Wprowadzenie
Weryfikacja podpisu odręcznego – najbardziej naturalna, prosta, pełna zastosowań: to niektóre z charakterystyk, które opisują tę biometrię. W codziennym życiu, każdej wizycie w banku towarzyszy nam weryfikacja podpisu wykonywana przez pracownika banku. Zastąpienie tego elementu automatyczną weryfikacją uczyniłoby ją jednocześnie szybką i niezawodną.
 Rys1. Tablet graficzny używany do weryfikacji on-line.
Biometria podpisu odręcznego tym różni się od innych biometrii, że nie polega na mierzeniu określonych cech wrodzonych, a pewnego wyuczonego zachowania - należy do grupy biometrii behawioralnych.
Używana przez nas reprezentacja podpisu wykorzystuje nie tylko charakterystykę wizualną (dwuwymiarowy obraz), ale także sposób, w jaki podpis został złożony, tj. dynamikę ruchu pióra. Podpisy są pobierane przy pomocy tabletu graficznego. Każdy pobrany podpis jest reprezentowany przez sekwencje wektorów, z których każdy zawiera współrzędne końcówki pióra, nacisk oraz kąty: azymut i nachylenie.
Liczba wymiaru wektora zależy od liczby cech jakie można pobrać za pomocą konkretnego tabletu.
 Rys2. po lewej: dwa podpisy oryginalne; po prawej: podpis oryginalny (niebieski) i jego podróbka (czerwony)
Obserwując (Rys2) sekwencje cech widać wyraźnie, że podpisy oryginalne wyglądają podobnie, podczas gdy podpis oryginalny i jego podróbka wyraźnie się różnią.
Jak to działa
Cechami funkcyjnymi są zarówno bezpośrednio pobrane z tabletu sekwencje cech ( koordynaty pióra, nacisk..) jak i funkcje wyznaczone za ich pomocą( przyspieszenie, lokalne drgania sygnału, ...)
Cechy statyczne są to statystyki cech funkcyjnych jak i cechy globalne podpisu takie jak wysokość, ilość podniesień pióra, itd. Rozwiązania bazujące jedynie na cechach statycznych gubią dynamiczną charakter podpisu, który bardzo wspomaga poprawną weryfikację.
Jednak algorytmy weryfikacji zazwyczaj wykorzystują obydwa typy cech.(parametryczne i funkcyjne). Cechy parametryczne zazwyczaj wykorzystuje się w klasyfikatorach probabilistycznych czy metodach sztucznej inteligencji takich jak sieci neuronowe. Druga grupa cech najczęściej wykorzystywana jest do modelowania ukrytymi modelami Markowa (HMM).
| autorzy | rok | FAR[%] | FRR[%] | ERR[%] | liczba osób |
| Parizeau & Plamondon | 1990 | | | 4 | 30 |
| Nalwa | 1997 | | | 2.5 | 204 |
| Munich & Perona | 1999 | | | 2.9 | 56 |
| Sakamoto et al. | 2001 | | | 3 | 8 |
| Feng & Wah | 2003 | | | 25 | 30 |
| Shafiei & Rabiee | 2003 | 4 | 12 | 11.5 | 69 |
| Muramatsu & Matsumoto | 2003 | | | 2.6 | 14 |
| Pippin | 2004 | 4.3 | 4.7 | | 19 |
| Nakanishi & Sakamoto | 2005 | | | 1.35 | 4 |
| Mahmud & Rahman | 2005 | 5 | 5 | | 30 |
| Wan et al. | 2005 | | | 6.7 | 25 |
| Zois & Anastassopoulos | 2005 | | | 6 | 20 |
| Muramatsu et al. | 2006 | 0.86 | 0.8 | 0.86 | 330 |
| Nasz algorytm | 2006 | - 3.6 | - 2.8 | 0 - | 30 136 |
|