基于多维力信息的在线签名认证方法研究

论文摘要

随着社会的发展,越来越多的商业活动和工作实践被计算机化,个人身份的识别和认证在我们的社会生活中起着非常重要的作用。像电子银行这样的商业应用和门禁管制这样的安全应用场合都要求实时和准确地对个人身份进行识别。传统的基于密码和基于证件的个人身份识别和认证系统存在费时、使用麻烦、容易被遗忘、成本昂贵和容易被仿冒的弊端。生物特征识别技术,是一种基于人的解剖学特征(如人脸、指纹、虹膜等)和行为学特征(如在线/离线签名、语音、步态等)进行自动身份识别的技术。基于生物特征识别技术的认证可以克服传统的自动个人身份识别技术的局限性,目前在各个安全领域已经有了广泛的应用,但是,仍然需要研究新的算法和解决方案,以进一步提高性能。手写签名是日常生活中被广泛接受的一种个人身份认证方法,其优点主要有:签名的易于采集性,在任何使用签名的地方都可以使用;签名具有较好的稳定性和唯一性;签名的采集对人没有任何潜在的危害,为大众所接受;签名可以更换,用户可以像更改密码一样变更参考签名。签名认证按照签名的采集方式可以分为两类:在线签名认证和离线签名认证。其中在线签名认证可以综合利用签名的静态特征和较难模仿的动态特征,具有较好的认证效果。本文对在线手写签名的认证方法和应用进行了深入的研究,主要内容包括:(1)建立了基于F_Tablet的数据采集和处理平台,该F_Tablet设备不仅可以采集签名的字形序列(x,y),还可以获取签名的三维力信息序列(Fx,Fy,Fz)。基于该平台,采集并建立了签名数据库,并用该签名数据库开展了各种签名认证方法的实验研究。(2)从签名数据中提取了188个全局特征,这些特征中不仅包括多维力特征,也包括由此派生出来的字形特征。定义了特征重要性函数,对提取的特征进行重要性排序,选取那些有利于正确区分真伪签名的个性特征。对于选择出的个性特征,分别用基于支持向量机和基于隐马尔可夫模型的方法对签名进行验证,并将特征选择结果与用主分量分析和线性判别分析的测试结果进行比较,证明了该特征选择方法的有效性。此外,通过对大量签名的全局特征的观察,进一步提取了五个关键全局特征,利用这五个关键全局特征,可以实现非熟练伪签名的快速剔除。(3)提出了一种笔段分割方法。该方法通过综合检测签名的Fz方向压力的波谷点和字形的速度极小值点来实现。利用该方法将签名分段,并从每一笔段中提取签名的笔段特征。分别采用基于隐马尔可夫模型和基于串匹配的方法对签名的笔段信息进行了验证实验。实验结果表明,笔段特征可以有效地反映真伪签名之间的差别。(4)利用签名的力信息序列和字形信息序列,提出了一种基于改进的动态时间规整技术的签名验证方法,与普通的动态时间规整方法相比,错误率有明显的降低。将力信息序列和字形信息序列进行重采样后,利用基于主分量分析方法进行了签名验证实验。(5)综合签名的全局特征、笔段特征、力信息序列和字形信息序列,提出了基于多特征的在线签名验证方法,结果表明,多特征的融合可以有效地提高系统的性能,降低错误率。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 生物特征识别技术
• 1.1.1 生物特征识别技术的特点和分类
• 1.1.2 生物特征识别技术的应用领域
• 1.2 在线签名认证技术
• 1.2.1 签名认证简介
• 1.2.2 在线签名认证系统
• 1.2.3 在线签名认证的研究历史回顾
• 1.3 本文的内容安排
• 1.4 本文的主要创新点
• 第2章 在线签名数据的采集和预处理
• Tablet签名信息获取平台的结构和工作原理'>2.1 F_Tablet签名信息获取平台的结构和工作原理
• Tablet签名信息获取平台的结构'>2.1.1 F_Tablet签名信息获取平台的结构
• 2.1.2 手写签名的采集过程
• 2.1.3 字形信息的计算
• 2.1.4 速度等其它签名信息计算
• 2.2 签名数据库的建立
• 2.3 数据预处理
• 2.3.1 剔除噪声点
• 2.3.2 平滑
• 2.3.3 归一化
• 2.3.4 重采样
• 本章小结
• 第3章 基于全局特征的在线签名认证方法
• 3.1 全局特征的提取
• 3.2 特征重要性函数
• 3.2.1 平均值方差法
• 3.2.2 最大最小值法
• 3.3 动态阈值投票法
• 3.3.1 方法简介
• 3.3.2 测试结果
• 3.4 基于概率的方法
• 3.4.1 方法简介
• 3.4.2 测试结果
• 3.5 基于SVM的方法
• 3.5.1 理论背景
• 3.5.2 支持向量机原理
• 3.5.3 基于SVM的测试结果
• 3.6 基于PCA/LDA的方法
• 3.6.1 主分量分析（PCA）
• 3.6.2 线性判别分析（LDA）
• 3.6.3 基于PCA/LDA的测试结果
• 3.7 基于HMM的方法
• 3.7.1 隐马尔可夫模型简介
• 3.7.2 隐马尔可夫模型的基本算法
• 3.7.3 隐马尔可夫模型的结构类型
• 3.7.4 隐马尔可夫模型的应用
• 3.8 全局关键特征
• 3.8.1 全局关键特征的选择
• 3.8.2 全局关键特征的测试结果
• 本章小结
• 第4章 基于笔段特征的在线签名认证方法
• 4.1 签名的笔段划分
• 4.1.1 简介
• 4.1.2 笔段的划分方法
• 4.2 笔段特征的提取
• 4.3 基于串匹配的方法
• 4.3.1 串匹配的原理
• 4.3.2 笔段特征的应用
• 4.4 基于隐马尔可夫模型的方法
• 4.4.1 连续隐马尔可夫模型
• 4.4.2 基于连续HMM的签名认证
• 本章小结
• 第5章 基于力信息和字形信息的在线签名认证方法
• 5.1 基于动态时间规整的方法
• 5.1.1 动态时间规整（DTW）的原理
• 5.1.2 整体DTW
• 5.1.3 分段DTW
• 5.1.4 加权DTW
• 5.2 基于PCA/LDA的方法
• 5.2.1 PCA与LDA的应用
• 5.2.2 重采样方法的改进
• 本章小结
• 第6章 基于多特征的在线签名认证方法
• 6.1 生物特征技术的融合方法
• 6.1.1 传感器级别的融合
• 6.1.2 特征级别的融合
• 6.1.3 结果级的融合
• 6.1.4 决策级的融合
• 6.2 在线签名认证系统的融合
• 6.2.1 与决策系统
• 6.2.2 投票系统
• 6.3 在线签名认证系统
• 本章小结
• 第7章 结束语
• 7.1 工作总结
• 7.2 进一步工作
• 参考文献
• 致谢
• 在读期间发表的学术论文与取得的研究成果