Autentificación de firmas off-line mediante algoritmo SVM
Tipo de material:
TextoDetalles de publicación: Valparaíso: UTFSM, 2011Descripción: 59 h.: ilTema(s): IDENTIFICACION BIOMETRICA | IDENTIFICACION -- PROCESAMIENTO DE DATOS | BIOMETRIA | SISTEMAS DE CONTROL DIGITAL -- PROGRAMAS PARA COMPUTADOR | BC / MEM (memorias UTFSM con resúmenes)Clasificación CDD: M 005.711 Nota de disertación: Tesis (Ing. Civil Informático) -- Prof. guía: Héctor Allende O., prof. corref.: Carlos Castro V. Resumen: [Resumen del autor]Resumen: Existen múltiples formas de identificar a un individuo de acuerdo a sus características biométricas. La factibilidad de estas técnicas depende de diversas variables tales como costos de implantación, aceptación de las personas, escenario del problema, etc. La autenticación automática de firmas es una técnica biométrica muy eficaz en estos aspectos, pero su rendimiento no siempre es el deseado. A pesar de esto, aún se utiliza diariamente en múltiples transacciones y documentos, lo que a veces puede traducirse en significativos costos para las instituciones involucradas. A continuación, se realiza una breve descripción del estado del arte de las distintas técnicas y métodos de clasificación que se encuentran en la literatura diseñadas para lograr que el índice que mide los errores de autenticación sea lo más bajo posible. Adicionalmcntc, se realiza la implementación de una técnica de extracción de característica llamada GSC (Gradient Structure Concavity), la cual tiene como objetivo realizar la extracción de características de una imagen, por medio de un enfoque tanto local, como medio y global. Una vez que se obtiene el vector característico se utiliza una Máquina de Soporte Vectorial (SVM) para lograr la discriminación de un conjunto de firmas. Para cumplir con este objetivo, se eligen los kernel más adecuados para el problema según la literatura y en base a estos, se elige el de mejor desempeño. Luego se sintonizan los parámetros involucrados para luego realizar la clasificación. Debido a que el tamaño del dataset es pequeño se realiza el entrenamiento de la máquina utilizando cross validation. Luego de realizar la clasificación, se calculan los errores asociados en el proceso, y así el desempeño de la máquina. Finalmente, se realiza un análisis de los resultados, y se discute la factibilidad de aplicar esta propuesta en un escenario de la vida real.
| Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
Memorias
|
Biblioteca Central | Memorias | M 005.711 A594 (Navegar estantería(Abre debajo)) | 1 | Disponible | 3560900206037 |
Navegando Biblioteca Central Estantes, Ubicación: Memorias, Código de colección: Memorias Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
CD Rom incluye tesis en formato pdf.
Tesis (Ing. Civil Informático) -- Prof. guía: Héctor Allende O., prof. corref.: Carlos Castro V.
h. 57
[Resumen del autor]
Existen múltiples formas de identificar a un individuo de acuerdo a sus características biométricas. La factibilidad de estas técnicas depende de diversas variables tales como costos de implantación, aceptación de las personas, escenario del problema, etc. La autenticación automática de firmas es una técnica biométrica muy eficaz en estos aspectos, pero su rendimiento no siempre es el deseado. A pesar de esto, aún se utiliza diariamente en múltiples transacciones y documentos, lo que a veces puede traducirse en significativos costos para las instituciones involucradas. A continuación, se realiza una breve descripción del estado del arte de las distintas técnicas y métodos de clasificación que se encuentran en la literatura diseñadas para lograr que el índice que mide los errores de autenticación sea lo más bajo posible. Adicionalmcntc, se realiza la implementación de una técnica de extracción de característica llamada GSC (Gradient Structure Concavity), la cual tiene como objetivo realizar la extracción de características de una imagen, por medio de un enfoque tanto local, como medio y global. Una vez que se obtiene el vector característico se utiliza una Máquina de Soporte Vectorial (SVM) para lograr la discriminación de un conjunto de firmas. Para cumplir con este objetivo, se eligen los kernel más adecuados para el problema según la literatura y en base a estos, se elige el de mejor desempeño. Luego se sintonizan los parámetros involucrados para luego realizar la clasificación. Debido a que el tamaño del dataset es pequeño se realiza el entrenamiento de la máquina utilizando cross validation. Luego de realizar la clasificación, se calculan los errores asociados en el proceso, y así el desempeño de la máquina. Finalmente, se realiza un análisis de los resultados, y se discute la factibilidad de aplicar esta propuesta en un escenario de la vida real.
2