Dynamický podpis
vycházející z přednášek Dr. Andrzej Drygajlo, http://scgwww.epfl.ch/courses/
Biometrické charakteristiky ‣ Biologické • DNA, krev, sliny ‣ Biologické/Fyziologické • otisk prstu, zornice, tvář, sítnice ‣ Chování • podpis, chůze, psaní na klávesnici ‣ Složené • Řeč
Různorodost charakteristik
Porovnání charakteristik Cena
Iris Podpis Tvář
Otisk prstu
Řeč Přesnost
Podpis Statický
Dynamický
Podpis ‣ statický (offline) • běžný podpis naskenovaný z dokumentu ‣ dynamický (online) • podpis získaný pomocí tabletu, obsahující dynamické informace o x,y,z pozici pera v čase (případně další) ve vyšším rozlišení
‣ elektronický • Elektronický údaj (číslo), který slouží k ověření identity podepsané osoby ve vztahu k datové zprávě
Podpisy - porovnání
Elektronický podpis (zaručený)
‣ Princip • Asymetrické kryptografie • Uživatel - privátní klíč (data) • Organizace zajišťující potvrzení veřejného klíče (certifikát)
‣ Účel • Elektronické podepisování dokumentů • Jistota identifikace a autentizace podepsaného
Problematika El. podpisu ‣ Datové schránky – povinný přechod k EP ‣ Dlouhodobé uchovávání záznamu – dohledatelnost certifikátů
‣ Řešení ‣ Long Term Validation (přiřazení ověřovacích certifikátů)
http://www.bajecnysvet.cz/obsah/4x10x3.php
Elektronický a dynamický podpis ‣ Není úplně dořešená legislativou ‣ Podpisové vzory • Správa a uchovávání ‣ Řešení stárnutí ‣ Integrita s dokumentem
•
Časové razítko
‣ Strojové použití? http://www.xyzmo.com/en/products/Pages/digitalsignature-ipad-android.aspx
Legislativa ‣ Společná pro dynamický a el. podpis ‣ Spadá pod direktivu 1999/93/EC ‣ Česká legislativa • zákon 227/2000 Sb o elektronickém podpisu
Autentizace
‣ Způsoby autentizace: • založené na vlastnictví - kreditní karta, klíče (něco nosíme u sebe)
•
založené na znalosti
•
heslo, PIN (něco si pamatujeme)
biometrické
-
... (část toho, co jsme)
Podpis je kombinace znalosti (co a jak píšeme) a biometrie.
Ideální biometrický ukazatel ‣ Univerzálnost - lze jej měřit u kohokoliv? ‣ Unikátnost ‣ Stálost - ukazatel by se neměl v čase měnit ‣ Dostupnost - lze data měřit běžně dostupným přístrojem?
‣ Etika - získání dat musí být společností považováno za etické
Podpis není ideální biometrický ukazatel.
Aplikace ‣ Online • Přihlašování (Tablet) • Ověření dokumentu (podepsání) • UPS ‣ Offline • Ověření dokumentu • Forenzní analýza
Podpis v dokladech
3. biom. údaj
IKEA - elektronická účtenka
T-Mobile a další
Přístroje
Společnosti - odkazy ‣ Online • SOFTPRO - www.softpro.de • CYBERSIGN - www.cybersign.com • CIC - www.cic.com • SIGNOTEC - www.signotec.com ‣ Offline • SIGNATURENET - www.signaturenet
Dynamický podpis na normálním tabletu •
Xyzmo
•
•
http://www.xyzmo.com
SignoTec
•
http://en.signotec.com/
Speciální pera (stylus)
• Běžná neměří přítlak • •
•
Nepotřebují napájení Levné (10+$)
S přítlakem
•
Nutné napájení
•
•
USB akumulátor
Komunikace
•
Bluetooth (bezpečí)
BlueSniper (2005)
• Odposlech na více než míli (1,6km) • Výroba popsaná na internetu •
http://www.smallnetbuilder.com/content/view/2 4256/98/
• Cena součástek pod 400 $
• Mění pouze dosah z udávaných 10 m http://www.wired.com/politics/security/news/2004/08/64463
Na trhu – s přítlakem •
Wacom Intuos Creative Stylus (100 $)
•
•
Pogo Connect
•
•
http://www.tenonedesign.com/connect.php
Jaja Hex3
•
•
http://intuoscreativestylus.wacom.com/en/
http://www.hex3.co/products/jaja
Jot Touch (90 $)
•
http://adonit.net/jot/touch/
Tablet
Jak funguje grafický tablet ‣ Elektromagnetická rezonance
‣ Tablet • vysílá/přijímá ‣ Pero • rezonanční obvod cívka-kondenzátor
•
modulace přítlaku, stisku tlačítek http://www.tablet4u.co.uk/techinfo.html
Rozpoznání podpisu Referenční vzory podpisů/modely
Data
Extrakce příznaků
Míra podobnosti
Výsledek
Dynamický podpis
Příznaky: •souřadnice X •souřadnice Y •přítlak •natočení pera (0º-359º) •náklon pera (0º-90º)
Další příznak - Stisk ‣ Input device for dynamic signature verification systems
• •
Patent US 5018208 A „Finger pressure exerted by a writer's fingers on the barrel of a hand-held instrument is employed to dynamically verify a signature.“
‣ Atd… http://www.google.vu/patents/US5018208
Padělání ‣ Typy padělků 1. náhodně napsaný text, podpis jiné osoby 2. podpis vytvořený na základě offline předlohy (s dostatečným časem na naučení) 3. podpis vytvořený na základě sledování, jak podpis vzniká 4. kvalitní padělek: kombinace (2) a (3)
Padělky
Originál
(3) Padělek ze sledování
(2) Padělek z předlohy
Originál a kvalitní padělek
Originál
(4)Kvalitní padělek
Originální podpis
Kvalitní padělek
Originál
Kvalitní padělek
Předzpracování ‣ Vyhlazování • vstupní signál
bývá často velmi zubatý
‣ Segmentace • začátek: první přítlak
•
konec: poslední zvednutí pera (delší než ...s)
Předzpracování
Všechny podpisy musí být zarovnány vzhledem k počátečnímu bodu (např.[0,0]).
Lokální a globální příznaky ‣ Lokální příznaky • souřadnice x, y • rychlost v • zrychlení a • tečný úhel • natočení pera • náklon pera • 1. a 2. derivace příznaků
Příklady lokálních příznaků ‣ Derivaci je vhodné aproximovat regresí druhého řádu - ne pouze jednoduchou diferencí vzorků. Vzorec pro regresi N-tého řádu v čase t pro parametr q je:
‣ Rychlost a zrychlení pak lze spočítat:
Lokální a globální příznaky ‣ Globální příznaky • Délka, výška, šířka podpisu • Jak dlouho trval podpis • Jak dlouho byl/nebyl přítlak • Průměrná rychlost • Maximální rychlost • Minimální rychlost • atd.
Použití modelů ‣ Deterministické metody • Dynamic Time Warping (DTW) • Vector Quantization (VQ) ‣ Statistické metody • Gaussian Mixture Model (GMM) • Hidden Markov Model (HMM)
Gaussian Mixture Model
Gaussian Mixture Model
Gaussian Mixture Model
Schéma rozpoznání podpisu GMM Gaussian Mixture Model
Data
Extrakce příznaků
prahování
Míra podobnosti =pravděpodobnost
Výsledek
Metody rozpoznávání ‣ Deterministické metody • Dynamic Time Warping (DTW) • Vector Quantization (VQ) ‣ Statistické metody • Gaussian Mixture Model (GMM) • Hidden Markov Model (HMM)
DTW zpracování DP ‣ Practical On-Line Signature Verification • J.M. Pascual-Gaspar, V. CardenosoPayo, and C.E. Vivaracho-Pascual
•
Advances in Biometrics, Lecture Notes in Computer Science 2009
Schéma rozpoznání podpisu DTW Referenční vzory podpisů alespoň 5 pro každého uživatele
Data
Extrakce příznaků
prahování
Míra podobnosti
DTW
Výsledek
Extrakce příznaků ‣ x, y ‣ p - přítlak ‣ a - natočení (azimuth) ‣ i - náklon (inclination) + 1. a 2. derivace 15 příznakových vektorů (i když následně došlo k redukci)
Rozpoznání podpisu ‣ Dynamic Time Warping
Proč DTW?
Porovnání křivek (standardně)
Porovnání křivek (DTW)
Warpovací funkce ‣ ‣ ‣
mřížka ukazuje vzdálenost (podobnost) jednotlivých bodů (nrozměrných) křivek snaha o nalezení minimální cesty z [0,0] do [n,m] řeší dynamické programování
Omezení warpovací funkce
Omezení warpovací funkce
DTW - příklad
Databáze podpisů
Výsledky
EER
Random forgery
Skilled forgery
0.41%
2.26%
EER = Equal error rate udává chybovost (jak chybného přijetí podpisu za pravý, tak i chybného zamítnutí pravého podpisu)
Výhody x nevýhody podpisu ‣ Nekonzistentní ‣ Ochrana proti padělání ‣ Používá zavedené ‣ Uživatelé nejsou zvyklí procesy podepisovat tablet ‣ Neinvazivní ‣ Počet možných aplikací je omezen ‣ Uživatelé mohou změnit podpis ‣ Uživatelé mohou změnit podepisování vede ke zvýšení chybovosti
podpis
Výhody ‣ Podpis je vytvořen lidmi a padělání (ochrana) je dobře prozkoumané
‣ Natrénování podpisu je rychlé a intuitivní ‣ Verifikace podpisu je rychlá nemá vysoké požadavky na úložný prostor
Nevýhody ‣ Používá se v podstatě jenom pro autentizaci dokumentů
‣ Pero s náklonem a natočením je drahé ‣ Handicapovaní lidé a lidé, s nedostatečnou motorickou koordinací
“Obyčejný” tablet ‣
Genius EasyPen i405X ~ 900Kč
• • • ‣
2540 lpi 1024 úrovní přítlaku 125 bodů/s
Wacom Intuos Pro S A6 ~ 5 600Kč
• • •
5080 lpi 2048 úrovní přítlaku 200 bodů/s
“Biometrický” tablet ‣
Wacom STU-530 LCD Signature ~ 9 000Kč
• • • • •
LCD 2540 lpi 1024 úrovní přítlaku 200 bodů/s náklon i natočení (grip pen)
Cvičení
‣ Úkol: • Seznamte se s problematikou zpracování dynamického podpisu. Implementujte metody GMM a DTW a optimalizujte pro rozpoznávání d. podpisu.
-
K dizpozici je několik originálních podpisů (od jednoho člověka) a jejich padělků.
-
Testování bude probíhat na příkladech, které nemáte k dispozici.
Návrh řešení 1. Načtení dat 2. Předzpracování dat (+ extrakce příznaků) 3. Natrénování a uložení GMM modelu 4. Míra podobnosti 5. Stanovení rozhodovacího prahu 6. Rozhodovací funkce
=
poskládání jednotlivých částí dohromady
2. Předzpracování dat ‣ ‣ ‣
Oříznutí
‣
definice m-funkce:
Normalizace Výpočet příznakových vektorů (1., 2. derivace)
3. Trénování ‣ GMM • Pro každý příznakový vektor pomocí E-M algoritmu odhadneme GMM
•
použijeme třídu gmdistribution ze Statistics toolboxu (funkce fit)
•
Uložíme si výsledný gmdistribution objekt pro pozdější použití
•
E-M algoritmus
‣ DTW • Model = vzorové podpisy
Gaussian Mixture Model
4. Míra podobnosti = skóre ‣ Míra podobnosti = pravděpodobnost, že náš příznakový vektor x1,2,...,M pochází z daného GMM
•
vypočítáme celkovou log(p(x1,2,...,M|GMM) příznakového vektoru:
‣ Skóre jednotlivých vektorů sečteme (proč?) ‣ Míra podobnosti u DTW je záporná vzdálenost mezi podpisy
•
Zvýraznění příznaků?
5. Rozhodovací práh
‣ Experimentálně: • spočítáme skóre pro několik originálů a padělků, které vyneseme na osu a určíme práh
‣
ROC křivkou:
• ‣ ‣
pro každou hodnotu prahu spočítáme sensitivitu a specificitu - vybíráme “optimum”
Bayes ...
Děkuji za pozornost
