JPH07302340A - オンラインサイン認証方法および認証学習方法 - Google Patents

Abstract

(57)【要約】 【目的】 自己回帰モデルによらない新規のオンライン
サイン認証方法を提供する。 【構成】 中間層の１つである第３層１３が１個のユニ
ット３１から構成されるニューラルネット１０を使用す
る。入力筆点を一定時間Ｔごとにサンプリングしてその
ＸＹ座標値を求め、正規化し、サンプリング点列（ｘ
(t),ｙ(t)）,（ｘ(t-T),ｙ(t-T)）,（ｘ(t-2T),ｙ(t-2
T)）,…,（ｘ(t-nT),ｙ(t-nT)）を得る。最新の入力デ
ータ（ｘ(t),ｙ(t)）を教師パターンとして第５層（出
力層）１５に与え、第１層（入力層）１１にこれらサン
プリング点列を与え、誤差逆伝播法によってニューラル
ネット１０の学習を行なう。認証時には、認証対象の入
力文字パターンについて同様に求めたサンプリング点列
を第１層１１に入力し、このときの第３層１３の出力と
学習時の第３層１３の出力とを比較する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、手書き文字からなる入
力されたサイン（署名）が本人のものであるかをオンラ
インで判別するオンラインサイン認証方法に関する。

【０００２】

【従来の技術】手書き文字をオンラインでサイン認証す
る従来の方法は、自己回帰モデルに基づくものである
（例えば文献：Mohanhishman, N. et.a1., "On line Si
gnatureVerification Using a Nonstationary Autoregr
essive Model Representation,"IEEE Int. Symp. Circu
its Syst., Vol. 1993, No. 4, pp. 2303-2308）。図６
は、この自己回帰モデルによる方法の手順を示すフロー
チャートである。この方法では、まず、認証の対象とな
るサインを入力し（ステップ２０１）、そのサインを多
くのセグメントに分割し（ステップ２０２）、各セグメ
ントを自己回帰モデルとして表現する（ステップ２０
３）。そして、自己回帰モデルの各次の係数を求め、モ
デルのサイン（参照用のサイン）について予め算出して
ある各次の係数と比較する（ステップ２０４）ことによ
り、そのサインがモデルのサインの筆者によるものかど
うかを判別する。ここで自己回帰モデルとは、簡単に
は、出力列ｙ_i（ｉ＝１,２,３,…）が与えられたとき、

【０００３】

【数１】 で表わされる、すなわち出力が回帰してこれらの線形結
合によって次の出力が表現される、というモデルであ
る。ここでＮはモデルの次数でありａ_iはｉ次の係数で
ある。

【０００４】

【発明が解決しようとする課題】上述した自己回帰モデ
ルによるオンラインサイン認証方法の場合、自己回帰モ
デルの次数の推定は経験的に行われており、熟練が必要
であって、最適な次数の推定が難しいという問題点があ
る。また、認識率の向上を図るためにはモデルのサイン
の最適化、すなわちモデルのサインから算出される各次
の係数の最適化を図る必要があるが、そのような係数の
係数の決定にも困難を伴うという問題点がある。

【０００５】本発明の目的は、次数の推定やモデルのサ
インについての係数の決定などの経験的要素を排し、自
動的かつ確実にオンラインサイン認証が行える方法を提
供することにある。

【０００６】

【課題を解決するための手段】請求項１ないし３に記載
された本発明の第１のオンラインサイン認証方法は、手
書き文字からオンラインサイン認証する方法であって、
オンライン入力される入力筆点を所定の時間Ｔごとにサ
ンプリングしてパターンベクトルとして表現するベクト
ル化工程と、前記パターンベクトルを正規化する正規化
工程と、中間層の少なくとも１層が１ユニットで構成さ
れる砂時計型パーセプトロン階層型ニューラルネットを
使用し、前記ニューラルネットの入力層に正規化後の前
記パターンベクトルを入力し、前記ニューラルネットの
出力層に教師パターンとして前記正規化後のサンプリン
グ値の１つを与えることによって誤差逆伝播法で前記ニ
ューラルネットの学習を行なう学習工程と、前記学習工
程の実施後、認証すべきサインを入力パターンとして前
記ベクトル工程および前記正規化工程を実施し、前記認
証すべきサインに対応する正規化後のパターンベクトル
を前記入力層に与え、前記１ユニットである中間層から
出力される１次元ベクトルが形成する特徴空間で認証を
行なう認証工程とを有する。

【０００７】請求項４ないし５に記載された本発明の第
２のオンラインサイン認証方法は、手書き文字からオン
ラインサイン認証する方法であって、出力層が１ユニッ
トで構成されるパーセプトロン階層型のニューラルネッ
トを使用し、オンライン入力される入力筆点を所定の時
間Ｔごとにサンプリングしてパターンベクトルとして表
現するベクトル化工程と、前記パターンベクトルを正規
化する正規化工程と、正規化後の前記パターンベクトル
を前記ニューラルネットの入力層に与え、前記出力層か
ら出力される１次元ベクトルの形成する特徴空間で認証
を行なう認証工程とを有する。

【０００８】請求項６に記載された本発明のオンライン
サイン認証学習方法は、オンライン入力される入力筆点
を所定の時間ごとにサンプリングしてパターンベクトル
として表現し、正規化した後に前記パターンベクトルを
ニューラルネットの入力層に入力し、該ニューラルネッ
トの少なくとも１つの出力に応じて手書き文字オンライ
ンサイン認証を行なう認証方法における、前記ニューラ
ルネットの学習方法であって、学習対象の入力パターン
を入力して所定の時間ごとにサンプリングしてパターン
ベクトルとして表現し、前記パターンベクトルを正規化
し、正規化後のパターンベクトルによって入出力パター
ンセットを構成し、前記入出力パターンセットを用い収
束するまで誤差逆伝播学習法で前記ニューラルネットの
学習を行なう。

【０００９】

【作用】本発明のオンラインサイン認証方法では、中間
層の１つが１ユニットである砂時計型パーセプトロン型
ニューラルネット（請求項１ないし３）あるいは出力層
が１ユニットであるパーセプトロン型ニューラルネット
（請求項４ないし５）を使用することにより、これら１
ユニットで構成される層（中間層あるいは出力層）のユ
ニットに情報を圧縮させている。そして、この層からの
出力が１次元ベクトルとなることを利用して、この１次
元ベクトルが形成する特徴空間で認証を行なうことによ
り、自己回帰モデルにおける次数の推定などの経験的な
要素を排除して、自動的かつ確実にオンラインサイン認
証を行なうことが可能となる。

【００１０】本発明の認証方法では、基本的には、認証
はニューラルネットの学習に依存している。請求項１な
いし３の認証方法では、学習と認証とを同一のニューラ
ルネットで行なうことを想定している。学習方法として
は、一般のニューラルネットで汎用される誤差逆伝播法
（エラーバックプロパゲーション法）を使用する。誤差
逆伝播法の場合、出力層に教師パターンを与えることに
なるが、本発明の場合、教師パターンは１次元ベクトル
ではないので、出力層を１ユニット構成とすることはで
きない。そこで、中間層の少なくとも１つが１ユニット
構成である砂時計型パーセプトロン階層型ニューラルネ
ットを使用し、１ユニットで構成される中間層の出力を
認証に使用している。この場合、教師パターンとして
は、最も新しいサンプリング値を正規化したものを用い
ることが好ましい。

【００１１】本発明では、入力筆点をサンプリングして
パターンベクトルを得て、このパターンベクトルを正規
化しているが、パターンベクトルとしては、例えば、ｘ
ｙ平面内での筆点の時系列による座標値の集合として表
わされるものを使用することができる。このようなパタ
ーンベクトルを正規化する場合、処理の容易さなどの観
点から、時刻-ｘ軸平面および時刻-ｙ軸平面のそれぞれ
ごとに、当該平面内でのベクトルの軌跡の始点と傾きと
を正規化するようにすることが好ましい。

【００１２】ところで本発明において、ニューラルネッ
トの学習は、同一の署名者に対しては予め１回だけやっ
ておけばよい工程である。したがって、学習を別途に行
なうことを前提として、上述の中間層の少なくとも１つ
が１ユニット構成である砂時計型パーセプトロン階層型
ニューラルネットからその１ユニット構成の中間層の次
の層から出力層までを除去した構成のニューラルネット
を考えると、このニューラルネット（出力層が１ユニッ
ト構成となっている）だけでも認識は行なえることにな
る。請求項４は、出力層が１ユニット構成となっている
ニューラルネットを用いた認証方法に対応している。こ
のニューラルネットの学習の内容としては、砂時計型の
ニューラルネットを使用して上述したように行なった学
習の結果をそのまま利用することができる。学習時に一
時的に砂時計型のニューラルネットとして構成し、学習
後に砂時計型ニューラルネットの出力層側を取り外して
もよいし、別の場所で学習させた結果を移植するように
してもよい。

【００１３】本発明の認証学習方法では、上述したよう
なパターンベクトルを正規化し、これによって入出力パ
ターンセットを構成し、この入出力パターンセットをニ
ューラルネットに入力して誤差逆伝播法で学習を行なう
ので、オンラインサイン認証に使用するニューラルネッ
トの学習を自動的に行なわせることが可能となる。

【００１４】

【実施例】次に本発明の実施例について、図面を参照し
て説明する。図１(a)は本発明の一実施例のオンライン
サイン認証方法に使用されるニューラルネットの構成を
示すブロック図、(b)は認証モードのみを行なうニュー
ラルネットの構成を示すブロック図である。

【００１５】図１(a)に示すニューラルネットは、砂時
計型パーセプトロン階層型のものであって、第１層１１
から第５層１５までの５層構成となっている。第１層１
１が入力層であり、第５層１５が出力層であり、他の層
１２〜１４は中間層である。第１層１１、第３層１３お
よび第５層１５はそれぞれ線型のユニット（ニューロ
ン）３１から構成され、第２層および第４層はそれぞれ
非線型のシグモイド関数（Ｓ字型関数）で表現されるユ
ニット（ニューロン）３１によって構成されている。こ
れらの層のうち、第３層１３は１ユニット構成であり、
第５層１５（出力層）は２ユニット構成であり、他の層
１１,１２,１４のユニット数は任意に設定される。ユニ
ット３１間は、後述の学習を行なうことによって重みの
変化する重み付きリンクによって接続されている。

【００１６】このようなニューラルネット１０を使用す
る本実施例のオンラインサイン認証方法は、学習モード
と認証モードの２つのモードに大きく分けられる。学習
モードは、署名者本人のサイン（署名）に基づいてニュ
ーラルネット１０の学習を行なう過程であり、認証モー
ドは、学習モードによる学習後のニューラルネット１０
を使用して、入力したサインが学習対象の署名者本人の
ものであるかを識別する過程である。まず、学習モード
について、図２を用いて説明する。

【００１７】サインの手書き（手書き文字パターン）が
開始される（ステップ１０１）と、入力の際に筆点の座
標が一定時間Ｔごとにサンプリングされ、時刻ｔにおけ
る筆点のＸ座標値およびＹ座標値がそれぞれＸ(t)およ
びＹ(t)が取得されて記憶される。続いて入出力パター
ンセットへの変換が行なわれ、正規化が行なわれる（ス
テップ１０３）。正規化は、Ｘ座標についてとＹ座標に
ついて、それぞれ独立に行なわれる。

【００１８】例えば、図３(a)に示すように、サイン５
０として英小文字「ａ」が入力したとする。図におい
て、筆跡（筆先の軌跡）が太線で表わされており、各サ
ンプリング点５１が○印で示されている。また、サンプ
リング点のうち最も書き始めに近いものが始点５２とな
っている。以下、Ｘ座標値の正規化について説明する
が、Ｙ座標値についても同様である。まず、図３(b)に
示すように、横軸が時刻ｔ、縦軸がＸ座標値である平面
に、サンプリングされた各点を配置する。そして、始点
５２がこの座標平面の原点に一致するように、全体を平
行移動させる。平行移動後の状態が図３(c)に示されて
いる。そして、その時点での筆跡の終点がｔ軸上に位置
するように、原点すなわち始点５１を中心にして、全体
を回転移動する。その結果が図３(d)に示されている。
なお図では、時刻軸において回転移動の前後をｔ軸と
ｔ'軸で区別している。サンプリング系列の各点の回転
移動後のｘ座標値ｘ(t)は、

【００１９】

【数２】 と表わされ、これによって正規化が行なわれたことにな
る。同様に、Ｙ座標についても正規化が行なわれ、各点
の正規化後の座標ｙ(t)は、

【００２０】

【数３】 と表わされる。一定時間Ｔごとにサンプリングを行なっ
ているから、変換され正規化された後のサンプリング点
は、（ｘ(t),ｙ(t)）,（ｘ(t-T),ｙ(t-T)）,（ｘ(t-2
T),ｙ(t-2T)）,…,（ｘ(t-nT),ｙ(t-nT)）で表わされ
る。

【００２１】このように変換および正規化を実行し、全
てのｔについて正規化後のサンプリング点列すなわち入
出力パターンセットが得られたら、さらに他の人の署名
についての学習をするかどうかをチェックする（ステッ
プ１０４）。他の人についても学習する場合にはステッ
プ１０１からの処理を繰り返してその人についてのパタ
ーンセットを作成し、そうでない場合には、ニューラル
ネット１０の実際の学習を開始する（ステップ１０
５）。

【００２２】学習は、入出力パターンセットによる誤差
逆伝播法による。その際、逐次学習法とモーメント法を
併用する（文献：中野馨編、"入門と実習 ニューロコ
ンピュータ"、技術評論社、１９８９年）。

【００２３】ニューラルネット１０の第１層（入力層）
１１には、図１(a)に示すように、上記のｘ,ｙの時系列
データを入力パターン（パターンベクトル）として入力
する。同時に、第５層（出力層）１５には、最新のサン
プリング値ｘ(t),ｙ(t)を教師パターン（出力パター
ン）として与える。誤差逆伝播法による学習が開始され
たら、入力されるｘ,ｙと出力されるｘ,ｙを随時比較
し、全てのｔについてのｘ,ｙが予め任意に設定した誤
差以内の出力となっているかどうかを判断することによ
って、収束したかどうかを判断する（ステップ１０
６）。収束していないときすなわち誤差以内の出力とは
なっていない場合には、ステップ１０５を繰り返し実行
し、収束した場合には、既に入力したのと同じ入力パタ
ーンをニューラルネット１０に入力し、全てのｔについ
て、第３層１３の出力を計算する（ステップ１０７）。
以上により、学習モードの処理は終了する。

【００２４】次に、認証モードについて図４を用いて説
明する。ニューラルネット１０は、上述の学習モードに
よって、署名者本人についての学習が終了しているもの
とする。ここでは誰かが手書きサイン文字を書いた場合
に、その人が先に学習した署名者本人であるかどうかを
認証する場合を説明する。

【００２５】まず、認証対象の手書きサインが手書き文
字パターンとして入力したら（ステップ１１１）、学習
モードの場合と同様に、筆点が一定の時間間隔Ｔでサン
プリングされ、座標と時間が記憶される（ステップ１１
２）。さらに、学習モードと同様に正規化され、入力パ
ターンセットヘ変換される（ステップ１１３）。なお、
学習を行なうのではないので、出力パターンセットは用
意されない。

【００２６】正規化された入力パターンセット（パター
ンベクトル）は、学習済みのニューラルネット１０ヘ入
力され（ステップ１１４）、ニューラルネット１０の第
３層１３の出力が、全てのｔについて計算される。そし
て、第３層１３の出力である１次元ベクトルの全てのｔ
についての値と、上述の学習モードのステップ１０６で
計算された署名者本人に対するの第３層出力の１次元ベ
クトルの全てのｔについての値とを対象として、全ての
ｔについてこれら１次元ベクトルの相互相関を計算する
（ステップ１１５）。そして、相互相関のピーク値が予
め設定したいき（閾）値を越えているかを判断する（ス
テップ１１６）。いき値を越えている場合には、入力し
た署名が学習した署名者本人のものであると認証し（ス
テップ１１７）、いき値を越えていない場合には他人で
あると認証し（ステップ１１８）、認証モードの処理を
終了する。

【００２７】以上、認証モードを説明したが、認証での
具体的判別方法としては、相互相関のピーク値による判
別のほかに、例えば、両者の１次元回帰式に基づく相関
係数の値に基づく判別方法などもある。

【００２８】以上、本発明の一実施例について説明した
が、上述の説明から明らかなように、認証モード時に
は、図１(a)に示すニューラルネット１０の第４層１４
および第５層１５は、処理に一切関与していない。そこ
で、認証モードにおいては、図１(b)に示されるよう
に、第４層および第５層を省略した構成のニューラルネ
ット２０とし、上述のニューラルネット１０では中間層
であった第３層１３を出力層とすることが可能である。
この場合、予め何らかの方法で学習を行なう必要がある
が、学習時にのみ第４層や第５層を設けて上述の学習モ
ードで学習を行なってもよいし、上述の学習モードによ
る学習を別の場所で行ない、その学習結果だけをこのニ
ューラルネット２０に移植するようにしてもよい。

【００２９】

【発明の効果】本発明の第１のオンラインサイン認証方
法は、砂時計型パーセプトロン階層型ニューラルネット
に、オンラインサイン手書き文字を回転や位置によらな
いように正規化して入力学習させ、学習が終ったニュー
ラルネットでオンラインサイン認証を行なわせることに
より、自己回帰モデルで必要な経験的に人間が決める次
数の推定や係数の決定の必要がなく、すべてのパラメー
タは自動的に処理でき、手書き文字の位置や傾きによら
ず認識処理ができるようになるという効果がある。さら
に、ニューラルネットの中間層の１ユニットの出力に情
報を圧縮し、１次元ベクトルで形成される特徴空間でサ
イン認証を行なうので、簡単な相互相関の計算で認証の
度合を評価できるという効果がある。

【００３０】本発明の第２のオンラインサイン認証方法
は、出力層が１ユニットのニューラルネットでオンライ
ンサイン認証を行なわせることにより、自己回帰モデル
で必要な経験的に人間が決める次数の推定や係数の決定
の必要がなく、すべてのパラメータは自動的に処理で
き、手書き文字の位置や傾きによらず認識処理ができる
ようになるという効果がある。さらに、出力層１ユニッ
トの出力に情報を圧縮し、１次元ベクトルで形成される
特徴空間でサイン認証を行なうので、簡単な相互相関の
計算で認証の度合を評価できるという効果がある。

【００３１】本発明の認証学習方法は、上述したような
パターンベクトルを正規化し、これによって入出力パタ
ーンセットを構成し、この入出力パターンセットをニュ
ーラルネットに入力して誤差逆伝播法で学習を行なうこ
とにより、オンラインサイン認証に使用するニューラル
ネットの学習を自動的に行なわせることができるように
なるという効果がある。

【図面の簡単な説明】

【図１】図１(a)は本発明の一実施例のオンラインサイ
ン認証方法に使用される砂時計型パーセプトロン階層型
ニューラルネットの構成を示すブロック図、(b)は認証
モードのみを行なうニューラルネットの構成を示すブロ
ック図である。

【図２】学習モードの処理を示すフローチャートであ
る。

【図３】(a)は手書きサインとして入力される入力パタ
ーンの一例を示す図、(b)〜(d)はそれぞれ正規化処理を
説明する図である。

【図４】認証モードの処理を示すフローチャートであ
る。

【図５】自己回帰モデルによる従来のオンラインサイン
認証方法の手順を示すフローチャートである。

【符号の説明】 １０，２０ ニューラルネット １１ 第１層 １２ 第２層 １３ 第３層 １４ 第４層 １５ 第５層 ３１ ユニット ５０ サイン ５１ サンプリング点 ５２ 始点 １０１〜１０７，１１１〜１１８，２０１〜２０４
ステップ

───────────────────────────────────────────────────── フロントページの続き (72)発明者 曽根原 登 東京都千代田区内幸町一丁目１番６号 日 本電信電話株式会社内

Claims (6)

【特許請求の範囲】
1. 【請求項１】 手書き文字からオンラインサイン認証す
   る方法であって、 オンライン入力される入力筆点を所定の時間Ｔごとにサ
   ンプリングしてパターンベクトルとして表現するベクト
   ル化工程と、 前記パターンベクトルを正規化する正規化工程と、 中間層の少なくとも１層が１ユニットで構成される砂時
   計型パーセプトロン階層型ニューラルネットを使用し、
   前記ニューラルネットの入力層に正規化後の前記パター
   ンベクトルを入力し、前記ニューラルネットの出力層に
   教師パターンとして前記正規化後のサンプリング値の１
   つを与えることによって誤差逆伝播法で前記ニューラル
   ネットの学習を行なう学習工程と、 前記学習工程の実施後、認証すべきサインを入力パター
   ンとして前記ベクトル工程および前記正規化工程を実施
   し、前記認証すべきサインに対応する正規化後のパター
   ンベクトルを前記入力層に与え、前記１ユニットである
   中間層から出力される１次元ベクトルが形成する特徴空
   間で認証を行なう認証工程とを有するオンラインサイン
   認証方法。
2. 【請求項２】 前記パターンベクトルがｘｙ平面内での
   入力筆点の時系列による座標値の集合として表わされ、 前記正規化工程が、時刻-ｘ軸平面および時刻-ｙ軸平面
   のそれぞれごとに、当該平面内での前記ベクトルの軌跡
   の始点と傾きとを正規化する工程である請求項１に記載
   のオンラインサイン認証方法。
3. 【請求項３】 前記教師パターンが最も新しいサンプリ
   ング値によるものである請求項１または２に記載のオン
   ラインサイン認証方法。
4. 【請求項４】 手書き文字からオンラインサイン認証す
   る方法であって、 出力層が１ユニットで構成されるパーセプトロン階層型
   のニューラルネットを使用し、 オンライン入力される入力筆点を所定の時間Ｔごとにサ
   ンプリングしてパターンベクトルとして表現するベクト
   ル化工程と、 前記パターンベクトルを正規化する正規化工程と、 正規化後の前記パターンベクトルを前記ニューラルネッ
   トの入力層に与え、前記出力層から出力される１次元ベ
   クトルの形成する特徴空間で認証を行なう認証工程とを
   有するオンラインサイン認証方法。
5. 【請求項５】 請求項４に記載のオンラインサイン認証
   方法であって、 前記ニューラルネットが学習済みのものであり、 前記学習の内容が、前記ニューラルネットの出力層の出
   力側にさらにユニットを設けた構成の砂時計型ニューラ
   ルネットを使用し、前記砂時計型ニューラルネットの入
   力層に正規化後の前記パターンベクトルを入力し、前記
   ニューラルネットの出力層に教師パターンとして前記正
   規化後の最新のサンプリング値を与えることによって誤
   差逆伝播法で行なわれた学習の結果に基づくものである
   オンラインサイン認証方法。
6. 【請求項６】 オンライン入力される入力筆点を所定の
   時間ごとにサンプリングしてパターンベクトルとして表
   現し、正規化した後に前記パターンベクトルをニューラ
   ルネットの入力層に入力し、該ニューラルネットの少な
   くとも１つの出力に応じて手書き文字オンラインサイン
   認証を行なう認証方法における、前記ニューラルネット
   の学習方法であって、 学習対象の入力パターンを入力して所定の時間ごとにサ
   ンプリングしてパターンベクトルとして表現し、 前記パターンベクトルを正規化し、 正規化後のパターンベクトルによって入出力パターンセ
   ットを構成し、 前記入出力パターンセットを用い収束するまで誤差逆伝
   播学習法で前記ニューラルネットの学習を行なうオンラ
   インサイン認証学習方法。