Int ern at i onal  Journ al of   El e ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   2 ,  A pr il   2020 , p p. 18 23 ~ 1832   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 2 . pp1823 - 18 32          1823       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Onlin e s i gnatu re  verifi cation usin g hybrid  wa ve l et t ra nsf or m       Manoj  Chava n 1 , Ra vish R.   Singh 2 ,  V in ay ak  Bh ar ad i 3   1 Depa rtment of  El e ct roni cs  and   Te l ec om m unic ation  Eng ine er ing,   Tha kur   Coll ege  of  Engi n ee rin g  a nd  Technol og y ,   India   2 Aca demic   Advi sor,  Tha ku r  Edu ca t iona l   Trust ,   Mum bai ,   Indi a     3 Inform at ion  T e chnol og y   Dep artm ent ,   Finol ex  A ca dem y   of   Mana gement  and   T echnolog y ,   Ind ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Dec  22,  2017   Re vised  Oct  18 ,   20 19   Accepte d  Oct  30 , 20 19       Online   signat u r e  ver if ic a ti on  i s  a  prom ine nt  beha vior al   bio m et ric   tr ai t .     It  offe rs  m an y   dy nami c  fea tu res  al ong  with  static   two  dimensional   signat ur e   image.   In  thi s  p ape r,  the   H y br id   W ave let  Tr ansform   (HW T)   wa s   gene rated   using  Kronec ker   produc t  of   two   orthogona l  tr an sform   such  as  DCT,   DH T,   Haa r,   Had amard  and  Kekre .   H W T  has  the   ability   to  ana l y z e  t he  signal   a t   globa l  as  well   as  loc al   l eve l  l i ke  wave let  tra n sform .   H W T - 1  and  - 2  was  appl i ed  on  the  first  128  sam p le s  of  the   pr essure  par ame te r  a nd  first  16  sam ple s  of  the   output   were   used   as  fea ture   ve ct o r  for  signat ure   v eri fi ca t ion.   Thi s  fea tur e  ve ct or   is  give n  to   Le ft  to  Right   HM M   cl assifie r   to  ide ntif y     the   genui n e  an d  forge d  signature.   For  HW T - 1,   DCT  HA AR   offe rs  best     FA R  and  FR R.   For  H W T - 2,   KEKRE  128   offe rs  best  FA R  and  F RR.  HW T - 1  offe rs  better   p erf orm anc e   than  HW T - 2   in  te rm s  of  FA R  and  FR R .     As  the   num ber   of  sta te s  in c rease,  t he  perf or m ance  of  th e  syst e m   i m pr oves.  For  HW T - 1,   KEKRE  128  offe rs be st   per form anc e   at  275  s y m bols  where as  for   HW T - 2,   b est  p erf or m anc e  is   at 475 s y m bols b y   KE KRE  128.   Ke yw or d s :   HMM    H WT    Left Ri ght M odel     On li ne  Sig natu re  Ver ific at io n   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Ma noj  C hav a n,    Dep a rtm ent o f El ect ro nics  and Telec omm un ic at ion  E ng i ne erin g,   Tha kur  C olleg e of E ng i neer i ng and  Tech no log y,   Tha kur Vil la ge , K a ndivali  Eas t M um bai – 400101 Ma har a sh t ra, India.   Em a il : pr of.m a noj@gm ai l.com       1.   INTROD U CTION     Hand wr it te n  S ign at ures  ha ve   been   us e d  f or   cent ur ie s   f or   ide ntific at ion   a nd   a uth e ntica ti on   of    a  per s on  as  we ll   as  do cum ents   [1,  2] .  I n  biom et rics  cl assificati on ,  it   is  part   of   be ha vioral   char act erist ic s   li ke   vo ic e,   gait  et c.  w her eas   phy sic al   char act er ist ic s  include  fin gerpr i nt,  pa l m   pr int,  face ,   iris,  reti na  et c.  [ 3 ] .   Bi om e tric   chara ct erist ic s  are  un i ver sal ,   un i que  a nd  m easura ble  a nd  are   be tt er  than   per s on al   I D  ca rds,  PI N   or   pass words   [ 4 - 6 ] .  Bi om et ric  syst e m   fo r  sig natu res  can  operate  in  tw o  ways.  First  V erifica ti on,   in  wh ic h    the  ind i vidual ’s  sig natu re  will   be  com par ed  with  his  store d  sig nat ur e  i n  a  data base  to  ver i f y  that    the  ind ivi du al   is  the  sa m e  wh o  he  say s  to  be .  Seco nd   I de ntific at ion ,  in  whic h  the  sign at ure  will   be  com par e d  with the  m any sign at ur es  in  t he  d at a ba se to  iden ti fy a n  i nd i vidual o ut  of m any un known s.     Au t om ating   t he  pr ocess  of  Hand wr it te n  Sign at ur e  V erifica ti on   will   be  us e f ul  f or   docum ent  ver ific at io n  in   var i ou s   sect ors   su c h  as  ba nk i ng ,  le gal  docu m entat ion   et c.   The re  are   tw o  ty pes  of  Sig natu re  Ver ifi cat io n;  offli ne  ( sta ti c)   or   onli ne  ( dy nam ic ).   O f fline  sig natu res   of fe r   tw o  di m ension al   im age  of    the  sig natu re s   wh e reas  onli ne   sig natu res  ha ve  a dded   ad va ntage   that  it   al so   m easur es   press ur e   ap pl ie d  by     the  us e r,   s peed  of   w riti ng,  inc li nation  of  pe n  al ong  w it h  the   two  dim ensio nal  sign at ur e  i m age  [ 7 ] .  D r.   Kekre   pro po se d  Hyb r id  W a velet   T r ansfo rm   (HWT)   wh ic h  is  f orm ed  by  com bin ing  the   tw o  or t hogonal  t ra ns f or m s   us in g  K ronec ke r  pro du ct .  It  ha s  the  abili ty  t o  analy ze  the  sign al   at   glo bal   as  well   as  local   le vel  l ik e  wav el et   trans form  [ 8 ] . H WT  is  of tw o t ypes a nd are e xp la ine d bel ow. C onside r  m at rices X  a nd  Y  as  sho wn b el ow.      Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1823   -   1832   1824   X  =  [ 11 12 21 22 … 1 … 2 … … 1 2 … … …  ]          Y  =  [ 11 12 21 22 … 1 … 2 … … 1 2 … … …  ]     H WT - 1  m at rix  ‘T XY ’  of   siz e  (NxN),  a s  sho wn   i n  Ta ble  1 ,   can  be  f or m ed  by  the  Kro nec ker   pro duct   of   tw o  or t hogo nal   trans f or m   m at rices  X  and  Y  res pecti vely ,  with  siz es  (a  x  a)  a nd   ( b  x  b),  s uch   t hat  N= a  x  b.   Fo r  H WT – 1,   f irst  ‘b ’  nu m ber   of   r ows  of  th e  H W T  m at rix  are  cal culat ed  as  the  pr od uct  of   each  el em e nt  of   first  r ow  of  the   ort hogo nal  tra ns f or m   X  with   each   of  the   c ol um ns   of   t he  ort hogo nal  tra nsfo rm   Y.   F or  ne xt  ‘ b’  nu m ber   of  r ow s  of   H WT  m a t rix  the  sec ond  row  of  the  or t hogonal  tra ns f or m   m a trix  X  is  sh ift  ro ta te d  after  bein g  ap p e nd e d  with  ze ro s .  S i m i la rly   the  oth er  rows  of  H WT  m at rix  are  gen e rated  as  s et   of   b  rows  ea ch  tim e  for  eac h of t he ‘a - 1’ rows  of  ort hogo nal tra nsfo rm   m a trix X  sta rting   from  second r ow up t o  la st r ow.        Table  1.   H WT - 1  Ma trix   y 11x11   y 11x12   …   y 11x1a   y 12x11   y 12x12   …   y 12x1a   …   …   y 1bx11   y 1bx12   …   y 1bx1a   y 21x11   y 21x12   …   y 21x1a   y 21x12   y 22x12   …   y 22x1a   …   …   y 2bx11   y 2bx12   …   y 2bx1a   …   …   …   …   …   …   …   …   …   …   …   …   …   …   y b 1 x 1 1   y b 1 x 1 2   …   y b 1 x 1 1   y b 2 x 1 1   y b 2 x1 2   ...   y b 2 x1 a   ...   ...   y b 1 x 1 1   y b 1 x 1 2   ...   y b 1 x 1 2   x21   x22   …   x2a   0   0   …   0   …   …   0   0   …   0   0   0   …   0   x21   x22   …   x2a   …   …   0   0   …   0   …   …   …   …   …   …   …   …   …   …   …   …   …   …   0   0   …   0   0   0   …   0   …   …   x21   x22   …   x2a   x31   x32   …   x3a   0   0   …   0   …   …   0   0   …   0   0   0   …   0   x31   x32   …   x3a   …   …   0   0   …   0   …   …   …   …   …   …   …   …   …   …   …   …   …   …   0   0   …   0   0   0   …   0   …   …   x31   x32   …   x3a   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   …   x a1   x a2   …   x aa   0   0   …   0   …   …   0   0   …   0   0   0   …   0   x a1   x a2   …   x aa   …   …   0   0   …   0   …   …   …   …   …   …   …   …   …   …   …   …   …   …   0   0   …   0   0   0   …   0   …   …   x a1   x a2   …   x aa       H WT - 2   m at rix  of   siz e  (Nx N)  is  al so   f or m ed  by  the  K r on ec ker   pro du ct   of   two  or t hogonal   trans form   m at rices  X  an d  Y .   Fir st  N/2  rows  of  the  m at rix  are  f or m ed  by  pro duct   of  each   el em ent   of   first  a/ 2  r ows  of    the  m a trix  X  w it h  each  of  the  colum ns   of   the   m at rix  Y.   For  nex t  ‘ b’  num ber   of  r ow s  of   m at rix,   the  ‘a/ 2+1’th   row  of  the   ort hogo na l  tra ns f or m   m at rix  X  is  sh ift  ro ta te d  af te r  bei ng  ap pe nd e d  with   zer os.  Nex t  N/2  r ows  a re   gen e rated  as se t of   b rows  eac h  ti m e fo r  eac h of t he ‘a/ 2’ ro ws of   ort hogo na l t ran s form   m at rix  X  starti ng  f r o m   ‘a/2+ 1’ th  ro w up to last   row.    H WT  offe rs  be tt er  perf or m a nce  in  im age  com pr essio n  than   the  or t hogonal  t ra ns f or m s  us ed  t o  gen e rate  them   [ 9 ,  10 ] .  H WT  is  al so   us e d  f or  wate r  m ark i ng   [ 11 ]   a nd   t o  c onve rt  colo r  im age  to  gray   i m age  [1 2 ] .  V ario us   cl assifi e rs  base d  on   K NN,  S VM  an d  NN   [1 3 ,  1 4 ]   hav e  bee n  use d  f or   ver i ficat ion   of   sign at ur es .  In   [ 1 5 ] ,  KNN  cl assifi er   was  use d  with,  H WTs  of  the  pressu re  m ap  of   onli ne  sign at ur es  as  f eat ur e   vecto r.   It  offere d  an   EER  of   30%.  I n  [1 6 ],   SV M  cl assife r  was  us ed  with ,   a  kernel  f unct ion   of  onli ne  si gn at ur e   tim e  series,   ba sed  on  LCSSs   detect ion,   as  a  featu re  vector .  It  offer e d  an  EER  of  6.84%.  Using  S VM  i n  conj un ct io n  wi th  HMM  offere d  FA R  of   1.9 6%  an d  FRR   of   60.43%.  In   [1 7 ] ,  ne ur al   ne twork  cl assifi e r  wa s   us e d  with,  t he  appr ox im at ion   and  detai l  com pone nt  of  D W T  of  t he  pe n  posti on  a nd  pen  m ov em ent  ang le   as   featur e   vector.   Usi ng  al l  co eff ic ints  of  D WT,  suc cess  r at e  was  100%   with   trai ne d  sign at ur e,   90%  with   un t raine d  sig na tures  a nd  FR R  of  24%.   Usi ng  sel ect ed  25   coeffic ie nts  of  D WT,   su cces s  rate  was  100%   wit h  trai ned sig natu re, 9 5% wit h   untrai ne d  si gnat ur es  and  FA R   of 8 % .   In   t his  pa per,  we  pr opos e  a  m et ho d  for  onli ne  sign at ur e  ver ific at io n  us i ng   Hyb rid  Wa velet   Tra ns f orm   an d  Hidden  Ma rko v  Mo del  cl assifi er.  T he  pro po s ed  m et ho d  is  sh own   in   Fig ure   1 .  W e  hav e  us e d  S V C200 4  database   w hic h  is  a   la rg e   database  c onta ining  sig natu res  f ro m   4 0  in div id uals.  It  ha s  tot al   of  1,6 00  sig natu res ,   ob ta ine d  us in g  a  W ac om   In tu os   ta blet.  It  co ns ist s  of  20  ge nu i ne  a nd   20  f orger y  si gn at ures  colle ct ed  for  ea c h  per s on.  Ge nu i ne  si gn at ur es   a re  c ollec te d  in   two  dif fer e nt  s essions.  Forg e r ie s  for  eac h  pe rson  a re  pro vide d  by  at   le ast   four  ot her  in div id uals   from   the  data base.   The   pe r f or m ance  res ults  of  var i ou s   si gn at ur e   ve rific at ion   syst e m s  that  p arti ci pated  in  the  SV C 2004  c om petit ion   is  avail able.  Th e   best  perform a nce  f or   40   a va il able  us ers   is  ave ra ge   EER  6.9 0%  with  sta nda rd   dev ia ti on  of   9.45%,  m ini m u m   value  of   0.0 0  a nd   m axim u m   value   of   50. 00 % .  T he   best  pe rfo rm ance  f or  60  othe r  us e rs  is  a verage  EER  2.89%  with  sta nd a r d  de viati on  of  5.69%,   m ini m u m   val ue  of   0.0 0  a nd  m axi m u m   va lue  of  30 .00%   [1 8 ] .  E ver y  si gn at ur e   sam ple   con s ist   of   X - c oor din at e - s cal ed  cu rs or  posit ion  al ong  the  x - a xis,  Y - c oor din at e - scal e d  c ur s or  posit ion  al ong  the  y - axi s ,   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       On li ne  sig natu re veri fi cation  us in g hy br id w avelet  tra ns for m   ( Ma noj C ha van )   1825   Ti m e  stam p - sy stem   tim e  at   t he  tim e  of   sig ning ,  B utton   st at us - c urren t  butt on   sta tus  (0   f or   pe n - up   a nd  1  f or   pen - dow n) ,   A zim uth - cl oc kwise   ro ta ti on  of  cu rsor  a bout  the  z - a xis,   Alt it ud e - a ngle   up ward  t ow a rd  t he  + ve   z - axis,  Pr es sur e - norm al   pr ess ur e   a ppli ed  by   hand .  Pr es sur e  app li e d  by  t he  ti p  of   th e  pen   on  the  pressure  sensiti ve   pa d  is  us ed   f or   generati n g  the  fea ture  vect or .  W e  hav e  us e d  Discrete  Cosin e  transfor m   (D CT) ,  Discrete  Ha rtle y  transfor m   (DHT),  Disc rete  Walsh  tra nsfo r m   (DW T )  a nd   Discrete  Ke kre   trans form   (D KT)   t o  form  the  H WT - 1   an d H WT - 2   m at rix .  Th e  outpu t  of HWT is  g ive n  t o HM M for classi fic at ion .            Figure   1.   Pro pose d  Syst em       2.   RESEA R CH MET HO D   S ign at ur e  data base  of   1600  sign at ur es ,  pr ovide d  by  The   First  I nter natio nal  Sig natu re  Ver ific at io n  Com petition   ( SV C  20 04)   is   us e d .  It  has   si gn at ur es  of  4 0  us ers .  E ver y  us er  has  40   sign at ur es ,  out  o f  w hich,   20   a re  ge nuin e   and   20   a re  s ki ll ed  fo r ge ries.   The  fir st  128  sam ples  of   eve ry  sign at ur e  is   us ed  t o  fin d  H WT.     The  si gn at ur es ,  ha ving  sam ples  le ss  tha n  128,   will   be  pa dded  with  ze ro es .   The  first  16  s a m ples  of  the   H WT   ou t pu t  are  us e d  as  featu re  ve ct or .  Discrete   Cosine  tran sf or m   (D CT),  Discrete  Ha rtle y  transfor m   (D HT ),  Discrete  Wals h  tra nsfo rm   (DWT)  an d  Disc r et e  Kekre  t ransform   (D K T)  a re  us ed   to   f orm   the  H WT  [ 1 9 ,  20 ].   Ther e   are  m any  top ol ogie s  of  HMM  s uch  as  L eft  to  Ri ght,  E rgo dic  an d  Ri ng.  Le ft  to  Ri ght  topol ogy  as   sh ow n  in  Fi g ure   2 ,  is fo und  t o be  best s ui te d for the  Sig natu re m od el li ng   [ 2 1 , 22 ] .           Figure   2.   Left t o  Ri ght  HMM  m od el       HMM  is  rep re sented  by  the  transiti on   pro ba bili ty   m at rix  (A),  O bs e rv at i on   m at rix  (B)   and   init ia l  pro bab il it y  distrib ution  m at rix  (π) .   [2 3,   24 ]   Con si der  a  sys tem   wh ic h  is  in  a  disti nct  sta te   (S1,  S2,  .. .,  SN )   at   any  point  of  t i m e.  In   this  e xp e rim ent  the  nu m ber   of   st at es   (N)   of  th e  m od el   are  va ried  f r om   2  to  5.   As  the  num ber   of   st at es  increase,  the  tim e   need e d  f or   trai ning  increase s.   T he  nu m ber   of   obse rv at i ons   (M )   corres pondin g  to  each  sta te   are  va ried  fro m   20 0  t o  75 0  in  the  inc rem e nts  of  25.  Th e  ou t pu t  of   H WT  is   a  m a trix   of  dim ension   [ 1×128 ] .  The   m at ri x  el em ents  fro m   1  to  16  are   c hosen  a s  a  fe at ur e  vecto r.   F eat ur e  vecto rs  a re s ca le d  into  M  num ber  o f o bs er va ti on s.   In it ia l  Pr oba bili ty   Distribu ti on  (π):  π i   =  P  ( q 1 =  S i );  1  ≤  i  ≤  N.   We  ass um e   the  init ia l  pro bab il it y  of    the  fir st  sta te   is  1  a nd  th e  ot he rs  a re  0   w hic h   im plies  that  in   the  be ginning  HMM  is  al ways  in  sta te   1.   Stat e   transiti on   pro ba bili ty   (a ij ):  a ij   =  P  (S t =j  /  S t - 1 =   i).  Fo r  the  le ft - to - rig ht  H MM ,  a ij =0  when  i> j .  we  a re   us ing     the  HMM  of   first  or der   s o  that  a ij =0  wh e n  j> i+ 1.   I niti al ly ,  the  sta te   t ran sit io n  m at ri x  is  ge ne r at ed   us i ng     the  ra ndom   num ber s  su c h  tha t  ∑ a ij = 1   =  1 ;  1   ≤  i  ≤   N.   Ob se r vation  pro bab il it y  (b j ) :  b j ( k)  =  P  ( V k   at   t  /  q t   =  S j );    1 ≤  j  ≤ N;  1 ≤  k ≤ M;  the  pro bab il it y of ge ne rati ng a sym bo l V k   in stat e  j .     S ta ti sti cs  and   m achine  le arn i ng   t oo l box  of   t he  MAT L AB  13   was  us ed  for  i m ple m entat i on   of   HMM .  In it ia ll y  a  r an dom l y  gen e rated  tra ns it ion  pr ob a bili ty   Ma trix  ( A)  is  ge ne rated  us in g  M ATL AB .  We  assum e   o bse r vation  prob a bili ty   m at ri x  (B)  t o  hav e   equ al   pro ba bili ty   fo r   e ver y  sy m bo ls  and  H MM   to  be   in   s ta te   1.  HMM  is  trai ned   us i ng   the  f un ct io n  ‘ hmm t rain ’   for  3  to  20   genuin e  trai nin g  si gn at ur e   sa m ples,  nu m ber   of   sta te s  from   2  t o  5  a nd  sym bols  from   200  t o  750.  A fter   HM M  is  trai ne d,  it   is  use d  to   te st  2 0  ge nu i ne  a nd  20  forg e d si gnat ures of  40 u s ers .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1823   -   1832   1826   3.   RESU LT S   A ND  DI SCUS S ION     Perfo rm ance  of   the  syst em   will   be  m easur e d  on  t he  basis  of   False   Re j ect ion   Ra ti o  (F R R)  an d  False   Accepta nce  R at io  (F AR ).   F RR   ref ers  t o  false  re j ect ion  of   genuin e  s ign at ure  a nd   FA R  re fe rs  t o  false   acce ptance  of   f orge d  sig natu r e   [ 2 5 ] .   FRR   is   com pu te d  as  ra ti o  of   t he  num ber   of   si gnat ures  detect ed  as  f orge d  to  the  total   nu m ber   of   ge nuine  sig natu res  te ste d.   F AR  is   com pu te d  as  rati o  of  the  num ber   of   si gnat ur e s   detect ed  as  ge nu i ne  to  t he  to ta l   fo r ge d  sig na tures  te ste d.  Test ing   has  be en  car ried  out  for  40  us e rs  a nd   t he n  the  ave rag e  F RR   and   F AR  a re  cal culat ed .   I n  FRR - F AR  plo t   sho wn   i n  Fi gure  3 ,  the  point  w her e  t wo   gr a phs   cro ss  eac h  othe r  is  ref er red   a s  Equ al   Er ror  Ra te   (EER).   A t  this  po int  the  va lue  of  FRR   and   F AR  is  m i nim u m .   The  res ults  ob t ai ned   by  the  fi rst  1 – 16  sam pl es  of   H WT - 1  and   2  for  DCT ,  DH T ,  HAAR ,  HADA M AR D  an d   KEK R E   c om bi nations i s s ho wn in t he  Ta bl e s   2 - 4.             Figure   3 .   FRR   –   F AR  plo t       The  c om par iso n of H WT - 1 an d 2 fo r 1 – 16  bit f or  DCT   c ombinati ons is  show n  i n   the  Ta bl e s   2 - 4 .   -   Be st  FRR – F A R:   FRR – FA R   shou l d  be  a s  low  as  po s sible.  F or   H WT - 1,  DCT  HAAR  offer s   bes t   perform ance  with  FRR   &  FA R  of   0  %.  F or   H WT - 2,   DCT  KEK R E  offer s   best  perform a nce  with  FRR   &   FA R  of  9% .  The  perf or m a nce  offer e d  by   DCT  HAA R  H WT  f or  H WT - 1  is  bet te r  tha n  H WT - 2.   The  pe rfor m ance  offe red   by   DCT  com bin at ion s  f or  H WT - 1  is  be tt er  than  H W T - 2.  For  H W T - 1,   the  pe rfor m ance  offer e d  by   DCT  c om bin at ion s  e xcep t  DCT  D HT  is   bette r  tha n  Or t hogonal  D CT   trans form .  Fo r  H W T – 2,  only   DCT  KEKR E  of fe rs  bett er  perform ance  than  DCT  c om bin at ion s  tha n  Or t hogonal  D CT t ran s f or m .   -   Be st  Nu m ber   of   Trai ning  S a m ples :  The  nu m ber   of  tra ining  sam ple s  shou l d  be  as   low  as  possible .   Fo r   H WT – 1,  DCT  D HT  off ers  be st  perf orm ance   of   12  c om par ed  to  15   trai ning  sam ples  for  O rth ogon al   DCT  tra ns f orm .  Fo r  H WT – 2,   Or t hogonal  DCT  tra ns f orm   of fe rs  be st  perform ance  of  4  tr ai ning  sa m ples  com par ed  to  al l  co m bin at ion s   of   DCT  H WT .  The  pe rfor m ance  offe red   by  DCT  com bin at ion s  f or   H WT - 2  is bett er  th an  HWT - 1.    -   Be st  sta te   wise  FRR – F AR:  FRR – F AR  shou l d  be   as  lo w  as  po s sible  f or  the  giv e n  sta te   fr om   2  to  5.   Fo r H WT - 1,  DC T H A AR o f f ers  best p e rform ance f or   2,  4   and   5  sta te s,  D CT KEK RE f or stat e 3  an d  D CT  HAAR  f or   sta te   5  com par e d  to  or t hogona l  DCT  trans f o rm .  Fo r  H W T - 2,  DCT  KE KRE  offe rs  be st  perform ance  fo r  2  to  5  sta te s  com par ed  to  or t hogonal  DC T  transfo rm .  T he  pe rfor m ance  of fe re d  by  D C T   com bin at ion s  f or HWT - 1 i s bet te r  than  HW T - 2.   -   Be st  Nu m ber   of   Sym bo l:   It  s hould   be  as  lo w  as  possible.  Test ing   wa s  carried   ou t  f or   num ber   of   sym bo ls   from   20 0  to  75 0.   It  evi den t  th at   the  best  per f or m ance  in  te rm s   of   FRR – F AR,  A AR – AR R,  EER  is  of fe red  by  275 - 325  sy m bo ls  fo r  H W T - 1  a nd   45 0 – 500  sym bo l  fo r  H WT - 2.   The   per f or m ance  offer e d  by  DC T   com bin at ion s  f or HWT - 1 i s bet te r  than  HW T - 2.   The  c om par iso n of H WT - 1 an d 2 fo r 1 – 16  bit for  DHT c ombinati ons is  show n  i n  the  Ta bl e  2 - 4 .   -   Be st  Nu m ber   of   Traini ng   Sam ples :  Fo r  H WT - 1,  DHT  KE K RE  of fe rs  best  perform ance  with  FRR   &  FA R   of   5  % .  For   H W T - 2,  D H T  KEK RE  offer s  be st  perf or m ance  with   FRR   13 %  &   FA R  of  19%.    The  perform ance  offer e d  by  DH T   KE KRE   H WT  f or   H WT - 1  is  bette r   than  H WT - 2.  The  perform a nce   offer e d  by DH T co m bin at ions fo r H WT - 1  is bett er th an  H WT - 2.  F or HWT – 1, the p er form ance o ff e r ed  by   DH T  DCT,  D HT  KE KRE  is  bette r  than  O rth ogonal   DHT  transf or m .  Fo r  H WT – 2,   on ly   DH T  KEKR E   offer s  b et te r  p e rfor m ance tha n Or t hogo nal DHT tra nsfo rm .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       On li ne  sig natu re veri fi cation  us in g hy br id w avelet  tra ns for m   ( Ma noj C ha van )   1827   -   Be st  Nu m ber   of   Traini ng   S a m ples :  Fo r   H WT – 1,  D HT  HAD AMAR D   offers  be st  pe rfor m ance  of   10   trai ning  sam pl es  com par ed  to  13  trai ning  sam ples  fo r  O rth ogonal   DHT  transfo rm .  F o r  H WT – 2,   D H T   HAD AMAR D   offer s  best  pe rfor m ance  of   5  trai ni ng   sa m ples  co m par ed  to  7  trai ni ng   sam ples  fo r  Or t hogonal  D HT  tra nsfo rm . D HT  c om bin at ion s   offe r bett er  perform ance  for H WT - 2  tha n H WT  -   1.    -   Be st  sta te   wise  FRR – F AR:  Fo r  H WT - 1,   D HT  K EKRE  offer s  best  pe rfo rm ance  fo r  2,   3  an d  4  sta te s  a nd   DH T   DCT   f or  sta te   5  c om par ed   to  or t hogo nal  D HT   tran s form .  Fo r   H W T - 2,  DHT  K E KRE  offer s   be st  perform ance  fo r  2  to  5  sta te s  com par ed  to   or th ogonal   D HT  tra ns f or m .  DH T  c om bin at ion s  offe r  be tt er   perform ance  for  H WT - 1   tha n H WT - 2 .    -   Be st  Nu m ber   of   Sym bo l:   Test ing   wa s   carried  ou t  for  num ber   of  sym bo ls  from   20 0  to  750.    It  evid ent  th at   the  best  pe rform ance  in  te rm s  of  FRR – FAR ,  A AR – ARR ,  EER  is  offer e d  by  275  sym bo ls   for  H WT - 1  a nd  45 0 – 500  sy m bo ls  fo r  H WT - 2.  D HT  c ombinati ons  offers  bet te r  pe rfo r m ance  for  H W T - 1  than H WT - 2.   The  c om par iso n of H WT - 1 an d 2 fo r 1 – 16  bit for  HAAR c om bin at ion s is s how n  in  the  Ta ble s   2 - 4 .   -   Be st FRR – FAR :For  HWT - 1,  H A AR D CT a nd   HAAR K E KRE off e rs  be st per f or m ance  w it h  FRR  &   FA R   of   0  %.  For  H WT - 2,   H A A R  KEK RE  of fer s  best  perf or m ance  with   FRR   11 %  &  FA R  of  12%.    The  per form ance   offer e d  by  H AA R  DCT  an d  H AA R  KEKR E  H W T  for  H WT - 1  is  bette r  than  H WT - 2.     The  pe rfor m ance  offer e d  by   HA AR  com bin at io ns   f or   H WT - 1  is  bette r  than  H WT - 2.  For  H WT – 1,    the  perform ance  of fe re d  by   al l  co m bin at i on s  of   HAAR   is  bette r  than  Or th ogonal   HAAR  trans f orm .     Fo r   H WT – 2,  HAAR  D HT  and   H AA R  K EKRE  offer s  bette r  pe rfo rm ance  tha n  Or t hogonal  HAA R  trans form .   -   Be st  Nu m ber   of   Traini ng   Sa m ples :  Fo r  H WT – 1,  H A AR   D H T  offer s  be st  perform ance  of  1 2   trai ning   sam ples  with  FRR ,  FA R  of  15%,  15 %  r es pecti vely   com par e d  to  13   tra ining   sam ples  with  FRR ,  F A R  of  10%,  30%  r espe ctively   for  O rth ogonal   DHT  trans form .  Fo r  H WT – 2,   H AA R  HAD A MARD  off ers  best   perform ance  of   5  trai ni ng   sa m ples  co m pa red   to  6  trai ning  sam ples  fo r   Or th ogonal   H AA R  tra ns f or m .   HAAR   c om bin at ion s  offer bet te r  pe rfor m anc e  f or   H WT - 2  t han HWT - 1.    -   Be st  sta te   wise  FRR – F AR :   F or   H WT - 1,  H AA R  KE KRE  offer s   best  perf or m ance  f or   2  to  5  sta te s.  H A AR   DCT  offer s   be st  perf or m ance  f or   sta te   5  c om par ed  to  ort hogo nal  H A AR   trans f or m .  For  H W T - 2,   H A AR   KEK R E  offers   best   per f orm a nce  f or   2  to  5  sta te s  co m par ed  to  ort hogo nal  HAAR  tra ns f or m .  HAA R   com bin at ion s  offe r bett er per f or m ance  f or HWT - 1   t han HWT - 2.    -   Be st  Nu m ber   of   Sym bo l :   Test ing   wa s   carried  ou t  for  num ber   of  sym bo ls  from   20 0  to  750.    It ev ide nt that the b est   per form anc e   in term s o f  FRR – F AR, AAR – ARR, E ER i s o ff e red   by  2 75  sym bo ls for   H WT - 1  an d  450 – 500  sym bo ls  fo r  H WT - 2.  HAAR   com bin at ions  offe r  be tt er  per f orm a nce  f or   H WT - 1   than H WT - 2.     The  com par is on   of   H WT - 1  and   2  f or   1 – 16  bit  for  H A D AMAR D  com bin at ion s  is  sh own  in   the Ta ble  2 - 4 .   -   Be st  FRR – FAR :  Fo r  H WT - 1,  H ADAM ARD  K EKRE  off ers  be st  pe rform ance  with  F RR   &  FA R  of  0% .   Fo r   H WT - 2,  HAD AMAR D   KE KRE  off ers  be st  pe rfor m ance  with   FRR   2 5%  &  FA R  of  22% .   The  pe rfo rm a nce  offe red   by  HAD AMARD  KEK RE   H W T  for  H WT - 1  is  be tt er  than  H W T - 2.     The  perform ance  offe red   by  H ADAMAR D  c om bin at ion s  f or  H WT - 1  is  be tt er  than  H WT - 2.  F or   H WT – 1,    the  perform ance  of fe re d  by  al l  co m bin at ion s  of  H ADAM ARD  exce pt  H ADA MAR D  DCT  is  bette r  tha n  Or t hogonal  H ADAMAR D  trans f or m .  Fo r   H W T – 2,  the   per f or m ance  offer e d  by  al l  com bin at ion s   of   HAD AMAR D i s b et te r  th an  Orth ogonal  HA DA M ARD  tra ns f or m   -   Be st  Nu m ber  of   T raini ng   Sam ples :  Fo r  H WT – 1,   Or t hogonal  HAD AMAR D  tra nsfo rm   of fers  best   perform ance  of  8  trai ning  sa m ples  co m par ed  to  al l  com bin at ion s  of   H A DA M ARD  H WT.   F or  H W T – 2,   Orthogonal   H A DA M ARD  tra ns f or m   offer s   best  pe rfor m ance  of  5  trai ning  sam ples  com par ed  to  al l  com bin at ion s  of   HA D AMA RD  H WT.   H A DA M ARD  c om bin at ion s  off er  bette r  perf orm ance  for  H WT - 2  than H WT - 1.    -   Be st  sta te   wise  FRR – F AR:  Fo r   H WT - 1,  HAD AMAR D   KE KRE  of fe rs  be st  pe rform ance  for  2  an d   5  sta te s.   H A DA M ARD   D HT  offers  be st  perf or m ance  f or  sta te   4  an d  5  c om par ed   to  ort ho gonal   H A D AMAR D   trans form .  For  H WT - 2,  H A DA M ARD  KE KRE  offe rs  be st  perform ance  for  2  to  5  sta te s  com par ed  t o  o rthogona l   H A D AMAR D  tra nsfo rm .  HADAM ARD  c om bin at ions  offer  be tt er  pe rfor m ance   for H WT - 1   tha n H WT - 2 .    -   Be st  Nu m ber   of  Sy m bo l  : Test ing   wa s  carrie d  out  for  num be r  of   sym bo ls  from   20 0  to  75 0.   It  evi den t  th at  the  best  perfor m ance  in  te r m s   of   FRR – F AR,   AA R – ARR,  E ER  is  of fer e d  by   27 5 - 30 0  sy m bo ls  f or  HW T - 1  and   500   sym b ols  f or   H WT - 2.   HAD AMA RD  com bin at ion s   offe r  bette r  pe rfo rm ance  for  H W T - 1   tha n  H WT - 2 .          Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1823   -   1832   1828   The  c om par iso n  of HWT - 1 an d 2 fo r 1 – 16  bit for  KE KRE c om bin at ion s is  sh ow n  in  the  T able s   2 - 4 .   -   Be st  FRR – F A R:   Fo r   H W T - 1,   KE KRE  D CT,  K EKRE   HAAR  a nd  K EKRE 128  offe rs  best  perfor m ance  with  FRR   &  F AR  of  0  % .  F or   H WT - 2,  K EKRE  128  off ers  best  pe rfo r m ance  with  F RR   5%  &   F A R  of   2%.   T he  p erf o rm anc e   offe re d  by  KE KRE  DCT,  KE KRE   HAAR  a nd   KEK R E1 28  H WT  for  H WT - 1  i s   bette r  than  H WT - 2.   T he  pe r form ance  of fe r ed  by  KE KRE   com bin at ion s  f or   H WT - 1  is  be tt er  than  H W T - 2.  Fo r  H WT – 1,  the  pe rfo rm ance  offer e d  by  K EKRE  12 8  is  bette r  tha n   al l  c om bin at ion s  of   KE KRE  H WT.  Fo r  HWT – 2,  t he per form ance off e red by  K EKRE  128 i s bet te r  than  all  co m bin at ion s  of K E KRE  H WT .   -   Be st  Nu m ber   of   Traini ng  Sa m ples :  Fo r  H WT – 1,  K EKR E  D HT  offer s  best  pe rfo rm a nce  of   11  trai ning   sam ples  co m par ed  t o  20  tr a ini ng   sam ples  for   O rth ogona l  KEK RE  t ra ns f or m .  For  H WT – 2,   KE K RE   HAD AMAR D   offe rs  best  pe rfor m ance  of   6  trai ning   sa m ples  co m pared  to   16  trai ni ng   sam ples  fo r   Or t hogonal  K EKRE  trans f orm .   KEK RE   co m bin at ion s   off er  bette r  perf orm ance  fo r  H WT - 2  is  bette r  th an   H WT - 1.   -   Be st  sta te   wise   FRR – F AR:  Fo r  H WT - 1,   KE KRE  12 8  offe r s  best  pe rfo rm ance  f or   2  T O  5  sta te s  com par e d  to  combinat ions   of   KE KRE  H WT.   F or   H W T - 2,  KE KRE  128  offe rs  bes t  per f or m ance  for  2  TO  5  sta te s  com par ed  to  c om bin at ion s  of  KE KRE  H W T.  KE KRE   c om bin at ion s   off er  bette r  pe rform anc e  for  H WT - 1   is bett er tha n H WT - 2.   -   Be st  Nu m ber   of  Sy m bo l:   Test ing   wa s  carrie d  out  for  num ber   of   sym bo ls  from   20 0  to  75 0.   It  evi den t  th at  the  best  per for m anc e   in  te rm s  of   FRR – F AR,   AA R – ARR,  E ER  is  of fe re d  by  275  sym bo ls  for  H WT - 1  a nd   450 - 50 0  sy m bo ls  for  H WT - 2 .  KEK R E   com bin at io ns   offe r   bette r  perfor m ance  fo r  H WT - 1   is  bette r  t ha n  H WT - 2.       Table  2 .   Be st   F RR  FA R  for   H WT - 1  a nd   2   HW T – 1   HW T - 2   Co m b in atio n s   States   Sy m b o ls   Tr ain in g   san p les   FRR   FAR   Co m b in atio n s   States   Sy m b o ls   Tr ain in g   san p les   FRR   FAR   DCT 12 8   2   300   16   5   10   DCT 12 8   5   475   11   27   32   DCT D HT   3   300   13   10   10   DCT D HT   5   400   10   31   34   DCT Ha ar   5   325   18   0   0   DCT Ha ar   4   425   9   30   33   DCT  Had a m a rd   5   300   17   0   5   DCT  Had a m a rd   5   400   10   30   42   DCT Kek re   3   300   17   5   5   DCT Kek re   5   500   18   9   9   DHT  1 2 8   4   350   15   5   10   DHT  1 2 8   5   500   12   24   30   DHT  DCT   5   275   18   5   5   DHT  DCT   4   500   9   31   37   DHT  Haar   5   275   17   5   10   DHT  Haar   5   500   10   29   37   DHT  Had a m a rd   4   300   14   10   15   DHT  Had a m a rd   5   500   11   31   28   DHT  Kek re   4   275   20   0   5   DHT  Kek re   5   475   16   13   19   Haar  12 8   2   275   13   10   30   Haar  12 8   5   475   13   24   28   Haar   DCT   5   275   20   0   0   Haar   DCT   5   500   11   31   24   Haar   DHT   5   300   15   5   15   Haar   DHT   5   450   11   26   21   Haar   Had a m a rd   2   300   14   5   10   Haar   Had a m a rd   5   425   10   30   33   Haar   Kek re   3   275   19   0   0   Haar   Kek re   5   500   17   11   12   Had a m a rd  128   5   350   14   5   15   Had a m a rd  128   5   475   9   32   32   Had a m a rd  DCT   5   300   17   10   10   Had a m a rd  DCT   5   500   12   27   26   Had a m a rd  DHT   4   300   14   5   5   Had a m a rd  DHT   5   500   10   29   29   Had a m a rd  Haar   4   275   16   5   5   Had a m a rd  Haar   4   500   10   31   30   Had a m a rd  Kek re   5   275   20   0   0   Had a m a rd  Kek re   5   500   14   25   22   Kek re  1 2 8   2   275   20   0   0   Kek re  1 2 8   4   475   19   5   2   Kek re  DC T   5   275   20   0   0   Kek re  DC T   5   500   13   27   27   Kek re  D HT   5   275   18   5   5   Kek re  D HT   4   350   8   30   36   Kek re  Ha ar   2   525   20   0   0   Kek re  Ha ar   5   500   14   21   21   Kek re  Had a m a rd   2   550   19   100   0   Kek re  Had a m a rd   5   500   13   23   21               Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       On li ne  sig natu re veri fi cation  us in g hy br id w avelet  tra ns for m   ( Ma noj C ha van )   1829   Table  3 .   Be st   No.  of  t rainin g sam ples   for   H WT - 1  a nd   2   HW T - 1   HW T - 2   Co m b in atio n s   States   Sy m b o ls   Tr ain in g   san p les   FRR   FAR   Co m b in atio n s   States   Sy m b o ls   Tr ain in g   san p les   FRR   FAR   DCT 12 8   3   300   15   15   15   DCT 12 8   2   275   4   35   63   DCT D HT   2   300   12   15   25   DCT D HT   3   325   7   33   50   DCT  Ha ar   3   300   13   5   20   DCT Ha ar   3   375   6   33   47   DCT  Had a m a rd   2   275   12   30   30   DCT  Had a m a rd   4   325   6   30   51   DCT Kek re   3   300   17   5   5   DCT Kek re   2   450   11   22   30   DHT  1 2 8   2   350   13   10   20   DHT  1 2 8   2   375   7   32   40   DHT  DCT   4   275   15   5   10   DHT  DCT   2   500   8   33   43   DHT  Haar   2   275   13   20   20   DHT  Haar   2   350   6   34   46   DHT  Had a m a rd   2   300   10   20   25   Dh t Hada m a rd   4   275   5   29   52   DHT  Kek re   2   275   19   5   5   DHT  Kek re   2   475   12   23   27   Haar  12 8   2   275   13   10   30   Haar  12 8   2   325   6   32   57   Haar   DCT   2   275   13   15   0   Haar   DCT   4   350   7   32   52   Haar   DHT   3   275   12   15   15   Haar   DHT   2   375   6   37   49   Haar   Had a m a rd   3   275   13   10   20   Haar   Had a m a rd   3   275   5   32   57   Haar   Kek re   3   275   19   0   0   Haar   Kek re   3   400   12   20   33   Had a m a rd 1 2 8   2   275   8   35   30   Had a m a rd 1 2 8   2   475   5   38   52   Had a m a rd  DCT   2   275   11   20   15   Had a m a rd  DCT   2   375   6   30   45   Had a m a rd  DHT   2   275   11   15   20   Had a m a rd  DHT   3   300   6   31   49   Had a m a rd  Haar   2   275   14   5   15   Had a m a rd  Haar   2   425   8   34   37   Had a m a rd  Kek re   2   275   18   10   10   Had a m a rd  Kek re   2   500   11   34   31   Kek re  1 2 8   2   275   20   0   0   Kek re  1 2 8   2   450   16   11   16   Kek re  DC T   2   275   13   10   15   Kek re  DC T   2   425   9   31   37   Kek re  D HT   2   275   11   15   25   Kek re  D HT   4   350   8   30   36   Kek re  Ha ar   2   525   20   0   0   Kek re  Ha ar   2   500   10   33   38   Kek re  Had a m a rd   2   550   19   100   0   Kek re  Had a m a rd   2   375   6   34   49       Table  4 .   Be st   S ta te wise  FRR   FA R  for   H WT - 1  an d   2   HW T - 1   HW T - 2   Co m b in atio n s   States   Sy m b o ls   Tr ain in g   san p les   FRR   FAR   Co m b in atio n s   States   Sy m b o ls   Tr ain in g   san p les   FRR   FAR   DCT Ha ar   2   300   14   5   10   DCT Kek re   2   450   11   22   30   DCT Kek re   3   300   17   5   5   DCT Kek re   3   450   13   19   20   DCT Ha ar   4   275   15   10   10   DCT Kek re   4   450   15   17   18   DCT Ha ar   5   325   18   0   0   DCT  Kek re   5   500   18   9   9   DHT  Kek re   2   275   19   5   5   DHT  Kek re   2   475   12   23   27   DHT  Kek re   3   275   19   5   5   DHT  Kek re   3   500   13   22   20   DHT  Kek re   4   275   20   0   5   DHT  Kek re   4   450   15   15   14   DHT  DCT   5   275   18   5   5   DHT  Kek re   5   475   16   13   19   Haar   Kek re   2   275   19   5   5   Haar   Kek re   2   450   12   21   35   Haar   Kek re   3   275   19   0   0   Haar   Kek re   3   400   12   20   33   Haar   Kek re   4   275   20   0   5   Haar   Kek re   4   475   16   14   22   Haar   Kek re   5   275   20   0   0   Haar   Kek re   5   500   17   11   12   Had a m a rd  Kek re   2   275   18   10   10   Had a m a rd  Kek re   2   500   11   34   31   Had a m a rd  DHT   3   275   12   10   10   Had a m a rd  Kek re   3   500   15   16   44   Had a m a rd  DHT   4   300   14   5   5   Had a m a rd  Kek re   4   500   13   25   27   Had a m a rd  Kek re   5   275   20   0   0   Had a m a rd  Kek re   5   500   14   25   22   Kek re  1 2 8   2   275   20   0   0   Kek re  1 2 8   2   450   16   11   16   Kek re  1 2 8   3   275   20   0   0   Kek re  1 2 8   3   500   17   10   11   Kek re  1 2 8   4   275   20   0   0   Kek re  1 2 8   4   475   19   5   2   Kek re  1 2 8   5   275   20   0   0   Kek re  1 2 8   5   475   19   5   2             Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1823   -   1832   1830   Fr om   Table s   2 - 4, w e  get foll owin g  im po rtant  r es ults.   -   FRR – F AR:  For  H WT - 1,   DC T  HAAR  offe r s  best  perf or m ance  with  FRR   and   F AR  of  0  %.  For  H WT - 2,  KEK R E  128  offe rs  best   pe rfo rm ance  of   FRR   5  %  and   F A R  2  %.  H WT - 1  offe rs  bette r  perform ance  t ha n  H WT - 2.   -   Nu m ber   of   trai ning  sam ples :  Fo r   H WT – 1,  Or t hogonal  H ADAMAR D  tr ansfo rm   of fer s   best  pe rfo rm a nce   of   8  tr ai n ing .  Fo r   H WT – 2,  Or t hogonal  D CT  trans form   offer s  best  perform ance  of   4  tr ai ning  sam ples.   H WT - 2   offer s   bette r per form ance tha n H W T - 1.   -   Stat e  wise  FR R – FA R:   For  H WT - 1,  KE K RE  12 8  offer s   best  perform ance  f or  2  to   5  s ta te s.  For  H W T - 2,   KEK R E  128  offe rs  best  pe rfor m ance  for  2  to  5  sta te s.  H WT - 1  offe rs  be tt er  per f orm a nce  tha n  H WT - 2.   As  t he  num ber   of  sta te s  inc re ase,  the   pe rfo r m ance  of  the   s yst e m   i m pr ov e s.  H W T - 1  f ou nd  to  offe r  bette r  perform ance f or  3  to  5 sta te s a nd HWT - 2 f or  5  sta te s.   -   Nu m ber   of  Sy m bo l:   Fo r  H WT - 1,  K EKR E  128  offe rs  best  pe r form a nce  at   275  sy m bo ls  wh e rea s  f or   H WT - 2,   best  pe rfor m ance is  at  4 75  sym bo ls by  KEK R E  128.   The  pro posed   syst e m   is  com par e d  with  e xi sti ng   syst em s  in  T a ble  5 .  T he  pro po se d  s yst e m   of fers  be tt e r   perform ance th an  the  ex ist in g   syt e m s.       Table  5.   C om par isi on of  pro pose d  syst em  w it h  existi ng syst e m s   Pap er   FAR  (% )   FRR  ( %)   [ 1 3 ]   30   30   [ 1 4 ]   1 .96   6 0 .93   [ 1 5 ]   0   8   Prop o sed  sy ste m   0   0       4.   CONCL US I O N     In   the  pro po se d  syst e m   fo r  on li ne  si gn at ure  ver ific at io n  with  press ur e  as  featur e  vect or,  H WT - 1  offer s  bette r  perform ance  than  H WT - 2  f or   var i ous  c om bin at ion s  of   DCT,  D HT,  Haar   a nd  H adam ard   or t hogonal  t ra ns f or m .  But  K ekr e   tran sf or m   offe rs   bette r  pe rfor m ance  tha n  it s  var i ou s   co m bin at ion   of  H WT - 1  and   H WT - 2.   C om par ing   KNN,   S VM  and   NN   cl assifi er  with  va rio us   dy nam ic   par am et ers  as  feature   vector,   HMM  offer s  be tt er  per f or m ance.  T his  fin din gs   s how  that  the  H WT  with   HMM  has  be en  a  feasible  m et ho d  for feat ur e  v e ct or extract on of  on li ne  sig natu r e v ect or  base d biom et ric syst e m s.       REFERE NCE S     [1]   R.   Plamondon,  " A  kine m at i c  th e or y   o f  rap id  hu m an  m ovements:  Part   I:  Movem ent   r epr ese n ta t io n  and  g ene r at ion , "  Bi ological   Cyber net ic s ,   vol .   72 ,   no.   4 ,   pp .   295 - 3 07,   1995 .     [2]   R.   Plamondon,  "A   kine m at ic   theor y   of  rap id  hu m an  m ove m ent s:  Part  II:  Movem ent   ti m e  and  cont rol, "  Bi o logi c al  Cybe rnet ic s ,   vol. 72, no. 4, pp. 30 9 - 320,   1995 .   [3]   A.  K.  Jain ,   A.  R oss   and  S.  Prabha kar ,   "A n  Introd uct ion  to  Biom etric  Re cogni t ion,"  IEE E  Tr ansact ions  on  Circui t s   and  Syste ms   for   Vi deo   Technol og y , v o l. 14, no. 1,  p  4 - 20,   Jan   2004 .   [4]   K.  Vee ramac he neni ,   L .   A.  Os adc iw  and  P.  K.  Varshne y ,   "A n  ada pti ve  m ult imodal  biometric  m ana geme nt   al gorit hm , "   IEEE  Tr ans.  Syst ems,  Man  and   Cyb e rneti cs .   Part   C,   v ol.   35 ,   no .   3 ,   p .   3 44 – 356,   Aug   20 05 .   [5]   K.  Huang  and  H .   Yan,   "S ignatur e  ver if icati on  us ing  fra c ta l  tra nsf orm at ion, "  Proc .   15th  Int.   Con f.   Pat te rn  Re cog .   ( ICPR - 15) ,   Barcel ona ,   Spa in, Se p t   2000 .   [6]   S.  Nana vat i ,   M.  Thi eme,   and  R.   Nana vati,   “ B iometri cs:  Ide nt ity  Ve rifi cation  in  a  Networke d  W orld, ”   New  York:   W il e y ,   p   123 – 13 1 ,  2002 .   [7]   T.   Ohishi,   Y.  Kom iy a,   H.  Mo rit a ,   and  T .   Ma tsum oto,   “ Pen - input   onli ne  sig nat ure   v eri fi ca t i on  with  positi o n,   pre ss ure ,   in cl in a ti on  tr aj e ct ori es, ”  in  Proc .   15th   Int.   Par al le l   Distrib.  Proc ess.  Sy mp.  ( IPDP S - 15) ,   San  Franc isco,  CA,  p.   170 ,  Apr.   2001 .   [8]   H.  B.   Kek re,  T .   K.  Sarode   and  S .   D.  The p ade,  "I nce pt ion  of  HW T  using  Two   Orthogonal   Tra nsf orm s  and  It’s  use   for  Im age   Com pre ss ion, "  ( IJCSI S)   Inte rnational   Journal  of  Co mputer  S ci en ce   and  Information  Sec urit y ,   vol .   9 ,     no.   6 ,   p   80 - 87,   Jun 2011.   [9]   H.  Kekre ,   T .   Sarode   and  P.  Nat u,   "Colour  Im age   Com pre ss ion  using  DK T - DC T  H y brid  W avele t  Tr ansform   in  Vari ous  Colour  Space s,"  Int ernati onal  Journal  o f  Signal  Proce ss ing,   Image   Proc essing  an d  Patte rn  Re cognition ,    vol.   7 ,   no .   5 ,   pp .   105 - 124,   2014 .     [10]   H.  Kekre ,   T .   Sa rode   and   N.  Pra chi ,   "Im age   Co m pre ss ion  Us in g  Real  Fourier   Tra nsform ,   Its  W ave le t   Tr ansform     and  H y br id  W a vel e t  with  DCT , "  Inte rnationa l  Journal  of  Ad va nce   Computer  S ci en ce   and  Applicat ion ,   vol .   4,     no.   5 ,   2013 .   [11]     H.  Kekre ,   T .   Sa rode   and  S.  Na t u,   "Robus t  W at e rm ark ing  Techni que  using  H y br i d  W ave le t   Tra ns form   Gene rat ed   from   Kekre   Tra nsform   and  D iscre t e  Cosine  Tra nsform , "  Inte rnational   Jour nal  of  Sci entific  and  Re searc h  Publ ic a ti ons ,   vo l.   4 ,   no .   2 ,   Feb   2 014.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       On li ne  sig natu re veri fi cation  us in g hy br id w avelet  tra ns for m   ( Ma noj C ha van )   1831   [12]   G.  B.   Atkar   an d  S.  Gore,   "En hanc e d  Perfo rm anc e  of  Co lor  To  Gra y   a nd  B ac k  b y   Us ing  H y brid  W avele t   Tra nsform s,"  Int ernati onal   Journ al  of   Eme rging   Technol og y  and   A dvanc ed   Engine ering ,   vo l. 3, no. 4, April   2013 .   [13]   M .   Singhal,  M .   Tri kh a,   M .   D utt a ,   “ Ti m e  In depe nden t  Sign at ure   Veri fi cati on  using  Norm al i ze d  W ei gh ted  Coeff icient s , ”  In te rnational   Jour nal  of  E le c tric al   and  Computer  Engi ne ering  ( IJE CE) ,  vol.   6 ,   n o .   6,   p   2658 - 2664 ,  Dec ember  2016 .   [14]   M.  Singhal ,   M.  Tri kha ,   M.  Dut t a,   “ Signat ur e  V eri fi ca t ion  using   Norm al iz ed  St a ti c  Fe at ur es  and   Neura l  Ne twork   Cla ss ifi c at ion , ”  I nte rnational   Jou rnal  of  El ec tri ca l  and  Computer  Engi ne ering  ( IJE CE) ,   vol.   6,   no.   6,   p  2665 - 2673 ,  Dec ember  2016 .   [15]   V.  A.  Bhara d i ,  V.   I.   Singh  and   Bhushan  Nema d e,   “ H y b rid  W ave le ts  base d   Feat ure   Ve ct or   Gene ration  fro m   Multi dimension al   Dat a  set   for   On - li ne  Hand writt en  Sign at ur e  Rec ogn it ion ”   Proc.   5 th  Int .   Conf.   Con fl ue nce    The  next  Gen erati on  In formation   Technol og y  Su mit  ( Confl uence)   Noid a ,   Indi a, Nov   2014 .     [16]   C.   Gruber,  T .   Gruber,   S.   Krinni nger ,   and  B.   Sic k,   “ Online   Sign at ure   V eri fi catio n  W it h  Support  Vec tor  Ma chi ne s  Based  on  LCSS   Kerne l  Func ti o ns,”   IE EE   Tr ansacti ons  on  Syst e ms ,   MAN.   And   Cybe rnati cs – Pa rt  B:  Cyb erne tic s ,  vol.   40 ,   no .   4 ,   p   10 88 - 1100,   Aug  2010.   [17]   Mage d  M.M.  F ahm y , ”   Online  handwri tten  sig nat ure   v eri f ic a tion  s y stem  base d  on  DW T  fea t ure s  ext ra ction  and   neur al ne twork   c la ss ifi c at ion , ”   Ain Shams   Engi ne ering  Journal ,   v ol.   1 ,   no .   1 ,   p   59 - 70,   Sept   2010.   [18]   SV C 2004   H om e.   ht t p: / / w w w . cse . us t . hk/ svc2004/ .   A c cess ed  02   D ec 2 0 11 .   [19]   M.  Chava n,   R.   R.   Singh  and  V .   A.  Bhara di,   “ Online   Signat ur e  Veri ficati on  u sing  HW T   with  Hidden  Markov  Model”   in  Pro c  4th  Inte rnati onal  Confe renc e  on  Computing,   Comm unic at ion,   Control  A nd  Aut omation   ( ICC UBEA ) ,   Pu ne,   Ind ia Aug 20 17.   [20]   M.  Chava n,   R .   R.   Singh  and  V.  A.  Bhara di ,   “ Handwrit te n  Signa t ure   Veri fi ca t ion  using  Hidden  Markov  Model  wit h  HW T”   in  Pro c  4th  In te rnati onal  Confe ren c e  on  Computi ng,   Comm unic a ti on,   Con trol  And  Aut omat io n   ( ICCUBEA ) ,   Pu ne,   Ind ia A ug  20 17.   [21]   S.  Garc i a - Salice tt i  and  B.   Dori z zi ,   “ On  using  th e  Vite rb i  pa th  along  with  HM M  li kelihood  infor m at ion  for  onli n e   signat ure   ver i ficati on , ”   IEEE  Tr ans.  Syst . ,   Man,   C ybe rn. B ,   vol .   37 ,   no .   5 ,   p   1237 – 1 247,   Oct   2007 .     [22]   L.   Rab ine r ,   "A   tut oria l  on  h idden  Markov  m odel s  and  sele c te d  a ppli c at ions  in  sp ee ch  r ec ogn it ion , "  Proceedi ngs  o f   IEE E ,   vo l. 77, n o.   2 ,   p   257 - 286,   Feb  1989.   [23]   M.  M.  Shafiei  a nd  H.  R.   Rab ie e ,   "  A  New  On - li ne  Veri fi cation  Al gorit hm   Us ing  Vari able  le ng th  Segm ent at ion  an d   Hidden  Markov   Models, "  in   Proc   7   th  Int e rnational   Confer enc e  on  Docu ment  Analysis  and  Re cogn it io n  ( ICDAR’ 03) ,   Singapore ,   2003.     [24]   H.  S.  Yoon,  J.  Y.  Le e  and  H.  S.  Yang,   "A n  on - li ne  signa ture   ver ifica t ion  s y st em  using  hidde n  Markov  m odel   in  pola r  spa ce,"  in   Proc.   8 th  In t. W orkshop F ront.   Handwr it ing  R e cogni t .   ( IWF HR - 8) ,   Ontar io, Ca n ada ,   Aug.   2002.   [25]   D.  Im pedovo  an d  G.  Pirlo ,   "A ut om at ic   S ign at ure   Veri fi ca t ion:   Th e  State  of   the  Art, "  IE EE   Tr ansacti on  on   Syst ems,   MAN  and  C ybe r nati cs  Part  C:   A ppli cation  and   R ev i ews ,   vo l. 28,  no. 5,   Sept  2008 .       BIB LIOGR A PH IES   OF  A UTHO RS        Manoj  Ch avan   rec e ive d  th e  B. E.   d egr e e  from   the   Vid y ava rd hini ’s  Coll eg e  of  Engi neering  and  Te chno log y ,   Univer sit y   of  Mum bai ,   Maha rashtr a,   Indi a,  in  2001,   the   M.E .   degr e e   from     the   Shivaj i  Uni ver sit y ,   Kolhap ur,   India ,   in  20 12,   and  cur ren t l y   he  is  doing  Ph.D.  fr om   Pac ifi c  Univer sit y ,   Udai pur ,   India.   From  2001  to  2005,   He  worked  as  le cturer  in  the   dep ar tment  of  El e ct ro nic s   and  Te l ec om m unic a ti on  Engi n eering  at   St.  Franc i s  Instit ute   of  Tec hnolog y ,   Borival i,   Mum bai - 400103,   India .   He  has  bee n  working  as  A ss ista nt  Profess o r  in  Tha kur  Coll ege   of  Engi neeri ng  and  Te chnol o g y ,   Mum bai ,   since   2 005.   He  is  li fe  m ember  of  ISTE,   India.  His  are a  of  int ere st  is  Patt ern   re cogni t ion  and   Mac hine L ea rni ng.           Dr.   Ravish   R.  S ingh   rec ei ved  B . E.   from   K.J.  Som aiy a  Coll eg e  o f  Engi ne eri ng,   Mum bai ,   Univer sit y   of   Mum bai ,   Jul y   1 991  and  M.  Tec h.   (Com m unic at i on  Engi neering),  I. I. T .   Bom ba y ,   Janua r y   2001 .   H e  did  his  Ph.D.  (Tech nolog y ) ,   from   Sarda r  Pat el   Co llege  of  Engi ne ering,  Mum bai ,   Un ive rs ity   of   Mum bai ,   Novem ber   2013.   He  worked  as  As socia te   Profes sor  in  Elec troni c s  and  T el e communic a ti on  in  Th a kur  Coll ege  of  Eng i nee ring  and  Te c hnolog y   from   1st  Janua r y ,   2006  to  4th  Jul y ,   201 4. He  a lso  worke d  as  As sistant   Profes sor  in  El ec tronic s  and  Te le comm un ic a ti on  Engi n ee ring  from   20th  Jul y ,   2002  to  31st  Dec ember  2005  and  as  Senior  Le ct ur er  in  El e ct r onic s  and  Te lec om m unic at ion  Engi nee r ing  from   8th   Augus t,   2001  to  19th  Jul y   2002.   Now   he  is  holdi ng  cha ir  of  Aca d emic  Advisor  at   Tha kur  Educat io nal   Trust,   Mum bai.   He  has  aut hor ed  and   co - aut h ore d  seve r al  bo oks  inc ludi ng   E le c tri c al   Engi n e eri ng  (McGraw  Hill   Educ a ti on,   India,  2016),   Engi n e eri ng  Math emat ic s  (McGraw  Hill   Educ a ti on ,   I ndia ,   2016)   Num eri cal  and   Statis ti c al   Methods  for  Co m pute r  Engi n ee r ing  (McGraw  H il l  Educa ti on ,   In dia,   2016),   Com ple x  Vari ables  and  Num eri ca l  Metho ds  (McGraw  Hill   Educ ation,   Indi a,   2015),   and  Linea r   Algebr a  and  Ve ct or  Calculus  (McGraw  Hill   Educ ation,   Indi a,   2014).   He  is  li fe   m ember  of  IET E  and   ISTE,   Ind ia.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1823   -   1832   1832     Dr.   Vinay ak  As hok   B haradi   r ec e ive d  th e  B. E .   degr e e  in  Ele ct roni cs  from   F inol ex  Aca d em y   of  Mana gement  an d  Technol og y ,   Univer sit y   of   Mum bai ,   in  20 02.   M.E .   d egr e e  in  Elec tron ic s   and  Te l ec om m unic ation  in  2007  and P hD i n  engi nee ri ng  in  2011  from   NM IMS  Univer sit y ,   Mum bai ,   Ind ia .   Present l y   he  is worki ng  as  As so ci a te   Profess or  with  Depa rtment   of  Inform at ion  Te chno log y   of  F inol ex   Aca dem y   of  Ma nage m ent   and  T ec hnolog y   H e  is   li fe   m ember  of  ISTE  and   area  o f  int e rest  are  cl o ud   computing,   b ig  d at a   an aly t ic s,   bio m et ric s a nd   DS P.         Evaluation Warning : The document was created with Spire.PDF for Python.