УДК 004.93.1

ДОСТИГНУТЫЕ РЕЗУЛЬТАТЫ И ПЕРСПЕКТИВНЫЙ АНАЛИЗ В ОБЛАСТИ РАСПОЗНАВАНИЯ СУБЪЕКТОВ ПО ПАРАМЕТРАМ РУКОПИСНОЙ ПОДПИСИ

Рахимжанов Э.А.

студент группы КЗИ-161 Омского государственного технического университета, г. Омск

Жумажанова С.С.

аспирант кафедры «Комплексная защита информации» Омского государственного

СибАДИтехнического университета, г. Омск

Семиколенов М.А.

асп рант кафедры «Комплексная защита информации» Омского государственного

технического университета, г. Омск

Ложников П.С.

научный руковод тель, канд. техн. наук, доцент, зав. кафедрой «Комплексная защита нформац » Омского государственного технического университета, г. Омск

Аннотац я. В настоящее время рукописные подписи находятся в центре дискуссий научного сообщества. За последние 40 лет интерес к исследованиям подписей неуклонно рос, в качестве основного направления развития были взяты технологии автоматической

верификац подп си. В течение последних 10 лет технологии в области рукописных

подписей с льно разв вал сь, многие исследования были сосредоточены на возможности применения с стем, основанных на анализе подписи и её обработке, для множества новых

областей науки. В данной ра оте ыл произведен обзор наиболее актуальных работ по идентификац субъектов по рукописной подписи за последние 10 лет, мы сфокусировались

на наиболее перспективных о ластях исследований и попытались выявить возможные направления будущих исследований в этой о ласти.

Ключевые слова: Биометрический планшет, распознавание образов, рукописный пароль,

биометрическая идентификация, автоматическая верификация подписи

Введение

За последние 40 лет был опубликован ряд всесторонних обзоров в области автоматической

верификации подписи [1]. Среди большого количества работ, несколько научных статей оказали наиболее сильное влияние. Мы рассмотрим технологии, описанные в этой статье, с учетом новых достижений и возникающих проблем в системах автоматической верификации подписей за последние 10 лет, с 2009 года по настоящее время [2].

Распространение недорогих технологий сбора и обработки рукописного текста (КПК,

планшетов, смартфонов т.д.), превосходные результаты, полученные во множестве

исследований по анализуи обработке рукописной подписи, и простота использования подписи в повседневных задачах для аутентификация (во многих странах сформулированы юридические процедуры для их использования) позволяет нам рассматривать рукописную подпись как биометрическую характеристику, поддерживающую самые различные направления в

несколькихобластяхнауки [2].

Исходя из этого соображения, цель данной работы – представить систематический обзор прогресса исследований в последнее десятилетие в области анализа и обработки рукописных подписей, какв отношении традиционныхприложений, таки приложений вновыхобластях[2].

Анализ используемых биометрических планшетов

Биометрический планшет используется в качестве устройства ввода подписи, а также для захвата поведенческих характеристик самой записи (сила нажатия, угол, скорость записи и т.д.). В высоком разрешении и с точностью, превышающей вероятность фальсификации документа. На ЖК-экране биометрического планшета и монитора компьютера одновременно, в реальном времени, отображается вводимый текст и графическая

102

информация. Лицензия ПО напрямую связана с индивидуальным номером планшета подписи [3].

Данная технология не требует печати, сканирования, отправки документов по факсу или курьером, ручного архивирования. Больше нет необходимости использовать огромное количество бумаги для печати документов, чтобы просто подписать их [3].

Подпись, в отличие от печати, индивидуальна и принадлежит только подписавшему, так как характеризуется параметрами, имеющимся только у владельца подписи, что позволяет идентифицировать лицо, сделавшего её. Она связана с данными в теле документа,

СибАДИ
	относящимся к ней, что позволяет выявить последующие попытки изменений. Задача
	заключается в назначении собственноручной электронной подписи именно к
	подписываемому документу [3].
	Для с стемы		онлайн верификации,			подписи обычно собирают с помощью
	цифровых/граф ческ х планшетов, цифровых перьев [4]. Графический планшет позволяет
	пользователю воспро звод ть свои подписи (наряду с выполнением других различных
	действий, так х как р сован е				т.д.) с помощью устройства, подобного перу, такого как
	стилус.
	Проанал з руем несколько моделей планшетов							определим наиболее подходящую
	модель под поставленные задачи. Ниже приведена сравнительная таблица моделей (табл.1).
	Таблица 1 – Основные характеристики планшетов для захвата подписи
	Название/модель		ePad-ink		HUION		TOPAZ T-		duraSign Pad	Signotec
	планшета				H430P		S460-HSB-R		Brilliance	Gamma
	Тип дисплея		LCD		---		LCD		LCD	LCD
	Диагональ
	рабочей		3" (76,2 мм)		5,5" (139,7мм)		4,5" (114,3мм)		5" (127 мм)	5" (127 мм)
	области
	Цветной		Нет		Нет		Нет		а	Нет
	дисплей
	Разрешение		1200x1600ppi		5080 lpi		410 ppi		2400x2900ppi	2400x2909ppi
	Размеры		150,8x150,8x		186х139,2х		152х95х		200х173х	160х172х
			40,9 мм		6,3 мм		18 мм		17 мм	10 мм
	Вес		340 гр.		135 гр.		---		385 гр.	425 гр.
	Количество
	уровней		128		8192		---		1024	1024
	нажатия
	Интерфейс		USB		USB		USB		USB	USB
	подключения
	SDK		Да		Да		Да		а	Да
	Тип пера		Привязанное		Пассивное		Привязанное		Привязанное	Привязанное
			пассивное				пассивное		активное
					перо					активное перо
			перо				перо		перо
	Цена		~18400р.		~5 000р.		~6500р.		~20300р.	~19000р.
			($290)		($75)		($100)		($320)	($300)

Необходимые требования к планшету:

Высокое разрешение вводимой подписи

Надежность

Легкость в эксплуатации

Наличие собственного SDK для возможности интеграции в стороннее ПО

Доступность.

Решение, реализующее такой функционал, может быть выполнено различными способами, в зависимости от конкретных требований. Существует богатый набор программного обеспечения, начиная с серверной инфраструктуры и SDK и заканчивая

103

приложениями для рабочих станций и мобильных устройств [5]. Большую роль в центре технологии по захвату подписи играют специально предназначенные для этого планшеты со встроенной функцией шифрования подписи при помощи специального сертификата, тем самым обеспечивая должную защиту процесса подписи от злоумышленных действий [5]. Все планшеты в списке, за исключением HUION H430P, предоставляют данный функционал.

Проанализировав характеристики из таблицы, можно сделать вывод, что HUION H430P наиболее подходит под необходимые требования, но т.к. данная модель изначально не является планшетом для захвата биометрической подписи, следовательно, потребуются дополнительные затраты для разработки программного обеспечения для выполнения определенных функций как планшета для захвата биометрической подписи. TOPAZ T-S460 является неплох м вар антом по соотношению цена/предлагаемые возможности: компактные размеры, относ тельно высокое разрешение вводимой подписи, а также предоставляемый разработч ком пакет ПО для работы с PDF и Doc документами. Минусом является малая распространенность в РФ. ePad-ink, Signotec Gamma и duraSign Pad Brilliance

предоставляют макс мальные возможности для захвата цифровой подписи из приведенных планшетов, однако Signotec Gamma и duraSign Pad Brilliance выделяются большим

разрешением	акт вным пером для ввода, а значит, могут передавать данные о
местоположен	пера, нажат ях кнопок и других параметрах.

Классическая схема автоматической проверки подписи

Типичная схема автомат ческой верификации подписи проиллюстрирована на рисунке 1. Когда пользователь про звод т подпись, используется определенный инструмент (например,

ручка	бумага), датч к Si оц фровывает о разец. Существует огромное количество
всевозможных датчиков для оцифровки подписи, например, сканер, цифровой планшет,
КПК, смартфон и даже специальная ручка [2].
	Рисунок 1 – Типичная структура биометрической верификации пользователя
После того как устройство захватило подпись, она проходит 3 стадии:
1.	препроцессинг (предобработка);
2.	выделение признаков;
3.	процесс классификации.
СибАДИВ системах автоматической верификации подписи существует два режима работы:
обучение и тестирование. В режиме обучения подлинный пользователь, скажем, q,
производит одно или несколько повторений своей подписи, обозначаемой . Параметры

этой подписи хранятся в базе данных [2].

В режиме тестирования система автоматической верификации подписи строит вектор

признаков из подписанной пользователем p подписи . Так как этот опрошенный пользователь утверждает, что он является ранее зарегистрированным субъектом p,

происходит сравнение параметров подписи и параметров подписи

зарегистрированного пользователя р. В результате получается оценка. Наконец, система автоматической верификации подписи принимает решение относительно заявленной

104

гипотезы = p, обычно основанную на пороге принятия решения. На рисунке 1 показаны этапы работы с использованием данной номенклатуры [2].

Наиболее популярные общедоступные базы данных рукописных подписей

Ниже мы представляем список общедоступных баз данных, даем описание их общих ограничений и указываем на лучшие способы использования таких баз данных при автоматической верификации подписи. Существует большой список баз данных, используемых в исследованиях. В этой статье мы включили несколько общедоступных баз,

СибАДИ
	так как они более доступны для создания общих тестов и для сравнения результатов. Эти
	базы данных подписей перечислены в таблице 2.
	Таблица 2 – Оп сан е на более распространенных баз данных рукописных подписей
	Назван е		Т п	Алфавит	Характеристики	Период сбора
	MCYT-75 [6,7]		Офлай	Западный	G:1125, F:1125, W:75	Собраны за две
		н				сессии
	CEDAR [8]	н	Офлай	Западный	G:1320, F:1320, W:55
	SigWIcomp2015		Офлай	Западный	G:479, F:249, W:50	Собраны за
	[9]	н		(Итальянский)		несколько
						сессий
	MCYT-100		Онлай	Западный	G:2500, F:2500, W:100	Подмножество
	sub-corpus [6, 7]	н				базы данных
						MCYT-330
	SG-NOTE		Онлай	Западный	G:500, W:25	Собраны за две
	database [10]	н				сессии
	SigWIcomp 2015		Онлай	Западный	G:450, F:300, W:30
	[9]	н		(Немецкий)
	Signature Long-		Онлай	Западный	G:1334, W:29	Собирались в
	Term	н				течение 15
	DB [11]					месяцев

Количество G: подлинных подписей, F: поддельных подписей, W: подписанты.

Базы данных подписей не подлежат оценке качества (QA) в отношении ограничений в определении изменчивости внутри класса и между классами. ругие факторы, такие как: эмоции подписантов, взросление детей или взрослых [11, 12], поведенческие расстройства, нейродегенеративные заболевания или другие когнитивные нарушения в моторных функциях [13], нелегко внедрить в современные базы данных. Кроме того, ограничение размера БД приводит к затруднениям в проведении статистически значимой проверки и оценки эффективности. Кроме того, как в любой биометрической характеристике, закон о защите данных является основным ограничивающим фактором для свободного распространения подписей среди исследовательского сообщества, хотя исследования являются единственной мотивацией. Кроме того, человеческие ошибки, такие как неправильная маркировка образцов, могут привести к смещению в оценке эффективности алгоритма [2].

Офлайн подписи считываются с бумажных листов путём сканирования. Часто статические подписи могут перекрывать пространство, доступное для другой подписи, например, подписи на листе, разделенные на несколько полей [14]. В таком случае некоторые подписи могут пересекать границы полей или даже перекрывать другие подписи. Из-за данного эффекта, некоторые подписи отбрасываются вручную при разработке базы данных, хотя, возможно, их следует сохранять ради чистоты эксперимента. Сканирование с низким разрешением может привести к ухудшению качества изображения. Очевидно, что чем выше разрешение, тем больше информации можно извлечь для обработки изображения. Шестьсот

105

точек на дюйм (600 dpi) — это среднее разрешение эталонов в офлайн базах данных подписей. Существуют и другие внешние факторы, которые могут ограничивать производительность, такие как: шумы в системе формирования изображения, тип используемого датчика сканера, размытость изображений в градациях серого, недостаточное отложение чернил на бумаге и т.д. [2]

Некоторые несоответствия могут наблюдаться в частоте дискретизации. Хотя данные с планшета для оцифровки могут указывать, что частота дискретизации составляет, к примеру, 100 Гц, временная метка, которая обычно используется, может не показывать такую частоту дискретизации в течение всего времени сбора подписи. Профиль скорости иногда показывает разрывы при движении пера снизу вверх. Такие разрывы могут быть связаны с несоответств ями в спользуемом устройстве, например, в момент, когда перо теряет контакт с планшетом [2].

Автомат ческая вер ф кация подписи: обзор лучших методов

Автомат ческая проверка подписи может рассматриваться как двухклассовая проблема, цель которой состо т в том, что ы решить, принадлежит ли подпись зарегистрированному лицу или нет. Несмотря на то, что эта проблема решалась в прошлом [15, 16, 17], за последние 10 лет было разра отано много новых алгоритмов и методов верификации. Автоматическая вер ф кац я подписи состоит в основном из этапов препроцессинга,

	выделения пр знаков	класс фикации. Примеры последних разработок см. в таблице 3, в
	которой пр веден не счерпывающий список некоторых наиболее подходящих алгоритмов
	для каждого этапа, за последн е 10 лет [2].
	Таблица 3 – Наиболее популярные алгоритмы для систем автоматической верификации
	подписей [2]
	Препроцессинг	Методы
	Улучшение	Удаление заднего фона ,** фильтрация шумов*, удаление
		печатного текста,** морфологические операции,** …
	Нормализация размера	Кадрирование,** фиксированная площадь,* выравнивание
		длины,* центрирование,*,** …
	Cтруктурный	На основе скелета изображения подписи,** …
	Отсутствие	* …
	препроцессинга
	Классификаторы	Методы
	Соответствие шаблона	Динамическая трансформации временной шкалы (DTW),*
		Манхэттенский алгоритм,* очки прямого соответствия,*
		Евклидов алгоритм,** …
	Статистические меры	Расстояние Махаланобиса,* функция принадлежности,** …
	Статистические модели	Нейронные сети (NNs) Deep Learning (рекуррентные
		нейронные сети (RNNs)*, сверточные нейронные сети (CNN),*
		Глубокие нейронные сети (DNN),** Глубокое многозадачное
	СибАДИ
		изучение метрики (DMML),** Глубокая сверточная генеративная
		состязательная сеть (DCGAN),** скрытые марковские модели
		(HMM),* машина опорных векторов (SVM),* алгоритм
		случайного леса,* …
	Структурные	Дерево принятия решений,** графовые модели,** …
	Гибридные	Ансамбль классификаторов,** уровень шаблона, ** уровень
		счета, * …

* онлайн подписи, ** офлайн подписи

На этапе препроцессинга цель состоит в том, чтобы улучшить подпись с помощью методов обработки изображений и техник обработки сигналов для статических и

106

динамических подписей. На этапе выделения признаков методы можно разделить на функциональные признаки, которые используют информацию о тайминге в подписи; глобальные параметры, которые описывают конкретные аспекты подписи (например, циклические и базовые характеристики [18]); компонентно-ориентированные признаки, ориентированные на конкретные характеристики, например, на количество штрихов пера; и основанные на пикселях методы. В недавних работах описаны различные подходы, используемые на этапе верификации, некоторые из которых являются классическими, например, динамическая трансформации временной шкалы (DTW) [19, 20, 21, 22] или метод

СибАДИ
опорных векторов (SVM) [23]. Тем не менее, глубокое обучение [24, 25], возможно, является
одной из актуальных тем в системах автоматической верификации подписей. Стоит
отметить, что больш нство	ометрических систем в настоящее время основаны на

подходах глубокого обучен я [26].

В Таблице 4 пр ведены базы данных, наиболее используемые в последние 10 лет, а также обзор по каждому сценар ю наилучшей производительности системы, достигнутой с помощью случайных (RF) квалифицированных подделок (SK), с учетом используемого алгоритма, кол чество подл нных контрольных подписей (#T) на одного подписанта [2].

Таблица 4 – Про звод тельность (%) для некоторых опубликованных систем автоматической вер ф кац подписи (ASV) в разных сценариях [2]

База данных	Метод	#T	RF	SK
GPDS-300	Curvelet+OC-SVM	4	-	AER:8.70
Офлайн	Learning Features+CNN	5	-	EER:2.42
	HOG, DRT+DMML	5	EER:2.15	EER:20.94
	LBP, LDP+SVM	2	EER:1.43	EER:21.63
	Quad-tree+(AIR)	10	-	EER:9.30
	Grid Features+SVM	12	-	EER:3.24
MCYT-100	VQ+DTW	5	-	EER:1.55
Онлайн	WP+BL DTW fusion	5	-	EER:2.76
	Гистограмма + Manhattan	5	EER:1.15	EER:4.02
	Сигма-Логнормальное + DTW	5	EER:1.01	EER:3.56
	Символическое представление	5	EER:1.85	EER:5.84
	GMM Features+DTW	5	-	EER:3.05
CEDAR	Learning Features+CNN	4	-	EER:5.87
Офлайн	Surroundedness+NN	1	-	AER:8.33
	Quad-tree+(AIR)	10	-	EER:18.15
	Grid Features+SVM	10	-	EER:3.02
SVC2004	Function-based+RNN	10	-	EER:2.37
Онлайн	VQ+DTW	5	-	EER:2.73
	DCT+Sparse Rep.	10	EER:0.45	EER:5.61
	Нечеткое моделирование	5	EER:5.49	EER:7.57
MCYT-75	Learning features+CNN	5	-	EER:3.58
Офлайн	HOG, DRT+DMML	5	EER:1.73	EER:13.44
	LBP, LDP+SVM	2	EER:0.69	EER:16.03
	Grid Features+SVM	10	-	EER:4.01
SUSIG-Visual	DTW+Lineal Classifier	5	EER:4.08	EER:2.10
Онлайн	Sigma-Lognormal+DTW	5	EER:1.48	EER:2.23
	Target-wise+DTW	1	EER:1.55	EER:6.67
	Histogram+Manhattan	5	EER:2.91	EER:4.37

EER (Equal error rate): равная частота ошибок, AER (Average error rate): средняя частота ошибок

107

В последние годы растет интерес к обучению представления признаков: вместо того, чтобы полагаться на выделение признаков вручную, признаки выделяются непосредственно из изображений подписей с применением методов глубокого обучения, таких как сверточные нейронные сети (CNN) [27], глубокое многозадачное обучение (DMML) [28] или глубокая сверточная генеративная состязательная сеть (DCGAN) [2, 29].

Для офлайн подписей мы можем найти предложения, зависящие от подписанта, которые строят математическую модель для каждого подписанта, или предложения, независимые от подписанта, которые развивают уникальную модель в системе автоматической верификации подписи [2]. Для онлайн подписей в последние годы все больше внимания уделяется применению функциональных признаков, основанных на давлении и силе. Например, в [30] были разработаны спец альные устройства для захвата этих признаков непосредственно во

СибАДИПо этой причине психиатрические, неврологические или периферические заболевания могут оказывать сильное влияние на почерк, поэтому изменения в почерке являются хорошими кандидатами на роль иомаркеров для выявления ряда заболеваний. По мере увеличения количества устройств для сбора и обработки данных, использование рукописного ввода для о наружения и мониторинга состояния здоровья становится все более привлекательным. Конечно, анализ почерка не может конкурировать с традиционными медицинскими методами. Но это может обеспечить другой, дополнительный подход к анализу проблем со здоровьем с низкими затратами. Недавние исследования были сосредоточены на связи между почерком и болезнью Паркинсона [31], болезнью Альцгеймера [32], аграфией [33], психозом [34] и другими патологиями [35, 36]. Почерк людей, пораженных болезнью Паркинсона, меньше обычного [37, 38]; более того, им требуется больше времени для произведения подписи, т.к. давление на планшет значительно ниже [39]. Но, было отмечено, что проблемы, связанные с нарушением почерка у людей, страдающих болезнью Альцгеймера, являются непостоянными среди населения. Существуют определенные характеристики в процессе написания, которые могут представлять диагностические признаки. В частности, почерк людей, страдающих болезнью Альцгеймера, менее последователен по длине продолжительности [40]. Было обнаружено, что во время клинического течения болезни дисграфия возникает как на ранней, так и на поздней стадиях прогрессирования расстройства [2, 41, 42].

время процесса подп сан		я. Так е признаки, как направление движения пера, угол поворота
и наклон пера вызывают растущ й интерес [2]. Что касается этапа верификации, независимо
от того, какой метод был взят за основу, необходимость повышения эффективности
верификац	побуд ла	сследователей исследовать мультиэкспертные подходы для
объединен я наборов вер ф каторов, основанных, например, на глобальных и локальных
стратегиях [2].

Использован е подп сей в медицинских целях

Почерк представляет со ой сложный процесс, возникающий в результате когнитивных,

кинестетическ х перцептуально-моторных способностей [31]. Кроме того, зрительное и кинестетическое воспр ят е, моторика, координация глаз-рука, зрительно-моторная интеграция участвуют в этом сенсомоторном процессе.

Заключение

В данной статье мы представили обновленную информацию об автоматической верификации подписи и провели анализ активной и динамичной области исследований, которая бросает вызов сообществам исследователей в области обработки изображений и сигналов. Был проведен анализ наиболее распространенных общедоступных офлайн и онлайн баз данных подписей., а также алгоритмов, применяемых на каждом этапе анализа подписи [2].

Системы автоматической верификации подписи на данный момент разрабатываются не только для западных алфавитов, а также азиатских, что является признаком зрелости,

108

приемлемости данной технологии во многих культурах и странах, где есть возможность использования рукописной подписи при аутентификации

Что касается множества других областей, в которые были внедрены коммерческие приложения с использованием подписи, эти прорывы связаны с разработкой надежных алгоритмов, протестированных на огромных репрезентативных базах данных, из которых можно разработать эталонные тесты и провести сравнительный анализ. Существует новое направление, связанное с использованием как реальных, так и синтезированных подписей. Необходимость такого подхода может вырасти в будущем для разработки надежных систем

СибАДИаутентификации. Эти системы должны развиваться со временем, а также достигать и поддерживать высокий уровень точности [2].

Библиографический список

1. A. J. Mauceri. 1965. Feasibility studies of personal identification by signature verification. Technical Report SID65–24. North American Aviation.

2. Moises Diaz, Miguel A. Ferrer, Donato Impedovo, Muhammad Imran Malik, Giuseppe Pirlo, and Réjean Plamondon. 2019. A Perspective Analysis of Handwritten Signature Technology. ACM Comput. Surv. 51, 6, Article 117 (January 2019), pp. 1-38.

3. Программа ометр ческой подписи signosign/2 URL: https://bio- metria.ru/catalog/biometricheskaya-podpis/programmny-podpisi/signosign2/ (Дата обращения: 08.09.2019).

4. M. I. Malik, S. Ahmed, A. Dengel, and M. Liwicki. 2012. A signature verification framework for digital pen applications. In 10th IAPR International Workshop on Document Analysis Systems (DAS’12). IEEE, 419–423.

5. Технология захвата со ственноручной подписи // Безопасность он-лайн URL: https://powersecurity.org/ru/solutions/signature/ (Дата обращения: 08.09.2019).

6. J. Fierrez-Aguilar, N. Alonso-Hermira, G. Moreno-Marquez, and J. Ortega-Garcia. 2004. An off-line signature verification system based on fusion of local and global information. In InternationalWorkshop on Biometric Authentication. Springer, 295–306.

7. J. Ortega-Garcia, J. Fierrez-Aguilar, D. Simon, J. Gonzalez, M. Faundez-Zanuy, V. Espinosa, A. Satue, I. Hernaez, J.-J. Igarza, C. Vivaracho, D. Escudero, and Q. I. Moro. 2003. MCYT baseline corpus: A bimodal biometric database. IEE Proceedings-Vision, Image and Signal Processing 150, 6 (2003), 395–401.

8. M. K. Kalera, S. Srihari, and A. Xu. 2004. Offline signature verification and identification using distance statistics. International Journal of Pattern Recognition and Artificial Intelligence 18, 7 (2004), 1339–1360.

9. M. I. Malik, S. Ahmed, A. Marcelli, U. Pal, M. Blumenstein, L. Alewijns, and M. Liwicki. 2015. ICDAR2015 competition on signature verification and writer identification for onand offline skilled forgeries (SigWIcomp2015). In 13th Int. Conf. on Document Analysis and Recognition (ICDAR’15). 1186–1190

10. M. Martinez-Diaz, J. Fierrez, R. P. Krish, and J. Galbally. 2014. Mobile signature verification: Feature robustness and performance comparison. IET Biometrics 3, 4 (2014), 267–277.

11. J. Galbally, M. Martinez, and J. Fierrez. 2013. Aging in biometrics: An experimental analysis on on-line signature. PLoS ONE 8, 7 (2013), e69897.

12. A. Lanitis. 2009. A survey of the effects of aging on biometric identity verification. International Journal of Biometrics 2, 1 (2009), 34–52.

13. C. F. Whitelock, H. N. Agyepong, K. Patterson, and K. D. Ersche. 2015. Signing below the dotted line: Signature position as a marker of vulnerability for visuospatial processing difficulties. Neurocase 21, 1 (2015), 67–72.

14. F. Vargas, M. A. Ferrer, C. Travieso, and J. Alonso. 2007. Off-line handwritten signature GPDS-960 corpus. In Int. Conf. on Document Analysis and Recogn. (ICDAR’07), Vol. 2. 764–768.

15. D. Impedovo and G. Pirlo. 2008. Automatic signature verification: The state of the art. IEEE Transactions on Systems, Man, and Cybernetics 38, 5 (2008), 609–635.

109

16. R. Plamondon and G. Lorette. 1989. Automatic signature verification and writer identification - the state of the art. Pattern Recognition 22, 2 (1989), 107–131.

17. R. Plamondon and S. N. Srihari. 2000. On-line and off-line handwriting recognition: A comprehensive survey. IEEE Transactions on Pattern Analysis and Machine Intelligence 22, 1 (2000), 63–84.

18. B. Kovari and H. Charaf. 2013. A study on the consistency and significance of local features in off-line signature verification. Pattern Recognition Letters 34, 3 (2013), 247–255

19. M. Diaz, A. Fischer, M. A. Ferrer, and R. Plamondon. 2018. Dynamic signature verification

СибАДИfeature extraction modelled by dynamic feature stability experiment. IET Biometrics 6, 6 (2017), 393–401.

system based on one realsignature. IEEE Transactions on Cybernetics 48, 1 (2018), 228–239.

20. A. Fischer and R. Plamondon. 2017. Signature verification based on the kinematic theory of rapid human movements. IEEE Transactions on Human-Machine Systems 47, 2 (2017), 169–180.

21. A. Fischer, M. Diaz, R. Plamondon, and M. A. Ferrer. 2015. Robust score normalization for DTW-based on-line signature verification. In 13th Int. Conf. on Document Analysis and Recognition (ICDAR’15). 241–245.

22. M. Gomez-Barrero, J. Galbally, J. Fierrez, J. Ortega-Garcia, and R. Plamondon. 2015.

Enhanced on-line signature verification based on skilled forgery detection using sigma-lognormal features. In Conf. on Biometrics (ICB’15). 501–506.

23. . M. Diaz-Cabrera, M. Gomez-Barrero, A. Morales, M. A. Ferrer, and J. Galbally. 2014. Generation of enhanced synthetic off-line signatures based on real on-line data. In 14th Int. Conf.

on Frontiers in Handwriting Recognition (ICFHR’14). 482–487.

24. M. E. Yahyatabar and J. Ghasemi. 2017. Online signature verification using double-stage

feature extraction modelled by dynamic feature stability experiment. IET Biometrics 6, 6 (2017), 393–401.

25. R. Kumar, J. D. Sharma, and B. Chanda. 2012. Writer-independent off-line signature verification using surroundedness feature. Pattern Recognition Letters 33, 3 (2012), 301–308.

26. B. Bhanu and A. Kumar. 2017. Deep Learning for Biometrics. Springer.

27. M. E. Yahyatabar and J. Ghasemi. 2017. Online signature verification using double-stage

28. A. Soleimani, B. N. Araabi, and K. Fouladi. 2016. Deep multitask metric learning for offline signature verification. Pattern Recognition Letters 80 (2016), 84–90.

29. Z. Zhang, X. Liu, and Y. Cui. 2016. Multi-phase offline signature verification system using deep convolutional generative adversarial networks. In 9th International Symposium on Computational Intelligence and Design (ISCID’16), Vol. 2. 103–107.

30. D. Wang, Y. Zhang, C. Yao, J. Wu, H. Jiao, and M. Liu. 2010. Toward force-based signature verification: A pen-type sensor and preliminary validation. IEEE Transactions on Instrumentation and Measurement 59, 4 (2010), 752–762.

31. E. Onofri, M. Mercuri, M. Salesi, S. Ferrara, G. M. Troili, C. Simeone, M. R. Ricciardi, S. Ricci, and T. Archer. 2013. Dysgraphia in relation to cognitive performance in patients with Alzheimer’s disease. Journal of Intellectual DisabilityDiagnosis and Treatment 1, 2 (2013), 113– 124.

32. S. Rosenblum, M. Samuel, S. Zlotnik, and I. Schlesinger. 2009. Handwriting performance measures of “real life” tasks: A comparison between the performance of patients with Parkinson’s disease and controls. In 14th Conf. of the Int. Graphonomics Society (IGS’09). 43–47.

33. A. Carina-Fernandes and J. M. Lopes-Lima. 2017. Alzheimer’s disease and handwriting. what do we know so far? In 18th Biennial Conf. of the Int. Graphonomics Society. 131–134.

34. J. Danna, V. Paz-Villagrán, C. Gondre, M. Aramaki, R. Kronland-Martinet, S. Ystad, and J.- L. Velay. 2013. Handwriting sonification for the diagnosis of dysgraphia. In Recent Progress in Graphonomics: Learn from the Past–Proceedings of the 16th Conf. of the Int. Graphonomics Society. 123–126.

110

35. M. P. Caligiuri, H.-L. Teulings, C. E. Dean, A. B Niculescu, and J. B. Lohr. 2010. Handwriting movement kinematics for quantifying extrapyramidal side effects in patients treated with atypical antipsychotics. Psychiatry Research 177, 1 (2010), 77–83.

36. M. P. Caligiuri, H.-L. Teulings, C. E. Dean, and J. B. Lohr. 2015. A quantitative measure of handwriting dysfluency for assessing tardive dyskinesia. Journal of Clinical Psychopharmacology 35, 2 (2015), 168.

37. T. A. Duda, J. E. Casey, and N. McNevin. 2014. Variability of kinematic graphomotor fluency in adults with ADHD. Human Movement Science 38 (2014), 331–342.

СибАДИ
38.	F. Costa and A. Accardo. 2017. Kinematic analysis of handwriting in parkinson disease. In
18th Conf. of the Int. Graphonomics Society (IGS’17). 135–138.
39.	R. Senatore andA. Marcelli. 2017. Do handwriting difficulties of Parkinson’s patients

depend on their impaired ability to retain the motor plan? A pilot study. In 18th Biennial Conf. of the Int. Graphonomics Society (IGS’17). 139–142.

40. S. Rosenblum, M. Samuel, S. Zlotnik, I. Erikh, and I. Schlesinger. 2013. Handwriting as an objective tool for Parkinson’s disease diagnosis. Journal of Neurology 260, 9 (2013), 2357–2361.

41. J. H. Yan, S. Rountree, P. Massman, R. S. Doody, and H. Li. 2008. Alzheimer’s disease and mild cognitive impairment deteriorate fine movement control. Journal of Psychiatric Research 42, 14 (2008), 1203–1212.

42. J. A. Small and N. Sandhu. 2008. Episodic and semanticmemory influences on picture naming in Alzheimer’s disease. Brain and Language 104, 1 (2008), 1–9.

43. K. Yasuda, B. Beckmann, and T. Nakamura. 2000. Brain processing of proper names. Aphasiology 14, 11 (2000), 1067–1089.

111