Étude d’un système de vérification de signature dynamique avec les réseaux de neurones

La signature est le graphisme par lequel une personne s’identifie dans un acte et par lequel elle exprime son approbation au contenu d’un document. Ainsi elle est utilisée quotidiennement sur des documents officiels et privés tels que les conventions, les chèques, etc, d’où son importance dans tous les secteurs d’activité. Ces signatures n’étant pas à l’abri des falsifications, une protection adéquate des signatures personnelles est nécessaire. S’assurer de l’authenticité de la signature à l’œil n’est pas efficace surtout lorsque la falsification est réalisée par un professionnel. Plusieurs systèmes de vérification de signature ont été développés, basés pour la plupart sur des techniques d’apprentissage automatique. Cependant elles ne sont pas forcément efficaces car les caractéristiques considérées pour procéder à la vérification ne sont pas révélatrices d’informations cruciales permettant d’identifier efficacement les traits d’une signature authentique. C’est dans cette optique que nous procédons suivant une nouvelle approche en nous basant sur de nouvelles caractéristiques afin de mettre en place un système de vérification de signature dynamique automatisé et performant. Pour y arriver, nous utilisons de l’apprentissage en profondeur afin d’apprendre à identifier les signatures authentiques et falsifiées sur une base de données de signatures dynamiques. Notre approche consiste dans un premier temps à extraire des caractéristiques morphologiques pour apprendre la forme de la signature et aussi des caractéristiques abstraites (vitesse de signature, vitesse angulaire, accélération...) pour apprendre le comportement des gens quand ils signent. Une fois l’extraction des caractéristiques effectuée, nous avons pu déterminer leurs impacts sur les performances de notre système, ensuite nous avons mené une étude sur l’architecture de réseau de neurones et ses paramètres optimaux ce qui a permis d’obtenir un modèle d’authentification de signature avec les performances de 1,25% pour le FAR(False Acceptance Rate) et de 0,75% pour le FRR(False Rejection Rate). Ce modèle a été utilisé ensuite pour mettre en place un système de vérification performant capable de détecter pour une personne si une signature est fausse ou pas. Le système final obtenu ne se limite qu’à des signatures manuscrites électroniques.