CN106934362B - 基于动态特征分区的在线手写签名验证方法 - Google Patents
基于动态特征分区的在线手写签名验证方法 Download PDFInfo
- Publication number
- CN106934362B CN106934362B CN201710128731.8A CN201710128731A CN106934362B CN 106934362 B CN106934362 B CN 106934362B CN 201710128731 A CN201710128731 A CN 201710128731A CN 106934362 B CN106934362 B CN 106934362B
- Authority
- CN
- China
- Prior art keywords
- signature
- handwritten
- subregion
- value
- handwritten signature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/382—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/394—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于动态特征分区的在线手写签名验证方法。其实现步骤为:(1)预处理用户的手写签名;(2)确定基准签名;(3)选取最稳定特征;(4)对手写签名进行长度规整;(5)获取所有分区的所有手写签名与模板距离的均值、方差;(6)计算所有分区的所有手写签名的判别边界值(7)确定最稳定分区;(8)识别待验证者手写签名的真伪。本发明使用最稳定的特征对手写签名进行长度规整,使得本发明可以得到每个人的最佳验证结果。本发明采用将签名分区的方法,并根据每个人的书写习惯不同,动态选取最稳定的分区进行验证,提高了签名判断的准确率。
Description
技术领域
本发明属于计算机技术领域,更进一步涉及身份验证技术领域中的一种基于动态特征分区的在线手写签名验证的方法。本发明利用手写签名动态特征的稳定性不同的特性,提供了一种基于动态特征分区的在线手写签名验证方法。本发明即可配合签名采集设备作为计算机终端输入平台单独使用,又可自由接入本发明以外的应用系统,为其提供身份认证数据。本发明可使用手写板对签名进行采集,可广泛应用于身份认证类应用系统。
背景技术
随着计算机及网络技术的高速发展,个人身份认证的安全性、准确性越来越得到重视,传统的基于口令、IC卡等身份认证方式,有其固有的不足:口令容易被遗忘、泄漏、丢失或被人窃取,而IC卡容易丢失或被盗。与传统的身份认证方式相比,生物认证方式具有唯一、不能复制、不会丢失等特性。生物特征是指唯一的、可以测量、可自动识别、可验证的生理特征或行为方式,生物特征分为身体特征和行为特征两类。身体特征包括:指纹、虹膜、手掌静脉、掌型、视网膜、人体气味、人脸、手指静脉、DNA等;行为特征包括:签名、语音、行走步态等。相对于其它生物特征,手写签名认证具有易获取、应用所需设备价格低廉及高可接受性等优点。
云南大学在其提出的专利申请的文献“一种多重保险的身份认证方法”(专利申请号:201610072644.0,申请公布号:CN 105631272 A)中公开了一种多重保险的身份认证方法。该方法通过手写板采集到用户的签名图像,对签名图像特征进行提取,并进行特征选择,使用支持向量机分类器进行签名的分类,确定签名的真伪。该方法存在的不足之处在于,仅仅根据签名的形态特征进行签名的验证,没有考虑签名过程中的动态特征,导致签名认证结果不准确。
杭州晟元芯片技术有限公司在其拥有的专利技术“一种基于手写签名的身份认证方法及系统”(专利申请号:201210586604.X,授权公告号:CN 103023658 B)公开了一种基于手写签名的身份认证方法。该方法通过对采集到的手写签名进行预处理,并提取签名的特征,再在待测签名和样本签名之间找到一条优化的匹配路径,最后计算待测签名和样本签名的距离,如果计算出的距离小于阈值,则待测签名为真实签名,否则为伪造签名。该方法存在的不足之处在于,在待测签名和样本签名之间找最优匹配路径时,两个签名序列任意两点之间的距离是通过计算两点对应的特征向量之间的距离得到的。每个用户所使用的特征向量是由相同的特征组成的,但是每个用户的每个特征的稳定性是不同的,即使用不同的特征进行路径匹配的准确率是不同的,导致签名认证结果不准确。
全中华在其发表的论文“基于动态手写签名的身份认证研究”(中国科学技术大学博士学位论文.安徽.2007.04)提出了一种DTW与特殊点匹配相结合的改进的时间弯曲算法。该算法将签名用特殊点分段,然后用DTW方法对特殊点进行对齐,最后在对齐的签名段之间根据弧长重采样进行点对点的对齐。该方法存在的不足之处在于,在计算局部匹配距离时,不同的匹配路径赋予了相同的权重,使得真实手写签名与基准签名的匹配不准确,伪造手写签名和基准签名的匹配路径相差较小,增加了类内差异,减小了类间差异,导致签名认证结果不准确。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于动态特征分区的在线手写签名验证方法。
本发明实现的具体思路是:采集用户的手写签名,并对手写签名进行预处理。计算预处理后的手写签名特征,选取用户的基准签名。选取用户最稳定的特征。用最稳定的特征对手写签名进行长度规整,并生成模板。将基准签名按照速度方向角、速度、压力进行分区,得到基准签名的8个分区。在8个分区中选取最稳定的分区,确定最稳定分区的判别阈值。采集待验证者的手写签名,对待验证者的手写签名进行预处理。对待验证者的手写签名进行长度规整,计算待验证者的手写签名的判别边界,将待验证者的手写签名的判别边界小于最稳定分区阈值的手写签名确定为真实手写签名,否则为伪造手写签名。
本发明实现的具体步骤包括如下:
(1)预处理用户的手写签名:
(1a)在采集设备上在线输入用户的多个手写签名,对用户书写时的运动轨迹进行等时间间隔采样;
(1b)提取手写签名中每个点的坐标值和压力值;
(1c)计算手写签名中所有点的坐标值的均值;
(1d)利用预处理方法,对采集到的手写签名进行预处理;
(2)确定基准签名:
(2a)将与每个点相邻的前后两个点的坐标差与采集时间间隔的比,作为每个点的速度;将与每个点相邻的前后两个点的速度差与采集时间间隔的比,作为每个点的加速度;将每个点纵坐标方向的速度与横坐标方向的速度的夹角,作为每个点的速度方向角;
(2b)从用户的所有手写签名中任选一个手写签名,将所选手写签名中所有点的坐标值、压力值、速度、加速度、速度方向角的最大值、最小值、均值、方差,组成一个特征向量;
(2c)判断是否获得用户所有手写签名的特征向量,若是,则执行步骤(2d),否则,执行步骤(2b);
(2d)从用户的所有手写签名中任选一个手写签名,按照下式,计算所选手写签名的特征向量与用户其它手写签名的特征向量之间欧式距离的平均值:
其中,表示用户第i个手写签名的特征向量与其它手写签名的特征向量之间欧式距离的平均值,J表示手写签名的总数,∑表示求和操作,||·||表示求欧式距离操作,fi表示用户第i个手写签名的特征向量,fj表示用户第j个手写签名的特征向量;
(2e)判断是否获得用户所有手写签名的特征向量与其它手写签名的特征向量之间欧式距离的平均值,若是,得到所有的平均值,从平均值中选择最小的手写签名作为用户的基准签名,执行步骤(3),否则,执行步骤(2d);
(3)选取最稳定的特征:
(3a)从坐标值、压力值、速度、加速度、速度方向角对应的特征中任选一个特征,用所选的特征对用户的所有手写签名进行长度规整,得到所有手写签名的点数与基准签名的点数相等的结果;
(3b)从用户的基准签名中任选一个点,从坐标值、压力值、速度、加速度、速度方向角对应的特征中任选一个特征,根据下式,计算所选特征的值:
其中,表示模板第m个点第n个特征的值,表示第个手写签名第m个点第n个特征的值;
(3c)判断是否获得模板所有点的所有特征值,若是,则执行步骤(3d),否则,执行步骤(3b);
(3d)从用户的所有手写签名中任选一个手写签名,根据下式,计算所选签名与模板之间的距离:
其中,da表示用户第a个手写签名与模板之间的距离,K表示第a个手写签名点的总数,P表示坐标值、压力值、速度、加速度、速度方向角对应特征的总数,表示第a个手写签名的第k个点的从坐标值、压力值、速度、加速度、速度方向角对应特征中所选的第p个特征的值,表示模板对应点的对应特征的值;
(3e)判断是否获得用户所有手写签名与模板之间的距离,若是,则执行步骤(3f),否则,执行步骤(3d);
(3f)求所有手写签名与模板之间距离的均值和方差;
(3g)根据下式,计算所选特征的稳定性:
其中,wb表示所选特征的稳定性,u表示用户所有手写签名与模板之间距离的均值,σ表示用户所有手写签名与模板之间距离的方差;
(3h)判断是否获得用户所有手写签名特征的稳定性,若是,选择稳定性最小的特征作为最稳定的特征,执行步骤(4),否则,执行步骤(3a);
(4)对手写签名进行长度规整:
(4a)从用户的所有手写签名中任选一个手写签名,计算所选手写签名与基准签名任意两点的最稳定特征之间的欧式距离;
(4b)从所选手写签名中任选一点,从基准签名中任选一点,按照下式,计算所选手写签名的所选点与基准签名的所选点之间的匹配距离:
其中,D(β,γ)表示所选手写签名第β个点与基准签名第γ个点之间的匹配距离,d(β,γ)表示所选手写签名的第β个点与基准签名的第γ个点的最稳定特征之间的欧式距离,D(β-1,γ)表示所选手写签名第β-1个点与基准签名第γ个点之间的匹配距离,D(β-1,γ-1)表示所选手写签名第β-1个点与基准签名第γ-1个点之间的匹配距离,D(β-1,γ-2)表示所选手写签名第β-1个点与基准签名第γ-2个点之间的匹配距离;
(4c)判断是否获得所选手写签名的所有点与基准签名的所有点的匹配距离,若是,执行步骤(4d),否则,执行步骤(4b);
(4d)利用动态规整算法,确定所选手写签名与基准签名的匹配路径;
(4e)判断是否获得用户所有手写签名的匹配路径,若是,则执行步骤(4f),否则,执行步骤(4a);
(4f)求所有手写签名每个点的横纵坐标值的平均值,将该平均值作为模板对应点的坐标值;
(5)获取所有分区的所有手写签名与模板距离的均值、方差:
(5a)按照速度方向角、速度、压力三个动态特征对基准签名进行分区,得到基准签名的8个分区;
(5b)从基准签名的所有分区中任选一个分区,从用户的所有手写签名中任选一个手写签名,按照下式,计算所选手写签名在所选分区与模板分别在x,y方向的距离:
其中,分别表示第t个手写签名在分区s与模板在x,y方向的距离,Q表示分区s的点的总数,xs,t,q、ys,t,q分别表示第t个手写签名在分区s的第q个点的横纵坐标值,分别表示模板在分区s的第q个点的横纵坐标值;
(5c)判断是否获得所有手写签名在所选分区与模板的距离,若是,则执行步骤(5d),否则,执行步骤(5b);
(5d)计算所有手写签名在所选分区与模板距离的均值、方差;
(5e)判断是否获得所有分区的所有手写签名与模板距离的均值、方差,若是,则执行步骤(6),否则,执行步骤(5b);
(6)计算所有分区的所有手写签名的判别边界值:
(6a)从基准签名的所有分区中任选一个分区,从用户的所有手写签名中任选一个手写签名,按照判别边界公式,计算所选手写签名在所选分区的判别边界;
(6b)判断是否获得所有分区的所有手写签名的判别边界,若是,则执行步骤(7),否则,执行步骤(6a);
(7)确定最稳定分区:
(7a)从基准签名的所有分区中任选一个分区,计算所选分区的所有判别边界的均值和方差;
(7b)根据下式,计算所选分区的权重:
其中,wr表示所选分区r的权重,ur表示所选分区r的判别边界的均值,σr表示所选分区r的判别边界的方差;
(7c)判断是否获得用户所有分区的权重,若是,执行步骤(7d),否则,执行步骤(7a);
(7d)从所有权重中选择权重最小的分区作为最稳定分区;
(8)识别待验证者手写签名的真伪:
(8a)从最稳定分区的所有判别边界中选择最大的值,作为最稳定分区的阈值;
(8b)采集待验证者的手写签名,利用预处理方法,对待验证者的手写签名进行预处理;
(8c)采用步骤(4)的相同方法,对待验证者的手写签名进行长度规整;
(8d)采用步骤(5b)的相同方法,计算待验证者的手写签名在最稳定分区与模板的距离;
(8e)按照判别边界公式,计算待验证者的手写签名在最稳定分区的判别边界;
(8f)将待验证者的手写签名的判别边界小于最稳定分区阈值的手写签名确定为真实手写签名,否则为伪造手写签名。
与现有技术相比,本发明具有以下优点:
第一,本发明通过选取每个用户最稳定的特征,使用每个用户最稳定的特征对手写签名进行长度规整,克服了现有技术忽略了每个人手写签名的特征稳定性不同的缺点,使得本发明具有可以得到每个人的最佳验证结果的能力,进一步提高了签名判断的准确率。
第二,本发明采用将手写签名按照速度方向角、速度、压力分区的方法,为每个分区建立不同的判别条件,并根据每个用户的书写习惯,选择最稳定的分区进行签名的验证。综合考虑了签名过程中的形态特征和动态特征,使得本发明提高了每个分区签名验证的准确性,从而提高了最稳定分区验证的准确性。
第三,本发明在对书写签名进行长度规整时,不同的匹配路径赋予了不同的权重,使得真实手写签名与基准签名的匹配路径更加准确,伪造签名和基准签名的匹配路径相差更大,减小了类内差异,增加了类间差异,最终提高了手写签名验证的可靠性。
附图说明
图1是本发明的流程图;
图2是本发明的结构框图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1,对本发明实现的具体步骤做进一步的详细描述。
步骤1,预处理用户的手写签名。
在采集设备上在线输入用户的多个手写签名,对用户书写时的运动轨迹进行等时间间隔采样。
提取手写签名中每个点的坐标值和压力值。
提取手写签名中每个点的坐标值和压力值。
所述的计算手写签名中所有点的坐标值的均值的方法如下:
其中,分别表示手写签名中所有点的横纵坐标值的均值,x(e)、y(e)分别表示手写签名中第e个点的横纵坐标值,E表示手写签名中点的总数。
利用预处理方法,对采集到的手写签名进行预处理:
所述对手写签名进行预处理方法的步骤如下:
第1步,按照下式,对手写签名中每个点的坐标值进行位置归一化:
其中,x'(t)、y'(t)分别表示手写签名中每个点的坐标值位置归一化后的横纵坐标值。
第2步,按照下式,对手写签名中每个点的坐标值进行大小归一化:
其中,x'(t)、y'(t)分别表示对手写签名中每个点的坐标值进行大小归一化后的横纵坐标值,xmin、ymin分别表示手写签名中每个点的横纵坐标值的最小值,xmax、ymax分别表示手写签名中每个点的横纵坐标值的最大值。
第3步,按照下式,计算手写签名的阈值:
其中,表示第h个签名者第v个手写签名的压力的阈值,G表示第h个签名者第v个手写签名点的总数,表示第h个签名者第v个手写签名第g个点的压力。
第4步,去除手写签名中压力值小于阈值的点。
步骤2,确定基准签名。
(1)将与每个点相邻的前后两个点的坐标差与采集时间间隔的比,作为每个点的速度;将与每个点相邻的前后两个点的速度差与采集时间间隔的比,作为每个点的加速度;将每个点纵坐标方向的速度与横坐标方向的速度的夹角,作为每个点的速度方向角。
(2)从用户的所有手写签名中任选一个手写签名,将所选手写签名中所有点的坐标值、压力值、速度、加速度、速度方向角的最大值、最小值、均值、方差,组成一个特征向量。
(3)判断是否获得用户所有手写签名的特征向量,若是,则执行步骤(4),否则,执行步骤(2)。
(4)从用户的所有手写签名中任选一个手写签名,按照下式,计算所选手写签名的特征向量与用户其它手写签名的特征向量之间欧式距离的平均值:
其中,表示用户第i个手写签名的特征向量与其它手写签名的特征向量之间欧式距离的平均值,J表示手写签名的总数,∑表示求和操作,||·||表示求欧式距离操作,fi表示用户第i个手写签名的特征向量,fj表示用户第j个手写签名的特征向量。
(5)判断是否获得用户所有手写签名的特征向量与其它手写签名的特征向量之间欧式距离的平均值,若是,得到所有的平均值,从平均值中选择最小的手写签名作为用户的基准签名,执行步骤(3),否则,执行步骤(4)。
步骤3,选取最稳定的特征:
(1)从坐标值、压力值、速度、加速度、速度方向角对应的特征中任选一个特征,用所选的特征对用户的所有手写签名进行长度规整,得到所有手写签名的点数与基准签名的点数相等的结果。
(2)从用户的基准签名中任选一个点,从坐标值、压力值、速度、加速度、速度方向角对应的特征中任选一个特征,根据下式,计算所选特征的值:
其中,表示模板第m个点第n个特征的值,表示第个手写签名第m个点第n个特征的值。
(3)判断是否获得模板所有点的所有特征值,若是,则执行步骤(4),否则,执行步骤(2)。
(4)从用户的所有手写签名中任选一个手写签名,根据下式,计算所选签名与模板之间的距离:
其中,da表示用户第a个手写签名与模板之间的距离,K表示第a个手写签名点的总数,P表示坐标值、压力值、速度、加速度、速度方向角对应特征的总数,表示第a个手写签名的第k个点的从坐标值、压力值、速度、加速度、速度方向角对应特征中所选的第p个特征的值,表示模板对应点的对应特征的值。
(5)判断是否获得用户所有手写签名与模板之间的距离,若是,则执行步骤(6),否则,执行步骤(4)。
(6)求所有手写签名与模板之间距离的均值和方差。
(7)根据下式,计算所选特征的稳定性:
其中,wb表示所选特征的稳定性,u表示用户所有手写签名与模板之间距离的均值,σ表示用户所有手写签名与模板之间距离的方差。
(8)判断是否获得用户所有手写签名特征的稳定性,若是,选择稳定性最小的特征作为最稳定的特征,执行步骤(4),否则,执行步骤(1)。
步骤4,对手写签名进行长度规整。
(1)从用户的所有手写签名中任选一个手写签名,计算所选手写签名与基准签名任意两点的最稳定特征之间的欧式距离。
(2)从所选手写签名中任选一点,从基准签名中任选一点,按照下式,计算所选手写签名的所选点与基准签名的所选点之间的匹配距离:
其中,D(β,γ)表示所选手写签名第β个点与基准签名第γ个点之间的匹配距离,d(β,γ)表示所选手写签名的第β个点与基准签名的第γ个点的最稳定特征之间的欧式距离,D(β-1,γ)表示所选手写签名第β-1个点与基准签名第γ个点之间的匹配距离,D(β-1,γ-1)表示所选手写签名第β-1个点与基准签名第γ-1个点之间的匹配距离,D(β-1,γ-2)表示所选手写签名第β-1个点与基准签名第γ-2个点之间的匹配距离。
(3)判断是否获得所选手写签名的所有点与基准签名的所有点的匹配距离,若是,执行步骤(4),否则,执行步骤(2)。
(4)利用动态规整算法,确定所选手写签名与基准签名的匹配路径。
(5)判断是否获得用户所有手写签名的匹配路径,若是,则执行步骤(6),否则,执行步骤(1)。
(6)求所有手写签名每个点的横纵坐标值的平均值,将该平均值作为模板对应点的坐标值。
步骤5,获取所有分区的所有手写签名与模板距离的均值、方差。
(1)按照速度方向角、速度、压力三个动态特征对基准签名进行分区,得到基准签名的8个分区。
所述的按照速度方向角、速度、压力三个动态特征对基准签名进行分区的步骤是:将基准签名中速度方向角大于平均速度方向角的所有点,作为高于平均速度方向角的分区,速度方向角小于平均速度方向角的所有点作为低于平均速度方向角的分区;分别计算两个分区中所有点的平均速度、平均压力;将两个分区中速度大于平均速度的所有点作为高于平均速度的分区;速度小于平均速度的所有点作为低于平均速度的分区;压力大于平均压力的所有点作为高于平均压力的分区;压力小于平均压力的所有点作为低于平均压力的分区,得到基准签名的8个分区。
(2)从基准签名的所有分区中任选一个分区,从用户的所有手写签名中任选一个手写签名,按照下式,计算所选手写签名在所选分区与模板分别在x,y方向的距离:
其中,分别表示第t个手写签名在分区s与模板在x,y方向的距离,Q表示分区s的点的总数,xs,t,q、ys,t,q分别表示第t个手写签名在分区s的第q个点的横纵坐标值,分别表示模板在分区s的第q个点的横纵坐标值。
(3)判断是否获得所有手写签名在所选分区与模板的距离,若是,则执行步骤(4),否则,执行步骤(2)。
(4)计算所有手写签名在所选分区与模板距离的均值、方差。
(5)判断是否获得所有分区的所有手写签名与模板距离的均值、方差,若是,则执行步骤(6),否则,执行步骤(2)。
步骤6,计算所有分区的所有手写签名的判别边界值。
(1)从基准签名的所有分区中任选一个分区,从用户的所有手写签名中任选一个手写签名,按照判别边界公式,计算所选手写签名在所选分区的判别边界。
所述的判别边界公式如下:
其中,c表示第ω个手写签名在分区φ的判别边界,表示在分区φ的所有手写签名与模板分别在x,y方向距离的方差,表示第ω个手写签名在分区φ与模板分别在x,y方向的距离,表示在分区φ的所有手写签名与模板分别在x,y方向距离的均值。
(2)判断是否获得所有分区的所有手写签名的判别边界,若是,则执行步骤7,否则,执行步骤(1)。
步骤7,确定最稳定分区。
(1)从基准签名的所有分区中任选一个分区,计算所选分区的所有判别边界的均值和方差。
(2)根据下式,计算所选分区的权重:
其中,wr表示所选分区r的权重,ur表示所选分区r的判别边界的均值,σr表示所选分区r的判别边界的方差。
(3)判断是否获得用户所有分区的权重,若是,执行步骤(4),否则,执行步骤(1)。
(4)从所有权重中选择权重最小的分区作为最稳定分区。
步骤8,识别待验证者手写签名的真伪。
从最稳定分区的所有判别边界中选择最大的值,作为最稳定分区的阈值。
采集待验证者的手写签名,利用预处理方法,对待验证者的手写签名进行预处理。
所述对手写签名进行预处理方法的步骤如下:
第1步,按照下式,对手写签名中每个点的坐标值进行位置归一化:
其中,x'(t)、y'(t)分别表示手写签名中每个点的坐标值位置归一化后的横纵坐标值。
第2步,按照下式,对手写签名中每个点的坐标值进行大小归一化:
其中,x'(t)、y'(t)分别表示对手写签名中每个点的坐标值进行大小归一化后的横纵坐标值,xmin、ymin分别表示手写签名中每个点的横纵坐标值的最小值,xmax、ymax分别表示手写签名中每个点的横纵坐标值的最大值。
第3步,按照下式,计算手写签名的阈值:
其中,表示第h个签名者第v个手写签名的压力的阈值,G表示第h个签名者第v个手写签名点的总数,表示第h个签名者第v个手写签名第g个点的压力。
第4步,去除手写签名中压力值小于阈值的点。
采用步骤(4)的相同方法,对待验证者的手写签名进行长度规整。
采用步骤(5b)的相同方法,计算待验证者的手写签名在最稳定分区与模板的距离。
按照判别边界公式,计算待验证者的手写签名在最稳定分区的判别边界。
所述的判别边界公式如下:
其中,c表示第ω个手写签名在分区φ的判别边界,表示在分区φ的所有手写签名与模板分别在x,y方向距离的方差,表示第ω个手写签名在分区φ与模板分别在x,y方向的距离,表示在分区φ的所有手写签名与模板分别在x,y方向距离的均值。
将待验证者的手写签名的判别边界小于最稳定分区阈值的手写签名确定为真实手写签名,否则为伪造手写签名。
参照附图2,当用户首次登录时,用户通过书写自己的手写签名进行注册,系统进行相应的处理后,确定基准签名、模板、最稳定特征、最稳定分区以及其判别阈值等认证所需的数据,并将这些数据存入数据库中。当用户非首次登录时,用户通过手写板书写自己的签名,系统对签名进行预处理,并从数据库中获取认证所需的数据,计算签名的判别边界,如果签名的判别边界小于数据库中的判别阈值,签名为真实签名,签名认证成功,用户可进行进一步的访问。否则为伪造签名,签名认证失败,用户需要重新登录。
本发明通过计算用户每个动态特征的权重,根据特征稳定性公式计算特征的稳定性,选取用户最稳定的特征对签名进行长度规整,消除了特征间稳定性不同导致的误差,正确的对签名进行长度规整。根据签名过程中每一部分的稳定性不同,将签名按照速度方向角、速度、压力分区,每个分区分别建立相应的判别条件,选择真实签名之间差别较小,真实签名和伪造签名差别较大的分区作为最后进行签名验证的分区。并且长度规整时不同的匹配路径赋予不同的权重,减小了类内差异,增加了类间差异。本发明综合考虑了签名每个特征和每个分区的稳定性,因此,本发明可以有效地对签名进行长度规整和验证,提高了签名验证的准确率。
Claims (5)
1.一种基于动态特征分区的在线手写签名验证方法,包括以下步骤:
(1)预处理用户的手写签名:
(1a)在采集设备上在线输入用户的多个手写签名,对用户书写时的运动轨迹进行等时间间隔采样;
(1b)提取手写签名中每个点的坐标值和压力值;
(1c)计算手写签名中所有点的坐标值的均值;
(1d)利用预处理方法,对采集到的手写签名进行预处理;
(2)确定基准签名:
(2a)将与每个点相邻的前后两个点的坐标差与采集时间间隔的比,作为每个点的速度;将与每个点相邻的前后两个点的速度差与采集时间间隔的比,作为每个点的加速度;将每个点纵坐标方向的速度与横坐标方向的速度的夹角,作为每个点的速度方向角;
(2b)从用户的所有手写签名中任选一个手写签名,将所选手写签名中所有点的坐标值、压力值、速度、加速度、速度方向角的最大值、最小值、均值、方差,组成一个特征向量;
(2c)判断是否获得用户所有手写签名的特征向量,若是,则执行步骤(2d),否则,执行步骤(2b);
(2d)从用户的所有手写签名中任选一个手写签名,按照下式,计算所选手写签名的特征向量与用户其它手写签名的特征向量之间欧式距离的平均值:
其中,表示用户第i个手写签名的特征向量与其它手写签名的特征向量之间欧式距离的平均值,J表示手写签名的总数,∑表示求和操作,||·||表示求欧式距离操作,fi表示用户第i个手写签名的特征向量,fj表示用户第j个手写签名的特征向量;
(2e)判断是否获得用户所有手写签名的特征向量与其它手写签名的特征向量之间欧式距离的平均值,若是,得到所有的平均值,从平均值中选择最小的手写签名作为用户的基准签名,执行步骤(3),否则,执行步骤(2d);
(3)选取最稳定的特征:
(3a)从坐标值、压力值、速度、加速度、速度方向角对应的特征中任选一个特征,用所选的特征对用户的所有手写签名进行长度规整,得到所有手写签名的点数与基准签名的点数相等的结果;
(3b)从用户的基准签名中任选一个点,从坐标值、压力值、速度、加速度、速度方向角对应的特征中任选一个特征,根据下式,计算所选特征的值:
其中,表示模板第m个点第n个特征的值,表示第个手写签名第m个点第n个特征的值;
(3c)判断是否获得模板所有点的所有特征值,若是,则执行步骤(3d),否则,执行步骤(3b);
(3d)从用户的所有手写签名中任选一个手写签名,根据下式,计算所选签名与模板之间的距离:
其中,da表示用户第a个手写签名与模板之间的距离,K表示第a个手写签名点的总数,P表示坐标值、压力值、速度、加速度、速度方向角对应特征的总数,表示第a个手写签名的第k个点的从坐标值、压力值、速度、加速度、速度方向角对应特征中所选的第p个特征的值,表示模板对应点的对应特征的值;
(3e)判断是否获得用户所有手写签名与模板之间的距离,若是,则执行步骤(3f),否则,执行步骤(3d);
(3f)求所有手写签名与模板之间距离的均值和方差;
(3g)根据下式,计算所选特征的稳定性:
其中,wb表示所选特征的稳定性,u表示用户所有手写签名与模板之间距离的均值,σ表示用户所有手写签名与模板之间距离的方差;
(3h)判断是否获得用户所有手写签名特征的稳定性,若是,选择稳定性最小的特征作为最稳定的特征,执行步骤(4),否则,执行步骤(3a);
(4)对手写签名进行长度规整:
(4a)从用户的所有手写签名中任选一个手写签名,计算所选手写签名与基准签名任意两点的最稳定特征之间的欧式距离;
(4b)从所选手写签名中任选一点,从基准签名中任选一点,按照下式,计算所选手写签名的所选点与基准签名的所选点之间的匹配距离:
其中,D(β,γ)表示所选手写签名第β个点与基准签名第γ个点之间的匹配距离,d(β,γ)表示所选手写签名的第β个点与基准签名的第γ个点的最稳定特征之间的欧式距离,D(β-1,γ)表示所选手写签名第β-1个点与基准签名第γ个点之间的匹配距离,D(β-1,γ-1)表示所选手写签名第β-1个点与基准签名第γ-1个点之间的匹配距离,D(β-1,γ-2)表示所选手写签名第β-1个点与基准签名第γ-2个点之间的匹配距离;
(4c)判断是否获得所选手写签名的所有点与基准签名的所有点的匹配距离,若是,执行步骤(4d),否则,执行步骤(4b);
(4d)利用动态规整算法,确定所选手写签名与基准签名的匹配路径;
(4e)判断是否获得用户所有手写签名的匹配路径,若是,则执行步骤(4f),否则,执行步骤(4a);
(4f)求所有手写签名每个点的横纵坐标值的平均值,将该平均值作为模板对应点的坐标值;
(5)获取所有分区的所有手写签名与模板距离的均值、方差:
(5a)按照速度方向角、速度、压力三个动态特征对基准签名进行分区,得到基准签名的8个分区;
(5b)从基准签名的所有分区中任选一个分区,从用户的所有手写签名中任选一个手写签名,按照下式,计算所选手写签名在所选分区与模板分别在x,y方向的距离:
其中,分别表示第t个手写签名在分区s与模板在x,y方向的距离,Q表示分区s的点的总数,xs,t,q、ys,t,q分别表示第t个手写签名在分区s的第q个点的横纵坐标值,分别表示模板在分区s的第q个点的横纵坐标值;
(5c)判断是否获得所有手写签名在所选分区与模板的距离,若是,则执行步骤(5d),否则,执行步骤(5b);
(5d)计算所有手写签名在所选分区与模板距离的均值、方差;
(5e)判断是否获得所有分区的所有手写签名与模板距离的均值、方差,若是,则执行步骤(6),否则,执行步骤(5b);
(6)计算所有分区的所有手写签名的判别边界值:
(6a)从基准签名的所有分区中任选一个分区,从用户的所有手写签名中任选一个手写签名,按照判别边界公式,计算所选手写签名在所选分区的判别边界;
(6b)判断是否获得所有分区的所有手写签名的判别边界,若是,则执行步骤(7),否则,执行步骤(6a);
(7)确定最稳定分区:
(7a)从基准签名的所有分区中任选一个分区,计算所选分区的所有判别边界的均值和方差;
(7b)根据下式,计算所选分区的权重:
其中,wr表示所选分区r的权重,ur表示所选分区r的判别边界的均值,σr表示所选分区r的判别边界的方差;
(7c)判断是否获得用户所有分区的权重,若是,执行步骤(7d),否则,执行步骤(7a);
(7d)从所有权重中选择权重最小的分区作为最稳定分区;
(8)识别待验证者手写签名的真伪:
(8a)从最稳定分区的所有判别边界中选择最大的值,作为最稳定分区的阈值;
(8b)采集待验证者的手写签名,利用预处理方法,对待验证者的手写签名进行预处理;
(8c)采用步骤(4)的相同方法,对待验证者的手写签名进行长度规整;
(8d)采用步骤(5b)的相同方法,计算待验证者的手写签名在最稳定分区与模板的距离;
(8e)按照判别边界公式,计算待验证者的手写签名在最稳定分区的判别边界;
(8f)将待验证者的手写签名的判别边界小于最稳定分区阈值的手写签名确定为真实手写签名,否则为伪造手写签名。
2.根据权利要求1所述的基于动态特征分区的在线手写签名验证方法,其特征在于,步骤(1c)所述的计算手写签名中所有点的坐标值的均值的方法如下:
其中,分别表示手写签名中所有点的横纵坐标值的均值,x(e)、y(e)分别表示手写签名中第e个点的横纵坐标值,E表示手写签名中点的总数。
3.根据权利要求1所述的基于动态特征分区的在线手写签名验证方法,其特征在于,步骤(1d)、步骤(8b)中所述对手写签名进行预处理方法的步骤如下:
第1步,按照下式,对手写签名中每个点的坐标值进行位置归一化:
其中,x'(t)、y'(t)分别表示手写签名中每个点的坐标值位置归一化后的横纵坐标值;
第2步,按照下式,对手写签名中每个点的坐标值进行大小归一化:
其中,x'(t)、y'(t)分别表示对手写签名中每个点的坐标值进行大小归一化后的横纵坐标值,xmin、ymin分别表示手写签名中每个点的横纵坐标值的最小值,xmax、ymax分别表示手写签名中每个点的横纵坐标值的最大值;
第3步,按照下式,计算手写签名的阈值:
其中,表示第h个签名者第v个手写签名的压力的阈值,G表示第h个签名者第v个手写签名点的总数,表示第h个签名者第v个手写签名第g个点的压力;
第4步,去除手写签名中压力值小于阈值的点。
4.根据权利要求1所述的基于动态特征分区的在线手写签名验证方法,其特征在于,步骤(5a)所述的按照速度方向角、速度、压力三个动态特征对基准签名进行分区的步骤是:将基准签名中速度方向角大于平均速度方向角的所有点,作为高于平均速度方向角的分区,速度方向角小于平均速度方向角的所有点作为低于平均速度方向角的分区;分别计算两个分区中所有点的平均速度、平均压力;将两个分区中速度大于平均速度的所有点作为高于平均速度的分区;速度小于平均速度的所有点作为低于平均速度的分区;压力大于平均压力的所有点作为高于平均压力的分区;压力小于平均压力的所有点作为低于平均压力的分区,得到基准签名的8个分区。
5.根据权利要求1所述的基于动态特征分区的在线手写签名验证方法,其特征在于,步骤(6a)、步骤(8e)所述的判别边界公式如下:
其中,c表示第ω个手写签名在分区φ的判别边界,表示在分区φ的所有手写签名与模板分别在x,y方向距离的方差,表示第ω个手写签名在分区φ与模板分别在x,y方向的距离,表示在分区φ的所有手写签名与模板分别在x,y方向距离的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128731.8A CN106934362B (zh) | 2017-03-06 | 2017-03-06 | 基于动态特征分区的在线手写签名验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128731.8A CN106934362B (zh) | 2017-03-06 | 2017-03-06 | 基于动态特征分区的在线手写签名验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934362A CN106934362A (zh) | 2017-07-07 |
CN106934362B true CN106934362B (zh) | 2019-10-11 |
Family
ID=59423358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710128731.8A Active CN106934362B (zh) | 2017-03-06 | 2017-03-06 | 基于动态特征分区的在线手写签名验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934362B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145778A (zh) * | 2018-08-01 | 2019-01-04 | 上海市数字证书认证中心有限公司 | 身份认证方法、装置及识别终端 |
FR3094106B1 (fr) | 2019-03-21 | 2021-12-10 | Inst Mines Telecom | Procédé de vérification d’identité ou d’identification utilisant des signatures manuscrites apposées sur un capteur numérique |
CN111950333B (zh) * | 2019-05-17 | 2022-06-28 | 重庆傲雄在线信息技术有限公司 | 一种基于神经网络电子手写签名识别的方法 |
CN110286663B (zh) * | 2019-06-28 | 2021-05-25 | 云南中烟工业有限责任公司 | 基于区域性的卷烟物理指标标准化生产的提升方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1445723A (zh) * | 2002-03-19 | 2003-10-01 | 株式会社富士通基本软件技术 | 手写签名认证程序、方法和装置 |
CN103023658A (zh) * | 2012-12-28 | 2013-04-03 | 杭州晟元芯片技术有限公司 | 一种基于手写签名的身份认证方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013086414A1 (en) * | 2011-12-07 | 2013-06-13 | Visa International Service Association | Method and system for signature capture |
-
2017
- 2017-03-06 CN CN201710128731.8A patent/CN106934362B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1445723A (zh) * | 2002-03-19 | 2003-10-01 | 株式会社富士通基本软件技术 | 手写签名认证程序、方法和装置 |
CN103023658A (zh) * | 2012-12-28 | 2013-04-03 | 杭州晟元芯片技术有限公司 | 一种基于手写签名的身份认证方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106934362A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guerra-Casanova et al. | Authentication in mobile devices through hand gesture recognition | |
Bailador et al. | Analysis of pattern recognition techniques for in-air signature biometrics | |
CN106934362B (zh) | 基于动态特征分区的在线手写签名验证方法 | |
US11244035B2 (en) | Apparatus and methods for biometric verification | |
Sarhan et al. | Multimodal biometric systems: a comparative study | |
Muaaz et al. | Influence of different walking speeds and surfaces on accelerometer-based biometric gait recognition | |
Qin et al. | A fuzzy authentication system based on neural network learning and extreme value statistics | |
Karnan et al. | Bio password—keystroke dynamic approach to secure mobile devices | |
CN109657528A (zh) | 指纹识别方法以及使用指纹识别方法的电子装置 | |
Kholmatov et al. | Biometric authentication using online signatures | |
Sudarvizhi et al. | A review on continuous authentication using multimodal biometrics | |
Sujithra et al. | Next generation biometric security system: An approach for mobile device security | |
Casanova et al. | A real-time in-air signature biometric technique using a mobile device embedding an accelerometer | |
Al-Naffakh | A comprehensive evaluation of feature selection for gait recognition using smartwatches | |
Johnson et al. | Predicting large population data cumulative match characteristic performance from small population data | |
Khandelwal et al. | Review paper on applications of principal component analysis in multimodal biometrics system | |
Gurrala | Online signature verification techniques | |
Choudhary et al. | Online signature verification using the information set based models | |
Prathiba et al. | Online handwritten signature verification system: A Review | |
JP2002140709A (ja) | ペン入力個人認識方法 | |
Putz-Leszczyńska | Signature verification: A comprehensive study of the hidden signature method | |
Soltane et al. | State of the Art: Signature Biometrics Verification | |
Guerra-Casanova et al. | A sequence alignment approach applied to a mobile authentication technique based on gestures | |
Keit et al. | Signature Verification System using Pen Pressure for Internet and E-Commerce Application | |
Gupta | Off-line signature verification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |