第 3 章 実験 16
3.5 実験 3
濃度こう配特徴を用いた署名照合（GDM）（フルネーム，姓，名）で得られる3つのマ ハラノビス距離とDPマッチングによる署名照合（DP）（フルネーム，姓，名）で得られ る3つの相違度を特徴ベクトルとするSVMによって照合・分類することで EERが減少 するかどうかの検証を行った．実験3の処理の流れを図3.4に示す．
図3.4:実験3の処理の流れ
3.5.1 実験条件
登録用の真筆署名として3個または 6個用い署名照合の性能評価を行った．SVMの カーネルとして線形，多項式(2次)，多項式(3次)，多項式(4次)，RBF(ガウシアンカー ネル)を用いて実験を行った. しきい値は全筆記者共通の値とし，しきい値を変動させて
FAR = FRRとなるしきい値を求めた．
3.5.2 結果
FRRとFARが等しくなる時の単独手法のEERを表3.5に示す．単独手法によるEER の最小値は，登録用署名数が3個の場合，フルネーム署名データからDPマッチングによ り算出した相違度を用いて照合した場合で8.24%，6個の場合，フルネーム署名画像から
3.5 実験3 25
表3.5:各手法ごとの等価誤り率(%)
EER of individual verification techniques(%)
Number of training signatures GDM DP
Full name First name Last name Full name First name Last name
3 11.34 13.08 15.95 8.24 14.07 16.17
6 6.45 9.23 10.89 7.84 11.96 13.67
表3.6:複数の特徴を組み合わせた時の等価誤り率(%)(学習データ数:3個) EER when combined some techniques with three training signatures/signer(%)
hhhhhhh
hhhhhhhh
Combination
Kernel linear polynomial polynomial polynomial RBF (deg 2) (deg 3) (deg 4)
GDM(Full name + First name + Last name) 10.66 10.12 9.63 10.16 10.30 DP(Full name + First name + Last name) 7.88 8.47 8.15 8.42 8.06
GDM(Full name) + DP(Full name) 7.54 8.60 8.64 8.87 7.48
GDM(Full name + First name + Last name)
6.27 6.54 6.41 6.54 6.54
+ DP(Full name)
GDM(Full name + First name + Last name)
5.59 5.82 5.46 6.18 6.54
+ DP(Full name + First name Last name)
表3.7:複数の特徴を組み合わせた時の等価誤り率(%)(学習データ数:6個) EER when combined some techniques with three training signatures/signer(%)
hhhhhhh
hhhhhhhh
Combination
Kernel linear polynomial polynomial polynomial RBF (deg 2) (deg 3) (deg 4) GDM(Full name + First name + Last name) 6.09 6.72 6.45 6.72 5.72
DP(Full name + First name + Last name) 6.90 7.52 7.53 6.90 6.76
GDM(Full name) + DP(Full name) 5.24 6.85 6.00 8.77 5.27
GDM(Full name + First name + Last name)
4.38 4.57 4.12 4.52 4.48
+ DP(Full name)
GDM(Full name + First name + Last name)
3.54 3.98 3.45 3.35 3.60
+ DP(Full name + First name Last name)
ム，姓，名の各署名データから得られる相違度の6つの特徴を様々な組み合わせ方で融合 した時の結果を，学習署名が3個／署名者の場合を表3.6に,学習署名が6個／署名者の 場合を表3.7に示す．また登録用署名が3個／署名者のDET曲線を図3.5に，6個／署名 者のDET曲線を図3.6に示す．DET曲線とは，分類におけるしきい値をパラメータとし て，他人受入れ率FARと本人拒否率FRRをプロットしたグラフであり，原点に近いほど その照合精度が良い．
3.5.3 考察
学習署名が3個の場合，GDM(フルネーム+姓+名) + DP(フルネーム+姓+名)によ り最小EER 5.46%が得られ，単独手法のDP（フルネーム）の8.24%から2.78% EERが
0 5 10 15 20 25 30
0 5 10 15 20 25 30
False Rejection Rate(FRR)[%]
False Acceptance Rate(FAR)[%]
Proposed GDM(Full name) GDM(First name) GDM(Last name) DP(Full name) DP(First name) DP(Last name)
図3.5: DET曲線(学習データ数:3個)
DET curve when three signatures/user are used for training
0 5 10 15 20 25 30
0 5 10 15 20 25 30
False Rejection Rate(FRR)[%]
False Acceptance Rate(FAR)[%]
Proposed GDM(Full name) GDM(First name) GDM(Last name) DP(Full name) DP(First name) DP(Last name)
図3.6: DET曲線(学習データ数:6個)
DET curve when six signatures/user are used for training
減少した．学習署名が6個の場合，GDM (フルネーム+姓+名）+ DP(フルネーム+姓+ 名)により最小EER 3.35%が得られ，単独手法のGDF（フルネーム)の6.45%から3.10%
EERが減少した．GDM, DP共に姓と名では特徴量が異なる照合結果の相補性が高い．ま た，フルネームから抽出される特徴には署名全体の大局的情報が反映される一方，姓と名 から抽出される特徴には局所的な情報がより多く反映されるため，同様に相補性があると 考えられる．GDMとDPを組み合わせた時に精度が向上した理由は，それぞれの手法で 特徴抽出や分類手法が大きく異なるため融合効果が大きくなったためと考えられる．
lヘ¥ ¥:!
¥
L日
¥ ¥¥
1 • ~
「弘、、 '.c、、
。、ー一、、 '.~'. "'1，¥、、、
一 一一、、三、
句、¥ー、、、1町
I 、
\ γ‘...，_~:....
、、"、¥
一 司一、白 、-;;むミ吉~-‘"R
: ' =.，
、
"
止 、
寸 、. 、
L 、
1、 -，~ .".~
¥， 、 、九ι "，
、、 目、. 、‑
三二でともと =-"::;-~~
、ー』、、丸 .，、ー 、
』ι 一・ 一・ー ー、 ー
、
、『、 、、 ヘ 『
九一、→町 、 一一 、 』 、
ーヘ 、 一 一、ー
一」ー 」
官、、一一司Eニーごー』→