Online-Unterschriftenverifikation basierend auf Methoden des Maschinellen Lernens

Klassische Methoden zur Überprüfung der Identität einer Person, wie Passwörter oder PINs, sind aufgrund eines in den letzten Jahren stark gestiegenen Sicherheitsbedürfnisses in vielen Bereichen oftmals nicht mehr zuverlässig genug. Daher werden heute vermehrt biometrische Eigenschaften von Personen verwendet, um ihre Identität zuverlässig zu verifizieren. Eine mögliche biometrische Eigenschaft stellt dabei die Unterschrift einer Person dar. Besonders erfolgversprechend ist hierbei die Verifikation von Unterschriften anhand ihrer Dynamik (Online-Unterschriftenverifikation). Die Unterschriften von Personen sind jedoch einer mehr oder weniger ausgeprägten Variabilität unterworfen, welche bei der Entwicklung von neuen Verfahren zur automatisierten Überprüfung geeignet berücksichtigt werden muss. Einerseits müssen diese Verfahren flexibel genug sein, um zulässige Unterschriften mit hoher Genauigkeit zu akzeptieren und dadurch eine benutzerfreundliche Authentifizierung zu ermöglichen. Andererseits müssen die Verfahren gefälschte Unterschriften mit hoher Zuverlässigkeit zurückweisen. Diese Arbeit stellt zwei neuartige Verfahren zur Online-Unterschriftenverifikation auf der Basis von Methoden des Maschinellen Lernens vor. Beiden Methoden liegen Support Vector Machines zu Grunde, welche sich durch optimale Generalisierungsfähigkeit auszeichnen und sich wegen der wenigen für das Training benötigten Beispielunterschriften besonders für die Online-Unterschriftenverifikation eignen.