Abstract – Recently, the use of biometric verification systems to secure the information has become popular and various biometrics have been proposed. In our study, the recognition of the individuals via swipe gesture on a touch screen is discussed. In this context, firstly, the number of input features obtained from a swipe gesture of an individual on a touch screen has been increased from 28 to 37. Then, these features are transformed into more distinctive features by nonlinear Kernel Fisher Discriminants method and classified with Support Vector Machines. Parallel to this classification, 61 features related to swipe biometry from 100 features previously used in signature recognition systems are reduced to 5 by Sequential Forward Floating Search (SFFS) method and statistical classification is made by GMM method. The final decision was made by fusing the average score values obtained from both classifiers. For the experiments, publicly available Serwadda Database, which was constituted by the left, right, up and down swipe gesture of 190 individuals, acquired horizontally and vertically in two different sessions, was used and performance evaluation has been performed through EER. When the results are analyzed, it can be seen that increasing the number of input features to 37 and using the Kernel Fisher Discriminants as a preprocessing step has a positive effect on the result. Furthermore, a significant improvement in performance has been observed when compared to the methods in the literature. Özet – Son yıllarda bilgi güvenliğini sağlamada biyometrik doğrulama sistemlerinin kullanımı yaygınlaşmış ve farklı biyometrikler ortaya atılmıştır. Çalışmamızda dokunmatik ekran üzerinde yapılan hareketlerden kaydırma hareketine bağlı olarak kişilerin ayırt edilmesi ele alınmıştır. Bu kapsamda, öncelikle kişilerin dokunmatik ekran üzerinde kaydırma hareketinden elde edilen giriş özellik sayısı 28'den 37'ye çıkartılmıştır. Bu özellikler doğrusal olmayan Çekirdek Fisher Ayırtacı yöntemi ile daha ayırt edilebilir özelliklere dönüştürülmüş ve Destek Vektör Makineleri ile sınıflandırılmıştır. Bu sınıflandırmaya paralel olarak daha önce imza tanıma sistemlerinde kullanılan 100 özellikten kaydırma biyometriği ile ilgili 61 özellik Sıralı İleri Kayan Arama (SFFS) yöntemi ile 5’e düşürülüp GMM yöntemi ile de istatistiksel sınıflandırma yapılmıştır. Her iki sınıflandırmadan elde edilen skor değerleri ortalama alınarak birleştirilerek nihai karar verilmiştir. Deneyler için 190 kişiden iki farklı oturumda yatay ve dikey konumlarda sola, sağa, yukarı ve aşağı kaydırma hareketleri ile oluşturulan ortak kullanıma açık Serwadda Veritabanı kullanılmış, EER üzerinden başarı değerlendirmesi yapılmıştır. Sonuçlar incelendiğinde giriş özellik sayısının 37'ye çıkartılması ve ön işlem olarak Çekirdek Fisher Ayırtacının kullanılmasının sonuca pozitif yönde etki ettiği görülmüştür. Ayrıca, literatürdeki yöntemlerle kıyaslandığında başarıda azımsanmayacak bir iyileşmenin sağlandığı görülmüştür.

Keywords - swipe biometric, KFD, SVM, GMM

[1] J. Fierrez, A. Pozo, M. M. Diaz, J. Gallbally and A. Morales, “Benchmarking Touchscreen Biometrics for Mobile Authentication, ”IEEE Trans. Inf. Forensics Security, vol. 13, no. 11, pp. 2720-2733,Nov. 2018

[2] A. Serwadda, V. V. Phoha, and Z. Wang, “Which verifiers work?:A benchmark evaluation of touch-based authentication algorithms,” in Proc. IEEE BTAS, 2013, pp. 1–8.

[3] M. Antal, Z. Bokor, and L. Z. Szabó, “Information revealed from scrolling interactions on mobile devices,” Pattern Recognit. Lett.,vol. 56, pp. 7–13, Apr. 2015.

[4] M. Martinez-Diaz, J. Fierrez, R. P. Krish, and J. Galbally, “Mobile signature verification: Feature robustness and performance comparison,” IET Biometrics, vol. 3, no. 4, pp. 267–277, 2014.

[5] S. Mika, G. Ratsch, J. Weston, B. Scholkopf and K.R. Mullers, “Fisher discriminant analysis with kernels,” in Proc. Neural Networks for Signal Processing IX: Proceedings of the 1999 IEEE Signal Processing Society Workshop, 1999, pp. 41-48

[6] S. Mika, G. Ratsch and K.R. Müller, “A mathematical Programming Approach To the Kernel Fisher Algorithm,” in Proc. NIPS, 2000, pp.591-597

[7] M. Frank, R. Biedert, E. Ma, I. Martinovic, and D. Song, “Touchalytics: On the applicability of touchscreen input as a behavioral biometric for continuous authentication,” IEEE Trans. Inf. Forensics Security, vol. 8, no. 1, pp. 136–148, Jan. 2013.

[8] H. Xu, Y. Zhou, and M. R. Lyu, “Towards continuous and passive authentication via touch biometrics: An experimental study on smartphones,” in Proc. SOUPS, 2014, pp. 187–198.

[9] U. Mahbub, S. Sarkar, V. M. Patel, and R. Chellappa, “Active user authentication for smartphones: A challenge data set and benchmark results,” in Proc. IEEE BTAS, 2016, pp. 1–8.

[10] K. Herkiloğlu, “Gauss arışım modelleri kullanılarak ses imzalarının sınıflandırılması,” M.Sc.Thesis, İTÜ, İstanbul, Turkey, Aug. 2005.

[11] V. Vapnik, The Nature of Statistical Learning Theory, 1st ed., SpringerVerlag, 1995.

[12] S. Abe, Support Vector Machines for Pattern Classification, 1st ed., Springer, 2005.

[13] M. Aykut, E. Gedikli and M. Ekinci, “Avuç İzine Dayalı Kimlik Doğrulama Sistemi,” in Proc. SIU, 2010, pp. 117-120