CN110850419B - 一种基于声学的手写签名识别方法 - Google Patents

Abstract

本发明涉及声音识别技术和动作信号识别技术的领域，具体涉及一种基于声学的手写签名识别方法，主要包括以下步骤：S1：收集数据；S2：计算签名轨迹；S3：特征提取与模型训练；S4：对待验证用户进行数据收集，计算签名轨迹，并特征提取，提取的特征作为待验证数据；S5：将待验证数据与识别模型进行比对，判断真伪。本发明仅利用现有的智能设备中常见的声学元器件，对其进行软件层级的调用，不需要额外的硬件支持，此外，该方法使用方便，能够准确的识别合法签名和非法签名，能够很好的降低手写签名识别的成本，解决使用不方便等问题，应用前景十分广阔。

Description

一种基于声学的手写签名识别方法

技术领域

本发明涉及声音识别技术和动作信号识别技术的领域，具体涉及一种基于声学的手写签名识别方法。

背景技术

手写签名通常用于授权合法身份并代表同意、认可、责任或义务，而且有时会产生法律效力效果，赋予文档真实性。例如，在金融领域，银行使用手写签名作为确认大额交易等服务的方式。根据中国金融市场业务种类调研显示，目前中国大部分银行需要身份确认的业务人仍旧使用着手写签名作为代表服务对象认可该服务协议的方式。手写签名在可见的未来依然会是主流的认证方式之一。用于实现笔迹跟踪的设备，是手写签名验证中用于签名输入的主要设备。各种各样的手写输入设备为手写签名的验证提供了很大的便利，例如我们可以使用带压力感应的设备将进行手写签名的输入，再把设备捕捉到的数据输入到计算机设计好的验证系统中，如果考虑到便携性，我们可以使用带笔的平板电脑作为另一种输入的设备。手写签名被视为证明纸质文件真实性的主要方法之一，因为它包含了个人的独特生物学特性。

过去，手写签名使身份验证变得非常容易，因为它们只需要一支笔和纸。因此，在金融，法律和行政领域，手写签名验证通常被视为一种验证方法。然而，类似于其他生物特征，例如面部，指纹，虹膜和语音，手写签名也正在应对伪造的挑战。在银行业中，伪造的手写付款签名可能使银行批准非法交易，从而造成大量损失。而且，这种情况不仅发生在金融领域。遗嘱欺诈是一种新现象，在遗嘱上伪造签名会给犯罪分子带来大量金钱。当熟练的伪造者已经练习了一段时间伪造该签名时，一个人很难识别该签名是否是伪造的。

发明内容

为解决上述背景技术中存在的问题，本发明提出一种基于声学的手写签名识别方法，该方法能够准确的识别合法签名和非法签名，且具有成本低、使用方便的优点。

本发明解决上述问题的技术方案是：一种基于声学的手写签名识别方法，其特殊之处在于，包括以下步骤：

S1：收集数据，所述数据为当用户进行签名时，使用超声波跟踪系统记录签名时手或者笔的运动反射回的噪声偏差；

S2：计算签名轨迹，具体为：对经由超声波收集到的音频进行签名时运动轨迹的计算，进而得到签名的轨迹；

S3：特征提取与模型训练，具体为：对签名轨迹进行特征的提取，提取后的特征将用于模型的训练，得到用于验证签名的识别模型；

S4：对待验证用户进行数据收集，计算签名轨迹，并特征提取，提取的特征作为待验证数据；

S5：将待验证数据输入训练好的识别模型中，识别模型会对待验证的数据进行识别，进而判断签名的真伪。

进一步地，上述步骤S1中收集数据包括：

发射超声波，发射的超声波为定制信号，通过把Zad-off伪随机序列上采样，使用调制技术把上采样后的序列调制到16000Hz以上人耳听不到的频段，再使用扬声器播放该信号。

进一步地，上述步骤S1中收集数据使用的设备可以是手机、智能手环，平板电脑等其他具有麦克风和扬声器的设备，其中声学元器件麦克风的采样率设置为44100到48000Hz之间。

进一步地，上述步骤S2计算签名轨迹，具体为：

同时使用扬声器和麦克风播放和接受定制的超声波信号，麦克风接收到超声波信号后，使用自相关算法粗略估计笔到扬声器和麦克风的距离，再利用相位雷达中使用的相位位移算法计算精确的距离，这个计算距离过程覆盖了整个签名的阶段，进而得到运笔时的一个方向上的笔的笔迹。

进一步地，上述步骤S3中的特征提取为：

对于每个用户，使用收集到的签名轨迹数据，再随机挑选与标记为真相等数量的其他用户的签名轨迹数据作为训练数据，使用两种类型的数据计算Hausdoff距离,对本用户自身的签名轨迹数据之间计算Hausdoff距离，标记为真。本用户和其他用户的签名轨迹数据计算Hausdoff距离，标记为假。

上述模型训练具体为：对于特征提取的两类数据，使用SVM训练出高精度的识别模型作为最终的验证模型。

进一步地，上述步骤S4具体为：

S4.1当待验证用户进行签名时，使用超声波跟踪系统跟踪笔或者手部的运动轨迹；

S4.2签名轨迹计算，对经由超声波收集到的音频进行距离的计算，进而得到签名的轨迹；

S4.3特征提取步骤，将待验证用户的签名轨迹与已保存的用户签名轨迹模板进行Hausdoff距离计算，最终得到的Hausdoff距离作为特征放入已经训练好的识别模型中。

本发明的优点：

本发明一种基于声学的手写签名识别方法，该方法仅利用现有的智能设备中常见的声学元器件，对其进行软件层级的调用，不需要额外的硬件支持，此外，该方法使用方便，能够准确的识别合法签名和非法签名，能够很好的降低手写签名识别的成本，解决使用不方便等问题，应用前景十分广阔。

附图说明

图1是本发明的工作流程示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。

参见图1，一种基于声学的手写签名识别方法，包括以下步骤：

S1：收集数据，所述数据为当用户进行签名时，使用超声波跟踪系统记录签名时手或者笔的运动反射回的噪声偏差。

具体地，所述步骤S1中收集数据包括:

发射超声波，发射的超声波为定制信号，通过把Zad-off伪随机序列上采样，使用调制技术把上采样后的序列调制到16000Hz以上人耳听不到的频段，再使用扬声器播放该信号。

进一步地，所述步骤S1中收集数据使用的设备可以是手机、智能手环，平板电脑等其他具有麦克风和扬声器的设备，其中声学元器件麦克风的采样率设置为44100到48000Hz。

S2：计算签名轨迹，具体为：对经由超声波收集到的音频进行签名时运动轨迹的计算，进而得到签名的轨迹。

所述步骤S2计算签名轨迹，具体为：

同时使用扬声器和麦克风播放和接受定制的超声波信号，麦克风接收到超声波信号后，使用自相关算法粗略估计笔到扬声器和麦克风的距离，再利用相位雷达中使用的相位位移算法计算精确的距离，这个计算距离过程覆盖了整个签名的阶段，进而得到运笔时的一个方向上的笔的笔迹。

S3：特征提取与模型训练，具体为：对签名轨迹进行特征的提取，提取后的特征将用于模型的训练，得到用于验证签名的识别模型。

具体地，所述特征提取为：

对于每个用户，使用收集到的签名轨迹数据，再随机挑选与标记为真相等数量的其他用户的签名轨迹数据作为训练数据，使用两种类型的数据计算Hausdoff距离,对本用户自身的签名轨迹数据之间计算Hausdoff距离，标记为真。本用户和其他用户的签名轨迹数据计算Hausdoff距离，标记为假。

所述模型训练具体为：对于上述两类数据，使用SVM训练出高精度的识别模型作为最终的验证模型。

S4：对待验证用户进行数据收集，计算签名轨迹，并特征提取，提取的特征作为待验证数据。

所述步骤S4具体为：

S4.1当待验证用户进行签名时，使用超声波跟踪系统跟踪笔或者手部的运动轨迹；

S4.2签名轨迹计算，对经由超声波收集到的音频进行距离的计算，进而得到签名的轨迹；

S4.3特征提取步骤，将待验证用户的签名轨迹与已保存的用户签名轨迹模板进行Hausdoff距离计算，最终得到的Hausdoff距离作为特征放入已经训练好的识别模型中。

S5：将待验证数据输入训练好的识别模型中，识别模型会对待验证的数据进行识别，进而判断签名的真伪。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的系统领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种基于声学的手写签名识别方法，包括以下步骤：

S1：收集数据，所述数据为当用户进行签名时，使用超声波跟踪系统记录签名时手或者笔的运动反射回的噪声偏差；

所述步骤S1中收集数据包括：

发射超声波，发射的超声波为定制信号，通过把Zad-off伪随机序列上采样，使用调制技术把上采样后的序列调制到16000Hz以上的频段，再使用扬声器播放该信号；

S2：计算签名轨迹，具体为：对经由超声波收集到的音频进行签名时运动轨迹的计算，进而得到签名的轨迹；

所述步骤S2计算签名轨迹，具体为：

同时使用扬声器和麦克风播放和接受定制的超声波信号，麦克风接收到超声波信号后，使用自相关算法估计笔到扬声器和麦克风的距离，再利用相位雷达中使用的相位位移算法计算精确的距离，这个计算距离过程覆盖了整个签名的阶段，进而得到运笔时的一个方向上的笔的笔迹；

S3：特征提取与模型训练，具体为：对签名轨迹进行特征的提取，提取后的特征将用于模型的训练，得到用于验证签名的识别模型；

所述步骤S3中特征提取具体为：

对于每个用户，使用收集到的签名轨迹数据，再随机挑选与标记为真相等数量的其他用户的签名轨迹数据作为训练数据，使用两种类型的数据计算Hausdoff距离,对本用户自身的签名轨迹数据之间计算Hausdoff距离，标记为真；本用户和其他用户的签名轨迹数据计算Hausdoff距离，标记为假；

S4：对待验证用户进行数据收集，计算签名轨迹，并特征提取，提取的特征作为待验证数据；

S5：将待验证数据输入训练好的识别模型中，识别模型会对待验证的数据进行识别，进而判断签名的真伪。

2.根据权利要求1所述的一种基于声学的手写签名识别方法，其特征在于：

所述步骤S1中收集数据使用的设备是具有麦克风和扬声器的设备，其中声学元器件麦克风的采样率设置为44100到48000Hz之间。

3.根据权利要求2所述的一种基于声学的手写签名识别方法，其特征在于：

所述步骤S3中模型训练具体为：对于S3中特征提取的两类数据，使用SVM训练出的识别模型作为最终的验证模型。

4.根据权利要求3所述的一种基于声学的手写签名识别方法，其特征在于：

所述步骤S4具体为：

S4.1当待验证用户进行签名时，使用超声波跟踪系统跟踪笔或者手部的运动轨迹；

S4.2签名轨迹计算，对经由超声波收集到的音频进行距离的计算，进而得到签名的轨迹；

S4.3特征提取步骤，将待验证用户的签名轨迹与已保存的用户签名轨迹模板进行Hausdoff距离计算，最终得到的Hausdoff距离作为特征放入已经训练好的识别模型中。

Images