CN103218624A - 基于生物特征的识别方法及装置 - Google Patents

Abstract

本发明涉及一种基于生物特征识别方法及装置，该方法提出一种采用小波包多层分解特征参数以生成新的频率特征量，因小波系数有较大的差异，信号在各分解节点的能量既能反映信号在各频段的能量分布，又具有平移不变性，使得该频率特征量可以高度反映用户特征，提高用户签名识别率；且进一步提出将指纹特征和手写签名特征进行融合，在用户签名的同时采集其指纹信息，利用指纹识别率高，弥补手写签名识别率低的问题。相应的，本发明装置采用在握笔端嵌有指纹采集模块的手写笔，在用户签名的同时便可采集其指纹信息，即同一个动作可以采集两种信息。依上述思路研究出的指纹和手写签名融合的生物特征识别系统具有识别率高、可接受性强。

Description

基于生物特征的识别方法及装置

技术领域

本发明涉及一种识别方法及装置，尤其涉及一种基于生物特征识别方法及装置。

背景技术

生物特征识别是指通过计算机将人体所固有的生理特征或行为特征收集并处理，从而进行个人身份鉴定的技术。人的生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为后天形成。生理和行为特征统称为生物特征，常见的生物特征包括指纹、掌纹、虹膜、脸相、声音、签名、步态、击键等。从实际操作的角度来说，一种合适的生物特征通常包括：可被精确地测量、采集速度快、公众可以接受、较高的可信度、比对速度快、较好的防伪性、可以接受的存储设备要求等。目前尚没有一种技术能够全面地达到最优，但是可以根据不同的应用要求选取合适的技术，或是将不同的技术相互融合来提高识别效率。

指纹识别作为识别技术已经有很长的历史了，指纹的稳定性、惟一性已获得公认。指纹识别技术的特征分析包括指纹的全局特征和局部特征，如脊、谷、终点、分叉点或分歧点等特征点的位置、类型、数目、方向等，其复杂度可提供用于鉴别的足够特征。但是，目前指纹识别的核心技术仍然存在许多尚未解决的难题，尤其是残缺、污损指纹图像的识别的鲁棒性、适应性方面不能令人满意；某些人或某些群体的指纹特征很少，难以成像；留在传感器上的指纹存在被盗取复制的可能性等。

签名作为身份认证的手段也已经使用了几百年，在经常涉及到的签订合同、办理公证、提取款项、订立协议、处理单据等日常社会活动中，签名都是必不可少的程序，具有相应的法律效力，是文书真实性、有效性的证明。将签名过程数字化是指，测量图像本身以及整个签名的动作在每个字符以及字符之间的不同的速度、顺序、压力和笔旋转角度等特征，通过这些特征对真伪签名进行鉴别，从而确认签名人的身份。但是，签名识别也同样存在一定难点：签名是一个随时间渐变的过程，同一人的签名会随年龄的增长而改变；书写所用的工具、所处环境、签名者的心理、生理状态等都直接对签名产生重要影响；鉴别可用的样本比较少，且伪样本难以获取等。

基于指纹和手写签名识别技术的优劣之处可知，尽管某种生物特征识别有其固有的优点，但其广泛使用也受到众多的限制。为了提高识别系统的性能，需要进行多生物特征信息融合，以减少单一生物特征识别带来的一些实际问题。

发明内容

为了实现可接受性强、识别率高的生物特征识别系统，本发明提供了一种基于指纹和手写签名融合的生物特征识别方法。

在采集到某用户指纹图像信息和手写签名动态过程数据的基础上，对指纹图像和手写签名数据进行预处理和特征提取。

对于采集到的指纹图像信息，由于受到各种外在以及内在环境条件的影响，使得采集到的指纹图像质量不高，导致伪特征点的出现，因此需对图像进行预处理，包括指纹图像的滤波、二值化操作以及图像的细化处理三个方面，通过剔除指纹图像中的噪声信息，获取有价值的指纹图像。首先，确定指纹图像的中心点，以该中心点为参考圆心点将指纹图像划分为若干个同心圆，再把每个同心圆切割成若干个等同大小的扇区，然后，将这些扇区通过具有不同方向的Gabor滤波器进行滤波处理，从而可以从经过滤波处理过的扇区内提取指纹图像特征，并将这些提取的指纹图像特征组成一个定长的指纹特征向量。

对于采集到的手写签名数据，由于采集设备自身噪声和数字化过程存在的误差，使得手写签名数据信息夹杂一些噪声，需要采用高斯函数进行滤波处理。还须对手写签名进行归一化，通过签名的形心来对签名进行校正。手写签名特征包括结构特征和动态特征，基于结构的手写签名特征如高宽比等，基于动态的手写签名特征如压力、速度、加速度等特征。本发明所使用的手写签名参数特征包括：采样的总时间、高宽比、X方向的标准差、Y方向的标准差、压力的标准差、旋转角的标准差、倾斜角的标准差、X方向平均速度、Y方向平均速度、平均压力、平均前斜角、平均旋转角、小波提取的压力能量、小波提取的旋转角能量以及小波提取的倾斜角能量，这些特征组成一个定长的手写签名特征向量。

将提取的指纹特征向量和手写签名特征向量重新组合形成一个新的生物特征向量，利用主元分析方法对融合了指纹特征和手写签名特征的向量进行降维处理，根据降维后的新的特征向量对指纹和手写签名融合样本进行识别。对于真实用户的样本，提取其特征向量作为该用户模板。通过提取某样本特征向量，把待识别的样本与用户模板进行匹配，并计算出它们的相似程度大小，然后根据一定的阈值条件，最终决定待识别的用户的真伪。

本发明技术方案如下：

一种基于生物特征的识别方法，其特征在于，包括以下步骤：

步骤1：提取生物特征，该生物特征包括签名特征的小波分解能量

值；

步骤2：进行生物特征同模板的比对，得出识别结果。

进一步，所述签名特征包括压力、旋转角和倾斜角。

进一步，所述签名特征还包括采样的总时间、高宽比、X方向的标准差、Y方向的标准差、压力的标准差、旋转角的标准差、倾斜角的标准差、X方向平均速度、Y方向平均速度、平均压力、平均前斜角和平均旋转角。

进一步，所述签名特征的提取包括对签名图像进行归一化处理。

进一步，所述生物特征还包括指纹特征。

进一步，所述指纹特征处理包括以下步骤：

步骤1.1:对指纹图像进行高斯滤波，并以最大值确定参考点；

步骤1.2：根据参考点对指纹图像进行分割，并作Garbor滤波，获得灰度特征。

进一步，所述方法中还进一步对生物特征进行降维处理。

进一步，所述降维处理采用了主成分分析算法。

进一步，所述识别采用了动态时间规整算法。

一种用以实现前述基于生物特征的识别方法的装置，其特征在于，包括一手写笔和设置在手写笔握笔位置的指纹传感器，及一手写板和设置在手写板上的速度、压力多功能传感器。

本发明的有益效果在于，本发明方法提出一种采用小波包多层分解特征参数以生成新的频率特征量，因小波系数有较大的差异，信号在各分解节点的能量既能反映信号在各频段的能量分布，又具有平移不变性，使得该频率特征量可以高度反映用户特征，提高用户签名识别率；且进一步提出将指纹特征和手写签名特征进行融合，在用户签名的同时采集其指纹信息，利用指纹识别率高，弥补手写签名识别率低的问题。相应的，本发明装置采用在握笔端嵌有指纹采集模块的手写笔，在用户签名的同时便可采集其指纹信息，即同一个动作可以采集两种信息。依上述思路研究出的指纹和手写签名融合的生物特征识别系统具有识别率高、可接受性强等优势，可广泛应用于各个领域。

附图说明

图1是本发明基于生物特征识别方法的流程图；

图2是本发明生物特征的采集装置；

图3是采集到的指纹图像示例；

图4是采集到的签名图像示例；

图5是小波包分解结构图示例。

具体实施方式

请参阅图2，为本发明的生物特征采集装置，包括手写笔1和设置在手写笔1手指（拇指或食指）握笔位置的传感器2，该传感器2为指纹传感器，及手写板3（图中未标识），手写板3上设置有压力、速度等多功能传感器4（图中未标识）。用户在握笔签字的同时，指纹信息及签名相关信息通过指纹传感器2和多功能传感器4被同时录入，无需用户执行指纹输入和手写签名两个动作，完成指纹图像和手写签名动态过程数据的获取。

请参阅图1为本发明的基于生物特征识别方法的流程图，包括以下步骤：

步骤1：对采集到的指纹图像进行特征提取。

步骤1.1：确定指纹图像的定位参考点。

请参阅图2，为采集到的指纹图像示例。

利用指纹纹线的对称性质，根据纹线的方向分布，设计与参考点相匹配的滤波器，将滤波器通过二维卷积作用于用梯度表示的方向场图像上。与参考点匹配的滤波器如下：

h＝(x+iy)g(x，y)

其中，

是一个高斯函数，(x,y)表示高斯窗口中的点，x,y方向的梯度分别用f_x，f_y表示。复杂方向场图像为z(x，y)＝2(d_x+if_y)²。

滤波结果为：

R(x，y)＝||[(x+iy)g(x，y)]×z(x，y)||

指纹图像中的每个像素点对高斯函数滤波器反应强度的大小可以用该像素点对应的值R(x，y)表示，因此，原始指纹图像的参考点就可以根据R(x，y)的大小确定，即原始指纹图像的参考点就是R(x，y)值最大的像素点。

步骤1.2：对指纹图像进行切割。

在定位好参考点之后，为这个点选取8个方向，水平方向为l，按逆时针方向依次为l至8，每个方向夹角为22.5°。然后以这个点为圆心，将指纹图像分成几个同心圆的区域，将每一个同心圆分割成8个扇形区域。

设图像大小为M×N，某个像素点(x，y)的灰度值为I(x，y)，指纹的参考点为(x_c，y_c)，扇形区域S_i可以如下计算：

S_i＝{(x，y),r,θ|b(T_i+1)≤r＜r(T_i+2)},θ_i≤θ＜θ_i+1,1≤x≤M,1≤y≤N}

T_i＝i/k

${\mathrm{\θ}}_i=\left(i\mathrm{mod}k\right)\×\left(\frac{2\mathrm{\π}}{k}\right)$

$r=\sqrt{{\left({x-x}_c\right)}^2+{\left({y-y}_c\right)}^2}$

${\mathrm{\θ}=\tan }^{-1}\left(\frac{{y-y}_c}{{x-x}_c}\right)$

计算时，B代表同心环的数目；r表示像素点(x，y)与参考点的距离，b表示同心环的宽度；k表示每个同心环被划分成扇区的数目，i=0，1，…，(B×k-1)；θ表示偏离图像x轴的角度，表征了Gabor滤波的处理方向。

步骤1.3：对指纹图像进行归一化处理。

图像归一化的目的是将指纹图像的灰度变化调整到一个统一的范围，使后续处理具有相同的基准。令Mi和Vi分别表示扇形区域Si的灰度均值和方差；M₀和V₀表示预定的均值和方差，常用取值为M₀=V₀=100。

$N_i=\left\{\begin{array}{c}{M}_0+\sqrt{\frac{V_0{+\left(I(x,y){-M}_i\right)}^2}{V_i}},I(x,y)>M_i\\ M_0-\sqrt{\frac{V_0+{(I(x,y)-M_i)}^2}{V_i}},I(x,y)\≤M_i\end{array}\right.$

步骤1.4：对指纹图像进行Gabor滤波。

二维Gabor滤波器的定义为：

$G(x,y,f,\mathrm{\θ})=\exp \{-\frac{1}{2}[\frac{x^{{\′}^2}}{{\mathrm{\δ}}_{x^{\′}}^2}+\frac{y^{{\′}^2}}{{\mathrm{\δ}}_{y^{\′}}^2}\left]\right\}\cos \left(2\mathrm{\π}{\mathrm{fx}}^{\′}\right)$

其中：x′＝xsinθ+ycosθ;y′＝xcosθ-ysinθ；θ是滤波器的方向因子；f表示指纹纹线在θ角度上频率度参数，定义为平均脊线宽度λ的倒数；δ_x’和δ_y’分别表示高斯函数在x′和y′轴上的标准差。根据经验值，取f=1/10，δ_x’=δ_y’=4.0，θ∈{0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°}。通常，4方向{0°，45°，90°，135°}的Gabor滤波可以提取指纹的全局特征；8方向的Gabor滤波还能提取指纹的局部脊线特征。

步骤1.5：对指纹特征进行提取。

一个像素的灰度值为F_iθ(x，y)，其中i∈{0，1，…,(B×k-1)}，取B=4，k=8，θ∈{0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°}。这样，该环形区域的特征V_iθ可以表示为：

$V_{\mathrm{i\θ}}=\frac{1}{\mathrm{ni}}\left({\mathrm{\Σ}}_{\mathrm{ni}}\right||F_{\mathrm{i\θ}}(x,y)-M_{\mathrm{i\θ}}|\left|\right)$

其中，ni表示环形区域Si内的像素数目；M_iθ表示区域S_i内像素灰度值的均值。由于对指纹图像进行一个方向的Gabor滤波，就可以从滤波后的图像中提取32个特征，故总共8个方向指纹图像的Gabor滤波，可从滤波后的图像中提取8×32=256个特征。

步骤2：对采集到的签名图像进行特征提取。

步骤2.1：对签名数据进行归一化处理。

请参阅图3，为采集到的签名数据的示例。签名位置归一化处理是在二维空间内进行的，可以根据同一标准在各维内分别进行。位置归一化是平移波形，而保持点与点之间相对位置不变，这样的做法便于观察和特征提取计算。

步骤2.2：对签名数据进行特征提取。

本发明所使用的手写签名参数特征如下：采样的总时间、高宽比、X方向的标准差、Y方向的标准差、压力的标准差、旋转角的标准差、倾斜角的标准差、X方向平均速度、Y方向平均速度、平均压力、平均前斜角、平均旋转角、小波提取的压力能量、小波提取的旋转角能量以及小波提取的倾斜角能量，共36个特征。

手写签名的位置、速度、旋转角度、压力以及倾斜角度等签名特征信息可以直接从手写签名数据中得到，即手写签名的横纵坐标位置x(t)，y(t)的时间序列、手写签名的压力p(t)时间序列、手写签名的旋转角度az(t)时间序列，手写签名的倾斜角度al(t)时间序列；另外一些函数特征如平均速度、平均压力、平均前斜角、平均旋转角、小波提取的压力能量、小波提取的旋转角能量以及小波提取的倾斜角能量必须通过各自的计算公式求得。

手写签名纵坐标的最大值用y_max表示，纵坐标的最小值用y_min表示；横坐标的最大值用x_max表示，横坐标的最小值用x_min表示。高度用h表示，宽度用w表示。手写签名的总时间用T表示。第i个采样点纵坐标方向的速度用ν_yi表示，第i个采样点横坐标方向的速度用ν_xi表示，采样点总数用N表示。手写签名的第i个采样点压力用P_i表示，第i个采样点旋转角用az_i表示，第i个采样点倾斜角用al_i表示。

具体计算如下：

手写签名的高度计算公式为：

h=y_max-y_min

手写签名的宽度计算公式为：

w=x_max-x_min

手写签名的高宽比计算公式为：

R_hw=h/w

手写签名的时间与签名宽度比计算公式为：

R_Tw=T/w

手写签名的X方向平均速度计算公式为：

${\stackrel{\‾}{v}}_x=\left(\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{v}_{\mathrm{xi}}\right)/N$

手写签名的Y方向平均速度计算公式为：

${\stackrel{\‾}{v}}_y=\left(\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{v}_{\mathrm{yi}}\right)/N$

手写签名的X方向最大速度计算公式为：

v_{x_max}=max(v_xi),1≤i≤N

手写签名的Y方向最大速度计算公式为：

v_{y_max}=max(v_yi),1≤i≤N

手写签名的X方向速度标准差计算公式为：

$v_{x\_\mathrm{\σ}}=\sqrt{\frac{\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{v}_{\mathrm{xi}}-{\stackrel{\‾}{v}}_x}{N-1}}$

手写签名的Y方向速度标准差计算公式为：

$v_{y\_\mathrm{\σ}}=\sqrt{\frac{\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{v}_{\mathrm{yi}}-{\stackrel{\‾}{v}}_y}{N-1}}$

手写签名的最大压力计算公式为：

P_max=max(P_i),1≤i≤N

手写签名的平均压力计算公式为：

$\stackrel{\‾}{P}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i/N$

手写签名的压力标准差计算公式为：

$P_{\_\mathrm{\σ}}=\sqrt{\frac{\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{P}_i-\stackrel{\‾}{P}}{N-1}}$

手写签名的平均旋转角计算公式为：

$\stackrel{\‾}{a}z=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{az}}_i/N$

手写签名的旋转角标准差计算公式为：

${\mathrm{az}}_{\_\mathrm{\σ}}=\sqrt{\frac{\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{az}}_i-\stackrel{\‾}{a}z}{N-1}}$

手写签名的平均倾斜角计算公式为：

$\stackrel{\‾}{a}l=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{al}}_i/N$

手写签名的倾斜角标准差计算公式为：

${\mathrm{al}}_{\_\mathrm{\σ}}=\sqrt{\frac{\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{al}}_i-\stackrel{\‾}{a}l}{N-1}}$

小波包分解具有多分辨率的特点，本发明进行三层小波包分解，以获取信号在不同频带内的能量，其分解结构如图5所示，其中(0,0)表示原始信号，(k,0)表示小波包分解的第k层的低频系数X_k0，(k,j)表示小波包分解的第k层的高频系数X_kj,(k=1,2,3;j=1,…,2^k-1)。

小波包系数不具有平移不变性，对于同一个人在不同时刻的签名，它们的小波包系数有较大的差异，而信号在各分解节点的能量既能反映信号在各频段的能量分布，又具有平移不变性。设小波包分解后第k层第j个频带的重构信号S_kj对应的信号能量为E_kj，则有

$E_{\mathrm{kj}}={|\∫S_{\mathrm{kj}}\left(t\right)|}^2\mathrm{dt}=\underset{m=i}{\overset{n}{\mathrm{\Σ}}}{\left|x_{\mathrm{jm}}\right|}^2$

其中，n表示数据长度；k表示小波包分解层次；j=0,1,…,2^k-1表示第k层分解频带的序号；x_jm表示重构信号S_kj离散点的幅值。

小波包分解提取的能量特征向量T为：

$T=[T_1,T_2,\·\·\·T_K],T_k=[T_{k0},E_{k1},\·\·\·E_{k{2}^k-1}]$

分别对手写签名压力序列、旋转角序列以及倾斜角序列进行三层小波包分解，获得相应的能量特征T_P、T_az、T_al（均为8维特征向量）。

步骤3：将指纹特征与手写签名特征进行直接融合形成生物特征。

将步骤1.5和步骤2.2提取的指纹特征和手写签名特征组合形成一个新的生物特征向量。根据步骤1.5和步骤2.2可知，提取的指纹图像特征是256个，手写签名的特征是36个，直接融合后，特征为292个，这些特征组成一个新的生物特征向量。

步骤4:对融合后的生物特征向量基于PCA降维处理的特征级融合。

由于指纹和手写签名的特征向量相互独立，因此可以将它们的特征重新组成一个新的生物特征向量，从而可以表示一个人的身份特征。但是，上述指纹和手写签名的特征一共有292个，这样直接组成的新生物特征向量维数就会不断增高，大大增加计算的复杂度，也降低了融合识别的识别性能。因此主成分分析算法（Principal Component Analysis，PCA）对指纹和手写签名的特征进行降维处理，从指纹和手写签名混合的特征中提取出有用的特征、删除冗余的信息。

对于维数为p维的特征向量，根据具体处理的对象确定被保留的主成分个数r，一般来说，可以通过以下方法求得：

（1）利用方差的大小确定

例如，当D(z_j)=λ_j<0.01时，则剔除相应的主成分zj。

（2）根据累计方差贡献率确定

例如： ${\mathrm{\&eta;}}_m=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k/\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\&GreaterEqual;85\%,$ 并且， ${\mathrm{\&eta;}}_{m-1}=\underset{k=1}{\overset{m-1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k/\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\&GreaterEqual;85\%.$ 则剔除第m个之后的主成分。

（3）根据

的确定

一般来说，均值方差

的大小有关，因此，确定主成分r时需要满足

步骤5:进行模板匹配及阈值的确定。

为了提高识别效率，使用一种匹配模板确定方法，即选取5个用户真实样本，分别提取特征，通过两两相减的绝对值之和对比的方法，找出5个样本中同列特征的最大最小特征值，从5个样本中找出最大的特征可以组成一个新的特征向量，即每列最大特征值组成的向量；同样，从5个样本中找出最小的特征可以组成一个新的特征向量，即每列最小特征值组成的向量。从而，把新的最小特征组成的向量作为匹配模板。

由于用户容易受到内在和外在因素的影响，造成个人指纹和手写签名产生一定的波动，例如即使同一个人同一时间段内连续的两个手写签名也会有所不同，因此采用动态时间规整（DTW，Dynamic Time Warping）算法，其根据参考序列的长度，设法使未知量的长度与参考序列的长度相一致的方法，在对未知量的处理过程中，为了使未知量的长度与参考序列的长度相一致，需要不均匀地对未知量的时间轴进行弯折或扭曲。

生物特征模板序列的时序标号用i表示，待识别的样本特征序列标号用j表示。生物特征模板序列和待识别样本特征序列的长度分别用I,J表示。搜索一条生物特征模板序列和待识别样本特征序列匹配最佳路径f。

动态时间规整函数的映射用f:c(1,1),…c(i(k),j(k))…,c(I,J)表示，并且动态时间规整函数满足的公式如下：

$D(R,T)=\min \frac{\underset{k=1}{\overset{k}{\mathrm{\&Sigma;}}}d\left[c\left(k\right)\right]\&times;w\left(k\right)}{\underset{k=1}{\overset{k}{\mathrm{\&Sigma;}}}w\left(k\right)}$

上述公式中，采用动态时间规整函数对生物特征模板序列和待识别样本特征序列进行匹配的距离用D(R,T)表示，第i帧生物特征模板矢量和第j帧待识别矢量之间映射关系用c(k)=c(i(k),j(k))表示，第i帧生物特征模板矢量和第j帧待识别样本矢量之间的距离测度用d[c(k)]表示，距离加权系数用w(k)表示。可以根据下述公式进行计算：

$g(i,j)=\min \begin{array}{}\left\{\begin{array}{c}g(i-1,j)+d(i,j)\\ g(i-1,j-1)+2d(i,j)\\ g(i,j-1),d(i,j)\end{array}\right.\end{array}$

结合上述公式再根据下面的公式可以求得D(R,T)的值。

$D(R,T)=\frac{1}{I+J}{g}_k\left[c(I,J)\right]$

根据上述算法，可求取生物特征模板序列和待识别样本特征序列的距离，当距离大于阈值时，该样本判定为“真”，当距离小于阈值时，该样本判定为“伪”。

本发明的技术特征并不局限于此，凡相关技术领域的人士在参照本发明的技术内容后，所能轻易思及的等效变化，均应不脱离本发明的保护范畴。

Claims (10)

1.一种基于生物特征的识别方法，其特征在于，包括以下步骤：

步骤1：提取生物特征，该生物特征包括签名特征的小波分解能量值；

步骤2：进行生物特征同模板的比对，得出识别结果。

2.如权利要求1所述的基于生物特征的识别方法，其特征在于，所述签名特征包括压力、旋转角和倾斜角。

3.如权利要求1所述的基于生物特征的识别方法，其特征在于，所述签名特征还包括采样的总时间、高宽比、X方向的标准差、Y方向的标准差、压力的标准差、旋转角的标准差、倾斜角的标准差、X方向平均速度、Y方向平均速度、平均压力、平均前斜角和平均旋转角。

4.如权利要求1、2或3所述的基于生物特征的识别方法，其特征在于，所述签名特征的提取包括对签名图像进行归一化处理。

5.如权利要求1所述的基于生物特征的识别方法，其特征在于，所述生物特征还包括指纹特征。

6.如权利要求5所述的基于生物特征的识别方法，其特征在于，所述指纹特征处理包括以下步骤：

步骤1.1:对指纹图像进行高斯滤波，并以最大值确定参考点；

步骤1.2：根据参考点对指纹图像进行分割，并作Garbor滤波，获得灰度特征。

7.如权利要求1所述的基于生物特征的识别方法，其特征在于，所述方法中还进一步对生物特征进行降维处理。

8.如权利要求7所述的基于生物特征的识别方法，其特征在于，所述降维处理采用了主成分分析算法。

9.如权利要求1所述的基于生物特征的识别方法，其特征在于，所述识别采用了动态时间规整算法。

10.一种用以实现如权利要求1所述基于生物特征的识别方法的装置，其特征在于，包括一手写笔和设置在手写笔握笔位置的指纹传感器，及一手写板和设置在手写板上的速度、压力多功能传感器。

Images