18813

۱۸۸۱۳

تشخيص برون خط جعل فارسي مبتني بر روش اتساع پوياي زمان

كارشناسي ارشد

نرم افزار

اسفند ۱۳۹۶

دكتر محسن ابراهيمي مقدم

كامپيوتر

دست خط بيومتريكي است كه رفتارهاي انسان را در قالب حركت دست و قلم در هنگام نگارش بيان مي كند. شناخت اين بيومتريك سال هاست كه ذهن محققان زيادي را به خود مشغول كرده است. از جمله سوالات مطرح شده در زمينه دست خط، نحوه تشخيص دست خط اصلي از نمونه جعل شده است. تشخيص نوشته هاي جعلي از لحاظ قضايي و حقوقي از اهميت بسيار زيادي برخوردار است زيرا بسياري از متون حقوقي از جمله اعترافات، وصيت نامه و بسياري ديگر به صورت دست نوشته نگارش شده اند و جعل و يا تقليد اين آثار جرم محسوب مي شود. تشخيص جعل براي سيستم، هاي كامپيوتري پيچيدگي هاي زيادي دارد به عنوان نمونه، تشخيص قسمت هاي مختلف نوشته از جمله خط اصلي كلمات و نحوه نگارش و جدانويسي آنها و ... از جمله مسائلي است كه سيستم كامپيوتري بايستي به صورت خودكار به آنها بپردازد. براي سيستم هاي كامپيوتري الگوريتم هايي براي تشخيص وجود دارد كه اين الگوريتم ها نيز ورودي هايي با شرايط خاصي را مي پذيرند و در ضمن خطا نيز دارند و به همين دليل تا به امروز تنها انسان است كه قابليت تخشيص جعل در متن را دارد. در اين پايان نامه روشي ارائه شده است كه بوسيله اين روش، تشخيص جعل با استفاده از كامپيوتر و به صورت خودكار انجام مي شود. در ابتدا دست خط هايي از افراد گرفته شد و بوسيله جاعلان حرفه اي اين دست خط ها جعل گرديد. سپس با استفاده از رويه بزير و الگوريتم هاي پيمايش گراف حركت قلم بر روي كاغذ شبيه سازي مي شود. در مرحله بعد با الگوريتم اتساع پوياي زمان ميزان شباهت متون اصلي با نمونه جعل محاسبه مي شوند. الگوريتم اتساع پوياي زمان به عنوان معيار اصلي در محاسبات براي تشخيصجعل دست خط استفاده شده است. بعد از تشخيص شباهت توسط اين الگوريتم، ويژگي هاي ديگري از متن استخراج شدند كه اين ويژگي ها عبارتند از: ميزان و نحوه پخش جوهر در نوشتار، نسبت بين زاويه حركت قلم و ميزان پخشجوهر، كجي مولفه هاي نوشته و تناسب بين آنها كه همگي آنها با استفاده از الگوريتم اتساع پوياي زمان مقايسه مي شوند. در انتها براي تشخيصجعل از الگوريتم طبقه بندي درخت تصميم استفاده مي شود. اين الگوريتم با استفاده از ويژگي هاي استخراج شده در دو متن اصلي و جعلي در مدلي دوگانه سعي در تشخيصجعل بودن متن را دارد. پاسخ نهايي الگوريتم درخت تصميم به صورت بله يا خير است كه بله نشان از اصالت متن و خير نشان دهنده جعل در متن خواهد بود. در انتها نيز با استفاده از الگوريتم هاي فرا ابتكاري در دو مرحله بازده طبقه بندي بهبود داده مي شود. در مرحله اول با استفاده از الگوريتم ژنتيك، بهترين زير مجموعه از ويژگي ها براي كار تشخيص جعل انتخاب مي شود و در مرحله دوم، با استفاده از تكنيك خوشه بندي 2 مقياس مولفه هاي نوشتار به نسبت اهميتشان در تشخيصجعل، ارزيابي مي شود. در هر دو مرحله از بهينه سازي، بازده طبقه بند به عنوان تابع هدف در نظر گرفته شده است. آزمايشروش پيشنهادي به سه شيوه مختلف با استفاده از داده هاي جعل حرفه اي، تصادفي و داده هايي مخلوط از جعل حرفه اي و تصادفي انجام شدند و نتايج نشان دهنده موفقيت روش پيشنهادي هستند.

1397/02/24

3/20/2018 12:00:00 AM

Hand writing is a biometrics that shows characterstic of a person and it is not possible to forge it completely. In this paper we propose a novel method for offline hand writing forgery detection. In our method, Bezier applied to find smooth trajectories of connected components(CC) and dynamic time warping(DTW) to compare trajectories. Graph of skeleton traced to find a human-like pen movement. Graph tracing algorithm is based on standard pen direction for Persian system of writing. Then for each trace, we extract Bezier curve and ink distribution of trace and and other features of each CC in handwriting. DTW compare Bezier curve of CCs in two handwriting and find most matched CCs. This Comparison creates a matrix which rows are minimum number of CC in two hand writings and columns shows difference of features of best matched CCs. To detect forgery handwriting, we used a dichotomy model. In our dichotomy model, we divide comparison of handwriting into two class of genuine-genuine and genuine-forgery comparison. The model reduce our data and convert it to a two class classification problem. Classification is done with a cross validation simple tree classifier and optimized in two steps with heuristic algorithms. For feature selection phase, we apply a genetic algorithm to find best subset of features. Finally in another phase of optimization, we optimize scale of handwriting with a particle swarm optimization. We test our method on a data-set with 62 professional forged hand writings. Our system examined with expert, random and equally mixed of random and expert forgeries and experiments shows efficiency of our method. Although we test our method on Persian hand writing but we believe that our method has potential to test on other languages with approximately same writing system.