基于力信息的在线签名认证研究

论文摘要

随着计算机和网络技术的发展，生物特征识别成为一种日益重要的个人身份鉴别技术。手写签名认证是生物特征识别的重要研究领域之一，由于手写签名已经长期在人们日常生活中用来鉴别身份，与其它生物特征相比，它更易于为人们所接受。在线签名认证由于采集了书写过程的动态信息，更能够有效地反映个人特性，是手写签名认证主要的研究方向，吸引了众多的科研人员投入到这一领域的研究，并取得了丰硕的成果。但目前它在认证精度和可靠性上还不能满足一些实际应用要求，需要进一步提高和完善。一个重要问题就是现有手写板采集的书写力信息不完整。为此，本文在国家自然科学基金项目“基于力的手写信息获取与解释”的资助下，对基于力信息的手写签名信息获取和在线签名认证方法进行了深入系统的研究。全文的主要研究工作概括如下： 在详细分析了当前在线手写信息获取设备的工作原理和不足的基础上，设计研制了一种基于多维力化感器的手写板，它能够同时获取签名笔迹和三维书写力信息。研究了手写板的位置坐标测量精度的评价问题，提出了一种使用BP神经网络估计和修正系统误差的方法。 针对获取的签名字形和书写力信息，本文研究了基于局部特征和基于全局特征的两种签名认证方法。首先，结合手写签名的运动模型与中文签名特点，利用速度极小值点将签名分割为基本笔段，从中提取了字形和书写力两种局部特征，构成签名特征向量序列。建立了笔段特征隐马尔可夫模型(HMM)来描述手写签名的动态过程，并在此基础上，提出了基于HMM的在线手写签名认证方法。考虑这种认证方法特点，提出了一种基于遗传算法的笔段特征选择方法，利用HMM将签名分割为子签名块，并以子签名块的可分性判据来构造适应度函数，有效地减少了计算时间。研究了在特征选择中是否使用伪造签名样本、选择系统通用特征子集和个人特征子集等不同选择方式对认证性能的影响。 其次，将书写力信息结合签名字形转换为书写力图像，提取图像矩特征作为签名全局特征。提出了一种采用支持向量数据描述(SVDD)作为分类器的签名认证方法，并利用遗传算法实现对特征选择和SVDD参数的联合优化。 在以上单独使用一种类型特征的认证方法的基础上，研究了基于信息融合的

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 个人身份鉴别与生物特征识别技术
• 1.2 手写签名认证概述
• 1.2.1 手写签名认证原理
• 1.2.2 手写签名认证的评价
• 1.2.3 手写签名认证的分类
• 1.2.4 手写签名认证的特点与应用
• 1.3 在线手写签名认证研究的发展现状
• 1.3.1 在线手写签名认证研究的发展
• 1.3.2 在线手写签名认证方法的综述和分析
• 1.4 本文的研究内容与创新点
• 1.4.1 论文的选题目的和研究意义
• 1.4.2 主要研究内容与章节安排
• 1.4.3 主要创新点
• 参考文献
• 第2章 基于力信息的在线手写签名获取和预处理
• 2.1 常用的在线手写信息获取方法与设备
• 2.2 基于多维力传感器的手写板
• 2.2.1 F-Tablet手写板的结构和工作原理
• 2.2.2 多维力传感器
• 2.2.3 F-Tablet手写板的信号处理电路
• 2.3 基于人工神经网络的手写板位置测量精度修正方法
• 2.3.1 手写板位置测量误差
• 2.3.2 实验设备和方法
• 2.3.3 基于人工神经网络的位置精度修正方法
• 2.3.4 实验结果与讨论
• 2.3.4.1 静态加载实验
• 2.3.4.2 动态加载实验
• 2.3.4.3 坐标测量误差修正
• 2.4 在线手写签名的数据库采集和预处理
• 2.4.1 签名数据库采集
• 2.4.2 签名预处理
• 2.5 本章小结
• 参考文献
• 第3章 基于笔段特征HMM的认证方法
• 3.1 隐马尔可夫模型基本理论
• 3.1.1 隐马尔可夫模型定义
• 3.1.2 隐马尔可夫模型的基本算法
• 3.1.2.1 前向—后向算法
• 3.1.2.2 Viterbi算法
• 3.1.2.3 Baum-Welch算法
• 3.1.3 隐马尔可夫模型的结构类型
• 3.2 在线签名HMM的建立
• 3.2.1 签名笔段分割
• 3.2.2 签名笔段特征提取
• 3.2.2.1 字形特征
• 3.2.2.2 书写力特征
• 3.2.3 签名HMM的拓扑结构和参数确定
• 3.3 基于HMM的在线签名认证方法
• 3.3.1 基于HMM的在线签名认证系统结构
• 3.3.2 签名HMM的训练
• 3.3.3 认证过程
• 3.4 实验结果与讨论
• 3.5 本章小结
• 参考文献
• 第4章 基于遗传算法的签名特征选择
• 4.1 基于HMM的签名认证中特征选择问题分析
• 4.2 基于遗传算法的特征选择方法
• 4.2.1 遗传算法
• 4.2.2 染色体编码
• 4.2.3 适应度函数的构造
• 4.2.3.1 子签名块的分割对齐
• 4.2.3.2 使用真实和伪造签名样本的适应度函数
• 4.2.3.3 只使用真实签名样本的适应度函数
• 4.2.4 遗传操作算子的设计
• 4.2.4.1 选择算子
• 4.2.4.2 交叉算子
• 4.2.4.3 变异算子
• 4.2.5 主要参数的选择
• 4.3 实验结果和讨论
• 4.3.1 通用特征子集选择
• 4.3.2 个人特征子集选择
• 4.3.3 字形特征与书写力特征的比较
• 4.4 本章小节
• 参考文献
• 第5章 融合书写力矩特征的认证方法
• 5.1 签名书写力信息的图像化
• 5.2 矩特征的提取
• 5.2.1 矩的定义
• 5.2.2 Hu's矩不变量
• 5.2.3 Zernike矩
• 5.3 基于书写力矩特征和SVDD的认证方法
• 5.3.1 支持向量数据描述
• 5.3.2 签名书写力矩特征SVDD训练与认证
• 5.3.3 基于遗传算法的特征选择和SVDD参数联合优化
• 5.3.3.1 联合染色体编码
• 5.3.3.2 适应度函数的构造
• 5.3.4 实验结果和相关讨论
• 5.4 融合HMM和SVDD方法的签名认证
• 5.4.1 生物特征认证中融合的层次和方法
• 5.4.2 融合HMM和SVDD的认证方法
• 5.4.3 实验结果与相关讨论
• 5.5 本章小节
• 参考文献
• 第6章 结束语
• 6.1 研究工作总结
• 6.2 本文的主要创新点
• 6.3 未来研究工作展望
• 攻读博士学位期间的主要研究工作及成果
• 致谢