CN111310544B - 基于特征稳定性和特殊性分析的在线笔迹认证方法 - Google Patents
基于特征稳定性和特殊性分析的在线笔迹认证方法 Download PDFInfo
- Publication number
- CN111310544B CN111310544B CN201911224760.XA CN201911224760A CN111310544B CN 111310544 B CN111310544 B CN 111310544B CN 201911224760 A CN201911224760 A CN 201911224760A CN 111310544 B CN111310544 B CN 111310544B
- Authority
- CN
- China
- Prior art keywords
- handwriting
- registered
- samples
- sample
- standard chinese
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
- G06V30/347—Sampling; Contour coding; Stroke extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及信息安全安全身份认证领域,公开了一种基于特征稳定性和特殊性分析的在线笔迹认证方法,包括如下步骤:收集笔迹样本并分析出各种特征在人群中的分布情况,随机挑选若干个汉字,要求注册用户书写并提交若干注册样本,计算各特征在注册样本上的统计值及在人群中的观测概率,接受概率小于阈值的注册笔迹,再从注册成功的汉字中随机挑选若干个满足要求的汉字,要求待认证用户提交与之对应的测试笔迹,在测试笔迹中搜索特征,计算观测概率并给出判别。本发明基于特征稳定性和特殊性分析的在线笔迹认证方法,通过对笔迹特征特殊性和稳定性的分析,提升笔迹认证系统处理上述两类问题的能力和手段,提高在线笔迹认证系统安全性。
Description
技术领域
本发明涉及信息安全身份认证领域,具体涉及一种基于特征稳定性和特殊性分析的在线笔迹认证方法。
背景技术
在线笔迹认证是指利用专门输入设备在线获取用户的手写笔迹,经比较其中所蕰涵的个性化特征从而实现用户身份鉴别的一项技术。
众所周知,笔迹认证的基础是特征的特殊性和稳定性。特殊性实现笔迹与身份的绑定,是笔迹认证的根本。稳定性是前提,没有稳定性支撑的特殊性无法体现,难以达到绑定的目的;而失去特殊性,即使再稳定的特征也毫无价值。两者相互依存,缺一不可。若某个特征在人群中少有出现,但稳定性不够;或者即使非常稳定,但特征在人群中非常普遍;上述两种特征都不具有高鉴别价值,高鉴别价值的特征应是既稳定又特殊的特征。
一个高置信系统需要对特征进行特殊性和稳定性分析。然而,目前被广泛使用的由学者Anil K.Jain等人在文献《On-line Signature Verification》(PatternRecognition,2002)中提出的笔迹注册和认证两层认证框架难以进行有效的特殊性和稳定性分析。这是因为:1) 无法为分析提供大量的笔迹样本。笔迹的内在特性决定了对笔迹特征进行特殊性和稳定性分析需要建立在大量的笔迹样本基础之上。在现有两层框架下,考虑到便利性约束,用户至多愿意提供3至5 个注册样本。2)由于目前系统认证所使用的笔迹是与书写内容相关的,这导致为收集大量笔迹样本所付出的成本是巨大的。例如,目前常使用与用户姓名相关的签名笔迹进行认证。为了分析特殊性,需要收集大量其他用户书写的特定用户签名笔迹进行比对。更糟的是,由于特征与笔迹内容相关,在特定用户上得到的分析结果难以推广到其它用户的签名笔迹上。这将严重阻碍笔迹认证系统的大范围应用。
发明内容
本发明的目的就是针对上述现在技术的不足,提供一种基于特征稳定性和特殊性分析的在线笔迹认证方法,通过引入预训练步骤以及不限于特定内容的认证笔迹,实现对笔迹特征特殊性和稳定性的定量分析,选取稳定且特殊的笔迹特征进行判别,从而达到提高在线笔迹认证系统准确性和泛化能力的目的。
为实现上述目的,本发明所设计的基于特征稳定性和特殊性分析的在线笔迹认证方法,包括如下步骤:
步骤100)笔迹特征预学习:收集人群关于标准汉字库中各种标准汉字的大量手写笔迹样本,对具有相同书写内容、各种个性化书写方式以及表现形式的手写笔迹样本集合,事先分析出各种笔迹特征在人群中的统计分布特征,对于其中的离散型笔迹特征,获得特征值分布律,对于其中的连续型笔迹特征,获得联合概率密度函数;所述标准汉字是目前已被广泛使用的具有标准书写样式和表现形式的汉字;
步骤200)笔迹注册:随机挑选若干个标准汉字,针对每一个所挑选的标准汉字,要求注册用户书写并提交与之相对应的若干个注册手写笔迹样本,在每一组具有相同书写内容的注册手写笔迹样本上,提取所述注册手写笔迹样本的特征,对于其中的离散型笔迹特征,统计具有相同取值的特征在注册手写笔迹样本上出现的次数,对于其中的连续型笔迹特征,统计特征取值在注册手写笔迹样本上的最大最小值;针对具有相同书写内容的同一组注册手写笔迹样本,基于在所述步骤100)笔迹特征预学习中取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算上述笔迹特征观测概率,若所述概率小于预先设定的阈值,则具有此书写内容的该组注册手写笔迹样本注册成功,否则,说明在该组注册手写笔迹样本上进行同一性判别风险较大,注册失败;若注册成功的注册手写笔迹样本组数目超过预先设定的阈值,该用户注册成功;否则,再次从标准汉字库中挑选标准汉字,重复所述步骤200),直到注册成功的注册手写笔迹样本组数目超过预先设定的阈值为止;
步骤300)笔迹认证:从注册用户成功注册的标准汉字中随机挑选若干个,基于在所述步骤100)笔迹特征预学习中取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算笔迹特征观测概率,若所述概率大于预先设定的阈值,则增加标准汉字的挑选数量并重新再挑选一组直到计算所得的概率小于预先设定的阈值为止;针对每一个所挑选的标准汉字,要求待认证用户书写并提交与之相对应的一个测试手写笔迹样本,在每个测试手写笔迹样本中搜索与相对应的注册手写笔迹样本稳定且一致的特征,计算观测到所有测试手写笔迹样本中稳定且一致的特征在人群中出现的概率,并依此给出判别;
所述手写笔迹是指通过数据传感设备实时采集书写过程中笔尖运动产生的信息所获得的与时间相关的时序信号序列,所述数据传感设备在每个采样时刻采集的数据包括笔尖的二维位置信息、笔尖施加在书定平面上的压力、笔杆与书写平面的转动角及夹角信息;
所述具有相同书写内容的手写笔迹样本是指相关的若干手写笔迹所能被辩识的标准汉字内容是唯一且相同的;所谓辩识是指建立手写体笔迹与标准汉字之间的对应关系;
所述注册手写笔迹样本是指在注册阶段注册用户书写并提交的用户身份已知的手写笔迹,所述用户身份已知是指手写笔迹书写者的身份是已知的;
所述稳定且一致的特征包含稳定且一致的离散型笔迹特征和稳定且一致的连续型笔迹特征;
所述稳定且一致的离散型笔迹特征是指在测试手写笔迹样本中提取的离散型笔迹特征取值与在注册手写笔迹样本的集合中提取的稳定的离散型笔迹特征取值相同的特征,所述稳定的离散型笔迹特征是指具有相同离散型笔迹特征取值在注册手写笔迹样本的集合上出现次数大于一定阈值的特征;
所述稳定且一致的连续型笔迹特征是指在测试手写笔迹样本中提取的连续型笔迹特征取值处于在注册手写笔迹样本的集合上提取的稳定的连续型笔迹特征取值的最大和最小值之间的特征,所述稳定的连续型笔迹特征是指在注册手写笔迹样本的集合上提取的连续型笔迹特征取值的最大和最小值之间的距离小于一定阈值的特征;
所述测试手写笔迹样本是指在认证阶段待认证用户书写并提交的用户身份未知且有待确认的手写笔迹;所述用户身份未知是指还未确认书写手写笔迹的用户身份与注册手写笔迹样本的用户身份是否相一致,有待进一步确认;所述待认证用户是指真实身份未得到确认的用户。
优选地,所述步骤100)中,笔迹特征预学习包括如下步骤:
步骤110)设C表示系统关注的标准汉字集合,C1表示已预学习标准汉字集合,C2表示未预学习标准汉字集合,其中C1∪C2=C,所述系统关注的标准汉字集合是指从古至今产生的所有标准、可辨识的汉字中挑选的标准汉字构成的集合,初始化/>C2=C;
步骤120)从集合C2中任意挑选一个标准汉字c,C1=C1∪{c}, C2=C2-{c},邀请足够多用户书写关于标准汉字c的手写笔迹,设 Sc={s1,s2,...,sN}表示足够多的用户手写的关于标准汉字c的手写笔迹样本集合,每位用户提供了1至3个样本,所述足够多的用户是指集合Sc中的手写笔迹样本所包含的特征具有广泛的代表性,涵盖了手写汉字c各种书写特征的所有变化可能,N表示集合Sc中的笔迹个数,所述标准汉字c是目前已被广泛使用的具有标准书写样式和表现形式的汉字;
步骤130)提取集合Sc中各种离散型笔迹特征,并计算各种离散型笔迹特征的特征值分布律,所述离散型笔迹特征包括笔顺、笔画类型、两笔画是否相交等;
步骤140)提取集合Sc中各种连续型笔迹特征,并计算各种连续型笔迹特征的联合概率密度函数,所述连续型笔迹特征包括笔画长度、笔画方位角、两笔画夹角、笔画间相对位置等;
步骤150)若集合C1中的标准汉字个数超过预先设定的阈值,则跳转至步骤120)继续挑选下一个标准汉字,否则跳转至步骤160),所述阈值综合考虑系统的整体安全性和实施成本预先设定,所述阈值越大,系统安全性越高,但成本也越高,反之,则成本越低,但系统安全性也越低;
步骤160)结束,返回已预学习标准汉字集合C1,以及与集合C1 中每一个所挑选标准汉字的手写笔迹样本集合的特征值分布律和联合概率密度函数。
优选地,所述步骤200)中,笔迹注册包括如下步骤:
步骤210)设C表示系统关注的标准汉字集合,C1表示已预学习标准汉字集合,C3表示已注册标准汉字集合,C4表示未注册标准汉字集合,其中C3∪C4=C1,Acc2表示用户成功注册的标准汉字个数,H表示用户提交的与集合C3中已注册标准汉字对应的注册手写笔迹样本集合,初始化/>C4=C1,/>Acc2=0;
步骤220)设置下标变量i=1,设置注册成功的注册笔迹个数变量Acc1=0;
步骤240)设置下标变量j=1;
步骤250)以注册手写笔迹样本的集合中第j个注册手写笔迹样本/>为测试笔迹,以集合/>中其余注册手写笔迹样本为模板笔迹集合/>以于步骤100)取得的与标准汉字ci相对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数作为输入参数,计算得到概率P;
步骤260)若P小于预先设定的阈值T1,则Acc1=Acc1+1;
步骤270)j=j+1,若j大于qi,则跳转至步骤280),否则跳转至步骤250);
步骤280)若Acc1大于预先设定的阈值T2,则判定关于标准汉字 ci的笔迹注册成功,跳转至步骤290);否则,跳转至步骤2B0);
步骤2A0)若Acc2大于预先设定的阈值T3,则跳转至步骤2C0),否则,跳转至步骤2B0);
步骤2B0)i=i+1,跳转至步骤230);
步骤2C0)返回已注册标准汉字集合C3,用户提交的与集合C3中标准汉字相关的注册手写笔迹样本的集合H,用户成功注册的标准汉字个数Acc2,结束;
优选地,所述步骤300)中,笔迹认证包括如下步骤:
步骤310)开始;
步骤330)从注册手写笔迹样本的集合H中取出与已注册标准汉字集合C5对应的注册手写笔迹样本的集合
步骤340)计算在人群中观测到与所有所挑选标准汉字相对应的注册手写笔迹的概率;具体地,计算其中/>表示观测到与所挑选标准汉字对应的注册手写笔迹样本的集合/>中第o个注册手写笔迹中所有笔迹特征的观测概率,1≤o≤qi,qi表示集合/>中注册手写笔迹样本的个数,l表示所挑选的标准汉字个数;
所述观测概率的计算方法为:以注册手写笔迹样本的集合/>中第o个注册手写笔迹样本为测试笔迹,以集合/>中其余注册手写笔迹样本为模板笔迹集合,以于步骤100)取得的与标准汉字/>相对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数作为输入参数,计算得到概率/>
步骤350)若Px大于预先设定的阈值T4,表明所挑选注册手写笔迹样本在人群中出现的概率较大,重新挑选另一组,跳转至步骤 320),否则,跳转到步骤360);
步骤370)置循环变量i=1;
步骤380)从测试手写笔迹样本的集合W中提取第i个与标准汉字对应的测试手写笔迹样本/>为测试笔迹A,以从注册手写笔迹样本的集合H中取出与标准汉字/>对应的注册手写笔迹样本的集合/>作为模板笔迹集合B,以及标准汉字/>步骤100)取得的与标准汉字/>对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数作为输入参数,计算得到概率Pi;
步骤390)i=i+1,若i≤l,则跳转至步骤340),否则跳转至步骤 360);
步骤3B0)返回判别结果,结束。
优选地,所述步骤100)、步骤200)和步骤300)中,计算笔迹特征观测概率包括如下步骤:
步骤A)开始;具体地,计算笔迹特征观测概率的输入参数包括:输入参数A表示测试手写笔迹样本,输入参数B={b1,b2,...,by}表示模板手写笔迹样本集合,y表示集合B中模板手写笔迹的个数,y≥2,输入参数c表示与测试手写笔迹样本A、模板手写笔迹样本集合B对应的标准汉字,以及与标准汉字c对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数;
步骤B)计算测试手写笔迹样本A中稳定且一致的离散型笔迹特征的概率,设D1={d11,d12,...,d1u1}表示从标准汉字c笔迹中提取的相互独立的离散型笔迹特征,提取模板手写笔迹样本集合B的所有模板手写笔迹样本中关于集合D1定义的离散型笔迹特征出现和未出现的次数,设表示特征d1i在集合B的所有模板手写笔迹样本中出现的次数,/>表示特征d1i在集合B的所有模板手写笔迹样本中未出现的次数,/>提取在测试手写笔迹样本A中关于集合D1定义的离散型笔迹特征出现和未出现的次数,设/>表示特征d1i在测试手写笔迹样本A中出现的次数,/>表示特征d1i在测试手写笔迹样本A中未出现的次数,/>若/>进一步判断是否/>若成立,置/>否则置若/>进一步判断是否/>若成立,置/>否则置/>其中分别表示在笔迹特征预学习阶段学习到的集合D1中的特征/>在集合Sc中出现和未出现的概率,1≤i≤u1,最后计算观测到测试手写笔迹样本的集合W中关于集合D1中各个特征出现和未出现的概率/>所述稳定离散型笔迹特征是指在注册手写笔迹样本集合中包含该离散型笔迹特征取值的注册手写笔迹样本个数大于事先设定阈值的特征,所述一致离散型笔迹特征是指离散型笔迹特征在测试手写笔迹样本上的取值和在注册手写笔迹样本集合上稳定特征的取值相同的特征;
步骤C)计算测试手写笔迹样本A中稳定且一致连续型笔迹特征的联合观测概率,设D2={d21,d22,...,d2u2}表示可从标准汉字c笔迹中提取的连续型笔迹特征集合,设表示从集合B 中的每个模板手写笔迹样本上提取的与D2相关的特征向量集合,/>表示在测试手写笔迹样本A上提取的与D2相关的特征向量,设表示在集合FB中每个分量上的最大最小值,采用下式计算观测到测试手写笔迹样本A中稳定且一致连续型笔迹特征的概率,/>积分区域G=(g1,g2,...,gu2)由下式所定义,其中表示在笔迹特征预学习阶段学习到的关于标准汉字 c的与特征集合D2相关的连续型笔迹特征向量联合概率密度函数;所述稳定连续型笔迹特征是指在注册手写笔迹样本集合中该连续型笔迹特征的取值满足Max-Min≤T的特征,其中,Max,Min分别表示该连续型笔迹特征在注册手写笔迹样本集合上取值的最大最小值,T表示事先设定的阈值;所述一致连续型笔迹特征是指连续型笔迹特征在测试手写笔迹样本A上的取值满足Min≤f≤Max的特征,其中,f表示该连续型笔迹特征在测试手写笔迹样本A上的取值;
D)计算P=PD1×PD2(FA),P表示在人群中观测到用户的模板手写笔迹且判别测试手写笔迹样本A和模板手写笔迹样本集合B出自同一书写人的概率,0≤P≤1;
E)返回概率P,结束。
本发明与现有技术相比,包括预学习、注册和认证三层的笔迹认证框架,基于在笔迹特征预学习收集的大量笔迹样本所获得的统计数据,对注册用户手写笔迹的稳定性和特殊性进行评估,拒绝书写质量差的注册申请,在认证阶段依据评估获得的高价值特征对测试样本进行判别,通过对笔迹特征特殊性和稳定性的分析,提升笔迹认证系统处理上述两类问题的能力和手段,并最终达到提高在线笔迹认证系统安全性的目的,以此来保障认证系统的整体安全性和泛化能力。
附图说明
图1为本发明基于特征稳定性和特殊性分析的在线笔迹认证方法的流程图;
图2为图1中笔迹特征预学习的具体流程图;
图3为图1中笔迹注册的具体流程图;
图4为图1中笔迹认证的具体流程图;
图5为笔迹注册和笔迹认证流程中计算观测概率的具体流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
一种基于特征稳定性和特殊性分析的在线笔迹认证方法,如图1 所示,包括如下步骤:
步骤100)笔迹特征预学习:收集人群关于标准汉字库中各种标准汉字的大量手写笔迹样本,对具有相同书写内容、各种个性化书写方式以及表现形式的手写笔迹样本集合,事先分析出各种笔迹特征在人群中的统计分布特征,对于其中的离散型笔迹特征,获得特征值分布律,对于其中的连续型笔迹特征,获得联合概率密度函数;标准汉字是目前已被广泛使用的具有标准书写样式和表现形式的汉字;具体而言,如图2所示,笔迹特征预学习包括如下步骤:
步骤110)设C表示系统关注的标准汉字集合,C1表示已预学习标准汉字集合,C2表示未预学习标准汉字集合,其中C1∪C2=C,系统关注的标准汉字集合是指从古至今产生的所有标准、可辨识的汉字中挑选的标准汉字构成的集合,所挑选的标准汉字不应过于简单,应至少包括一定的笔画数,集合C中标准汉字个数根据综合考虑收集大规模笔迹样本的成本以及系统安全性而定,C中标准汉字个数越多,系统越安全,但收集笔迹所花费的成本越高;反之,系统不安全但成本较低,初始化/>C2=C;
步骤120)从集合C2中任意挑选一个标准汉字c,C1=C1∪{c}, C2=C2-{c},邀请足够多用户书写关于标准汉字c的手写笔迹,设 Sc={s1,s2,...,sN}表示足够多的用户手写的关于标准汉字c的手写笔迹样本集合,每位用户提供了1至3个样本,足够多的用户是指集合Sc中的手写笔迹样本所包含的特征具有广泛的代表性,涵盖了手写标准汉字c各种书写特征的所有变化可能,N表示集合Sc中的笔迹个数,标准汉字c是目前已被广泛使用的具有标准书写样式和表现形式的汉字;
步骤130)提取集合Sc中各种离散型笔迹特征,并计算各种离散型笔迹特征的分布律,离散型笔迹特征包括笔顺、笔画类型、两笔画是否相交等;
步骤140)提取集合Sc中各种连续型笔迹特征,并计算各种连续型笔迹特征的联合概率密度函数,连续型笔迹特征包括笔画长度、笔画方位角、两笔画夹角、笔画间相对位置等;
步骤150)若集合C1中的标准汉字个数超过预先设定的阈值,则跳转至步骤120)继续挑选下一个标准汉字,否则跳转至步骤160),阈值综合考虑系统的整体安全性和实施成本预先设定,阈值越大,系统安全性越高,但成本也越高,反之,则成本越低,但系统安全性也越低;
步骤160)结束,返回已预学习标准汉字集合C1,以及与集合C1 中每一个所挑选标准汉字的手写笔迹样本集合的分布律和联合概率密度函数;
步骤200)笔迹注册:随机挑选若干个标准汉字,针对每一个所挑选的标准汉字,要求注册用户书写并提交与之相对应的若干个注册手写笔迹样本,在每一组具有相同书写内容的注册手写笔迹样本上,提取注册手写笔迹样本的特征,对于其中的离散型笔迹特征,统计具有相同取值的特征在注册手写笔迹样本上出现的次数,对于其中的连续型笔迹特征,统计特征取值在注册手写笔迹样本上的最大最小值;针对具有相同书写内容的同一组注册手写笔迹样本,基于在步骤100)笔迹特征预学习中取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算上述笔迹特征观测概率,若概率小于预先设定的阈值,则具有此书写内容的该组注册手写笔迹样本注册成功,否则,说明在该组注册手写笔迹样本上进行同一性判别风险较大,注册失败;若注册成功的注册手写笔迹样本组数目超过预先设定的阈值,该用户注册成功;否则,再次从标准汉字库中挑选标准汉字,重复步骤200),直到注册成功的注册手写笔迹样本组数目超过预先设定的阈值为止,具体而言,如图3所示,笔迹注册包括如下步骤:
步骤210)设C表示系统关注的标准汉字集合,C1表示已预学习标准汉字集合,C3表示已注册标准汉字集合,C4表示未注册标准汉字集合,其中C3∪C4=C1,Acc2表示用户成功注册的标准汉字个数,H表示用户提交的与集合C3中已注册标准汉字对应的注册手写笔迹样本集合,初始化/>C4=C1,/>Acc2=0;
步骤220)设置下标变量i=1,设置注册成功的注册笔迹个数变量Acc1=0;
步骤240)设置下标变量j=1;
步骤250)以注册手写笔迹样本的集合中第j个注册手写笔迹样本/>为测试笔迹,以集合/>中其余注册手写笔迹样本为模板笔迹集合/>以于步骤100)取得的与标准汉字ci相对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数作为输入参数,计算得到概率P;
步骤260)若P小于预先设定的阈值T1,则Acc1=Acc1+1,根据概率论的知识,概率P的取值与注册手写笔迹样本的稳定性和特殊性相关,P值越小,说明注册手写笔迹样本的稳定性和特殊性均较高,即注册手写笔迹样本的质量越高,反之,说明注册手写笔迹样本的稳定性或特殊性越低,即注册手写笔迹样本的质量越低;
步骤270)j=j+1,若j大于qi,则跳转至步骤280),否则跳转至步骤250);
步骤280)若Acc1大于预先设定的阈值T2,则判定关于标准汉字 ci的笔迹注册成功,跳转至步骤290);否则,跳转至步骤2B0);
步骤290)Acc2=Acc2+1,C3=C3+{ci},C4=C4-{ci},H=H+{Hci};
步骤2A0)若Acc2大于预先设定的阈值T3,则跳转至步骤2C0),否则,跳转至步骤2B0);
步骤2B0)i=i+1,跳转至步骤230);
步骤2C0)返回已注册标准汉字集合C3,用户提交的与集合C3 中标准汉字相关的注册手写笔迹样本的集合H,用户成功注册的标准汉字个数Acc2,结束;
在步骤200)中,阈值T1和阈值T3是两个需要预先设定且相互关联的阈值,阈值T1设定的越小,对注册用户的要求越高,因此,注册手写笔迹样本的质量会越高,即注册手写笔迹样本的稳定性且特殊性均较高,相应的,在认证阶段只需要选取较少数量的标准汉字即能达到较高准确性的判定,因而,阈值T3可以设定的相对较小;反之,阈值T1设定的越大,对注册用户的要求越低,因此,注册手写笔迹样本的质量会越差,即注册手写笔迹样本的稳定性且特殊性均较低,相应的,在认证阶段需要选取较多数量的汉字才能达到较高准确性的判定,因而,阈值T3需要设定的相对较大;
步骤300)笔迹认证:从注册用户成功注册的标准汉字中随机挑选若干个,基于在步骤100)笔迹特征预学习中取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算笔迹特征观测概率,若概率大于预先设定的阈值,则增加标准汉字的挑选数量并重新再挑选一组直到计算所得的概率小于预先设定的阈值为止;针对每一个所挑选的标准汉字,要求待认证用户书写并提交与之相对应的一个测试手写笔迹样本,在每个测试手写笔迹样本中搜索与相对应的注册手写笔迹样本稳定且一致的特征,计算观测到所有测试手写笔迹样本中稳定且一致的特征在人群中出现的概率,并依此给出判别,具体而言,如图4所示,笔迹认证包括如下步骤:
步骤310)开始;
步骤330)从注册手写笔迹样本的集合H中取出与已注册标准汉字集合C5对应的注册手写笔迹样本的集合
步骤340)计算在人群中观测到与所有所挑选标准汉字相对应的注册手写笔迹的概率,具体地,计算其中/>表示与所挑选标准汉字/>对应的注册手写笔迹样本的集合/>中第o 个注册手写笔迹的观测概率,1≤o≤qi,qi表示集合中注册手写笔迹样本的个数,l表示所挑选的标准汉字个数;
观测概率的计算方法为:以注册手写笔迹样本的集合/>中第 o个注册手写笔迹样本为测试笔迹,以集合/>中其余注册手写笔迹样本为模板笔迹集合,以于步骤100)取得的与标准汉字/>相对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数作为输入参数,计算得到概率/>
步骤350)若Px大于预先设定的阈值T4,表明所挑选注册手写笔迹样本在人群中出现的概率较大,重新挑选另一组,跳转至步骤 320),否则,跳转到步骤360);
步骤370)置循环变量i=1;
步骤380)从测试手写笔迹样本的集合W中提取第i个与标准汉字对应的测试手写笔迹样本/>为测试笔迹A,以从注册手写笔迹样本的集合H中取出与标准汉字/>对应的注册手写笔迹样本的集合/>作为模板笔迹集合B,以及标准汉字/>作为参数,通过步骤100) 取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算得到概率Pi;
步骤390)i=i+1,若i≤l,则跳转至步骤340),否则跳转至步骤 360);
步骤3B0)返回判别结果,结束。
在本实施例中,手写笔迹是指通过数据传感设备实时采集书写过程中笔尖运动产生的信息所获得的与时间相关的时序信号序列,数据传感设备在每个采样时刻采集的数据包括笔尖的二维位置信息、笔尖施加在书定平面上的压力、笔杆与书写平面的转动角及夹角信息;具有相同书写内容的手写笔迹样本是指相关的若干手写笔迹所能被辩识的标准汉字内容是唯一且相同的;所谓辩识是指建立手写体笔迹与标准汉字之间的对应关系;注册手写笔迹样本是指在注册阶段注册用户书写并提交的用户身份已知的手写笔迹,用户身份已知是指手写笔迹书写者的身份是已知的;稳定且一致的特征包含稳定且一致的离散型笔迹特征和稳定且一致的连续型笔迹特征;稳定且一致的离散型笔迹特征是指在测试手写笔迹样本中提取的离散型笔迹特征取值与在注册手写笔迹样本的集合中提取的稳定的离散型笔迹特征取值相同的特征,稳定的离散型笔迹特征是指具有相同离散型笔迹特征取值在注册手写笔迹样本的集合上出现次数大于一定阈值的特征;稳定且一致的连续型笔迹特征是指在测试手写笔迹样本中提取的连续型笔迹特征取值处于在注册手写笔迹样本的集合上提取的稳定的连续型笔迹特征取值的最大和最小值之间的特征,稳定的连续型笔迹特征是指在注册手写笔迹样本的集合上提取的连续型笔迹特征取值的最大和最小值之间的距离小于一定阈值的特征;测试手写笔迹样本是指在认证阶段待认证用户书写并提交的用户身份未知且有待确认的手写笔迹;用户身份未知是指还未确认书写手写笔迹的用户身份与注册手写笔迹样本的用户身份是否相一致,有待进一步确认;待认证用户是指真实身份未得到确认的用户。
另外,在本实施例中,如图5所示,计算笔迹特征观测概率包括如下步骤:
步骤A)开始;具体地,计算笔迹特征观测概率的输入参数包括:输入参数A表示测试手写笔迹样本,输入参数B={b1,b2,...,by}表示模板手写笔迹样本集合,y表示集合B中模板手写笔迹的个数,y≥2,输入参数c表示与测试手写笔迹样本A、模板手写笔迹样本集合B对应的标准汉字,以及与标准汉字c对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数;
步骤B)计算测试手写笔迹样本A中稳定且一致的离散型笔迹特征的概率,设D1={d11,d12,...,d1u1}表示从标准汉字c笔迹中提取的相互独立的离散型笔迹特征,提取模板手写笔迹样本集合B的所有模板手写笔迹样本中关于集合D1定义的离散型笔迹特征出现和未出现的次数,设表示特征d1i在集合B的所有模板手写笔迹样本中出现的次数,/>表示特征d1i在集合B的所有模板手写笔迹样本中未出现的次数,/>提取在测试手写笔迹样本A中关于集合D1定义的离散型笔迹特征出现和未出现的次数,设/>表示特征d1i在测试手写笔迹样本A中出现的次数,/>表示特征d1i在测试手写笔迹样本A中未出现的次数,/>若/>进一步判断是否/>若成立,置/>否则置若/>进一步判断是否/>若成立,置/>否则置/>其中分别表示在笔迹特征预学习阶段学习到的集合D1中的特征/>在集合Sc中出现和未出现的概率,1≤i≤u1,最后计算观测到测试手写笔迹样本的集合W中关于集合D1中各个特征出现和未出现的的概率/>稳定离散型笔迹特征是指在注册手写笔迹样本集合中包含该离散型笔迹特征取值的注册手写笔迹样本个数大于事先设定阈值的特征;一致离散型笔迹特征是指离散型笔迹特征在测试手写笔迹样本上的取值和在注册手写笔迹样本集合上稳定特征的取值相同的特征;
步骤C)计算测试手写笔迹样本A中稳定且一致连续型笔迹特征的联合观测概率,设D2={d21,d22,...,d2u2}表示可从标准汉字c笔迹中提取的连续型笔迹特征集合,设表示从集合B 中的每个模板手写笔迹样本上提取的与D2相关的特征向量集合,/>表示在测试手写笔迹样本A上提取的与D2相关的特征向量,设表示在集合FB中每个分量上的最大最小值,采用下式计算观测到测试手写笔迹样本A中稳定且一致连续型笔迹特征的概率,/>积分区域G=(g1,g2,...,gu2)由下式所定义,其中表示在笔迹特征预学习阶段学习到的关于标准汉字 c的与特征集合D2相关的连续型笔迹特征向量联合概率密度函数;稳定连续型笔迹特征是指在注册手写笔迹样本集合中该连续型笔迹特征的取值满足Max-Min≤T的特征,其中,Max,Min分别表示该连续型笔迹特征在注册手写笔迹样本集合上取值的最大最小值,T表示事先设定的阈值,一致连续型笔迹特征是指连续型笔迹特征在测试手写笔迹样本A上的取值满足Min≤f≤Max的特征,其中,f表示该连续型笔迹特征在测试手写笔迹样本A上的取值;
D)计算P=PD1×PD2(FA),P表示在人群中观测到用户的模板手写笔迹且判别测试手写笔迹样本A和模板手写笔迹样本集合B出自同一书写人的概率,0≤P≤1;
E)返回概率P,结束。
Claims (3)
1.一种基于特征稳定性和特殊性分析的在线笔迹认证方法,其特征在于:包括如下步骤:
步骤100)笔迹特征预学习:收集人群关于标准汉字库中各种标准汉字的大量手写笔迹样本,对具有相同书写内容、各种个性化书写方式以及表现形式的手写笔迹样本集合,事先分析出各种笔迹特征在人群中的统计分布特征,对于其中的离散型笔迹特征,获得特征值分布律,对于其中的连续型笔迹特征,获得联合概率密度函数;所述标准汉字是目前已被广泛使用的具有标准书写样式和表现形式的汉字;
步骤200)笔迹注册:随机挑选若干个标准汉字,针对每一个所挑选的标准汉字,要求注册用户书写并提交与之相对应的若干个注册手写笔迹样本,在每一组具有相同书写内容的注册手写笔迹样本上,提取所述注册手写笔迹样本的特征,对于其中的离散型笔迹特征,统计具有相同取值的特征在注册手写笔迹样本上出现的次数,对于其中的连续型笔迹特征,统计特征取值在注册手写笔迹样本上的最大最小值;针对具有相同书写内容的同一组注册手写笔迹样本,基于在所述步骤100)笔迹特征预学习中取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算上述笔迹特征观测概率,若所述概率小于预先设定的阈值,则具有此书写内容的该组注册手写笔迹样本注册成功,否则,说明在该组注册手写笔迹样本上进行同一性判别风险较大,注册失败;若注册成功的注册手写笔迹样本组数目超过预先设定的阈值,该用户注册成功;否则,再次从标准汉字库中挑选汉字,重复所述步骤200),直到注册成功的注册手写笔迹样本组数目超过预先设定的阈值为止;
步骤300)笔迹认证:从注册用户成功注册的标准汉字中随机挑选若干个,基于在所述步骤100)笔迹特征预学习中取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算笔迹特征观测概率,若所述概率大于预先设定的阈值,则增加标准汉字的挑选数量并重新再挑选一组直到计算所得的概率小于预先设定的阈值为止;针对每一个所挑选的标准汉字,要求待认证用户书写并提交与之相对应的一个测试手写笔迹样本,在每个测试手写笔迹样本中搜索与相对应的注册手写笔迹样本稳定且一致的特征,计算观测到所有测试手写笔迹样本中稳定且一致的特征在人群中出现的概率,并依此给出判别;
所述步骤300)中,笔迹认证包括如下步骤:
步骤310)开始;
步骤340)计算在人群中观测到与所有所挑选标准汉字相对应的注册手写笔迹的概率,具体地,计算其中/> 表示与所挑选标准汉字/>对应的注册手写笔迹样本的集合/>中第o个注册手写笔迹的观测概率,1≤o≤qi,qi表示集合/>中注册手写笔迹样本的个数,l表示所挑选的标准汉字个数;
所述观测概率的计算方法为:以注册手写笔迹样本的集合/>中第o个注册手写笔迹样本为测试笔迹,以集合/>中其余注册手写笔迹样本为模板笔迹集合,以于步骤100)取得的与标准汉字/>相对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数作为输入参数,计算得到概率/>
步骤350)若Px大于预先设定的阈值T4,表明所挑选注册手写笔迹样本在人群中出现的概率较大,重新挑选另一组,跳转至步骤320),否则,跳转到步骤360);
步骤370)置循环变量i=1;
步骤380)从测试手写笔迹样本的集合W中提取第i个与标准汉字对应的测试手写笔迹样本/>为测试笔迹A,以从注册手写笔迹样本的集合H中取出与标准汉字/>对应的注册手写笔迹样本的集合/>作为模板笔迹集合B,以及标准汉字/>作为参数,通过步骤100)取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算得到概率Pi;
步骤390)i=i+1,若i≤l,则跳转至步骤340),否则跳转至步骤360);
步骤3B0)返回判别结果,结束;
所述步骤100)、步骤200)和步骤300)中,计算笔迹特征观测概率包括如下步骤:
步骤A)开始;具体地,计算笔迹特征观测概率的输入参数包括:输入参数A表示测试手写笔迹样本,输入参数B={b1,b2,...,by}表示模板手写笔迹样本集合,y表示集合B中模板手写笔迹的个数,y≥2,输入参数c表示与测试手写笔迹样本A、模板手写笔迹样本集合B对应的标准汉字,以及与标准汉字c对应的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数;
步骤B)计算测试手写笔迹样本A中稳定且一致的离散型笔迹特征的概率,设D1={d11,d12,...,d1u1}表示从标准汉字c笔迹中提取的相互独立的离散型笔迹特征,提取模板手写笔迹样本集合B的所有模板手写笔迹样本中关于集合D1定义的离散型笔迹特征出现和未出现的次数,设表示特征d1i在集合B的所有模板手写笔迹样本中出现的次数,/>表示特征d1i在集合B的所有模板手写笔迹样本中未出现的次数,/>提取在测试手写笔迹样本A中关于集合D1定义的离散型笔迹特征出现和未出现的次数,设/>表示特征d1i在测试手写笔迹样本A中出现的次数,/>表示特征d1i在测试手写笔迹样本A中未出现的次数,/>若/>进一步判断是否/>若成立,置/>否则置若/>进一步判断是否/>若成立,置/>否则置/>其中/>分别表示在笔迹特征预学习阶段学习到的集合D1中的特征/>在集合Sc中出现和未出现的概率,1≤i≤u1,最后计算观测到测试手写笔迹样本的集合W中关于集合D1中各个特征出现和未出现的的概率/>所述稳定离散型笔迹特征是指在注册手写笔迹样本集合中包含该离散型笔迹特征取值的注册手写笔迹样本个数大于事先设定阈值的特征,所述一致离散型笔迹特征是指离散型笔迹特征在测试手写笔迹样本上的取值和在注册手写笔迹样本集合上稳定特征的取值相同的特征;
步骤C)计算测试手写笔迹样本A中稳定且一致连续型笔迹特征的联合观测概率,设D2={d21,d22,...,d2u2}表示可从标准汉字c笔迹中提取的连续型笔迹特征集合,设表示从集合B中的每个模板手写笔迹样本上提取的与D2相关的特征向量集合,/>表示在测试手写笔迹样本A上提取的与D2相关的特征向量,设表示在集合FB中每个分量上的最大最小值,采用下式计算观测到测试手写笔迹样本A中稳定且一致连续型笔迹特征的概率,/>积分区域G=(g1,g2,...,gu2)由下式所定义,其中表示在笔迹特征预学习阶段学习到的关于标准汉字c的与特征集合D2相关的连续型笔迹特征向量联合概率密度函数,所述稳定连续型笔迹特征是指在注册手写笔迹样本集合中该连续型笔迹特征的取值满足Max-Min≤T的特征,其中,Max,Min分别表示该连续型笔迹特征在注册手写笔迹样本集合上取值的最大最小值,T表示事先设定的阈值,所述一致连续型笔迹特征是指连续型笔迹特征在测试手写笔迹样本A上的取值满足Min≤f≤Max的特征,其中,f表示该连续型笔迹特征在测试手写笔迹样本A上的取值;
D)计算P=PD1×PD2(FA),P表示在人群中观测到用户的模板手写笔迹且判别测试手写笔迹样本A和模板手写笔迹样本集合B出自同一书写人的概率,0≤P≤1;
E)返回概率P,结束;
所述手写笔迹是指通过数据传感设备实时采集书写过程中笔尖运动产生的信息所获得的与时间相关的时序信号序列,所述数据传感设备在每个采样时刻采集的数据包括笔尖的二维位置信息、笔尖施加在书定平面上的压力、笔杆与书写平面的转动角及夹角信息;
所述具有相同书写内容的手写笔迹样本是指相关的若干手写笔迹所能被辩识的标准汉字内容是唯一且相同的;所谓辩识是指建立手写体笔迹与标准汉字之间的对应关系;
所述注册手写笔迹样本是指在注册阶段注册用户书写并提交的用户身份已知的手写笔迹,所述用户身份已知是指手写笔迹书写者的身份是已知的;
所述稳定且一致的特征包含稳定且一致的离散型笔迹特征和稳定且一致的连续型笔迹特征;
所述稳定且一致的离散型笔迹特征是指在测试手写笔迹样本中提取的离散型笔迹特征取值与在注册手写笔迹样本的集合中提取的稳定的离散型笔迹特征取值相同的特征,所述稳定的离散型笔迹特征是指具有相同离散型笔迹特征取值在注册手写笔迹样本的集合上出现次数大于一定阈值的特征;
所述稳定且一致的连续型笔迹特征是指在测试手写笔迹样本中提取的连续型笔迹特征取值处于在注册手写笔迹样本的集合上提取的稳定的连续型笔迹特征取值的最大和最小值之间的特征,所述稳定的连续型笔迹特征是指在注册手写笔迹样本的集合上提取的连续型笔迹特征取值的最大和最小值之间的距离小于一定阈值的特征;
所述测试手写笔迹样本是指在认证阶段待认证用户书写并提交的用户身份未知且有待确认的手写笔迹;所述用户身份未知是指还未确认书写手写笔迹的用户身份与注册手写笔迹样本的用户身份是否相一致,有待进一步确认;所述待认证用户是指真实身份未得到确认的用户。
2.根据权利要求1所述基于特征稳定性和特殊性分析的在线笔迹认证方法,其特征在于:所述步骤100)中,笔迹特征预学习包括如下步骤:
步骤110)设C表示系统关注的标准汉字集合,C1表示已预学习标准汉字集合,C2表示未预学习标准汉字集合,其中C1∪C2=C,所述系统关注的标准汉字集合是指从古至今产生的所有标准、可辨识的汉字中挑选的标准汉字构成的集合,初始化/>C2=C;
步骤120)从集合C2中任意挑选一个标准汉字c,C1=C1∪{c},C2=C2-{c},邀请足够多用户书写关于标准汉字c的手写笔迹,设Sc={s1,s2,...,sN}表示足够多的用户手写的关于标准汉字c的手写笔迹样本集合,每位用户提供了1至3个样本,所述足够多的用户是指集合Sc中的手写笔迹样本所包含的特征具有广泛的代表性,涵盖了手写标准汉字c各种书写特征的所有变化可能,N表示集合Sc中的笔迹个数,所述标准汉字c是目前已被广泛使用的具有标准书写样式和表现形式的汉字;
步骤130)提取集合Sc中各种离散型笔迹特征,并计算各种离散型笔迹特征的分布律;
步骤140)提取集合Sc中各种连续型笔迹特征,并计算各种连续型笔迹特征的联合概率密度函数;
步骤150)若集合C1中的标准汉字个数超过预先设定的阈值,则跳转至步骤120)继续挑选下一个标准汉字,否则跳转至步骤160);
步骤160)结束,返回已预学习标准汉字集合C1,以及与集合C1中每一个所挑选标准汉字的手写笔迹样本集合的分布律和联合概率密度函数。
3.根据权利要求2所述基于特征稳定性和特殊性分析的在线笔迹认证方法,其特征在于:所述步骤200)中,笔迹注册包括如下步骤:
步骤210)设C表示系统关注的标准汉字集合,C1表示已预学习标准汉字集合,C3表示已注册标准汉字集合,C4表示未注册标准汉字集合,其中C3∪C4=C1,Acc2表示用户成功注册的标准汉字个数,H表示用户提交的与集合C3中已注册标准汉字对应的注册手写笔迹样本集合,初始化/>C4=C1,/>Acc2=0;
步骤220)设置下标变量i=1,设置注册成功的注册笔迹个数变量Acc1=0;
步骤240)设置下标变量j=1;
步骤250)设注册手写笔迹样本的集合中第j个注册手写笔迹样本/>为测试笔迹,以集合/>中其余注册手写笔迹样本为模板笔迹集合/>及与步骤100)取得的离散型笔迹特征值分布律和连续型笔迹特征联合概率密度函数,计算得到概率P;
步骤260)若P小于预先设定的阈值T1,则Acc1=Acc1+1;
步骤270)j=j+1,若j大于qi,则跳转至步骤280),否则跳转至步骤250);
步骤280)若Acc1大于预先设定的阈值T2,则判定关于标准汉字ci的笔迹注册成功,跳转至步骤290);否则,跳转至步骤2B0);
步骤2A0)若Acc2大于预先设定的阈值T3,则跳转至步骤2C0),否则,跳转至步骤2B0);
步骤2B0)i=i+1,跳转至步骤230);
步骤2C0)返回已注册标准汉字集合C3,用户提交的与集合C3中标准汉字相关的注册手写笔迹样本的集合H,用户成功注册的标准汉字个数Acc2,结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224760.XA CN111310544B (zh) | 2019-12-04 | 2019-12-04 | 基于特征稳定性和特殊性分析的在线笔迹认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224760.XA CN111310544B (zh) | 2019-12-04 | 2019-12-04 | 基于特征稳定性和特殊性分析的在线笔迹认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310544A CN111310544A (zh) | 2020-06-19 |
CN111310544B true CN111310544B (zh) | 2023-05-30 |
Family
ID=71159686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911224760.XA Active CN111310544B (zh) | 2019-12-04 | 2019-12-04 | 基于特征稳定性和特殊性分析的在线笔迹认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310544B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430308B1 (en) * | 1998-02-23 | 2002-08-06 | Mitsubishi Denki Kabushiki Kaisha | Handwriting verification device |
JP2003271967A (ja) * | 2002-03-19 | 2003-09-26 | Fujitsu Prime Software Technologies Ltd | 手書き署名認証プログラム、方法、及び装置 |
CN102592152A (zh) * | 2012-01-05 | 2012-07-18 | 中国科学院合肥物质科学研究院 | 一种基于计算机系统的在线笔迹认证方法 |
CN103455741A (zh) * | 2013-09-06 | 2013-12-18 | 武汉汉德瑞庭科技有限公司 | 一种基于字符的在线笔迹认证的模板扩充方法 |
CN103810506A (zh) * | 2014-01-03 | 2014-05-21 | 南京师范大学 | 一种手写汉字笔画识别方法 |
CN105787522A (zh) * | 2016-03-31 | 2016-07-20 | 科大讯飞股份有限公司 | 基于手写笔迹的书写态度评价方法及系统 |
-
2019
- 2019-12-04 CN CN201911224760.XA patent/CN111310544B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430308B1 (en) * | 1998-02-23 | 2002-08-06 | Mitsubishi Denki Kabushiki Kaisha | Handwriting verification device |
JP2003271967A (ja) * | 2002-03-19 | 2003-09-26 | Fujitsu Prime Software Technologies Ltd | 手書き署名認証プログラム、方法、及び装置 |
CN102592152A (zh) * | 2012-01-05 | 2012-07-18 | 中国科学院合肥物质科学研究院 | 一种基于计算机系统的在线笔迹认证方法 |
CN103455741A (zh) * | 2013-09-06 | 2013-12-18 | 武汉汉德瑞庭科技有限公司 | 一种基于字符的在线笔迹认证的模板扩充方法 |
CN103810506A (zh) * | 2014-01-03 | 2014-05-21 | 南京师范大学 | 一种手写汉字笔画识别方法 |
CN105787522A (zh) * | 2016-03-31 | 2016-07-20 | 科大讯飞股份有限公司 | 基于手写笔迹的书写态度评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111310544A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI689942B (zh) | 人機識別方法及裝置、行為特徵資料的採集方法及裝置 | |
Guerra-Casanova et al. | Authentication in mobile devices through hand gesture recognition | |
Luo et al. | SFA: small faces attention face detector | |
CN109903053B (zh) | 一种基于传感器数据进行行为识别的反欺诈方法 | |
Tümen et al. | Feature Extraction and Classifier Combination for Image-based Sketch Recognition. | |
Alpar | Online signature verification by continuous wavelet transformation of speed signals | |
Alpar et al. | Online signature verification by spectrogram analysis | |
CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及系统 | |
Gu et al. | Latent fingerprint indexing: Robust representation and adaptive candidate list | |
Schlapbach et al. | Off-line writer identification and verification using Gaussian mixture models | |
Chiu et al. | Person authentication by air-writing using 3D sensor and time order stroke context | |
CN111310544B (zh) | 基于特征稳定性和特殊性分析的在线笔迹认证方法 | |
CN110689066B (zh) | 一种人脸识别数据均衡与增强相结合的训练方法 | |
Lee et al. | Angular Margin-Mining Softmax Loss for Face Recognition | |
Paudel et al. | Handwritten signature verification for mobile phones | |
Dong et al. | Scene-oriented hierarchical classification of blurry and noisy images | |
CN105718914A (zh) | 一种人脸编码及识别方法 | |
Zheng et al. | Capturing micro deformations from pooling layers for offline signature verification | |
Zhang et al. | Textured detailed graph model for dorsal hand vein recognition: a holistic approach | |
CN111310546B (zh) | 在线笔迹认证中一种书写节奏特征的提取及认证方法 | |
Ji et al. | Content-independent online handwriting verification based on multi-modal fusion | |
CN111310543B (zh) | 在线笔迹认证中笔画提连笔特征的提取及认证方法 | |
Guerra-Casanova et al. | A robustness verification system for mobile phone authentication based on gestures using Linear Discriminant Analysis | |
Tang et al. | Finger vein verification using occurrence probability matrix (OPM) | |
Paudel et al. | Online handwritten signature verification for low-end devices |
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 |