روزبه حمزه ئیان - دانشکده مهندسی برق و کامپیوتر- واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
فربد رزازی - دانشکده مهندسی برق و کامپیوتر- واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
علیرضا بهراد - دانشکده فنی و مهندسی- دانشگاه شاهد، تهران، ایران

پیشرفت در دنیای دیجیتال، ما را به سمت توسعه ابزار بازجویی قانونی دیجیتال سوق می­دهد. استفاده از روش­های یادگیری ماشین برای شناسایی منبع چاپ یکی از زیر مجموعه­های این حوزه بوده که درحال توسعه است. در این مقاله، روش جدیدی برای استخراج ویژگی­های ثانویه بر پایه بردار هویت (i-vector) برای شناسایی منبع چاپ ارائه شده است. در روش پیشنهادی تنها با استخراج یک بردار i-vector با بعد کم به ازای هر صفحه بدون استفاده از روش بازشناسی نوری نویسه­ها (OCR) و با حذف رای گیری اکثریت فرایند طبقه بندی تسریع شده است. به این ترتیب روش پیشنهادی در استخراج ویژگی­ها مستقل از نوع و اندازه قلم نویسه ها و زبان متن است. ویژگی­های ثانویه با افراز تصویر سند به تکه­های کوچک تر و مدل­سازی ویژگی های اولیه الگوی دودویی محلی (LBP) مربوط به ناحیه­های تیره، مرز و روشن در فضاهای مجزا به­دست می­آید. مدل­سازی ویژگی­های اولیه نواحی مختلف در فضاهای مجزای متغیر کل چاپگر، امکان استخراج اطلاعات جداکننده کلاس­ها از بافت چاپ باقیمانده در ناحیه روشن را برای افزایش دقت و صحت طبقه بندی مهیا می­کند. در این مقاله تاثیر استفاده از بافت نواحی مختلف و تغییر ابعاد تکه­بندی با استفاده از طبقه بند ماشین بردار پشتیبان (SVM) از طریق شبیه سازی به دقت بررسی شده است. نتایج شبیه­سازی، نشان می­دهد که تنها با پالایش ویژگی­های اولیه LBP به صحت ۰۵/۹۹ درصد دست یافته­ایم که بیشتر از آخرین پژوهش­های این حوزه است.

بازجویی قانونی چاپگر, بردار هویت, تغییرات درون کلاسی, شناسایی منبع چاپ, فضای متغیر کل چاپگر