Verificacin e identificacin de firmas offline

mediante el anlisis de imgenes con redes complejas

Autor: Ronald M. Juarez Chambi
ronald.juarez@pucp.pe

Asesor: Dr. Csar A. Beltrn Castan

cbeltran@pucp.pe

Facultad de Ciencias e Ingeniera Seccin Ingeniera Informtica

Pontificia Universidad Catlica del Per
Lima, Per
Resumen La firma manuscrita es el medio ms comn para identificar la validez de un documento. Los procesos de
verificacin e identificacin de estas son realizados de forma manual por peritos caligrficos que utilizan criterios
generalmente subjetivos. Varias tcnicas se han propuesto para apoyar en la solucin de este problema mediante el uso de
algoritmos computacionales, pero el problema sigue abierto. El presente trabajo desarrolla de manera indita la
aplicacin de redes complejas para la caracterizacin, y posterior verificacin e identificacin de una firma offline. Las
redes complejas pueden ser consideradas entre las reas de teora de grafos y la mecnica estadstica, y se caracterizan
por poseer propiedades adecuadas para el reconocimiento de formas, las cuales presentan invariancia a la rotacin,
escala, trazado y ruido de la imagen. Previamente, las imgenes de las firmas offline fueron pre-procesadas para obtener
una versin esqueletizada de la misma, para tener una imagen ms adecuada para la extraccin de caractersticas. Para
los experimentos se trabaj con una base de datos de imgenes de firmas offline de 960 personas, y se alcanz una tasa de
acierto de 85.12% en la identificacin y de 76.11% para la verificacin. Esto demuestra que la metodologa utilizada con
redes complejas otorga un auspicioso camino para los procesos de identificacin y verificacin de firmas de personas y
usarlas en diferentes aplicaciones prcticas como trmites documentarios y validaciones de padrones electorales.
Finalmente, esta nueva metodologa de autenticacin de firmas basada en redes complejas, incrementa el estado del arte
del rea.
Palabras claveRedes complejas, reconocimiento de
patrones, verificacin de firmas, procesamiento de
imgenes digitales, anlisis de formas.

I. INTRODUCCIN
El proceso de verificacin e identificacin de firmas
olgrafas es utilizado en muchas entidades pblicas y
privadas en cualquier tipo de documento, para cualquier
tipo de trmite, del mismo modo una aplicacin muy
comn es la identificacin de firmas en los padrones
electorales. Entindase verificar o reconocer como la
situacin en que la persona dice ser el dueo de la firma y
se necesita comparar su firma con la que se encuentra en
una base de datos fidedigna y entindase por identificar
cundo se desconoce la identidad de la persona y se
necesita comparar su firma en una base de datos hasta
encontrar la que ms se parezca.
Este trabajo es realizado por personas especializadas
con pericia caligrfica; lo cual, como cualquier proceso
manual, es lento y con una alta dependencia del criterio
subjetivo del especialista. Aunque existen algunos
aplicativos en el mercado de software, estos no
garantizan una tasa alta de identificacin y menos de
verificacin. El presente trabajo propone una alternativa
para suplir la necesidad de verificacin de firmas
automatizada mediante un algoritmo que compare dos
firmas para encontrar un nivel de similitud aceptable
entre estas y as autenticar su validez. Para ello se trabaj
sobre una base de datos de imgenes de 960 grupos de
firmas offline, cada grupo conformado por 54 firmas, de

las cuales 24 son genuinas y 30 falsas. Cada grupo de

firmas pertenece a una persona. Para comparar las firmas
mediante el anlisis de las imgenes, se estableci tres
pasos: pre-procesamiento, extraccin de caractersticas y
clasificacin. El pre-procesamiento consisti en la
identificacin de los pxeles que conforman la imagen,
considerando que las firmas pueden tener diferente
grosor se aplic el algoritmo de adelgazamiento iterativo
de Pavlidis [1], con el fin de obtener una representacin
esqueletizada de la firma. Ello permite llevar a una
representacin de red compleja ms adecuada. Para la
extraccin de caractersticas se aplicaron las propiedades
de conectividad de redes complejas, consiguiendo
conformar un vector de caractersticas de dimensin 26.
Estos vectores de caractersticas se constituyen en la
entrada para el proceso de comparacin mediante una red
neuronal perceptron multicapa, para lo cual se define un
umbral mnimo que sirve como indicador de similitud. El
mtodo propuesto, basado en redes complejas, realiza un
eficiente trabajo de caracterizacin de las formas por
mostrar un buen grado de robustez a la falta de
informacin, tolerante al ruido e invariante en escala y
rotacin. A continuacin se desarrolla el artculo, en la
seccin II se muestra el estado del arte, Seccin III
describe la teora de redes complejas y sus propiedades,
la Seccin IV describe la propuesta de caracterizacin de
las firmas offline mediante redes complejas; finalmente
se presentan los resultados, Seccin V, y conclusiones,
Seccin VI.

ENLACE

II. ESTADO DEL ARTE

En la actualidad, existen dos grupos de caractersticas
que pueden ser usadas para la verificacin e
identificacin de firmas: funcionales y paramtricas.
Cuando una caracterstica funcional es utilizada, la firma
se representa como una funcin en el tiempo cuyos
valores constituyen el conjunto de caractersticas, como
posicin, velocidad, aceleracin, presin, fuerza,
direccin del lapicero en movimiento y la inclinacin del
lpiz, como caractersticas online [2] [3] [4]. Por otra
parte, para las caractersticas paramtricas u offline, la
firma es representada como un vector de elementos
donde cada valor del vector es una caracterstica de la
firma tales como tiempo de duracin de la firma, nmero
de veces que se levanta o coloca el lapicero,
transformada de Fourier, intensidad de grises, matrices de
formas [5] [6].
Los mtodos actuales de verificacin de firmas
utilizan decenas de tcnicas de verificacin las cuales se
pueden agrupar en cinco cuatro categoras: Comparacin
de Plantillas [7]; Redes Neuronales [8]; Modelos Ocultos
de Mrkov [9]; Tcnicas estructurales [10]. Esto
demuestra que se tiene un gran nmero de tcnicas de
caracterizacin de firmas ya sea como modelos
matemticos o como vectores de caractersticas; adems,
en la parte de clasificacin tambin hay decenas o cientos
de tcnicas que hacen ms variada la posibilidad de hacer
combinaciones de caracterizacin de la firma y tcnicas
de clasificacin [11].
Ms all de las diferentes tcnicas de caracterizacin
y clasificacin de firmas, no se tiene un antecedente en la
literatura de la aplicacin de redes complejas para la
caracterizacin de firmas, siendo que por las
caractersticas de estas, se constituye en un mtodo
adecuado para este problema, como lo demostramos en
este trabajo. Sin embargo, a pesar de ser reciente la
tcnica, se encontraron aplicaciones en reconocimiento
de patrones, estudios de redes sociales, internet, gentica
molecular, entre otros [12].
III. REDES COMPLEJAS
En trminos generales, una red o grafo es un
conjunto de elementos llamados vrtices o nodos con
conexiones entre ellos, llamados enlaces. No obstante,
este trmino tiene distintos significados en distintas
disciplinas. Un ejemplo de red puede visualizarse en la
Figura 1.
En este contexto, una red compleja se refiere a una
red que posee ciertas caractersticas topolgicas no
triviales que no ocurren en redes simples, adems de
tener una gran cantidad de nodos y enlaces.

NODO

E
C

I
H

Figura 1 Una red con 9 nodos y 10 enlaces

Existen diferentes modelos tericos de redes

complejas tales como el modelo de Erds-Rnyi,
modelos de libre escala, completamente aleatorios, entre
otros [12]. En este trabajo es utilizado el modelo de red
propuesto por Watts-Strogatz [12], este modelo de red
presenta la propiedad de pequeo-mundo, esto quiere
decir que todos los vrtices pueden ser accedidos desde
cualquier otro vrtice a travs de un pequeo nmero de
enlaces y contienen un alto nmero de bucles de
longitud tres, estos es, si un vrtice tiene conexin con
un vrtice y este tiene conexin con un vrtice
entonces hay una alta probabilidad que y estn
conectados (alto coeficiente de agrupamiento) [12].
El modelo dinmico de la red de Watts-Strogatz es
obtenido artificialmente mediante la utilizacin de
umbrales que sirven para seleccionar las conexiones de la
red. El formato de la firma offline est correlacionado con
la estructura de la red en las diferentes etapas de su
crecimiento. El estudio de sus propiedades dinmicas
(medidas que fueron obtenidas a partir del crecimiento
dinmico de la red, basado en el nmero de conexiones
de sus componentes) producir un descriptor o vector de
caractersticas de la firma, la cual ser utilizada para su
anlisis y el respectivo proceso de clasificacin.
3.1. Medida de conectividad en redes complejas
El grado o degree de un nodo es el nmero de enlaces
que tiene dicho nodo. En caso de que la red sea dirigida
hablamos de in-degree nmero de enlaces incidentes
en el nodo y de out-degree nmero de enlaces
salientes del nodo. Si la red es no-dirigida hablaremos
simplemente de grado.
Tabla 1. Grado de cada uno de los nodos de la red no-dirigida
de la Figura 1. Grado medio de la red.

Red de la Figura 1
Nodo
Grado
A
1
B
3
C
1
D
4
E
2
F
2
G
3
H
2
I
2
Grado medio: 20/9 = 2.222

El grado medio de una red no es ms que el

promedio del grado de todos los nodos de la red. A

modo de ejemplo, la Tabla 1 indica el grado de cada uno

de los nodos de la Figura 1, y se indica tambin el grado
medio de la red.
En trminos de matriz de adyacencia el grado de
un nodo viene dado por.

verdaderas y falsas para una persona en particular, de la

base de datos.

=
=1

Donde N es el nmero de vrtices en la red. Adems, el

grado mximo y promedio de la red vienen
definidos como.

= max

=1

3.2. Evolucin dinmica de la red

Otra caracterstica importante en redes complejas es
su evolucin dinmica, la cual afecta directamente en las
propiedades de la red. Como una consecuencia
inmediata, las medidas de las redes complejas son una
funcin del tiempo, esto es, dos redes obtenidas en
distintos instantes de tiempo partiendo de una misma red
base son representadas con diferentes caractersticas.
Aunque la mayora de veces solo se tiene acceso a la
evolucin dinmica de una red compleja que se da en la
naturaleza, se puede obtener un patrn a partir de esta
evidencia y simular matemticamente la evolucin de
una red. Esto permite una caracterizacin ms idnea
para el anlisis y la clasificacin de redes.
IV. CARACTERIZACIN DE FIRMAS OFFLINE CON REDES
COMPLEJAS

4.1. Base de datos de imgenes de firmas offline

El conjunto de imgenes de firmas ha sido solicitado
a la comisin organizadora del concurso de firmas offline
4NSigComp2010 organizado por el Grupo de Procesado
Digital de Seal (GPDS) de la Universidad de Las
Palmas de Gran Canaria [13]. Esta base de datos,
denominada como GPDS960Signature, cuenta con un
grupo de 960 firmas, cada grupo de firmas pertenece a
una persona. Dentro de cada uno de estos grupos se
cuenta con 24 firmas genuinas y 30 firmas falsificadas
para cada persona.
Las 24 firmas genuinas fueron recolectadas el
mismo da para cada firmante. Las firmas falsificadas
fueron reproducidas a partir de una imagen esttica de
una firma verdadera. A cada falsificador se le permiti
practicar la firma genuina tantas veces como lo desee.
Cada falsificador imit 3 firmas de 5 personas, a partir de
las una imagen elegida aleatoriamente de las veinticuatro
firmas genuinas para cada persona. Por lo tanto hay 30
firmas falsas realizadas por 10 personas para cada una de
las personas. Cada falsificador utiliz su propio lpiz o
lapicero. En la Figura 2 se muestra un ejemplo de firmas

Figura 2 Muestra de firmas genuinas (a) y falsificadas (b) para una

misma persona de la base dedatos.

4.2. Esqueletizacin de las firmas

Como primera etapa, es necesario tener una firma
pre-procesada de tal manera que sea ms adecuada para
la aplicacin especfica del algoritmo mejorando ciertas
caractersticas de la misma del modo que posibilite
efectuar operaciones del procesado sobre ella, ver Figura
3. Para el caso de las firmas, debido a que se obtienen a
partir del escaneo de una imagen, nos interesa el trazo
principal de la firma, es decir, su esqueleto; ya que, a
pesar de que visualmente el trazo de la firma est
definida, cada pixel es informacin nica para la
computadora. Una lnea est compuesta de muchos
pxeles de los cuales la mayora es informacin
redundante y solo uno basta para definir el esqueleto de
la firma. Para ello se ha utilizado el algoritmo de
adelgazamientos iterativos de Pavlidis, debido a que los
trazos de una firma son delgados este algoritmo ser an
ms eficiente [1] [14],

Figura 3 Esqueletizacin de una firma digigitalizada

4.3. Descriptores de grado de la firma como red

compleja
En esta seccin se describe la caracterizacin de la
firma con un enfoque en redes complejas [15]. Sea el
trazo de la firma, donde = [1 , 2 , , ] y un
vector de la forma = [ , ], cuyos componentes son
valores numricos enteros que representan las
coordenadas en el punto del contorno. Ahora bien, para
poder aplicar la teora de redes complejas para el
problema, se representa como una red o grafo =
, . Cada pixel del trazo es representado como un
vrtice de la red, es decir = . Un conjunto de aristas
o enlaces conectan cada par de vrtices estableciendo,

de esta manera, la red. Este conjunto es calculado

utilizando la distancia Euclidiana entre dos puntos.
( , ) = ( + )2 + ( )2

Por lo tanto, la matriz es representada por una

matriz de adyacencia con pesos de dimensiones
donde:
= ([, ]) = ( , )

Una de las caractersticas de este mtodo es que es

invariante al tamao y rotacin de la imagen del afirma.
En la Figura 4 se realiza la normalizacin de una
imagen, donde se muestra la propiedad de invariancia a
escala y rotacin. Para ello se normaliza la matriz en
el intervalo [0,1].

En otras palabras, la caracterizacin es realizada

usando varias transformaciones donde el umbral es
incrementado regularmente a razn de . Por lo tanto,
dado un conjunto , un elemento es definido por
una funcin : donde
0 = | 0 < < 1
+1 = ( ) < < 1
() = +

Donde y son los umbrales iniciales y finales,

respectivamente.
Este
enfoque
permite
una
caracterizacin que describe una lista de caractersticas
transitorias de la evolucin dinmica de la red, tal como
se muestra en la Figura 5.

(a)

(b)

(c)

Figura 5 Evolucin dinmica de una firma representada en una red

para el umbral : (a) = 0.1; (b) = 0.15 y (c) = 0.2
Figura 4 Propiedad de invariancia a escala y rotacin

Inicialmente, el conjunto de aristas conecta todos

vrtices de la red. Esto quiere decir que toda la red tiene
un comportamiento regular, una vez que todos los nodos
tengan el mismo nmero de conexiones. Sin embargo,
una red regular no es considerada una red compleja
debido a que no presenta alguna propiedad relevante
para el desarrollo de aplicaciones. Por lo tanto, es
necesario transformar esta red regular que se tiene
inicialmente en una red compleja que posea propiedades
relevantes para su posterior aplicacin.
4.4. Evolucin dinmica de una red compleja
El uso de conceptos y herramientas subyacentes a la
investigacin en redes complejas proveen informacin
relevante para la caracterizacin de firmas. En este
sentido, se plantea: dada una representacin
transformada especfica presentada previamente, la
caracterizacin de se puede representar como un
vector de caractersticas obtenido de diferentes valores
de de una operacin de transformacin , que redefine
la cantidad de conexiones del grafo. Esta operacin, de
ahora en adelante representado como = ( ), es
aplicada para cada elemento de la matriz una matriz
sin peso:

= 1
= ( ) = w W {
= 0 <

Por lo tanto, una vez obtenidas las redes debido a la

evolucin dinmica, el vector de caractersticas
propuesto se basa en la concatenacin de los descriptores
de grado. Dichos descriptores se obtienen a partir de una
matriz transformada por la operacin de
transformacin para un instante usando las medidas
grado medio ( ) y grado mximo ( ), presentados en
el marco terico. Sin embargo, una normalizacin de los
grados de los vrtices por el nmero de vrtices es
necesario antes de calcular estas medidas.
=

Esta normalizacin es realizada para reducir la

influencia de la cantidad de nodos de la red en el clculo
de los descriptores mencionados. Por lo tanto,
considerando la transformacin de la red para cada
instante , el vector de caractersticas denotado por es
calculado como la concatenacin del grado medio ( ) y
grado mximo ( ) obtenidos en cada etapa de la
evolucin de la red y de este modo se obtiene la
caracterizacin propuesta de una firma a travs de una
red compleja:
= [ (0 ), (0 ), (1 ), (1 ), , ( ), ( )]

El procedimiento de caracterizacin de las firmas

offline explicado en esta seccin, se resume en el
Algoritmo 1:

Algoritmo 1. Algoritmo de caracterizacin

Notacin: S es la imagen inicial de la firma.
V es el conjunto de nodos o vrtices, cada
nodo es un pixel representado por sus
coordenadas.
W es la matriz de adyacencia con pesos de
la red regular generada a partir del
esqueleto de la
es el vector de caractersticas que se
obtiene de aplicar el algoritmo a
es la operacin de transformacin de la
red compleja (ver seccin 4.2)
CARACTERIZACION (S, )
1. Esqueletizar la firma en
2. Obtener el conjunto de vrtices a partir del
esqueleto de
3. Obtener la matriz de adyacencia con pesos a
partir del conjunto de
4. Normalizar el peso de la matriz al intervalo
de [0 1]
5. Para cada valor de umbral desde 0 a con
un incremento repetir los pasos del 6 al 9
Inicio
6
Aplicar la operacin de transformacin
() para obtener una matriz de
adyacencia sin peso
7
Obtener el grado medio ( ) y el grado
mximo ( )
8
Aadir los elementos ( ) y ( ) al
vector
9
Normalizar el vector de acuerdo al
nmero de nodos de la red
Fin
Fin
10 Fin del algoritmo

V. RESULTADOS

5.1. Experimentacin
Para evaluar el rendimiento del vector de
caractersticas propuesto, se ha implementado un modelo
de clasificacin que permite medir la similitud de las
caractersticas sobre la base de datos de firmas
GPDS960Signature. Los resultados se han obtenido
usando firmas con variacin en escala, rotacin, grosor y
ruido. Para ello se utiliz una red neuronal Perceptrn
Multicapa como mquina de aprendizaje, y se utiliz la
tcnica de validacin cruzada mostrando los resultados
en una matriz de confusin. Para ello se utiliz la API de
la herramienta Weka.
Los experimentos fueron desarrollados con un
procesador Core i5 2.4 Ghz. Las pruebas de verificacin
tuvo una duracin de 1.49 horas y 1.12 horas para
identificacin utilizando toda la base de datos de firmas.
Por lo que tuvo un tiempo de procesamiento promedio
0.1 segundos por firma, el cual demuestra tiempos
computacionales razonables para el algoritmo. Se
realizaron dos experimentos: uno para ver la efectividad

en verificacin y otro en identificacin. Para la primera

se utilizaron dos clases por cada persona, la primera
clase contiene las firmas genuinas y la segunda clase las
firmas falsas. Para el caso de la identificacin se
definieron 960 clases una clase por persona cada
clase contiene nicamente las firmas genuinas de cada
persona.
5.2. Resultados de verificacin
Para la verificacin, la Tabla 2 presenta la tasa de
acierto promedio que el algoritmo obtuvo al aplicarlo
sobre los 960 grupos de firmas, habiendo utilizado la
estrategia de validacin cruzada leave-one-out. Los
resultados obtenidos muestran un alto rendimiento del
vector de caractersticas. El histograma por efectividad se
muestra en la Figura 6, la cual tiene una alta capacidad de
discriminacin entre las dos clases para cada persona. Se
han obtenido discriminaciones de hasta 98% y en
promedio 76% para la verificacin.
Efectividad de verificacin de firmas en las 960 personas
450

390

400
350
300
223

211

250
200
150
71

100

50

51

14

0
[40% - 50%> [50% - 60%>

[60% - 70%>

[70% - 80%>

[80% - 90%> [90% - 100%>

Figura 6 Histograma de efectividad para verificacin

Tabla 2. Resumen de la tasa de acierto de verificacin para las 960

personas

Tasa de acierto
Promedio
Mximo
Mnimo

Porcentajes
76.11%
98.15%
44.45%

5.3. Resultados de identificacin

Para la identificacin se utiliz el total de firmas
genuinas de la base de datos, donde cada grupo se
constituy en una clase, lo que hizo complejo el
problema en vista que se tenan 960 clases y 23040
instancias. La Tabla 3 muestra el resumen de efectividad
de identificacin para las 960 personas
Tabla 3. Tasa de acierto de identificacin para las 960 personas

Mtricas
Porcentajes
Clasificaciones correctas
85.12%
Clasificaciones incorrectas
14.88%
Total de instancias
480

Como se puede observar, se ha obtenido el 85.12%

de identificacin correcta y un error general de 14.88 %.
Esta tasa nos muestra una alta efectividad del algoritmo
para identificar firmas.
Como se comprender, mostrar el resultado general
implicara una tabla de 960x960, lo cual es imposible de
representar en este espacio del artculo. Por ello, a modo
de ejemplo en la Tabla 5 se muestra una parte de la
matriz de clasificacin para un conjunto de 20 grupos de
firmas escogidas aleatoriamente, siendo que en la
diagonal se puede verificar la cantidad de firmas
clasificadas correctamente.
Tabla 5. Matriz de confusin para una muestra de 20 personas para el
proceso de identificacin de firmas

VI. CONCLUSIONES
En este trabajo se ha presentado un mtodo efectivo
de caracterizacin de firmas offline para la verificacin e
identificacin, para lo cual se ha aplicado la novedosa
tcnica de redes complejas. Esta tcnica se muestra adhoc para la representacin de la firma offline por
presentar caractersticas que consiguen sobrellevar las
dificultades tpicas que presentan las firmas de una
persona en el momento de la adquisicin de la imagen
mediante algn lector ptico, como cmara o escner;
entre estas dificultades tenemos la presencia de ruido,
variabilidad intra-clase de la forma de la firma, tamao,
posicin, trazo, entre otros.
Los resultados obtenidos son altamente alentadores,
siendo que comparando con los de la competicin
4NSigComp2010 Competition, se obtiene la segunda
menor tasa de error lo que demuestra la competitividad y
practicidad del algoritmo [13].
Algunas aplicaciones prcticas de nuestra propuesta
estn referidas a la preseleccin de firmas en escenarios
prcticos como la verificacin de autenticidad de
documentos, el proceso de recoleccin de firmas, como
en padrones electorales, trmites bancarios, entre otros.
Por lo tanto, nuestro algoritmo puede presentarse til

como un paso previo para agilizar el conteo de firmas

vlidas y descartar las firmas que son evidentemente
falsas o repetidas.
VII. BIBLIOGRAFA
[1] T. Pavlidis, A thinning algorithms for discrete binary
images, Computer Graphics and Image Processing, pp.
142-157, 1980.
[2] G. Dimauro, S. Impedovo y G. Pirlo, A stroke-oriented
approach to signature verification, From Pixels to
Features IIIFrontiers in Handwriting Recognition, pp.
371-384, 1992.
[3] G. Dimauro, S. Impedovo y G. Pirlo, Componentoriented algorithms for signature verification, Patter
Recognition, vol. 8, n 3, pp. 771-794, 1994.
[4] N. M. Herbst y C. N. Liu, Automatic signature
verification based on accelerometry, IBM J. Res. Dev.,
vol. 21, pp. 245-253, 1977.
[5] J. J. Brault y R. Plamondon, Segmenting handwritten
signatures at their perceptually important points, IEEE
Trans. Pattern Anal., vol. 15, n 9, pp. 953-957, 1993.
[6] M. M. Shafiei y H. R. Rabiee, new on-line signature
verification algorithm using variable length segmentation
and hiddenMarkovmodels, Proc. 7th Int. Conf. Doc.
Anal. Recognit, vol. 1, p. 443446, 2003.
[7] R. Sabourin y J. P. Drouhard, Shape matrices as a mixed
shape factor for offline signature verification, Proc. 4th
Int. Conf. Doc. Anal. Recognit, vol. 2, pp. 661-665, 1997.
[8] A. I. Al-Shoshan, Handwritten signature verification
using image invariant and dynamic features, Proc. Int.
Conf. Comput. Graphics, pp. 173-176, 2008.
[9] J. Fierrez-Aguilar, J. Ortega-Garcia, D. D. Ramos y J.
Gonzalez-Rodriguez, HMM-based on-line signature
verification: Feature extraction and signature modelling,
Pattern Recognition, vol. 28, n 16, pp. 2325-2334, 2007.
[10] K. Huang y H. Yan, Offline signature verification using
structural feature correspondence, Patter Recognition,
vol. 35, n 11, pp. 2467-2477, 2002.
[11] D. Impedovo y P. Giussepe, Automatic Signature
Verification: The State of Art, IEEE Transactions on
system, man and cybernetics, vol. 38, n 5, pp. 609 - 635,
2008.
[12] A.-L. Barabsi, Linked: The New Science of Networks,
USA: Perseus Books Group, 2002.
[13] M. Blumenstein, M. A. Ferrer, J.F. Vargas, The
4NSigComp2010 off-line signature verification
competitin in Proceedings of 12th International
Conference on Frontiers Handwriting Recognition, pp.
721-726, Kolkata, India, 16-18 Noviembre 2010.
[14] T. Pavlidis, Algorithms for Graphics and Image
Processing, Germany: Springer Verlag, 1982.
[15] A. R. Backes, D. Casanova y O. Martinez Bruno, A
complex network-based approach for boundary shape
analysis, Pattern Recognition, vol. 42, pp. 54 - 67, 2009.