Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Curitiba
2001
Tese
apresentada
ao
Programa de Ps-Graduao
em Informtica Aplicada da
Pontifcia
Universidade
Catlica do Paran como
parte dos requisitos para
obteno do ttulo de Doutor
em Cincias.
rea de Concentrao:
MTODOS E TCNICAS
DE COMPUTAO
Orientador:
Prof. Dr. Flvio Bortolozzi
Co-orientador:
Prof. Dr. Robert Sabourin
Curitiba
2001
compreenso
durante
todos
ii
AGRADECIMENTOS
iii
Sumrio
Lista de tabelas
Lista de figuras
Lista de abreviaturas e siglas
Lista de smbolos
Resumo
Abstract
1. Introduo
1.2 O objetivo
1.3 O desafio
1.4 A motivao
1.5 A proposta
1.6 As contribuies
1.7 A organizao
automtica de assinaturas
2.3 A classificao dos mtodos automticos de verificao esttica
11
2.3.1 O pr-tratamento
11
12
12
14
iv
18
19
19
19
21
21
22
utilizada
2.3.4 Uma anlise crtica
24
25
25
3.1.1 Os requisitos
25
3.1.2 As metas
26
27
27
3.2 Os recursos
31
3.2.1 O grafismo
31
3.2.1.1 A grafoscopia
32
3.2.1.2 A grafologia
35
36
38
38
39
3.2.1.2.5 A ordem
43
3.2.1.2.6 A proporo
44
3.2.1.2.7 A dimenso
45
3.2.1.2.8 A presso
45
3.2.1.2.9 A forma
46
46
48
50
51
51
52
52
53
54
56
56
59
61
63
parmetros
3.2.2.3.4.5 O efeito do nmero insuficiente
64
de dados de aprendizado
3.2.2.3.5 Os modelos escondidos de Markov e as
64
67
68
68
70
71
3.2.3.2 A aglomerao
73
74
75
76
4.1 O pr-tratamento
76
4.2 A segmentao
78
79
81
83
vi
85
segmentao
4.2.2.1 As primitivas estticas
85
87
88
88
88
89
90
das assinaturas
4.3.2.1 A inclinao axial
90
4.3.2.2 A forma
92
4.3.2.3 A progresso
93
94
96
97
97
97
99
99
100
101
102
103
105
106
107
107
vii
107
108
110
111
112
multi-dimensional
6.1.6 Os resultados usando primitivas combinadas em um MEM
113
multi-dimensional
6.1.7 O ajuste dos limiares de aceitao e rejeio atravs dos
114
valores de
6.1.8 Os problemas decorrentes do processo de coleta da base de
115
dados
6.2 Consideraes finais
116
117
7.1 Concluses
117
118
120
Referncias Bibliogrficas
127
viii
Lista de Tabelas
Tabela 3.1
29
42
de escala da assinatura.
Tabela 3.3
49
Tabela 3.4
50
esttica e pseudo-dinmicas.
Tabela 4.1
Tabela 6.1
83
as
109
110
Tabela 6.3
111
113
multi-dimensional.
Tabela 6.5
115
ix
Lista de Figuras
Fig. 1.1
Fig. 2.1
Fig. 2.2
Fig. 2.3
11
Fig. 2.5
12
12
Fig. 2.7
Imagem do canto superior esquerdo desfocada com +2, +4, +8, +16
13
13
Fig. 2.9
14
15
16
16
Fig. 2.13
17
17
Fig. 2.15
18
dos pixels; (d) Ajuste fino da assinatura; (e) Regio de alta presso.
Fig. 3.1
26
30
31
Fig. 3.4
33
1995].
Fig. 3.5
34
1995].
Fig. 3.6
37
Zona final; (3) Haste; (4) Laada; (5) Bucle da haste; (6) Bucle da
laada; (7) bucle em forma de lao; (A) Zona superior; (B) Zona
mdia; (C) Zona inferior. Adaptado de [VELS, 1961].
Fig. 3.7
38
39
40
da ocupao do espao.
Fig. 3.10
41
sees.
Fig. 3.11
43
Fig. 3.12
(a)
44
44
xi
Assinatura mista.
Fig. 3.14
45
45
46
47
48
caractersticas.
Fig. 3.19
55
55
59
69
73
bidimensional.
Fig. 3.24
75
76
destinada assinatura.
Fig. 4.2
78
xii
Fig. 4.3
(a) Grade usada por Rigoll e Kosmala; (b) Grade usada por Sabourin e
79
80
da base de aprendizado.
Fig. 4.5
81
82
84
85
85
Assinatura baixa.
Fig. 4.10
86
87
87
Fig. 4.13
89
densidade de pixels.
Fig. 4.14
89
1994].
Fig. 4.15
90
pixels.
Fig. 4.16
91
Fig. 4.17
92
92
xiii
Fig. 4.19
93
Fig. 4.20
94
95
vetores.
Fig. 4.22
96
98
Fig. 5.2
98
Fig. 5.3
99
de assinatura.
Fig. 5.4
100
102
Fig. 5.6
103
104
Fig. 5.8
105
Fig. 6.1
112
114
Fig. 6.3
115
xiv
ARD
BMP
CD-ROM
dpi
HMM
LARDOC
LBG
MEM
PUCPR
QV
- Quantizao Vetorial
VQ
- Vector Quantization
xv
Lista de Smbolos
P( . | . ), p
- probabilidade condicional
A, P[ ]
- intervalo de tempo
Pt[ ]
b( )
n, S
- smbolo observvel
- vetor de smbolos
= {A,B,}
- seqncia de observaes
- varivel forward
- varivel backward
- probabilidade a priori
xvi
argmax( )
x, y
- vetores multi-dimensionais
q( )
- operador de quantizao
Ci
- centride da classe
- medida da distoro
d2
- funo de peso
- distncia Euclidiana
Log P
- logaritmo da probabilidade
x , Em
- mdia aritmtica
pt, ptn
pi, ps
pv, pvn
i, j e k
- valores inteiros
xvii
xviii
Resumo
xix
Abstract
Captulo 1 - Introduo
envolvem
as
primeiras
tentativas
para
1.2 O objetivo
O objetivo desse trabalho a apresentao de uma modelagem grafotcnica de
assinaturas manuscritas e sua respectiva anlise, fundamentada em processos
estocsticos, em razo do uso dos Modelos Escondidos de Markov (MEM). O ponto de
partida desse estudo norteia-se numa aplicao real: a verificao de assinaturas
manuscritas em cheques bancrios brasileiros.
1.3 O desafio
A verificao de assinaturas manuscritas aborda
diferentes fontes de
de
1.4 A motivao
A despeito da automatizao de inmeros processos envolvendo transaes
bancrias ou mesmo comerciais, quer seja nos cheques bancrios ou em contratos em
geral, a assinatura manuscrita continua ainda sendo o meio legal usado para firmar
essas transaes.
Existem no mercado, sistemas de verificao de assinaturas automticos e semiautomticos como o sistema Sival1 e SignPlus2. No entanto, ainda apresentam restries
relevantes como, por exemplo, o no tratamento dos diferentes tipos de falsificaes.
Isso faz com que a verificao de assinaturas ainda seja um problema em aberto.
1
2
1.5 A proposta
Dentro do domnio do problema existem algumas metas a serem atingidas, que
no impe restries sobre a forma e o tipo da escrita da assinatura latina, e que
confrontam com todos os fatores que originam a complexidade do processo de
verificao. Essas metas so:
as assinaturas coletadas
1.6 As contribuies
A principal contribuio desse trabalho apresentar uma nova proposta de
modelagem no contextual de assinaturas (no existe a interpretao de texto), baseada
nos princpios do grafismo, usando caractersticas estticas e pseudo-dinmicas.
1.7 A organizao
Esse trabalho divide-se em sete Captulos. O primeiro contm essa breve
introduo. No segundo Captulo so tratados as generalidades sobre o domnio da
verificao automtica de assinaturas manuscritas e sua partes componentes. O terceiro
Captulo contm a contextualizao do problema envolvendo a verificao de
assinaturas em cheques bancrios brasileiros. Apresenta um estudo detalhado do
grafismo e os preceitos da anlise pericial grafotcnica. Apresenta tambm a descrio
dos princpios da codificao simblica usando a Quantizao Vetorial (QV) e a
modelagem Markoviana. O quarto Captulo apresenta o pr-tratamento das assinaturas
de laboratrio, a estratgia de segmentao e extrao de primitivas adotado. Por fim,
apresenta o mtodo de verificao automtica de assinaturas estticas,
usando os
todos
buscam fatores que agregam melhorias em busca de uma soluo que satisfaa s
necessidades e restries de uma aplicao em particular.
Em teoria, uma variao intraclasse deve ser a mnima possvel e uma variao
interclasses deve ser a mxima possvel. Na prtica, as classes no so bem separadas.
Um espcime aceito pode ser um dos seguintes:
Autntica, se escrita pelo mesmo autor do modelo e se possuir uma
similaridade boa com o modelo de referncia;
Imitao, se escrita por algum escritor que no o autor e se possuir
similaridades com o modelo de referncia.
Para as assinaturas latinas podem ser determinados dois tipos bsicos de estilos.
A assinatura cursiva, derivada do texto manuscrito ou chamada contextual, onde o autor
assina escrevendo o prprio nome. A rubrica, formada por um desenho estilizado feito
pelo autor, chamada de no contextual. Nesse ltimo caso, o desenho pode ou no
conter caractersticas de um texto, por exemplo as iniciais do nome do autor, mas isso
no uma regra. Confira na Fig. 2.2.
Fig. 2.2 (a) Exemplo de uma assinatura cursiva e (b) Exemplo de uma rubrica.
(a)
(b)
(c)
(d)
Fig. 2.3 (a) Exemplo de assinatura genuna. (b) Exemplo de falsificao aleatria
(assinatura original de outro autor). (c) Exemplo de falsificao simples. (d) Exemplo de
falsificao servil.
10
uma imagem composta por um conjunto de pixels, obtido atravs de uma cmera ou
digitalizador.
Tanto nos mtodos dinmicos como nos estticos, os dispositivos devem possuir
recursos que permitam a aquisio dos dados, numa preciso capaz de captar as
informaes relevantes. Para os digitalizadores, as resolues das imagens variam de
100 a 300 pontos por polegada (dpi).
11
2.3.1 O pr-tratamento
12
13
Fig. 2.7 Imagem do canto superior esquerdo desfocada com +2, +4, +8, +16 e +32
pixels respectivamente. Adaptada de [BRUYNE & FORR, 1988].
(a)
(b)
14
Fig. 2.9 (a) Exemplo de assinatura; (b) O envelope superior.; c) O envelope inferior.
Adaptada de [CHAUDHURY & BAJAJ, 1997].
15
no pode ser segmentada em letras. Ela apresenta variaes de estilo e, portanto, podem
possuir formas totalmente diferentes do nome do autor, como nas rubricas.
Fig. 2.10 Pontos e linhas crticas em uma assinatura, para a extrao de caractersticas.
Adaptada de [CHUANG, 1977].
16
gravidade, a taxa de curvatura, entre outras. Confira na Fig. 2.11. Numa assinatura
complexa, como a mostrada na Fig. 2.12, esse processo pode gerar um nmero relevante
de segmentos, que no carregam consigo caractersticas importantes para o processo de
verificao.
Fig. 2.11
(a)
(b)
Fig. 2.12 (a) Imagem binria de uma rubrica; (b) Ncleo da imagem binria.
17
(a)
(b)
Fig. 2.13 Modelo de clula usado por Sabourin e Genest. (a) Modelo detalhado dos
sensores. (b) Modelo do grid. Adaptado de [SABOURIN & GENEST, 1994].
Fig. 2.14 Modelo de clula usada por Rigoll e Kosmala. Adaptado de [RIGOLL &
KOSMALA, 1998].
18
Fig. 2.15 (a) Ncleo da assinatura; (b) Contorno da assinatura; (c) Distribuio dos
pixels; (d) Ajuste fino da assinatura; (e) Regio de alta presso.
19
20
envolvidas e que
intrapessoais.
Sendo
MEM
composto
de
modelos
21
As janelas de Parzen
22
Por outro lado, contrariamente aos mtodos estatsticos, quando uma classe de
caractersticas representada por um grande nmero de espcimes, com elevado grau de
variabilidade num espao de representao, os mtodos estruturais fazem uso de um
nmero muito elevado de prottipos representativos dessa classe.
23
uma
24
uma
requisitos
Nesse Captulo ser apresentada inicialmente uma proposta para uma mtodo de
verificao automtica de assinaturas esttica. Em seguida sero apresentados os
recursos que daro suporte na elaborao do mtodo proposto.
3.1 A proposta
3.1.1 Os requisitos
26
Fig. 3.1 (a) Exemplo de assinatura que ocupa a rea de assinatura sem extrapolar. (b)
Exemplo de assinatura que extrapola a rea destinada assinatura. A perda encontra-se
na parte superior e inferior da assinatura, incluindo os laos maiores.
3.1.2 As metas
27
Com o objetivo de atender aos requisitos legais, faz-se uma adequao aos
estilos de escrita e aos tipos de falsificaes. A abordagem a ser adotada possui
caractersticas no contextuais (no existe a interpretao de texto), apresenta um
critrio de segmentao explcito em clulas [SABOURIN & GENEST, 1994] e
[RIGOLL & KOSMALA, 1998] e utiliza os preceitos do grafismo, entre eles a
grafoscopia [CHUANG, 1977], na definio de caractersticas estticas e pseudodinmicas.
3.1.4
28
complexidade, no faz parte do escopo desse trabalho. Adotou-se uma base de dados de
laboratrio, que ser descrita na seqncia.
Para avaliar o desempenho do processo de verificao de assinaturas, necessitase fundamentalmente de uma base de dados que permita a sua validao estatstica. O
nmero de espcimes por autor, bem como o nmero de autores, so fundamentais.
Outros aspectos, como resoluo da imagem e nveis de cinza, tambm so elementos
importantes, pois tratam da qualidade da imagem usada. A Tabela 3.1 mostra um
comparativo entre as vrias bases de dados utilizadas em trabalhos publicados
anteriormente. Esse resumo foi descrito por Plamondon e Lorette [PLAMONDON &
LORETTE, 1988], para os mtodos estticos. Tendo como base a tabela original, foram
feitas atualizaes incluindo trabalhos mais recentes.
29
Referncias
Ammar,
Yoshida e
Fukumura
[AMMA et al., 1985]
Brocklehurts
[BROCKLEHURST, 1985]
Chuang
[CHUANG, 1977]
Resoluo da imagem
e
Nveis de Cinza (NC)
256x1024 grid
256 NC
60 pixels/cm
binria
100x300 grid
binria
Bruyne e
Forr
[BRUYNE & FORR, 1988]
Nagel e
Rosenfeld
[NAGEL & ROSENFELD, 1977]
512x512 imagem
desfocadas
Nemcek e
Lin
[NEMCK & LIN, 1974]
128x256 grid
binria
Sabourin e Genest
[SABOURIN & GENEST, 1994]
Sabourin e Plamondon
[SABOURIN & PLAMONDON, 1986]
128x512 grid
256 nveis de cinza
Linhas rtmicas
Huang e Yang
[HUANG & YAN, 1997]
12x2 cm
100 dpi
256 nveis de cinza
128x512 pixels
256 nveis de cinza
Rigoll e
Kosmala
[RIGOLL & KOSMALA, 1998]
No especificado
500 pixels/polegada
60 nveis de cinza
Tabela 3.1 Descrio das bases de dados de assinaturas usadas para avaliar o
desempenho dos mtodos de verificao automtica de assinaturas estticas.
30
(a)
(b)
(c)
(d)
Fig. 3.2 Tipos de assinaturas da base de dados: (a) assinatura genuna ; (b) falsificao
aleatria; (c) falsificao simples; (d) falsificao servil.
As assinaturas foram coletadas utilizando uma folha de papel A4 em branco.
Como elemento guia, foi usado um gabarito no formato de quatro cheques bancrios,
conforme mostrado na Fig. 3.3. Portanto, as mesmas esto totalmente isentas de
qualquer elemento de fundo (linhas de base, etc.). As folhas A4 foram digitalizadas com
uma resoluo de 300dpi, 265 nveis de cinza. Em seguida, as imagens foram recortadas
e gravadas em um arquivo no formato BMP, num retngulo de tamanho de 3x10 cm ou
(400x1.000 pixels), correspondendo rea destinada assinatura no cheque.
Durante o processo de coleta, nenhum tipo de restrio foi imposto aos autores,
como por exemplo tipo de caneta. Por questes legais, definidas pelas normas do Banco
Central, em Anexo, somente canetas com cores azul e preta puderam ser usadas. Os
dados foram armazenados em CD-ROMs, que esto hoje aos cuidados do Laboratrio
de Anlise de Documentos (LARDOC), situado na PUCPR.
31
3.2 Os recursos
3.2.1 O grafismo
No
campo
de
estudo
do
grafismo
encontram-se
vrias
abordagens
32
este trabalho, pois abordam o estudo das caractersticas pessoais de um escritor ligadas
sua escrita.
3.2.1.1 A grafoscopia
Os elementos tcnicos usados nos exames das identidades grficas, segundo Tito
e Lvio Gomide [GOMIDE & GOMIDE, 1995], so: os genricos, que se dividem em
calibre, espaamento, comportamento pauta, comportamento base, proporcionalidade,
valores angulares, valores curvilneos e inclinao axial; os genticos, que se
subdividem em, dinmicos (presso, progresso), trajetos (ataques, desenvolvimentos,
remates, mnimos grficos). Cada um desses elementos podem ser enquadrados, em um
exame grafoscpico, com convergncia ou divergncia (mnima, mdia, mxima). As
Fig. 3.4 e 3.5 mostram exemplos de cada um dos casos.
33
Fig. 3.4 Elementos tcnicos genticos. Adaptado de [GOMIDE & GOMIDE, 1995].
34
Fig. 3.5 Elementos tcnicos genricos. Adaptado de [GOMIDE & GOMIDE, 1995].
35
Tito e Lvio Gomide [GOMIDE & GOMIDE, 1995] sugerem, em muitos casos,
estabelecer um plano e projeto especfico, tal como a seleo de modelos seguros para a
assinatura ou rubrica, ou critrios para a produo e arquivamento de padres de
confronto seguros. Isto , o uso de um banco de dados de modelos.
3.2.1.2 A grafologia
36
Trao, o trajeto que a caneta descreve em um nico gesto executado pelo escritor;
37
Bucles, so todos os traos ascendentes (perfis) das hastes e das laadas inferiores e,
por extenso, todo movimento que ascende cruzando a haste e unindo-se a ela
formando crculo, confira na Fig. 3.6(5)(6);
Zona inicial, rea onde se encontra o ponto onde inicia-se a letra, confira na Fig.
3.6(1);
Zona final, rea onde se encontra o ponto onde termina a letra, confira na Fig.
3.6(2);
Zona superior, rea onde se encontra o ponto mais alto, ocupado pelas hastes, pelos
pontos e acentos, pelas barras do t e parte das maisculas, confira na Fig. 3.6(A);
Zona mdia, rea central, ocupada por todas as vogais minsculas (a, e, i , o, u) e
pelas letras m, n, r, etc. cuja altura toma-se como base para medir o nvel da
elevao das hastes e o nvel do descenso das lanadas inferiores, confira na Fig.
3.6(B);
Zona inferior, zona baixa da escrita a partir da base de todos os ovais descendentes,
das maisculas ou de outras letras, confira na Fig. 3.6(C).
Fig. 3.6 Exemplo de alguns dos elementos bsicos da grafia: (1) Zona inicial; (2) Zona
final; (3) Haste; (4) Laada; (5) Bucle da haste; (6) Bucle da laada; (7) bucle em forma
de lao; (A) Zona superior; (B) Zona mdia; (C) Zona inferior. Adaptado de [VELS,
1961].
38
Fig. 3.7 Exemplo das diferenas entre as partes de um elemento grfico: (A) Partes
essenciais; (B) Partes secundrias. Adaptado de [VELS, 1961].
Da esquerda para a direita, que est condicionada por movimentos de abduso e que
d lugar aos traos em sentido anti-horrio.
Esses movimentos podem ser: retos, curvos e angulosos. O movimento reto quando
no apresenta inflexo, tores ou desvios em seu trajeto. O movimento curvilneo,
quando os traos das letras tm a forma de segmentos de crculo ou oval (as letras
interiores a, o, etc. ). O movimento anguloso quando as letras so formadas por
retas que se cruzam ou se quebram.
Segundo Vels
classificada sob seus aspectos e subaspectos, ou seja, medindo-se em cada caso o nvel
de tenso, rapidez, profundidade, irradiao (altura-extenso), relevo, esttica, coeso,
39
regularidade, inclinao, direo das linhas, progresso e proporo. Quase todos esses
aspectos do grafismo so mensurveis, isto , podem ser avaliados grafometricamente a
partir de um modelo ou padro. Tudo que exceda ou fique abaixo deste modelo
sintomtico.
V e to r A
V e to r I
V e to r D
V e to r C
V e to r B
(a )
(b )
(c )
(d )
(e )
Fig. 3.8 Exemplos de assinaturas segundo a simbologia do espao grfico. (a) Diagrama
representativo do espao grfico; (b) Escritor introvertido; (c) Escritor extrovertido; (d)
Escritor espiritualista; (e) Escritor materialista e introvertido.
40
Fig. 3.9 Modelo do formulrio usado para a coleta das assinaturas para anlise da
ocupao do espao.
41
Fig. 3.10 Modelo do formulrio para coleta de assinaturas e a representao das sees.
42
Observaes
Quantos escritores respeitaram as
Comentrios
(dos 45 que respeitaram as fronteiras, 34
Sim = 45 (48%)
No = 49 (52%)
suas assinaturas).
Parte superior
= 45
(48%)
Parte inferior
= 21 (23%)
Lado esquerdo = 8
Lado direito
(9%)
= 10 (10%)
No invadiram = 49
(52%)
acontece
porque
maior
parte
da
esquerda = 36 (38%)
direita
= 7 (8%)
Centro
= 51 (54%)
43
Fig. 3.11 Exemplos de assinaturas do formulrio: (a) Exemplo do uso da seo d; (b)
Exemplo do uso da seo e; (c) Exemplo do uso da seo a; (d) Exemplo do uso da
seo b; (e) Exemplo do uso da seo c.
3.2.1.2.5 A ordem
44
Fig. 3.12 Exemplos de assinaturas sob o ponto de vista da ordem: (a) Assinatura clara;
(b) Assinatura confusa; (c) Assinatura concentrada; (d) Assinatura espaada.
3.2.1.2.6 A proporo
45
3.2.1.2.7 A dimenso
Fig. 3.14 Exemplos de assinaturas sob o ponto de vista da dimenso: (a) Assinatura alta;
(b) Assinatura baixa.
3.2.1.2.8 A presso
Fig. 3.15 Exemplos de assinaturas sob o ponto de vista da presso do trao: (a)
Assinatura tensa; (b) Assinatura frouxa.
46
3.2.1.2.9 A forma
Fig. 3.16 Exemplos de assinaturas sob o ponto de vista da forma: (a) Assinatura
caligrfica; (b) Assinatura arredondada; (c) Assinatura reta vertical; (d) Assinatura reta
horizontal.
47
barras dos t, podem tambm aparecer na circunferncia das letras da zona mdia,
confira na Fig. 3.17e(1); o bucle, que se apresenta na circunferncia das letras da zona
mdia, nas maisculas e nas ligaes, confira na Fig. 3.17d ; a guirlanda, que consiste
num movimento em forma de arco aberto para cima, presente nos traos iniciais e finais
e nas barras dos t, confira na Fig. 3.17f; o arco, que encontrado preferencialmente
nas zonas inicial, superior e mdia (nas ligaes), confira na Fig. 3.17h; a espiral, que
est presente nas letras maisculas, confira na Fig. 3.17b(2); a inflao, que apresenta
um tamanho exagerado, presente nas maisculas, confira na Fig. 3.17b(2); o lao, que
uma espcie de movimento de retorno ao ponto de partida, confira na Fig. 3.17e(2); a
serpentina, que afeta especialmente os traos iniciais e finais e as letras m e n,
confira na Fig. 3.17g .
Fig. 3.17 Exemplos de assinaturas sob o ponto de vista dos gestos caractersticos: (a)
Gancho; (b) Clava, espiral e inflada; (c) Golpe de sabre; (d) Bucle; (e) Tringulo e lao;
(f) Guirlanda; (g) Serpentina; (h) Arco.
48
Fig. 3.18 Diagrama resumo das abordagens do grafismo e suas principais caractersticas.
A Tabela 3.3 apresenta uma relao entre a grafologia e a grafoscopia. Com isso
pode-se determinar um conjunto possvel de caractersticas a serem adotadas pelo
mtodo de verificao automtica.
49
Caractersticas
Grafoscopia
(genticos/genricos)
Grafologia
(mmica/simblica)
Calibre
Altura / largura / dimenso
Proporcionalidade
Regularidade / proporo
Espaamento
Espaamento
Comportamento Pauta Comportamento pauta Comportamento base
Comportamento Base
Progresso
Presso aparente
Progresso
Presso
Presso
Presso real
Gestos
Ataque / remate
Gestos caractersticos
Ocupao do Espao Grfico Ocupao do espao grfico
Mnimos Grficos
Mnimos grficos
Inclinao Axial
Inclinao axial
Tabela 3.3 Caractersticas combinadas da grafologia e da grafoscopia.
Calibre
Proporo
Gestos Por
50
Esttica
Pseudo-dinmica
Calibre
Progresso
Proporo
Forma
Espaamento
Inclinao Axial
Comportamento Base
3.1
3.2
51
pijt = [Xk+t = j | Xk = i]
3.3
52
53
V = {v1, v2, ..., vM} denota o conjunto de smbolos observados possveis, e Vt designa
o estado corrente no instante t;
onde,
(qt Q)
i,j [1..T]
3.4
3.5
1 j N, 1 k M
3.6
bj(k) 0
j, k
bj(k) = 1 j;
3.7
54
= 1,2,...,N,
onde i
i = P[qi = i]
1 i N.
3.8
55
Aij = 0,
j< i
3.9
Isto , nenhuma transio permitida para estados cujo ndice seja inferior ao corrente
estado. A probabilidade do estado inicial possui a seguinte propriedade:
0, i 1
i =
1, i =1
3.10
Rabiner [RABINER & JUANG, 1993] define trs problemas bsicos que devem
ser resolvidos para que os modelos de Markov possam ser utilizados no mundo real. Os
problemas so os seguintes:
1) Dada a seqncia de observaes O = (o1 o2 ... oT), e um modelo = (A,B,),
como calcular eficientemente P(O|), a probabilidade da seqncia de
observao, dado o modelo?
2) Dada a seqncia de observaes O = (o1 o2 ... oT), ), e um modelo =
(A,B,), como escolher a seqncia de estados q = (q1 q2 ... qT) que tima?
3) Como ajustar os parmetros do modelo = (A,B,), para maximizar P(O|)?
56
3.11
P(O | Q, ) = bq1 (O1 )bq2 (O2 ) bqT (OT ) e P(O | ) = q1 aq1q2 aq2q3 aqT 1qT
3.12
onde:
q1 , q 2 qT
q1 q 2
3.13
3.14
57
Incio
1. Inicializao
1(i) = ibi(oi),
1 i N
3.15
2. Induo
N
t+1( j) = t (i)aij bj (ot+1),
i=1
1t T 1
1 j N
3.16
3. Trmino
P (O | ) =
i =1
(i )
3.17
Fim
3.18
58
3.19
T(i) = 1,
1iN
3.20
2. Induo
N
t =T 1, T 2, , 1,
1 i N
3.21
j =1
Fim
59
3.22
t (i) =
P(O, qt = i | )
N
P(O, q = i | )
i=1
3.23
60
t (i) =
t (i)t (i)
N
(i) (i)
i=1
3.24
Para achar a melhor seqncia de estados, q = (q1 q2 ... qT), para um dada
seqncia de observaes O = (o1 o2 ... oT), deve-se definir a quantidade
3.25
onde t(i) a mais alta probabilidade ao longo de um caminho simples, no tempo t, com
( i )
max
2 ,
q 1 ,q
, q
P [ q
t 1
, q
i ,
| )
3.26
61
Incio
1. Inicializao
1(i) = ibi(o1)
1 iN
3.27a
1(i) = 0.
3.27b
2. Induo
2t T
1 j N
3.28a
2t T
1 j N
3.28b
3. Trmino
3.29a
P * = max [ T ( i )]
3.29b
1iN
1 i N
qt* =t+1(qt*+1),
t =T 1, T 2, ,1
3.30
Fim
3.31
62
t (i , j ) =
P ( qt = i, qt +1 = j , O | )
P (O | )
3.32
t (i )aij b j (ot +1 ) t +1 ( j )
t (i , j ) =
(i )a b (o
i =1 j =1
ij
t +1
) t +1 ( j )
3.33
t (i ) = t (i, j ),
1 i N
1 t M.
j =1
3.34
3.35
i =1(i),
1i N
b j (k ) =
( j )
t =1,qt =vk
T
( j )
1 j N
1 i N
1 k M.
3.36
t =1
T 1
aij =
(i, j)
t =1
T 1
(i)
t =1
1 j N
3.37
onde
-
63
1 i, j N ,
1 k N
3.38
1 i, j N,
1 t T 1, e
3.39
64
65
1 t T 1
1 j N
3.40
3.41
3.42
66
t (i ) = P(Ot +1 Ot + 2 OT | S t = i, ).
3.43
= 1
3.44
T 1
aij =
t =1
T 1
(i, j )
t =1
b (j l ) (k ) =
(i, j )
3.45
t
tOt ( l ) = vk( l )
( j)
, l = 1,2, R
( j)
3.46
j = 1,2, N ,
t (i, j ) =
k = 1,2, M
t (i )a ij b j (Ot +1 ) t +1 ( j )
3.47
P (O | )
t (i ) = P ( St = i | O, )
3.48
P(O | ) = T (k )
k =1
t (i ) =
t (i ) t (i )
N
k =1
(k )
3.49
.
3.50
67
68
Isso
resulta num elevado nmero de parmetros que devem ser estimados durante o processo
de aprendizado, o que leva os modelos a necessitarem de um elevado nmero de
espcimes de dados para treinamento. O processo de quantizao vetorial (QV) ou
Vector Quantization permite que modelos discretos representem observaes contnuas,
atravs do mapeamento de cada observao contnua em um smbolo de um alfabeto
discreto. Isso possvel particionando-se o vetor de espao contnuo de n-dimenses em
um nmero de clulas chamado lxico ou codebook, e mapeando essas observaes
contnuas em uma das clulas do lxico. O QV exige recursos modestos, em relao aos
dados, nos modelos discretos. No entanto, apresenta distores provocadas pelo
processo de mapeamento do vetor contnuo em um conjunto de clulas do modelo
discreto.
y =q(x)
3.51
69
q(x) = yi,
se x Ci.
3.52
70
D = [d(x,y)]
L 1
D = P[ x Ci ]
i =0
3.53
d ( x, y ) p( x)dx
3.54
x Ci
d 2 ( x, y ) =
1
N
(x
k =1
yk ) 2
3.55
onde d2(x,y), representa o erro mdio quadrtico. De uma maneira mais geral, pode-se
escrever
1
d r ( x, y ) =
N
| x
k =1
y k |r .
3.56
71
3.57
O algoritmo para gerao de lxico mais utilizado o LBG (Linde, Buzo and
Gray algorithm), do qual o algoritmo de agrupamento K-means tem origem numa
verso simplificada utilizado na prtica. Ele tambm genericamente chamado de
72
Incio
1. Inicializao
Inicia m 0. // Escolhe o conjunto inicial de smbolos.
2. Classificao
//Classifica o conjunto de vetores de treinamento da clula
// representativa de um smbolo que esteja mais prximo,
// que satisfaa a regra:
x Ci(m),
se d(x,yi(m)) d(x,yj(m))
para j i
3.58
3.2.3.2 A aglomerao
73
3.59
minimizao da funo usada como critrio de deciso para o problema. Uma das
funes mais utilizadas como critrio a minimizao da soma dos erros quadrticos:
J = || x j || 2
j =1 xC j
3.60
j =
1
Nj
xC j
3.61
74
Elms [ELMS, 1996] descreve a dependncia que existe entre o nmero mnimo
de vetores x pertencentes a uma classe em relao s dimenses de x. Segundo Elms,
existe uma tendncia de usar-se uma relao de Ni > 2n ou Ni > 5n, onde Ni representa o
nmero de vetores pertencentes a uma classe e n a dimenso do vetor x.
todos os escritores.
75
77
(a)
(b)
78
(c)
Fig. 4.2 (a) Imagem de uma assinatura em nveis de cinza; (b) Imagem binria; (c)
Ncleo da assinatura.
4.2 A segmentao
Sabourin, Huang e Rigoll [SABOURIN & GENEST, 1994], [HUANG & YAN,
1997] e [RIGOLL & KOSMALA, 1998], usaram a grade ou grid como ferramenta de
segmentao. Como o unidade elementar das assinaturas so os segmentos, e esses
possuem
79
Fig. 4.3 (a) Grade usada por Rigoll e Kosmala; (b) Grade usada por Sabourin e Genest.
Adaptado de [RIGOLL & KOSMALA, 1998] e [SABOURIN & GENEST, 1994].
A grade pode ser utilizada nesse caso com algumas restries. A primeira
restrio encontra-se na obedincia dos limites impostos pelas dimenses da rea
destinada assinatura nos cheques bancrios brasileiros. O uso de toda a rea, como no
mtodo apresentado por Sabourin e Genest, s ocorre na direo vertical. Na direo
horizontal, o incio e o final da assinatura no ultrapassam os limites impostos pela rea
destinada assinatura. Isto similar ao modelo usado por Rigoll e Kosmala. A
justificativa para essa deciso apresentada nas imagens sobrepostas da Fig. 4.4. O
conjunto de assinaturas foi centrado usando como sistema de eixos o centro de
gravidade. Mesmo nas assinaturas mais comportadas, isto , que sofrem poucas
variaes entre os vrios espcimes na Fig. 4.4 , possvel notar os deslocamento mais
significativo no sentido horizontal que no vertical. A razo desse fenmeno esta ligado
80
diferena entre a altura e a largura da rea destina assinatura no cheque. Como a altura
significativamente menor, o escritor induzido a manter uma escala mais regular ao
assinar. Esse fenmeno pode ser visto no estudo estatstico apresentado no Captulo 2,
que trata da ocupao do espao grfico.
(a)
(b)
(c)
Fig. 4.4 Exemplos da sobreposio das imagens afinadas dos vinte espcimes da base de
aprendizado.
81
(a)
(b)
(c)
(d)
Fig. 4.5 Exemplos dos modelos de grade quadrada: (a) Grade com resoluo de 40
pixels; (b) Grade com resoluo de 20 pixels; (c)Grade com resoluo de 16 pixels; (d)
Grade com resoluo de 10 pixels.
82
(a)
(b)
Fig. 4.6 (a) Segmentao usada pelo grafismo; (b) Exemplo de uma segmentao com 4
zonas de tamanho fixo.
83
Nmero de Pixels na
Vertical
Baixa
100
Baixa
80
Mdia
50
Mdia
10
40
Mdia
16
25
Alta
20
20
Alta
25
16
O limite superior apresentado pela Tabela 4.1, 25 clulas (16 pixels), foi
definido usando como referncia o dobro da espessura mdia dos segmentos
encontrados nas assinaturas dos autores da base de aprendizado (300dpi e qualquer tipo
de caneta).
84
(a)
(b)
(c)
(d)
Fig. 4.7 (a) e (b) Seqncias de observaes, usando clulas quadradas;(c) e (d)
Seqncias de Observaes, usando clulas retangulares.
(a)
(b)
85
(c)
Fig. 4.8 (a) Baixa resoluo com 4 clulas verticais; (b) Mdia resoluo com 10
clulas verticais; (c) Alta resoluo com 25 clulas verticais.
(a)
(b)
Fig. 4.9 Calibre ( Caractersticas do grafismo): (a) Assinatura alta; (b) Assinatura baixa.
86
(a)
(b)
(c)
Fig. 4.10 Exemplo da incorporao da proporo: (a) Assinatura proporcional; (b)
Assinatura desproporcional; (c) Assinatura mista.
87
(a)
(b)
Fig. 4.11 Exemplo da incorporao do espaamento: (a) Assinatura com vrios espaos
entre blocos; (b) Assinatura sem espaos.
(a)
(b)
88
89
Fig. 4.14 Exemplo do uso do ESC . Adaptado de [SABOURIN & GENEST, 1994].
90
das projees dos traos contidos na mesma. O conjunto de valores obtidos descrevem
adequadamente a distribuio geomtrica dos pixels.
91
92
4.3.2.2 A forma
93
4.3.2.3 A progresso
94
(a)
(b)
Fig. 4.20 Exemplo da primitiva progresso. (a) Clculo da dinmica do traado; (b)
Extrao do segmento mais significativo.
95
96
(a)
(b)
Fig. 4.22 (a) Representao da densidade de pixels para um lxico igual a 100; (b)
Representao da inclinao axial para um lxico igual a 60.
Como foi visto no Captulo 3, existem diferentes modelos de MEM. Eles esto
diretamente ligados s caractersticas dos dados e tambm ao processo de segmentao
adotado. Quanto mais impreciso for o processo de segmentao, mais adaptado deve
estar o modelo, a fim de capturar o mximo de variabilidade imposta pelo mesmo. A
segmentao contextual, como no caso dos textos manuscritos [YACOUBI, 1996],
impe a utilizao de modelos complexos capazes de mapear as possveis variantes,
confira na Fig. 5.1.
98
(a)
(b)
Fig. 5.2 (a) Modelo esquerda-direita; (b) Exemplo da representao do modelo.
99
Nmero de Estados
60
49
50
46
41
41
40
34
32
23
20
32
28
30
21
19
19
15
13
12
10
17
9 10
7
2
21 21
19
14
14 13
9
10
10
6 5 7 7
9
5 4
0
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Modelo
Fig. 5.3 Grfico indicador da variao do nmero de estados para cada modelo de
assinatura.
100
Nmero de Ocorrncias
80
70
60
50
40
30
20
10
88
85
82
79
76
73
70
67
64
61
58
55
52
49
46
43
40
37
34
31
28
25
22
19
16
13
10
Nmero de Observaes
Fig. 5.4 Grfico que representa o nmero de observaes dos 20 espcimes de cada
autor (40 autores) usados no processo de aprendizado.
101
PBW (O / (t ) ) PBW (O / ( t 1) )
PBW (O / ( t ) ) + PBW (O / (t 1) )
5.1
102
Ptn =
Log Pt
(L N )
5.2
Ptn =
Log Pt
L
5.3
103
Log Pt
N
ptn =
5.4
Onde
Ptn a probabilidade de aprendizado normalizada;
Log Pt o logaritmo da probabilidade de aprendizado;
N o nmero de estados do modelo;
L o nmero de observaes de uma seqncia.
Log P
Log da Probabilidade de
Aprendizado
Log P/(L-N)
3
Log P/L
Log P/N
9 10 11 12 13 14 15 16 17 18 19 20
0,00E+00
-1,00E+01
-2,00E+01
-3,00E+01
-4,00E+01
-5,00E+01
-6,00E+01
-7,00E+01
-8,00E+01
-9,00E+01
-1,00E+02
104
Eles permitem a adequao dos limiares em funo da qualidade dos espcimes usados
no aprendizado. Isto , se um autor possui alta variabilidade intrapessoal, os valores de
ajustam-se com o objetivo de adequar-se a essa caracterstica.
A determinao dos valores de 1 e 2, so feitas atravs da simulao de um
processo de verificao utilizando a base de dados de validao. Com base na taxa
mdia de erro (Em), confira na equao (5.5), um conjunto de valores possveis de 1 e
que produziram
Em =
EFA + EFR
2
5.5
Onde,
Em a taxa mdia de erro;
EFA a taxa de falsa aceitao (erro tipo II);
EFR a taxa de falsa rejeio (erro tipo I).
105
ptn (O / ) =
log pt (O / )
L
5.6
Pi = ptn (ptn . 1)
5.7
Ps = ptn + (ptn . 2)
5.8
pvn (O / ) =
log pv (O / )
L
5.9
106
5.10
A primeira base de dados foi usada para criao do lxico, para cada
caracterstica. Para tanto, foram selecionados 30 espcimes de cada autor. Tendo como
base o lxico obtido, toda a base de dados foi ento convertida em uma seqncia de
observaes. A primeira base foi utilizada, tambm, pelo processo de aprendizado.
Cada modelo de um dado autor foi definido usando 20 espcimes para o aprendizado e
10 para validao cruzada (os mesmos 30 espcimes usados na criao do lxico). Os
parmetros auxiliares para a definio dos limiares de aceitao e rejeio, 1 e 2,
equaes (5.7) e (5.8) respectivamente, foram determinados usando os mesmos 10
108
109
Densidade de pixels
Erro Tipo II
Clulas Verticais /
Tamanho do Lxico
Erro Tipo I
(%)
(%)
Erro Mdio
(%)
04/10
04/20
04/30
04/40
04/50
04/60
04/70
04/80
04/90
04/100
04/120
04/140
04/160
04/180
04/200
10/10
10/20
10/30
10/40
10/50
10/60
10/70
10/80
10/90
10/100
10/120
10/140
10/160
10/180
10/200
25/10
25/20
25/30
25/40
25/50
25/60
25/70
25/80
25/90
25/100
25/120
25/140
25/160
25/180
25/200
4,25
4,25
3,00
3,50
3,75
2,50
3,25
2,75
3,50
4,50
4,25
3,75
3,75
3,75
5,50
4,00
3,00
3,25
3,25
2,00
1,50
3,75
1,75
1,00
1,25
1,25
2,25
2,20
3,25
2,25
6,00
6,00
4,50
4,75
4,25
3,25
2,50
3,25
3,00
2,00
3,50
3,75
4,75
4,80
4,93
1,01
0,60
0,38
0,63
0,56
0,47
0,37
0,67
0,29
0,74
0,41
0,63
0,35
0,47
0,62
0,56
0,69
0,31
0,26
0,26
0,36
0,23
0,24
0,32
0,29
0,42
0,15
0,21
0,35
0,35
1,20
0,82
0,69
0,36
0,38
0,62
0,67
0,45
0,42
0,68
0,44
0,29
0,32
0,40
0,47
2,63
2,43
1,69
2,06
2,16
1,49
1,81
1,71
1,89
2,62
2,33
2,19
2,05
2,11
3,06
2,28
1,84
1,78
1,76
1,13
0,93
1,99
0,99
0,66
0,77
0,84
1,20
1,10
1,80
1,30
3,60
3,41
2,59
2,55
2,31
1,94
1,58
1,85
1,71
1,34
1,97
2,02
2,53
2,60
2,70
110
Primitivas estticas:
DI - Distribuio de pixels;
DS - Densidade de pixels.
Primitivas pseudo-dinmicas:
IA - Inclinao axial;
FR Forma;
PA Progresso.
Primitivas
DI
DS
EM
ET I ET II EM
FR
IA
ET I
ET II
EM
5,66
5,48
5,77
7,02
5,85
10/60
10/70
10/80
10/90
10/100
1,87
2,29
2,96
2,99
3,08
25/60
25/70
25/80
25/90
25/100
1,92
2,36
2,86
2,16
2,90
Estticas
ET I : Erro Tipo I (%)
EM
ET I ET II
PA
ET I ET II
Clulas Verticais /
Tamanho do Lxico
04/60
04/70
04/80
04/90
04/100
ET I ET II
EM
Pseudo-dinmicas
EM : Erro Mdio (%)
111
6.1.4 Os resultados usando primitivas isoladas com uma segunda base dados e a
presena de falsificaes simples e servis
Primitivas
Clulas
Erro
Erro
Verticais /
Tipo Tipo II
(%)
Tamanho do
I
Aleatrias
(%)
Lxico
10/90
2,17
1,23
Erro
Tipo II
Erro
Tipo II
(%)
(%)
Simples
Servil
Erro
Mdi
o
(%)
Densidade de
3,17
36,57
7,87
pixels
Distribuio de
10/100
1,33
1,29
2,83
37,83
7,65
pixels
Inclinao axial
10/100
7,92
4,00
0,72
2,50
32,33
Progresso
10/60
4,33
1,27
3,00
37,67
9,15
Forma
25/100
6,20
0,93
2,63
35,45
11,30
Tabela 6.3 Resultados obtidos usando o segundo subconjunto de autores e com o uso de
falsificaes simples e servis.
112
(a)
(b)
Fig. 6.1 Sobreposio, usando o centro de gravidade, dos 20 espcimes de aprendizado
de um mesmo escritor: (a) Exemplo de assinatura com alta variabilidade intrapessoal.
(b) Exemplo de assinatura com baixa variabilidade intrapessoal.
113
incluso de mais de trs primitivas gera uma probabilidade final de treinamento Pt(O/),
incapaz de induzir o processo de aprendizado do modelo. Mesmo usando-se o processo
de reescalonamento [RABINER & JUANG, 1993], o problema persistiu. Em funo
dessa restrio, foram selecionadas as primitivas que melhor desempenho apresentaram
nos testes isolados.
Primitivas
Combinadas
Clulas
Verticais /
Tamanho do
Lxico
Erro
Erro
Tipo I Tipo II
(%)
(%)
Aleatri
a
Erro
Erro Erro
Tipo II Tipo II Mdi
(%)
(%)
o
Simples Servil
(%)
Densidade de
10/90
pixels /
10/100
2,83
1,44
2,50
22,67 5,85
Distribuio de
10/100
pixels / Inclinao
axial
Tabela 6.4 Resultados obtidos usando as mesmas primitivas em um MEM multidimensional.
114
(a)
(b)
115
Fig. 6.3 Grfico que demonstra o comportamento da taxa de erro mdio, durante a
determinao dos parmetros auxiliares .
A Tabela 6.5 mostra uma evoluo significativa nas taxas de erro do tipo II, em
torno de 20%. Tambm existiu uma elevao da taxa de rejeio, decorrente do
estreitamento da rea de aceitao. Isso implica em dizer que o sistema tornou-se mais
crtico s variaes intrapessoais, e por outro lado, tornou-se mais crtico tambm s
variaes interpessoais.
Primitivas
Combinadas
Clulas
Verticais /
Tamanho do
Lxico
Erro
Erro
Tipo I Tipo II
(%)
(%)
Aleatri
a
Erro
Erro Erro
Tipo II Tipo II Mdi
(%)
(%)
o
Simples Servil
(%)
Densidade de
10/90
pixels /
10/100
3,33
1,33
1,83
Distribuio de
10/100
pixels / Inclinao
axial
Tabela 6.5 Resultados obtidos usando os valores mdios de .
15,17
5,41
Cada conjunto de 40 assinaturas foram coletadas junto aos autores, num mesmo
momento. Como o nmero de espcimes coletadas era relativamente elevado, o
processo pode ter introduzido uma taxa de deformao aos espcimes finais, confira na
Fig. 6.1a. Isso decorrncia do cansao fsico imposto pelo processo contnuo de
escrita.
116
7.1 Concluses
118
caso especfico dos cheques bancrios, o carto de assinatura composto por apenas
trs espcimes. Alm disso, foram mostrados, no Captulo anterior, os efeitos de uma
base de dados de aprendizado reduzida. Torna-se necessrio, ento, quantificar o
nmero mnimo de espcimes para o aprendizado e definir mecanismos para a gerao
desses espcimes, tendo como referncia as amostras do carto de assinaturas.
119
1. O Modelo-Padro do Cheque
A resoluo de n 885 do CONCELHO MONETRIO NACIONAL, na forma
do artigo 9 da lei 4.595, define as normas e padres a serem observados na elaborao
dos cheques bancrios pelas instituies financeiras. Os formulrios de cheques devem
ser confeccionados com rigorosa observncia das especificaes e instrues contidas
no documento. A seguir, listaremos algumas das normas que regem a confeco dos
formulrios dos cheques bancrios, descritas nessa resoluo:
magnetizveis na
121
122
123
124
T um espao em branco;
T um caracter correspondente ao dgito verificador (DV1) do cdigo do
banco e do cdigo da agncia inscritos no campo 1, calculado atravs
do mdulo 10;
T dez caracteres correspondentes ao nmero da conta do correntista,
podendo constar do mesmo a razo contbil e
dgito de auto-
conferncia da conta;
T um caracter correspondente ao dgito verificador (DV3) das dez
posies referentes ao nmero da conta do correntista, calculado
atravs do mdulo 10;
T um smbolo S1;
CAMPO 4: (reservado para a ps-marcao do valor do cheque);
T um espao em branco;
T doze caracteres representativos do valor do cheque, preenchendo-se
com zeros ou deixando-se em branco as posies esquerda no
demandadas para exprimir a quantia;
T um smbolo S2.
1.5 Impresso e confeco do formulrio de cheque:
a) o formulrio de cheque deve ser impresso em qualquer cor, com tinta
indelvel e de tonalidade firme;
b) permitido o uso de impresses por perfurao ou filigrana, desde que no
apostas na faixa de magnetizao e no produzam rebarbas que prejudiquem
a leitura mecnica do cheque;
c) os cheques podem ser confeccionados em folhas planas ou em formulrios
contnuos, devendo, neste ltimo caso, ser destacados por guilhotina, de
modo que se obtenha bordas retas e lisas nas extremidades inferior e direita,
utilizadas como referenciais no processo de leitura mecnica.
125
COMP BANCO
AG
C1
CONTA
()
R$
C2
CHEQUE N C3
()
ou sua ordem.
de
de 19
000
000
000
(0)
0000000000
ABC
00000
ou sua ordem.
de
de 19
NOME DO DEPOSITANTE
N DO CPF DO DEPOSITANTE
Caracteres Magnticos
126
CAMPO 1
CAMPO 2
0000000000
00000000000
CAMPO 3
0000000000000
CAMPO 4
000000000000
permitido
Referncias Bibliogrficas
128
[ELMS, 1996] A. J. Elms, The representation and recognition of text using Hidden
Markov Models, .Phd Thesis, Guildgord, Surrey GU25Xh, U. K.,
1996, 239 p.
[FUJISAWA et al., 1999] Yoshiharu Fujisawa, M. Shi, T. Wakabayashi, F. Kimura,
Handwritten Numeral Recognition Using Gradient and Curvature of
Gray Scale Image, Proceedings of The Fifth International Conference
on Document Analysis and Recognition, Bangalore, India, 1999, 277280 p.
[FUNG et al., 1996] George S. K. Fung, James N. K. Liu and Rynson W. H. Lau,
Feature Selection in Automatic Signature Verification Based on
Genetic Algorithm, International Conference on Neural Information
Processing ICONIP96, Hong Kong, 1996, 811-815 p.
[GOMIDE & GOMIDE, 1995] Tito Gomide e Lvio Gomide, Manual de Grafoscopia,
Editora Saraiva, So Paulo, Brasil, 1995, 106 p.
[HOEL, 1960] Paul G. Hoel, Elementary Statistics, A Wiley Publications in Statistics,
John Wiley & Sons Inc, Canada, 1960, 261 p.
[HUANG & YAN, 1997] Kai Huang and Hong Yan, Off-line Signature Verification
Based on Geometric Feature Extraction and Neural Network
Classification, Pattern Recognition, 1997, Vol. 30, No. 1, 9-17 p.
[HUNT & Qi, 1995] R. Hunt and Yingyong Qi, A Multiresolution Approach to
Computer Verification of Handwritten Signatures, IEEE Transations
on Image Processing, 1995, Vol. 4, No. 6, 870- 874 p.
[IMPEDOVO & FORTE, 1996] S. Impedovo and A. M. Forte, A New Adaptive
Neural Network for na Off-Line Signature Verification System, Fifth
International Workshop on Frontiers in Handwriting - IWFHR5, 1996,
355-363 p.
[JUSTINO et al., 1998a] Edson J. R. Justino, Flvio Bortolozzi and Robert Sabourin,
Os Sistemas de Reconhecimento de Assinaturas sob a tica da
Grafologia, International Seminar on Document Management ISDM98,
Curitiba, Brazil, 1998, 134-140 p.
[JUSTINO et al., 1998b] Edson J. R. Justino, Flvio Bortolozzi and Robert Sabourin,
Uma Arquitetura Multinvel para um Sistema de Reconhecimento
de ssinaturas usando Modelos Escondidos de Markov, International
Seminar on Document Management ISDM98, Curitiba, Brazil, 1998,
140-156 p.
129
130
131