TY  - BOOK
AU  - Amr hefny muhammad,
AU  - Laila F. Abdelal
AU  - Sameh Hassanien Basha
AU  - Mohamed N. Moustafa
TI  - Online signature verification
U1  - 570.15195 
PY  - 2021///
KW  - biometrics
KW  - verification system (NRVS) and Genetic NRVS (GNRVS) models
N1  - .Thesis (Ph.D)-Cairo Univsersity,2022; Bibliography: p. 77-85; Issues also as CD
N2  - 	An important issue in biometrics is identity verification using the authenticity evaluation of a handwritten signature. They are universally uncontroversial for verification
objectives, such as authenticating official papers and commercial enterprise contracts.
There are several approaches for the verification of signatures using signing dynamics process. The thesis introduces two models for online signature verification, one of
them based on neutrosophic rule-based verification system (NRVS) and Genetic NRVS
(GNRVS) models. In NRVS, every logical variable is described by three values, truth,
indetermincy, and falsity which are determined by neutrosophic membership functions.
By these degrees, the proposed model will capture the dynamic global and local features. Besides, NRVS with the three membership functions can deal with all features
without a need to feature selection method. It improves the complexity of the model.
In GNRVS model, the neutrosophic rules are refined by a Genetic Algorithm. The
performance of the proposed system is tested on the MCYT-Signature-100 dataset.
The experimental results show that the accuracy, average error rate, false acceptance
rate, and false rejection rate have improved when we compare the results with the
fuzzy rule-based verification system.
The other model is introduced here in this thesis for verifying handwritten dynamic/online
signatures, based on deep learning to verify online signatures. It includes more experimental results from one more dataset. In this model, we used coefficients of Legendre
polynomials as features with constant length to model signers’ signatures, deep feedforward neural network as the classifier with stochastic gradient descent with momentum as the deep learning algorithm. Principal Component Analysis (PCA) is used to
speed up the algorithm by reducing input-dimentionality. Better experimental results
are achieved regarding Equal Error Rate reduction, Logarithmic loss reduction and
accuracy magnification on MCYT-Signature-100 and SigComp2011 databases in comparison with state-of-the-art methods; التحقق من التوقيع الفوري أحد أهم مواضيع القياسات الحيوية، وعادة ما يستخدام التحقق من  التوقيع المكتوب بخط اليد في التحقق من الوثائق الحكومية والمالية والتجارية. تُستخدم عدة طرق في التحقق الفوري من التوقيع.  هذه األطروحة تقدم نموذجين مبتكرين للتحقق الفوري من التوقيع المكتوب بخط اليد، أحدهما  هو نظام تحقق قائم على قواعد نيتروسوفيكية وهذا النظام يعبر عن كل فرضية منطقية بثالث  قيم هم: صواب الفرضية وخطأ الفرضية والحياد والتوقف في صحتة الفرضية من عدمها.  والنموذج المبتكر يستخدم هذه القيم الثالث الستخالص المميزات و الخصائص الكلية والجزئية  ًى عن طرق جانبية الستخالص للتوقيع الفوري، وهذا يجعلنا في غن مميزات و خصائص التوقيع.  عالوة على ذلك تم استخدام الطرق الجينية )Algorithms Genetic )لتحسين النتائج وتم  اختبار النتائج المحصول عليها من هذه النموذج على قاعدة بيانات 100-Signature-MCYT. وتظهر النتائج التجريبية أن الدقة ، ومتوسط معدل الخطأ ، ومعدل القبول الخاطئ ، ومعدل  الرفض الخاطئ قد تحسنت عندما نقارن النتائج مع نظام التحقق المبني على القواعد الغامضة .)Fuzzy Rule-Based Verification System( تم تقديم النموذج اآلخر هنا في هذه األطروحة للتحقق الفوري من التوقيع المكتوب بخط اليد ،  بنا ًء على التعلم العميق )Learning Deep .يتضمن المزيد من النتائج التجريبية من مجموعة  بيانات أخرى. في هذا النموذج ، استخدمنا معامالت polynomials Legendre كمميزات و  خصائص للتوقيع الفوري وذلك للحصول على مميزات و خصائص ذات طول ثابت لنمذجة  ِّعين. توقيعات الموق  تم تحقيق نتائج تجريبية أفضل فيما يتعلق بتقليل معدل الخطأ المتساوي وتقليل الخسارة  اللوغاريتمية وتضخيم الدقة على قواعد بيانات 100-Signature-MCYT و SigComp2011  مقارنة بأحدث األساليب المستخدمة في التحقق الفوري من التوقيع المكتوب بخط اليد
ER  -