[논문]필기습관 정보에 기반한 온라인 서명인식

성한호; 이일병

문제 정의

본 논문에서는 현재까지 사용되어 온 방법론들이 필기자의 습관이 고스란히 담겨있는 서명하는 동안의 정보를 임의로 가공하여 일반적으로 잡음으로 처리하던 손떨림 정보들과 펜의 기울임 정보와 방위각 정보의 극심한 변동 등 사용할 수만 있다면 오히려 더 좋은 특징들이 될 수 있는 많은 정보들이 표본화(Sampling) 과정에서 손실을 가져올 수 있다는데 착안하였다. 서명을 시작해서 끝낼 때까지의 생체정보를 숫자열의 텍스트로 받은 후 어떠한 왜곡도 없이 받아들인 서명정보를 정규화(Normalization)를 거친 후 '텍스트로 표현된 필기습관의 패턴 열'을 구성하여 근래에 음성인식[2][3]과 얼굴인식[4] 분야에 많이 사용되고 있는 PCA, ICA 기법을 사용하였다.
본 연구에서는 PCA, ICA를 온라인 서명인식에 이용하여 앞서 추출한 통계적으로 독립인 생체특징정보롤 분석하고 압축하여 보다 간결하게 개인별 독립 성분으로 분리하여 검증에 사용하여 비교적 높은 인식률을 얻을 수 있음을 보인다.[5] 또한 ICA를 통해 독립된 성분을 찾아내고 분리하여 나타난 성분은 개개인의 결정적 생체특징임을 확인하고 이를 인식에 이용할 수 있음을 보인다.

제안 방법

본 연구에서는 필기습관에 주목하여 서명을 할 때 펜을 눌러 쓴 정도, 펜을 사용하는 위치, 펜을 얼마나 뉘어서 쓰는지 세워서 쓰는지, 펜을 오른손으로 잡는지 왼손으로 잡는지 등의 방위각과 기울임 정도에 대한 동적인 생체 정보를 감지하고 특성을 주출할 수 있는 타블렛과 펜을 사용하여 서명정보를 추출한다.
서명을 시작해서 끝낼 때까지의 생체정보를 숫자열의 텍스트로 받은 후 어떠한 왜곡도 없이 받아들인 서명정보를 정규화(Normalization)를 거친 후 '텍스트로 표현된 필기습관의 패턴 열'을 구성하여 근래에 음성인식[2][3]과 얼굴인식[4] 분야에 많이 사용되고 있는 PCA, ICA 기법을 사용하였다. 정보를 효과적으로 줄일 수 있는 PCA를 이용해서 특징을 얻은 후에 축을 달리하면서 특징을 분리하여 인식에 도움이 되는 ICA를 이용하여 정보의 손실을 없애고 정보 이용의 효율성을 높였다. 이렇게 필기습관만의 정보를 가지고도 비교적 높은 인식률을 얻을 수 있음을 보인다[5][6].
압력수치가 증가(서명시작)하는 부분부터 더 이상의 입력이 없는 부분까지 데이터를 받아 서명을 시작해서 끝낼 때까지 1차 표준화(Normalization)를 거쳐 데이터를 0~255 사이의 값들로 만들고, 아래의 그림 3과 같이 2차 표준화로 보간법(Interpolatin)을 사용하여 정보들을 균일하게 배치하여 생체정보를 추출하였다.[7]
획득한 서명 중 10개는 학습데이터로, 나머지 10개는 테스트데이터로 사용하였다. 생체정보는 방위각, 기울기, 압력, 좌표(X좌표, y좌표)를 2초간 1000개씩 받아서 앞의 2.4절에서 설명한 형식대로 1×40OO(여기서, 4000=5가지정보×800개로 Interpolation)의 배열을 구성하였다. 이렇게 얻어진 200×4000의 학습데이터와 테스트데이터를 Matlab 6.
4절에서 설명한 형식대로 1×40OO(여기서, 4000=5가지정보×800개로 Interpolation)의 배열을 구성하였다. 이렇게 얻어진 200×4000의 학습데이터와 테스트데이터를 Matlab 6.1 환경에서 PCA와 ICA에 각각 적용한 결과로 생성된 특징 벡터사이의 거리를 Euclidean Distance를 이용하여 구하고 Nearest Neighbor를 비교하여 인식률을 알아보았다. 수집한 데이터의 신뢰수준을 알아보기 위해 교차검증(Cross Validation) 기법 중 하나인 Leave-One-Out 방법을 이용하여 분류 성능을 측정하였다.
첫 번째 서명데이터를 Test set(l개)으로 정하고 이를 포함한 학습데이터(200개)와 테스트데이터(200개)를 새로운 Train set(400개)으로 만들어 ICA과정을 거친 후, 이 데이터가 해당하는 학습데이터 군으로 분류되는지를 알아보았다. 실험을 위한 테스트데이터는 1개의 서명데이터(학습데이터)를 포함한 모든 서명데이터를 사용하는데, 이 학습데이터가 테스트데이터 내에 존재하는 자신의 그룹 또는 클래스로 분류되는지를 확인한 결과 84.

대상 데이터

1행 N열의 구성이 필요하다. 데이터는 모두 5가지의 정보 즉, 방위각, 기울기, 압력, X좌표, y좌표의 정보를 모두 0~255 사이의 실수(소수점 2자리)로 변환된 값들을 각 800개씩 모두 4000개를 받게 된다. 아래의 표 1 에 특징벡터의 구성을 나타내었다.
MS Visual C++ . 환경에서 타블렛(Wacom Intuos Tablet Model, GD-0405-U, USB)과 펜(Intuos Pen, GP-300E-00H)을 이응하여 20명을 대상으로 각각 20회의 서명을 획득하였다. 획득한 서명 중 10개는 학습데이터로, 나머지 10개는 테스트데이터로 사용하였다.
환경에서 타블렛(Wacom Intuos Tablet Model, GD-0405-U, USB)과 펜(Intuos Pen, GP-300E-00H)을 이응하여 20명을 대상으로 각각 20회의 서명을 획득하였다. 획득한 서명 중 10개는 학습데이터로, 나머지 10개는 테스트데이터로 사용하였다. 생체정보는 방위각, 기울기, 압력, 좌표(X좌표, y좌표)를 2초간 1000개씩 받아서 앞의 2.

이론/모형

다섯 종류의 서명정보들은 각기 다른 범위로 값이 추출되므로 특징추출 시 용이하도록 0~255 사이의 실수값으로 정보의 왜곡 없이 범위롤 맞추고 보간법(Interpolation)을 이용하여 서명정보를 정규화 한다. 이렇게 추출된 서명정보를 현재 패턴인식 분야에 널리 활용하고 있는 주성분요소분석(PCA, Principal Component Analysis), 독립성분요소분석(ICA, Independent Component Analysis)기법에 적용하여 특징을 추출한다.
이렇게 추출된 서명정보를 현재 패턴인식 분야에 널리 활용하고 있는 주성분요소분석(PCA, Principal Component Analysis), 독립성분요소분석(ICA, Independent Component Analysis)기법에 적용하여 특징을 추출한다.
가져올 수 있다는데 착안하였다. 서명을 시작해서 끝낼 때까지의 생체정보를 숫자열의 텍스트로 받은 후 어떠한 왜곡도 없이 받아들인 서명정보를 정규화(Normalization)를 거친 후 '텍스트로 표현된 필기습관의 패턴 열'을 구성하여 근래에 음성인식[2][3]과 얼굴인식[4] 분야에 많이 사용되고 있는 PCA, ICA 기법을 사용하였다. 정보를 효과적으로 줄일 수 있는 PCA를 이용해서 특징을 얻은 후에 축을 달리하면서 특징을 분리하여 인식에 도움이 되는 ICA를 이용하여 정보의 손실을 없애고 정보 이용의 효율성을 높였다.
1 환경에서 PCA와 ICA에 각각 적용한 결과로 생성된 특징 벡터사이의 거리를 Euclidean Distance를 이용하여 구하고 Nearest Neighbor를 비교하여 인식률을 알아보았다. 수집한 데이터의 신뢰수준을 알아보기 위해 교차검증(Cross Validation) 기법 중 하나인 Leave-One-Out 방법을 이용하여 분류 성능을 측정하였다.

성능/효과

생성된 두 특징벡터 사이의 거리를 Euclidean Distance를 이용하여 구하고 Nearest Neighbor를 비교하여 인식률을 알아본 결과 PCA는 87.5%, ICA는 88.5%의 인식률을 보였으며, PCA 과정을 거쳐 나온 200×196차원의 데이터에 대해 값의 변화가 많은 부분을 선택적으로 실험한 결과 196개의 특징차원에서의 인식률과 60개의 특징차원에서의 인식률이 동일하게 나왔으며 그 이후부터는 점차로 감소하였다. 이와 비교하여 ICA 적용 실험에서는 PCA 과정을 거쳐 압축된 196차원 중에서 22차원을 선택한 경우가 가장 높은 인식률이 나왔으며 이후는 점차 감소하는 결과를 보였다.
5%의 인식률을 보였으며, PCA 과정을 거쳐 나온 200×196차원의 데이터에 대해 값의 변화가 많은 부분을 선택적으로 실험한 결과 196개의 특징차원에서의 인식률과 60개의 특징차원에서의 인식률이 동일하게 나왔으며 그 이후부터는 점차로 감소하였다. 이와 비교하여 ICA 적용 실험에서는 PCA 과정을 거쳐 압축된 196차원 중에서 22차원을 선택한 경우가 가장 높은 인식률이 나왔으며 이후는 점차 감소하는 결과를 보였다. 수집한 데이터의 신뢰수준을 알아보기 위해 교차인식(Cross Validation) 기법 중 하나인 Leave-One-Out 방법을 이용하여 분류 성능을 측정한 결과 84.
이와 비교하여 ICA 적용 실험에서는 PCA 과정을 거쳐 압축된 196차원 중에서 22차원을 선택한 경우가 가장 높은 인식률이 나왔으며 이후는 점차 감소하는 결과를 보였다. 수집한 데이터의 신뢰수준을 알아보기 위해 교차인식(Cross Validation) 기법 중 하나인 Leave-One-Out 방법을 이용하여 분류 성능을 측정한 결과 84.8%의 분류율을 얻었다.[7]
수집한 데이터의 신뢰수준을 알아보기 위해 교차인식(Cross Validation) 기법 중 하나인 Leave-One-Out 방법을 이용하여 분류 성능을 측정한 결과 84.8%의 분류율을 얻었다.[7]
추출한 서명의 생체정보는 개인별로 독립적이며 각 생체정보의 성분 즉, 방위각, 기울기, 압력, 좌표 정보도 모두 독립적이다.
위의 실험에서 PCA 적용 결과는 196차원에 대한 실험 결과이며 ICA는 PCA결과 생성된 196차원 중 인식률이 가장 높았던 22차원에 대하여 실험하였다. 위의 실험 결과에서 보둣 생체정보의 조합 수에 따라 항목별로 구분하였으며, 굵은 글씨로 쓴 숫자는 해당 항목에 대해가장 높은 인식률을 보인 것이고, 가장 낮은 인식률을 보인 항목에는 밑줄을 그어 표시하였다.
가장 높았던 22차원에 대하여 실험하였다. 위의 실험 결과에서 보둣 생체정보의 조합 수에 따라 항목별로 구분하였으며, 굵은 글씨로 쓴 숫자는 해당 항목에 대해가장 높은 인식률을 보인 것이고, 가장 낮은 인식률을 보인 항목에는 밑줄을 그어 표시하였다.
본 연구를 통하여 개개인의 필기습관이 고스란히 담겨있는 서명정보를 추출하고, PCA와 ICA를 이용하여 서명데이터의 생체특징을 분리하고 검증데이터로 활용한 결과 비교적 좋은 인식률을 얻을 수 있음을 확인하였다. 이로써 본 연구에서 제안하는 필기습관을 기반으로 한 인식 방법이 온라인 서명 인식에 효율적으로 사용될 수있음을 알 수 있었다.
확인하였다. 이로써 본 연구에서 제안하는 필기습관을 기반으로 한 인식 방법이 온라인 서명 인식에 효율적으로 사용될 수있음을 알 수 있었다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 필기습관 정보에 기반한 온라인 서명인식
On-line Signature Identification Based on Writing Habit Information 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 필기습관 정보에 기반한 온라인 서명인식 On-line Signature Identification Based on Writing Habit Information 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 필기습관 정보에 기반한 온라인 서명인식
On-line Signature Identification Based on Writing Habit Information 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper