Análise de características locais e globais de assinaturas dinâmicas

Аннотация

O presente estudo realizou uma análise exploratória de assinaturas dinâmicas e propôs uma abordagem em dois passos objetivando avaliar o potencial dos dados biométricos na classificação em simulações e disfarces, comparadas com padrões naturais. Inicialmente foram analisados os dados globais (dados médios) e em seguida foram avaliados os dados locais (dados ponto a ponto de posições x e y, velocidade, aceleração, jerk e gradiente de pressão). Trinta participantes contribuíram voluntariamente com um conjunto de 1800 amostras naturais de sua assinatura usual (incluindo assinaturas legíveis, mistas e estilizadas), 60 disfarces e 870 simulações. Foram utilizadas ferramentas de análise de dados, como Análise de Componentes Principais (PCA), boxplots, teste de distância e teste de hipótese Kolmogorov-Smirnov (KS) para analisar 62 características globais (dados médios). A análise da PCA foi capaz de agrupar corretamente 97,8% das assinaturas simuladas. O estudo das características locais utilizou análise visual, Dynamic Time Warping (DTW) e teste de hipótese KS. O desempenho na classificação utilizando características locais foi avaliado para determinar quais delas são mais relevantes para o exame. A abordagem proposta produziu resultados promissores na classificação de simulações. Os disfarces não puderam ser satisfatoriamente diferenciados das simulações utilizando o método proposto, conforme observa-se na grafoscopia tradicional. Os disfarces formais (auto simulação) apresentaram taxa de erro menor em comparação com os disfarces realizados de forma livre. As características locais que demonstraram maior robustez na classificação das amostras foram pressão e velocidade, justificando, futuramente, uma investigação mais aprofundada para possível correlação entre elas.

Библиографические ссылки

  1. M. Angel.; J. S. Kelly. Forensic Document Examination in the 21st Century. CRC Press, United States of America. 157-303 (2021).
  2. H. H. Harralson. Developments in Handwriting and Signature Identification in the Digital Age. Routledge, United Kingdom. (2013).
  3. H. Harralson; L. Miller. Huber and Headrick’s Handwriting Identification. CRC press, United States of America. (2017).
  4. J. Linden; R. Marquis; S. Bozza; F. Taroni. Dynamic signatures: A review of dynamic feature variation and forensic methodology, Forensic Sci Int., 291, 216–229 (2018)
  5. J. Linden; R. Marquis; W. Mazzella. Forensic Analysis of Digital Dynamic Signatures: New Methods for Data Treatment and Feature Evaluation. J Forensic Sci., 62, 382–391 (2017).
  6. J. Heckeroth; E. Kupferschmid; T. Dziedzic; N. Kalantzis; B. G. Čakovská; C. Fernandes; P. Schmidt. Features of digitally captured signatures vs. pen and paper signatures: Similar or completely different?. Forensic Sci. Int., 318, 110587 (2021).
  7. M. Caligiuri, L. Mohammed. The neuroscience of handwriting. EPUB format, CRC Press, ISBN 9781466559189 (2012)..
  8. J.B. Okado, M.C. Diana, Análise de assinaturas estáticas produzidas em tela, Rev. Bras. Crimin. 12 (2), 41-46 (2023). Retirado em 14/06/23, de https://doi.org/10.15260/rbc.v12i2.695.
  9. European Network of Forensic Science Institutes (ENFSI). Best Practice Manual for the Forensic Handwriting Examination- Appendix 6 (2022). Retirado em 11/04/2023, de https://enfsi.eu/wp-content/uploads/2023/02/BPM-Handwriting-Ed.-4.pdf.
  10. W. J. Flynn. Conducting a forensic examination of electronically captured signatures. D-ABFDE, 15(1) (2012).
  11. R. Doroz, P. Porwik, T. Para, K. Wrobel. Dynamic signature recognition based on velocity changes of some features. Int. J. Biom., 1(1), 47-62 (2008).
  12. S. N. Srihari, S. H. Cha, H. Arora., S. Lee. Individuality of handwriting. J Forensic Sci., 47(4), 856-872 (2002).
  13. I. W. Evett, C. E. H. Berger, J. S. Buckleton, C. Champod, G. Jackson. Finding the way forward for forensic science in the US—A commentary on the PCAST report. Forensic Sci. Int., 278, 16-23 (2017).
  14. Aitken, C., & Taroni, F. Statistics and the evaluation of evidence for forensic scientists. John Wiley & Sons, United States of America. (2004).
  15. Suporte Wacom. Manual do usuário - Definições de Medidas SignatureScope. (2022).
  16. K. Ahmed; I.M. El-Henawy, M. Z. Rashad; O. Nomir. On-line signature verification based on PCA feature reduction and statistical analysis. International Conference on Computer Engineering & Systems. 3–8 (2010).
  17. L.C. Lee; A.A. Jemain. On overview of PCA application strategy in processing high dimensionality forensic data. Microchem. J., 169, 106608 (2021).
  18. T. Lelore; H. Mouchère; E.M. Moussa. Point to segment distance DTW for online handwriting signals matching, ICPRAM 2023. 1–7 (2023).
  19. K. A. Nicolaides. Using acceleration/deceleration plots in the forensic analysis of electronically captured signatures. D-ABFDE, 15(2). (2012).
  20. M.P. Caligiuri; L.A. Mohammed; B. Found; D. Rogers. Nonadherence to the isochrony principle in forged signatures, Forensic Sci Int. 223, 228–232 (2012).
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-ShareAlike» («Атрибуция — Некоммерческое использование — На тех же условиях») 4.0 Всемирная.

Copyright (c) 2024 Revista Brasileira de Criminalística

Делиться

Скачать

pdf (Português (Brasil))

Авторы)

Наиболее читаемые статьи этого автора (авторов)