar (taklitler, bir kişinin gerçek bir imzasına, aynı kişinin diğer gerçek imzalarından daha fazla benziyor olabilir). Problem, sınıfların birbirlerine çok benzer olduğu bir esnemez-olmayan nesne karşılaştırma gibi görülebilir. Biyometrik alanında imza, davranışsal bir biyometrik olarak kabul edilir ve ek olarak teknik taklit durumundan dolayı probleme parmak izi tanıma gibi diğer yöntemlerden ileri zorluklar hakimdir. Bu tezde özgün bir çevrimdışı (resim-bazlı) imza doğrulama sistemi önerilmiştir. İmzanın istikrarlı parçalarını yakalamak ve evrensel karşılaştırmanın zorluğunu hafifletmek için, yerel bölgelerdeki eğim ve komşuluk bilgilerini kullanan yerel öznitelikler (yönlü eğimlerin histogramı, yerel ikili örnekleme) kullanılmıştır. Çıkarılan özniteliklerin ayrıştırıcı gücü karar destek makinası (KDM) ile incelenmiş ve kaynaştırma, literatürdekilerden daha iyi sonuç vermiştir. Ölçekten bağımsız öznitelik dönüşüm karşılaştırması da tamamlayıcı bir yaklaşım olarak kullanılmıştır. Sınıflandırıcı eğitimi için, evrensel ve kullanıcı-bazlı olmak üzere iki farklı yaklaşım incelenmiştir. Her kullanıcı için ayrı ayrı eğitilen kullanıcı-bazlı KDMler, bir kişinin referans (gerçek) imzalarını diğer imzalardan ayırmayı öğrenir. Diğer taraftan, eğitim kümesindeki tüm kullanıcıların sorgu ve referans imzalarının öznitelikleri arasındaki fark vektörleriyle eğitilen tek bir evrensel KDM, değişik farklılık türlerinin önemlerinin nasıl ağırlıklandırılması gerektiğini öğrenir. Tüm sınıflandırıcıların kaynaştırılması ile halka açık GPDS-160 imza veritabanında, teknik taklitleri sadece testte kullanmak suretiyle %6.97 eşit hata oranı elde edilmiştir. Sistemin daha önceki sürümleri çeşitli imza doğrulama yarışmalarını kazanmıştır: 4NSigComp2010 ve 4NSigComp2012 yarışmalarında birincilik (kimlik-inkar-etme imzaları olmadan), 4NSigComp2011 yarışmasında Çin imzaları kategorisinde birincilik, SigWiComp2013 yarışmasında tüm kategorilerde birincilik. Elde edilen sonuçlar, literatürde yayınlanan sonuçlardan daha iyi olmuştur. Önerilen yöntemin en büyük avantajlarından birisi, gerçek hayattaki uygulamalara uygun olarak, kullanıcı kaydı sırasında teknik taklit imzalara ihtiyaç duymamasıdır.
Signature verification deals with the problem of identifying forged signatures of a user from his/her genuine signatures. The difficulty lies in identifying allowed variations in a user's signatures, in the presence of high intra-class and low interclass variability (the forgeries may be more similar to a user's genuine signature, compared to his/her other genuine signatures). The problem can be seen as a nonrigid object matching where classes are very similar. In the field of biometrics, signature is considered a behavioral biometric and the problem possesses further difficulties compared to other modalities (e.g. fingerprints) due to the added issue of skilled forgeries. A novel offline (image-based) signature verification system is proposed in this thesis. In order to capture the signature's stable parts and alleviate the difficulty of global matching, local features (histogram of oriented gradients, local binary patterns) are used, based on gradient information and neighboring information inside local regions. Discriminative power of extracted features is analyzed using support vector machine (SVM) classifiers and their fusion gave better results compared to state-of-the-art. Scale invariant feature transform (SIFT) matching is also used as a complementary approach. Two different approaches for classifier training are investigated, namely global and user-dependent SVMs. User-dependent SVMs, trained separately for each user, learn to differentiate a user's (genuine) reference signatures from other signatures. On the other hand, a single global SVM trained with difference vectors of query and reference signatures' features of all users in the training set, learns how to weight the importance of different types of dissimilarities. The fusion of all classifiers achieves a 6.97% equal error rate in skilled forgery tests using the public GPDS-160 signature database. Former versions of the system have won several signature verification competitions such as first place in 4NSigComp2010 and 4NSigComp2012 (the task without disguised signatures); first place in 4NSigComp2011 for Chinese signatures category; first place in SigWiComp2013 for all categories. Obtained results are better than those reported in the literature. One of the major benefits of the proposed method is that user enrollment does not require skilled forgeries of the enrolling user, which is essential for real life applications.