CN108416249A - 一种书写笔迹鉴别系统及方法 - Google Patents

Abstract

本发明公开了一种书写笔迹鉴别方法，首先采集书写者写字时包括运笔力度、走笔速度和笔迹轨迹等生成运笔力度曲线和/或走笔速度曲线，笔迹识别单元通过对笔尖运行轨迹的识别区分出笔画类别，根据笔画类别对得到的运笔力度曲线和/或走笔速度曲线进行分类，提取其最可以区别于他人的特征值，该得到的特征值可以作为特征值模板存储至存储模块，也可以作为比对特征值发送至特征值比对模块用于与特征值模板进行比对。在此笔迹鉴别方法中可以采集运笔力度和/或走笔速度和/或生成运笔力度曲线和/或走笔速度曲线对其进行分析，由于运笔速度和走笔力度均为肉眼不可见的书写特征，他人无法模仿，故而任选或均选都可期防止他人模仿，提高鉴别准确性的作用。

Description

一种书写笔迹鉴别系统及方法

技术领域

本发明涉及一种鉴别系统及方法，尤其涉及一种书写笔迹鉴别系统及方法。

背景技术

书写笔迹由于个人书写习惯的不同而具有较高的独特性，书写笔迹鉴别则可以判断笔迹是否出自同一人之手。目前的笔迹鉴别是通过对字的整体和其笔迹的形状来进行鉴别的，即人们通过观察书写的字体和笔迹的形状及特点来判断两组字是否为同一人书写。这种笔迹鉴别方法是对于可见性特征的鉴别，例如分析字体、字形，分析笔画的转折和间距，其通常是使用图像识别算法来进行字迹鉴别。然而，这种笔迹鉴别方法也存在一些缺点，因为书写的字体形状和组成字体的笔迹形状是肉眼可见的，人们可以通过学习模仿来仿照他人的字体，这便导致这种传统的鉴别方式难以鉴别甚至不能鉴别。而在计算机领域内，则可以通过复制粘贴的方式伪造签名，这更致使了签名无法通过图像识别算法来正确鉴别。对此，我们需要一种针对不可见的笔迹特定进行鉴别的新的笔迹鉴别方法。

发明内容

本发明提供了一种书写笔迹鉴别系统及方法，旨在解决目前笔迹鉴别基于可见可笔迹特定进行鉴别，容易被他人学习模仿，导致鉴别结果不准确的问题，提供一种针对不可见的笔迹特点进行鉴定的书写笔迹鉴定系统及方法。

本发明所述一种书写笔迹鉴别系统，包括：

书写采集模块，采集书写者写字时笔迹轨迹、运笔力度和/或走笔速度信息，生成运笔力度曲线和/或走笔速度曲线并将其发送至特征值采集模块；

特征值采集模块，根据区别要素提取运笔力度曲线和/或走笔速度曲线的区别特征生成特征值，判断特征值类别，比对特征值发送至特征值比对模块，模板特征值发送至存储模块；

存储模块，保存接收到的模板特征值，发送模板特征值至特征值比对模块；

特征值对比模块，接收特征值采集模块发送的比对特征值和存储模块发送的模板特征值，根据比对要素对模板特征值和比对特征值进行比较，判断是否为同一人书写。

本发明所述一种书写笔迹鉴别系统，通过书写采集模块采集书写者写字时包括运笔力度、走笔速度和笔迹轨迹等信息，生成运笔力度曲线和/或走笔速度曲线，笔迹识别单元通过对笔尖运行轨迹的识别区分出笔画类别，根据笔画类别对得到的运笔力度曲线和/或走笔速度曲线进行分类，提取其最可以区别于他人的特征值，该得到的特征值可以作为特征值模板存储至存储模块，也可以作为比对特征值发送至特征值比对模块用于与特征值模板进行比对。在此笔迹鉴别系统中可以仅采集运笔力度生成运笔力度曲线对其进行分析，也可以仅采集走笔速度生成走笔速度曲线对其进行分析，由于运笔速度和走笔力度均为肉眼不可见的书写特征，他人无法模仿，故而任选其中一种都可以防止他人模仿，提高鉴别准确性的作用。然而，更优地是同时采集运笔力度和走笔速度，对运笔力度曲线和走笔速度曲线都进行分析则增加了笔迹鉴别时的分析内容，可表征笔迹不同的特征也随之增多，减少巧合及误差对鉴别结果的影响，更可以提高鉴别的准确性。并且，这里提取的特征值可以是根据机器学习通过大量数据学习归纳出笔迹比对时区分不同人签名的区分要素，特征值采集模块根据得到的区分要素对相关参数进行特征值提取，也可以预先设定区分要素，例如以曲线极点个数作为设定的区分要素，提取相应的特征值;同样，比对要素可预先设定，也可以是根据机器学习通过大量数据学习归纳出特征值比对要素；优选的，通过机器学习装置确定区分要素和比对要素，由于具有广泛的学习基础，从而能更准确地区分比对笔迹是否为同一人。在提取特征值时，特征值采集模块需先对笔画进行区分，并根据笔画类别将对应的运笔力度曲线和/或走笔速度曲线进行归类，通过对各个类别的曲线进行分析可生成更为准确的特征值。究其原因在于，对笔迹进行归类后在再进行分析，该类别中的曲线样本量更为丰富，包括更多处在不同位置或不同长短的同类笔画，能够更为准确的提取到笔迹特征，减少特异性笔画（即某一笔书写异常）带来的错误。该种笔迹鉴别系统主要针对的是运笔力度、走笔速度等肉眼不可见的书写特点，他人无法学习模仿，即便是直接复制他人签名，由于该种笔迹鉴别系统不是使用图像识别算法来进行字迹鉴别，直接复制的签名没有运笔曲线、走笔速度和笔迹轨迹，复制签名不可能通过该笔迹鉴别系统的鉴别，被认定为同一书写者，该种笔迹鉴别系统解决了目前笔迹鉴别基于可见特征的建议易被人模仿盗用的问题，实现了一种基于不可见书写特征的笔迹鉴别系统，即便他人模仿了书写的字体，笔画间距和笔画转折，但是并不清楚运笔力度和走笔速度，无法模仿本系统用于鉴别的书写特征，故而，该种书写笔迹鉴别系统基本杜绝了试图通过模仿笔迹通过鉴别的可能，提供了一种较之现有的笔迹鉴别更为安全可靠的书写笔迹鉴别系统。

一种书写笔迹鉴别方法，包括以下步骤：

S1，采集书写者写字时笔迹轨迹、运笔力度和/或走笔速度信息，生成运笔力度曲线和/或走笔速度曲线并将其发送至特征值采集模块；

S2，根据区别要素提取运笔力度曲线和/或走笔速度曲线的区别特征生成特征值，判断特征值类别，如为模板特征值则进入步骤S3，如为比对特征值在进入步骤S4；

S3，保存接收到的模板特征值至存储模块；

S4，接收比对特征值，调用模块特征值，根据比对要素对模板特征值和比对特征值进行比较，判断是否为同一人书写。

本发明所述一种书写笔迹鉴别方法，首先采集书写者写字时包括运笔力度、走笔速度和笔迹轨迹等信息，生成运笔力度曲线和/或走笔速度曲线，通过对笔尖运行轨迹的识别区分出笔画类别，根据笔画类别对得到的运笔力度曲线和/或走笔速度曲线进行分类，提取其最可以区别于他人的特征值，该得到的特征值可以作为特征值模板存储至存储模块，也可以作为比对特征值发送至特征值比对模块用于与特征值模板进行比对。在此笔迹鉴别方法中可以仅采集运笔力度生成运笔力度曲线对其进行分析，也可以仅采集走笔速度生成走笔速度曲线对其进行分析，由于运笔速度和走笔力度均为肉眼不可见的书写特征，他人无法模仿，故而任选其中一种都可以防止他人模仿，提高鉴别准确性的作用。然而，更优地是同时采集运笔力度和走笔速度，对运笔力度曲线和走笔速度曲线都进行分析则增加了笔迹鉴别时的分析内容，可表征笔迹不同的特征也随之增多，减少巧合及误差对鉴别结果的影响，更可以提高鉴别的准确性。并且，这里提取的特征值可以是通过机器学习步骤对大量数据学习归纳出笔迹比对时区分不同人签名的区分要素，特征值采集模块根据得到的区分要素对相关参数进行特征值提取，也可以预先设定区分要素，例如以曲线极点个数作为设定的区分要素，提取相应的特征值;同样，比对要素可预先设定，也可以是根据机器学习通过大量数据学习归纳出特征值比对要素；优选的，在比对进行前完成机器学习步骤，通过机器学习装置确定区分要素和比对要素，由于具有广泛的学习基础，从而能更准确地区分比对笔迹是否为同一人。在提取特征值时，需先对笔画进行区分，并根据笔画类别将对应的运笔力度曲线和/或走笔速度曲线进行归类，通过对各个类别的曲线进行分析可生成更为准确的特征值。究其原因在于，对笔迹进行归类后在再进行分析，该类别中的曲线样本量更为丰富，包括更多处在不同位置或不同长短的同类笔画，能够更为准确的提取到笔迹特征，减少特异性笔画（即某一笔书写异常）带来的错误。该种笔迹鉴别方法主要针对的是运笔力度、走笔速度等肉眼不可见的书写特点，他人无法学习模仿，即便是直接复制他人签名，由于该种笔迹鉴别方法不是使用图像识别算法来进行字迹鉴别，直接复制的签名没有运笔曲线、走笔速度和笔迹轨迹，复制签名不可能通过该笔迹鉴别系统的鉴别，被认定为同一书写者，该种笔迹鉴别方法解决了目前笔迹鉴别基于可见特征的建议易被人模仿盗用的问题，实现了一种基于不可见书写特征的笔迹鉴别方法，即便他人模仿了书写的字体，笔画间距和笔画转折，但是并不清楚运笔力度和走笔速度，无法模仿本方法用于鉴别的书写特征，故而，该种书写笔迹鉴别系统基本杜绝了试图通过模仿笔迹通过鉴别的可能，提供了一种较之现有的笔迹鉴别更为安全可靠的书写笔迹鉴别系统。

附图说明

图1为一种书写笔迹鉴别系统的系统框图1；

图2为一种书写笔迹鉴别系统的系统框图2；

图3为一种书写笔迹鉴别方法的流程框图。

具体实施方式

如图1所示，一种书写笔迹鉴别系统，包括：书写采集模块，采集书写者写字时笔迹轨迹、运笔力度和/或走笔速度信息，生成运笔力度曲线和/或走笔速度曲线并将其发送至特征值采集模块；特征值采集模块，根据区别要素提取运笔力度曲线和/或走笔速度曲线的区别特征生成特征值，判断特征值类别，比对特征值发送至特征值比对模块，模板特征值发送至存储模块；存储模块，保存接收到的模板特征值，发送模板特征值至特征值比对模块；特征值对比模块，接收特征值采集模块发送的比对特征值和存储模块发送的模板特征值，根据比对要素对模板特征值和比对特征值进行比较，判断是否为同一人书写；所述特征值采集模块包括，笔迹识别单元，根据接收到的笔迹轨迹信息识别笔画种类，得到的笔画种类信息与笔力度曲线和/走笔速度曲线一同发送至曲线归类单元；曲线归类单元，接收笔画种类信息与笔力度曲线和/走笔速度曲线，将属于相同笔画种类信息的笔力度曲线和/走笔速度曲线作为同一类曲线发送至特征值生成单元；特征值生成单元，接收每类笔力度曲线和/走笔速度曲线根据区别要素提取其区别特征生成特征值，将特征值发送至处理单元；处理单元，判断特征值类别，比对特征值发送至特征值比对模块，模板特征值发送至存储模块。本系统采集书写者写字时包括运笔力度和/或走笔速度、笔迹轨迹等生成运笔力度曲线和/或走笔速度曲线，笔迹识别单元通过对笔尖运行轨迹的识别区分出笔画类别，根据笔画类别对得到的运笔力度曲线和/或走笔速度曲线进行分类，提取其最可以区别于他人的特征值，该得到的特征值可以作为特征值模板存储至存储模块，也可以作为比对特征值发送至特征值比对模块用于与特征值模板进行比对。由于运笔力度曲线和/或走笔力度本经过以笔画类别为依据的归类，通过对各个类别的曲线进行分析生成的特征值涉及的样本量更为丰富，包括更多处在不同位置或不同长短的同类笔画，能够更为准确的提取到笔迹特征，减少特异性笔画（即某一笔书写异常）带来的错误，故而由此生成特征值可以更为准确的辨别出书写特征。更优选的是同时对运笔笔力和走笔速度进行分析，得到的特征值包括更为多元的比对特征，较之仅比较运笔笔力或走笔速度的特征值，更能准确表征书写特征，在比对时更能得到准确的鉴别结果。

前述的处理单元只要是可以实现判断接收的特征值是需要作为特征值模板保存还是需要作为特征值比对功能的单元即可，此处仅简单介绍两种实施方式。其一，在此处理单元中设置模式切换器，该模式切换器分为录入模式和比对模式，用户可以切换该模式切换器的模式，处于录入模式是则是书写者在进行笔迹特征值的录入，得到的特征值需作为特征值模板发送至存储模块，如果处于比对模式，则需要作为比对的特征值发送至特征值比对模块进行比对。其二，可以在此处理单元中设置比较器，比较器比对得到的特征值在存储模块中是否有存储，如果没有存储则作为特征值模块保存，如果有存储则作为比对特征值发送至特征值比对模块进行比对。

该种书写笔迹鉴别系统所述的所述书写采集模块包括，采集单元，采集书写轨迹、运笔力度和/或走笔速度信息；控制单元，定时读取采集单元的数据，根据采集数据生成运笔力度曲线和/或走笔速度曲线。其中控制单元包括，采样器，接收处理器发出的采样命令并发送采样请求至采集单元，接收采集单元发送的书写时间值、书写力度值和/或书写距离值，将同一采样请求得到的书写时间值、书写力度值和/或书写距离值作为一组书写信息发送至处理器；处理器，发出采样命令至采样器，接收采样器反馈的每一组书写信息，生成运笔力度曲线和/或走笔速度曲线。所述采集单元可采用电磁式触摸屏,电磁式触摸屏的电磁笔为讯号发射端，其书写屏下铺设的天线板为讯号接收端，可根据天线接收感应的磁通量存在变化可得到书写者书写笔尖位置，其位置变化可以得到书写的轨迹及书写速度；而根据天线接收感应的磁通量变化的曲线可得到书写者书写时的运笔力度曲线。所述采集单元可采用传统的多触点电容或电阻式触摸屏，配置特殊的软头笔尖的触控笔，可根据触摸屏感应到笔尖位置，其位置变化可以得到书写的轨迹及书写速度；而根据感应到的笔尖接触面积可得到书写者书写时的运笔力度。所述采集单元还可以可采用压力传感器，压力传感器可在书写屏上，也可在书写笔上，检测书写时运笔力度。所述采集单元也可采用如光电传感器等可实现相关功能的其它方式，运笔用力不同，感应的光强度就不同或光斑面积不同。

书写笔迹鉴别系统的一种实施方式如下，采集模块仅采集运笔力度信息，生成时间-力度曲线，采用压力传感器作为书写采集模块的采集单元，控制处理电路作为处理单元。该控制处理电路可以包括采样器，接收处理器发出的采样命令并发送采样请求至压力传感器和书写计时器，接收压力传感器和书写计时器发送的书写力度值和书写时间值，将同一采样请求得到的书写力度值和书写时间值作为一组发送至处理器；处理器，发出采样命令至采样器，接收采样器反馈的每一组书写力度值和书写时间值，生成时间-力度曲线作为运笔力度曲线。该运笔力度曲线以书写时间为横轴，书写力度为纵轴，书写者每次从落笔到提笔过程中在不同时间的不同力度均可以用该曲线表征。压力传感器直接检测书写力度，记录每一笔的书写力度使其具有相对应的运笔力度曲线表征，笔迹识别单元通过对轨迹的识别区分笔画种类，例如横、竖、撇、捺，曲线归类单元将属于同一种笔画的运笔力度曲线归为同一类，特征值生成单元根据区别要素生成特征值。本实施例中选择区别要素为每类运笔力度曲线的横坐标差和纵坐标差，而曲线的单调性和极点的特征为特征值。由于笔画长短不同，故而不同笔画落笔位置和提笔位置间的时间间距不同，而在运笔过程中的最大力度和最小力度差也不尽相同。将落笔位置和提笔位置间的时间间距作为比对曲线的横轴，每一距离值对应的力度差作为纵轴生成比对曲线，曲线的单调性和极点的特征作为特征值，在比对模板特征值和比对特征值即为将不同的比对曲线进行比对，可通过比对曲线的单调性和极点的特征来确定特征值是否相同，由此判断是否为同一人书写。

书写笔迹鉴别系统的另一种实施方式如下，采集模块仅采集运笔力度信息，生成距离-力度曲线，采用传统的多触点电容或电阻式触摸屏作为书写采集模块的采集单元，配置特殊的软头笔尖的触控笔，可根据触摸屏感应到笔尖位置，其位置变化可以得到书写的轨迹并根据感应到的笔尖接触面积可得到书写者书写时的运笔力度。屏幕控制处理电路作为处理单元可包括，采样器，接收处理器发出的采样命令并发送采样请求至多触点电容或电阻式触摸屏，接收多触点电容或电阻式触摸屏发送的书写力度值和书写距离值，将同一采样请求得到的书写力度值和书写距离值作为一组发送至处理器；处理器，发出采样命令至采样器，接收采样器反馈的每一组书写力度值和书写距离值，生成距离-力度曲线作为运笔力度曲线。该运笔力度曲线以书写距离为横轴，书写力度为纵轴，书写者每次从落笔到提笔过程中在不同位置的不同力度均可以用该曲线表征。每一笔的书写力度都有相对应的运笔力度曲线表征，笔迹识别单元通过对轨迹的识别区分笔画种类，例如横、竖、撇、捺，曲线归类单元将属于同一种笔画的运笔力度曲线归为同一类，特征值生成单元根据区别要素生成特征值。本实施例中选择区别要素为每类运笔力度曲线的横坐标差和纵坐标差，将区别要素以对比曲线的形式表现，则该曲线的单调性和极点的特征为特征值。由于笔画长短不同，故而不同笔画落笔和提笔的距离差不同，而在运笔过程中的最大力度和最小力度差也不尽相同。将落笔和提笔的距离差作为比对曲线的横轴，每一距离差对应的力度差作为纵轴生成比对曲线，在比对模板特征值和比对特征值即为将不同的比对曲线进行比对，可通过比对曲线的单调性和极点的特征来确定特征值是否相同，由此判断是否为同一人书写。

书写笔迹鉴别系统的第三种实施方式如下，采集模块仅采集走笔速度信息，生成时间-速度曲线，依旧采用传统的多触点电容或电阻式触摸屏作为书写采集模块的采集单元；但其作为处理单元的屏幕控制处理电路可包括，采样器，接收处理器发出的采样命令并发送采样请求至多触点电容或电阻式触摸屏，接收多触点电容或电阻式触摸屏发送的书写时间值和书写距离值，将同一采样请求得到的书写时间值和书写距离值作为一组发送至处理器；处理器，发出采样命令至采样器，接收采样器反馈的每一组书写时间值和书写距离值，计算相邻采样组的平均速度，生成时间-速度曲线作为走笔曲线。每一笔的走笔都有相对应的走笔速度曲线表征，笔迹识别单元通过对轨迹的识别区分笔画种类，例如横、竖、撇、捺，曲线归类单元将属于同一种笔画的走笔速度曲线归为同一类，特征值生成单元根据区别要素生成特征值。本实施例中选择区别要素为每类走笔速度曲线的横坐标差和纵坐标差，将区别要素以对比曲线的形式表现，则该曲线的单调性和极点的特征为特征值。由于笔画长短不同，故而不同笔画落笔和提笔的时间差不同，而在运笔过程中的最大速度和最小速度差也不尽相同。将落笔和提笔的时间差作为比对曲线的横轴，每一时间差对应的速度差作为纵轴生成比对曲线，在比对模板特征值和比对特征值即为将不同的比对曲线进行比对，可通过比对曲线的单调性和极点的特征来确定特征值是否相同，由此判断是否为同一人书写。

书写笔迹鉴别系统的第四种实施方式如下，采集模块仅采集运笔力度信息和走笔速度信息，生成时间-力度曲线和时间-速度曲线。传统的多触点电容或电阻式触摸屏可以作为书写采集模块的采集单元，但本实施例中选择带电磁式触摸屏的书写屏作为书写采集模块的采集单元,屏幕控制处理电路作为书写采集模块的处理单元。本实施例中，电磁式触摸屏的电磁笔为讯号发射端，其书写屏（书写板或液晶屏）下铺设的天线板为讯号接收端；根据天线板接收感应的磁通量存在变化可得到书写者书写笔尖位置，其位置变化可以得到书写的轨迹及书写速度；而根据天线接收感应的磁通量大小可得到书写者书写时的运笔力度大小。控制处理线路每隔一定时间（如5毫秒）读取一次电磁式触摸屏的数据，包括天线板接收感应的磁通量存在变化的位置和磁通量的大小；磁通量存在变化的位置即为读取数据时书写笔尖位置坐标，磁通量的大小即为读取数据时运笔力度的相对值。控制处理线路根据连续采集数据，如：从开始的采集点没有磁通量变化数据，从某一次开始存在有磁通量的变化，从而得知书写某一笔的落笔（某一笔划开始）；从开始的采集点有磁通量变化数据，从某一次开始磁通量变化消失，从而得知书写某一笔的抬笔（某一笔划结束）；从落笔到抬笔之间每次采集的磁通量存在变化的位置的坐标，可得知笔尖运行轨迹，该轨迹即为书写笔划；从落笔到抬笔之间每次采集的磁通量的大小，可得知每个采集时间点运笔的相对力度，若以时间为横轴，运笔相对力度为纵轴，便可得到书写者书写时的运笔力度-时间曲线；从落笔到抬笔之间每次采集的磁通量存在变化的位置的坐标，可得知每次采集两点间的距离，将该距离除以两次采集之间间隔时间（如5毫秒），可计算出书写走笔在该两点间的速度，若以时间为横轴，运笔走笔速度为纵轴，便可得到书写者书写时的走笔速度-时间曲线。同时对运笔笔力和走笔速度进行分析，得到的特征值包括更为多元的比对特征，较之仅比较运笔笔力或走笔速度的特征值，更能准确表征书写特征，在比对时更能得到准确的鉴别结果。

前述实施方式中区别要素均由设计者选定，所选定的区别要素并不一定可以准确表征笔迹鉴定区别，为了选择可以准确表征笔迹区别的区别要素，可以通过例如机器学习装置分析得到区别要素，特征值生成单元根据分析得到的区别要素生成特征值。如图2所示，该种书写笔迹鉴别系统还包括机器学习装置，归纳整理出笔迹比对时区分不同人签名的区分要素，将区分要素发送至特征值采集模块供其依据区分要素提取特征值。

同理，为了得到更为准确的比对结果，比对要素也可以通过机器学习装置分析得出。如图2所示，该种书写笔迹鉴别系统还包括机器学习装置，归纳整理出笔迹比对时比对不同人签名的比对要素，将比对要素发送至特征值比对模块供其依据比对要素比对接收到的特征值与特征值模板。

在机器学习装置使用的前期，可以采集1000人各100笔签名，共100000笔签名数据（笔尖运行轨迹坐标和运笔力度曲线），将该100000笔签名数据传送给机器学习装置，并标明该100000笔签名的每一笔签名分别是哪个人的签名，将100000笔签名分成1000组。机器学习装置通过这些数据学习归纳出区分不同人签名的区分方法和区分要素。在之后的应用中，书写者首次签名时，将书写采集模块采集的签名数据传送给机器学习装置，机器学习装置将根据前期学习归纳的区分不同人签名的区分要素，提取该签名的相关要素生成特征值模板，保存到存储模块。其后书写者再次签名时，书写采集模块将采集的签名数据传送给机器学习装置，机器学习装置将根据前期学习归纳的区分不同人签名的区分要素，提取该签名的相关要素生成比对特征值，将其与之前保存到存储模块中的特征值模板，按前期机器学习装置学习归纳出区分不同人签名的区分方法进行比对，判断是否为同一人签名。由于，机器学习装置通过对前期1000人各100笔签名，共100000笔签名数据的深度学习，其签名识别准确率已达到99.7%。随着后期使用的人越来越多，机器学习的数据量将越来越庞大，其识别的准确率会越来越高。

为了更准确的比对书写笔迹的特征，前述的机器学习装置可以，归纳整理出笔迹比对时比对不同人签名的区分要素和比对要素，将区分要素发送至特征值采集模块供其依据区分要素提取特征值，将比对要素发送至特征值比对模块供其依据比对要素比对接收到的特征值与特征值模板。机器学习装置使用的前期采集分析大量不同签名，通过这些数据学习归纳出比对不同人签名的区分要素和比对要素。在之后的应用中，书写采集模块将采集的签名数据传送给机器学习装置，机器学习装置将根据前期学习归纳的区分不同人签名的区分要素，提取该签名的相关要素生成比对特征值，将其与之前保存到存储模块中的特征值模板，机器学习装置再将根据前期学习归纳的区分不同人签名的比对要素，将其与之前保存到存储模块中的特征值模板进行比对，按前期机器学习装置学习归纳出比对不同人签名的比对方法进行比对，判断是否为同一人签名。

如图3所示，一种书写笔迹鉴别方法，包括以下步骤：S1，采集书写者写字时笔迹轨迹、运笔力度和/或走笔速度信息，生成运笔力度曲线和/或走笔速度曲线并将其发送至特征值采集模块；S2，根据区别要素提取运笔力度曲线和/或走笔速度曲线的区别特征生成特征值，判断特征值类别，如为模板特征值则进入步骤S3，如为比对特征值在进入步骤S4；S3，保存接收到的模板特征值至存储模块；S4，接收比对特征值，调用模块特征值，根据比对要素对模板特征值和比对特征值进行比较，判断是否为同一人书写；所述步骤S2包括以下步骤，S21，根据接收到的笔迹轨迹信息识别笔画种类，得到的笔画种类信息与笔力度曲线和/走笔速度曲线一同发送至曲线归类单元；S22，接收笔画种类信息与笔力度曲线和/走笔速度曲线，将属于相同笔画种类信息的笔力度曲线和/走笔速度曲线作为同一类曲线发送至特征值生成单元；S23，接收每类笔力度曲线和/走笔速度曲线根据区别要素提取其区别特征生成特征值，将特征值发送至处理单元；S24，判断特征值类别，比对特征值发送至特征值比对模块，模板特征值发送至存储模块。先采集书写者写字时包括运笔力度和/或走笔速度、笔迹轨迹等生成运笔力度曲线和/或走笔速度曲线，笔迹识别单元通过对笔尖运行轨迹的识别区分出笔画类别，根据笔画类别对得到的运笔力度曲线和/或走笔速度曲线进行分类，提取其最可以区别于他人的特征值，该得到的特征值可以作为特征值模板存储至存储模块，也可以作为比对特征值发送至特征值比对模块用于与特征值模板进行比对。由于运笔力度曲线和/或走笔力度本经过以笔画类别为依据的归类，通过对各个类别的曲线进行分析生成的特征值涉及的样本量更为丰富，包括更多处在不同位置或不同长短的同类笔画，能够更为准确的提取到笔迹特征，减少特异性笔画（即某一笔书写异常）带来的错误，故而由此生成特征值可以更为准确的辨别出书写特征。更优选的是同时对运笔笔力和走笔速度进行分析，得到的特征值包括更为多元的比对特征，较之仅比较运笔笔力或走笔速度的特征值，更能准确表征书写特征，在比对时更能得到准确的鉴别结果。

前述步骤S4可采用任意能实现比对的方法，此处简述一种具体的比对方法，但步骤S4 的实现并不限制于此方法。将曲线进行n段分段，根据曲线在对应的分段内的单调性进行特征值提取，根据对应分段区域内曲线是否为具备单调性，若具备单调性时是单调增还是单调减，若不具备单调性时是有凸形极点还是有凹型极点等进行特征值标注；比对时，对两组曲线特征值比对，即：对两组曲线在n段分段的相对应分段内的单调性进行比对，根据对应分段区域内曲线是否为具备单调性，若具备单调性时是单调增还是单调减，若不具备单调性时是有凸形极点还是有凹型极点等进行比对，单调性一致时标记为1，不一致时标记为0；根据事先设定阈值x判断1的个数与0的个数比是否大于x值，若大于x值，则判定在两组书写的字迹中该字或笔划运笔力度曲线类似。在所有书写的字或笔划中，若超过事先设定的阈值y的数量的字或笔划地运笔力度曲线类似，则判别两组字是为同一人书写。分段数n以及阈值x、y的设定，可调整比对识别的拒真率和认假率，直接影响比对识别的准确性。

该种写笔迹鉴别方法还包括机器学习步骤S0，学习比较大量不同笔迹，归纳整理出笔迹比对时区分不同人签名的区分要素和/或比对要素，将区分要素发送至特征值采集装置供其依据区分要素提取特征值，将区分要素发送至特征值采集模块，和/或将比对要素发送至特征值对比模块。该书写鉴别方法的一种实施例中，机器学习步骤可仅归纳区分方法和区分要素，即在机器学习装置使用的前期先通过对大量书写笔迹的相关参数数据学习归纳出区分不同人签名的区分方法和区分要素，在之后的应用中，书写者首次签名时，将书写采集模块采集的签名数据传送给机器学习装置，机器学习装置将根据前期学习归纳的区分不同人签名的区分要素，提取该签名的相关要素生成特征值模板，保存到存储模块。其后书写者再次签名时，书写采集模块将采集的签名数据传送给机器学习装置，机器学习装置将根据前期学习归纳的区分不同人签名的区分要素，提取该签名的相关要素生成比对特征值，将其与之前保存到存储模块中的特征值模板，按前期机器学习装置学习归纳出区分不同人签名的区分方法进行比对，判断是否为同一人签名。

该书写鉴别方法的一种实施例中，机器学习步骤可仅归纳比对方法和比对要素，机器学习装置使用的前期采集分析大量不同签名，通过这些数据学习归纳出比对不同人签名的比对方法和比对要素。在之后的应用中，书写者签名后，书写采集模块将采集的签名数据传送特征值采集模块生成特征值，机器学习装置将根据前期学习归纳的区分不同人签名生成比对要素，将该特征值与之前保存到存储模块中的特征值模板进行比对时，按前期机器学习装置学习归纳出比对不同人签名的比对方法和比对要素进行比对，判断是否为同一人签名。

为了更准确的比对书写笔迹的特征，机器学习步骤可以既区分方法和区分要素，又归纳比对方法和比对要素。机器学习装置使用的前期采集分析大量不同签名，通过这些数据学习归纳出比对不同人签名的区分要素和比对要素。在之后的应用中，书写采集模块将采集的签名数据传送给机器学习装置，机器学习装置将根据前期学习归纳的区分不同人签名的区分要素，提取该签名的相关要素生成比对特征值，将其与之前保存到存储模块中的特征值模板，机器学习装置再将根据前期学习归纳的区分不同人签名的比对要素，将其与之前保存到存储模块中的特征值模板进行比对，按前期机器学习装置学习归纳出比对不同人签名的比对方法进行比对，判断是否为同一人签名。

Claims (9)

1.一种书写笔迹鉴别系统，其特征在于，包括：

书写采集模块，采集书写者写字时笔迹轨迹、运笔力度和/或走笔速度信息，生成运笔力度曲线和/或走笔速度曲线并将其发送至特征值采集模块；

特征值采集模块，根据区别要素提取运笔力度曲线和/或走笔速度曲线的区别特征生成特征值，判断特征值类别，比对特征值发送至特征值比对模块，模板特征值发送至存储模块；

存储模块，保存接收到的模板特征值，发送模板特征值至特征值比对模块；

特征值对比模块，接收特征值采集模块发送的比对特征值和存储模块发送的模板特征值，根据比对要素对模板特征值和比对特征值进行比较，判断是否为同一人书写。

2.根据权利要求1所述的一种书写笔迹鉴别系统，其特征在于，所述特征值采集模块包括，

笔迹识别单元，根据接收到的笔迹轨迹信息识别笔画种类，得到的笔画种类信息与笔力度曲线和/走笔速度曲线一同发送至曲线归类单元；

曲线归类单元，接收笔画种类信息与笔力度曲线和/走笔速度曲线，将属于相同笔画种类信息的笔力度曲线和/走笔速度曲线作为同一类曲线发送至特征值生成单元；

特征值生成单元，接收每类笔力度曲线和/走笔速度曲线根据区别要素提取其区别特征生成特征值，将特征值发送至处理单元；

处理单元，判断特征值类别，比对特征值发送至特征值比对模块，模板特征值发送至存储模块。

3.根据权利要求1或2所述的一种书写笔迹鉴别系统，其特征在于，所述书写采集模块包括，

采集单元，采集书写轨迹、运笔力度和/或走笔速度信息；

控制单元，定时读取采集单元的数据，根据采集数据生成运笔力度曲线和/或走笔速度曲线。

4.根据权利要求3所述的一种书写笔迹鉴别系统，其特征在于，所述控制单元包括，

采样器，接收处理器发出的采样命令并发送采样请求至采集单元，接收采集单元发送的书写时间值、书写力度值和/或书写距离值，将同一采样请求得到的书写时间值、书写力度值和/或书写距离值作为一组书写信息发送至处理器；

处理器，发出采样命令至采样器，接收采样器反馈的每一组书写信息，生成运笔力度曲线和/或走笔速度曲线。

5.根据权利要求1-4任一所述的一种书写笔迹鉴别系统，其特征在于，还包括机器学习装置，归纳整理出笔迹比对时区分不同人签名的区分要素和/或比对要素，将区分要素发送至特征值采集模块，和/或将比对要素发送至特征值对比模块。

6.一种书写笔迹鉴别方法，其特征在于，包括以下步骤：

S1，采集书写者写字时笔迹轨迹、运笔力度和/或走笔速度信息，生成运笔力度曲线和/或走笔速度曲线并将其发送至特征值采集模块；

S2，根据区别要素提取运笔力度曲线和/或走笔速度曲线的区别特征生成特征值，判断特征值类别，如为模板特征值则进入步骤S3，如为比对特征值在进入步骤S4；

S3，保存接收到的模板特征值至存储模块；

S4，接收比对特征值，调用模块特征值，根据比对要素对模板特征值和比对特征值进行比较，判断是否为同一人书写。

7.根据权利要求6所述的一种书写笔迹鉴别方法，其特征在于，所述步骤S2包括以下步骤，

S21，根据接收到的笔迹轨迹信息识别笔画种类，得到的笔画种类信息与笔力度曲线和/走笔速度曲线一同发送至曲线归类单元；

S22，接收笔画种类信息与笔力度曲线和/走笔速度曲线，将属于相同笔画种类信息的笔力度曲线和/走笔速度曲线作为同一类曲线发送至特征值生成单元；

S23，接收每类笔力度曲线和/走笔速度曲线根据区别要素提取其区别特征生成特征值，将特征值发送至处理单元；

S24，判断特征值类别，比对特征值发送至特征值比对模块，模板特征值发送至存储模块。

8.根据权利要求6或7所述的一种书写笔迹鉴别方法，其特征在于，所述步骤S1包括以下步骤，

S11，采集书写轨迹、运笔力度和/或走笔速度信息；

S12，定时读取采集单元的数据，根据采集数据生成运笔力度曲线和/或走笔速度曲线。

9.根据权利要求6-8任一所述的一种书写笔迹鉴别方法，其特征在于，还包括步骤S0，学习比较大量不同笔迹，归纳整理出笔迹比对时区分不同人签名的区分要素和/或比对要素，将区分要素发送至特征值采集装置供其依据区分要素提取特征值，将区分要素发送至特征值采集模块，和/或将比对要素发送至特征值对比模。