CN111950334A - 一种基于svm电子手写签名识别的方法 - Google Patents

一种基于svm电子手写签名识别的方法 Download PDF

Info

Publication number
CN111950334A
CN111950334A CN201910414061.5A CN201910414061A CN111950334A CN 111950334 A CN111950334 A CN 111950334A CN 201910414061 A CN201910414061 A CN 201910414061A CN 111950334 A CN111950334 A CN 111950334A
Authority
CN
China
Prior art keywords
signature
svm
user
data
source file
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.)
Pending
Application number
CN201910414061.5A
Other languages
English (en)
Inventor
雷晓红
蔡恒怡
刘颖钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Aos Online Information Technology Co ltd
Original Assignee
Chongqing Aos Online Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Aos Online Information Technology Co ltd filed Critical Chongqing Aos Online Information Technology Co ltd
Priority to CN201910414061.5A priority Critical patent/CN111950334A/zh
Publication of CN111950334A publication Critical patent/CN111950334A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V40/394—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于SVM电子手写签名识别方法，签名注册时，用户在注册时多次在签字终端形成签字源文件,提交签字源文件保存至签名数据库中，并与用户进行绑定；对签名库中的用户按用户进行标签绑定；对签字源文件数据进行主成分特征值提取；选择SVM的核参数，针对核函数及注册时的主成分数据进行最优核参数计算，计算出最优的惩罚系数及核参数，把待训练的主成分特征值、惩罚系数及核参数带入SVM中进行训练，得到全局用户的SVM训练模型，对模型进行保存；本发明采用svm进行训练，通过用户的特征值进行识别的工作，实现了小样本对用户的判断，其效率高，准确性也较好。

Description

一种基于SVM电子手写签名识别的方法
技术领域
本发明涉及一种基于SVM电子手写签名识别的方法，尤其涉及一种电子手写签名的识别的解决方法。
背景技术
SVM是一种专门研究小样本情况下机器学习规律的理论，多类问题，可以通过分解为一系列SVM直接求解的两类问题来进行最终结果判定。
电子手写签名识别技术是电子签名和传统手写签名的高度融合，它可以克服传统墨水签名易被模范的缺点，不改变现有的签名习惯，更容易被大众接受。
发明内容
为了解决上述问题，本发明提出一种基于SVM电子手写签名识别方法，包括签名注册及认证两部分，包括下述步骤：
用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的三维信息{xt,yt,pt},其中xt,yt分别为签名轨迹的横、纵坐标，pt为签名时的压力值。
用户提交签字源文件保存至签名数据库中，并与用户进行绑定。
对签名库中的用户按用户进行标签绑定，并对签字源文件统一进行预处理，减少噪声和平化信号，去掉无效数据，对x,y分别进行数据进行大小归一化：
以xt代表横坐标点，yt为纵坐标点，数据大小归一化的方法为
Figure BDA0002063774150000011
Figure BDA0002063774150000012
其中，x′t为签字源文件中每个轨迹的横坐标点，x′max为整个轨迹横坐标的最大值，x′min为整个轨迹横坐标的最小值，M为归一化的标准矩形框的大小。
y′t为签字源文件中每个轨迹的纵坐标点，y′min为整个轨迹纵坐标的最大值，y′min为整个轨迹纵坐标的最小值。在使用时，各坐标点的分别取x,y坐标，M的长宽一般取1，计算结果x"t和y"t代表为每个坐标点在坐标轨迹中的比例位置。此公式的目的为把签字源文件中的点映射到统一的标准矩形框中，消除每次签名时的大小差异。
对预处理后的数据进行特征值提取。
对特征值集合通过主成分分析法(PCA)提取主成分特征值，降低无效特征值对结果分析的干扰。
对选取后的数据利用前述归一化公式进行数据归一化处理：
Figure BDA0002063774150000021
Figure BDA0002063774150000022
把数据统一在[0,1]区间内，避免数值范围变化过大，并保存数据归一化的模型。
选择径向基核函数(RBF)作为SVM的核函数
Figure BDA0002063774150000023
其中，xi、xj为两个不同的特征值，||xi-xj||2为xi、xj两个特征值的欧几里得距离。σ0为RBF的函数宽度参数，也就是核参数，可通过主成分分析计算出最适合值。
针对核函数及注册时的主成分数据进行最优核参数计算，通过主成分分析计算出最优的惩罚系数C及最优的核参数的值σ0。
把待训练的主成分特征值、惩罚系数C及σ0带入SVM中进行训练，得到全局用户的SVM训练模型，对模型进行保存。
认证时，对采集的签字数据进行同样的预处理及大小归一化。
选取主成分的特征值组成待认证的集合，使用数据归一化的模型进行数据归一化，把数据统一在[0，1]之间。
选取识别范围的训练模型，把待识别数据及模型带入SVM中进行多分类计算，得到结果值，根据结果判定待识别用户的用户身份。
本发明采用svm进行训练，通过用户的特征值进行识别的工作，实现了小样本对用户的判断，其效率高，准确性也较好。
附图说明
图1为本发明电子手写签名识别的流程图。
图2为PCA的特征提取流程图。
图3为四类问题SVM结构图。
具体实施方式
如图一所示，本发明所述的基于SVM电子手写签名识别的方法是针对签字数据采集终端的采集数据进行分析计算，采集终端采集的数据按时间顺序记录笔迹的轨迹信息即{xt,yt,pt}集合，采集电子签字数据的读取速率达到200点/秒或以上的都可以结合本方案中的方法来进行使用。
在用户注册时，需要收集用户的唯一用户标识，不限于身份证件号码等确认用户的唯一身份，在识别时才能调取该用户的训练模型。
对用户特征值提取主要包含下述几方面的特征值：
■对坐标及时间通过公式计算数据及加速度的特征值。
■对压力及时间通过公式计算压力的特征值。
■对坐标通过公式计算手写样式的特征值。
利用三类特征值，建立细化的业务特征值矩阵，以特征值矩阵实现对书写过程的初步特征描述，再利用主成分分析进行贡献值计算以选取主成分，确定各个特征值的影响度，形成个人的笔迹特征矩阵。
详细介绍一种典型特征：平均加速度提取方法
速度矢量的变化和所经时间△t的比，称为△t时间内的平均加速度。
Figure BDA0002063774150000041
根据主成分分析算法(PCA)选取主成分的步骤包含下述几步：
对特征集集合进行计算，计算出协方差矩阵。
Figure BDA0002063774150000042
计算协方差矩阵的特征值及特征向量，按照从大到小进行排列。
特征值有m个，按照从大到小进行排列，特征值表示为λ1≥λ2≥…≥λm,特征向量为P1,P2,…Pm。
计算各个主成分的贡献率和累计贡献率。
Figure BDA0002063774150000043
Figure BDA0002063774150000044
计算主元向量。
Y＝XP
Figure BDA0002063774150000045
元素yh为：
根据主元向量对主成分选取，选取累计贡献率>85％,及主成分包含的信息占原始信息量85％以上的。
不同签名者不同累计贡献率的主元个数(表一)
Figure BDA0002063774150000051
选取主成分特征值后记录选取的特征值类型，对识别时的特征值选取相同的特征值进行计算。
SVM(支撑向量机)的基本思想是：线性情况下，在空间中找到这样的一个平面，原点到这个平面的距离要尽可能的大，并且这个平面要尽可能的将正常的样本点与异常的样本点分隔开来；在非线性情况下，将原始空间中的样本点映射到高维特征空间中，在高维空间中找的是一个超平面来达到数据集的线性可分。
两类问题的处理方式为：
假设找到的分割超平面为
Figure BDA0002063774150000052
是超平面的法向量，ρ∈R是偏置量，所以原点到超平面的距离为：
Figure BDA0002063774150000053
要使得原点到超平面的距离达到最大，而ρ是常量，因此需要使||w||达到最小，并满足一定条件，因此
Figure BDA0002063774150000054
Figure BDA0002063774150000061
其中
Figure BDA0002063774150000062
表示松弛变量，υ类似于二分类SVM的C，υ为异常值的分数设置了一个上限，υ是训练数据集里面做为支持向量的样例数量的下界。
采用朗格朗日乘子法，确定函数变为
Figure BDA0002063774150000063
若有个样本xi,有f(xi)＝-1,则认为xi这个样本被认为是异常点，反之则为正常的样本。
多类分类方法可分解为多个两类问题进行处理，k类别问题需要求解k(k-1)/2个支持向量机分类器，这些分类器构成一个有向无环图。该有向无环图中含有k(k-1)/2个内部节点和k个叶结点，每个节点对应一个二类分类器。
本实施例实施时，先采集用户的签字样本数据，然后对所有的签名样本进行预处理，特征值计算，再进行主成分分析筛选出主成本特征值，处理后使得无效数据及不稳定的特征值被过滤，再然后对处理后的数据进行SVM学习形成多分类器，再然后对待识别的签字数据进行识别。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于SVM电子手写签名识别方法，包括对用户的签注册和认证，其特征在于:
签名注册时，用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的签名轨迹的横、纵坐标以及签名时的压力值；
提交签字源文件保存至签名数据库中，并与用户进行绑定；
对签名库中的用户按用户进行标签绑定；对签字源文件统一进行预处理；
对预处理后的数据进行主成分特征值提取；
对选取后的数据进行归一化处理，保存数据归一化模型；
选择SVM的核参数，针对核函数及注册时的主成分数据进行最优核参数计算，计算出最优的惩罚系数及核参数，把待训练的主成分特征值、惩罚系数及核参数带入SVM中进行训练，得到全局用户的SVM训练模型，对模型进行保存；
认证时，对采集的签名数据进行预处理和大小归一化，选取主成分的特征值组成待认证的集合，使用数据归一化的模型进行数据归一化；
选取识别范围的训练模型，把待识别数据及模型带入SVM中进行多分类计算，得到结果值，根据结果判定待识别用户的用户身份。
2.如权利要求1所述的基于SVM电子手写签名识别方法，其特征在于：SVM的核函数为径向基核函数。
3.如权利要求1所述的基于SVM电子手写签名识别方法，其特征在于：对签字源文件统一进行预处理时，包括减少噪声和平化信号的过程。
4.如权利要求1所述的基于SVM电子手写签名识别方法，其特征在于：数据大小归一化的方法为
Figure FDA0002063774140000011
Figure FDA0002063774140000021
其中，x′t为签字源文件中每个轨迹的横坐标点，x′max为整个轨迹横坐标的最大值，x′min为整个轨迹横坐标的最小值，M为归一化的标准矩形框的大小，值为1；
y′t为签字源文件中每个轨迹的纵坐标点，y′min为整个轨迹横坐标的最大值，y′min为整个轨迹横坐标的最小值。
5.如权利要求4所述的基于SVM电子手写签名识别方法，其特征在于：进行归一化处理后的数据统一在[0,1]区间内。
6.如权利要求1所述的基于SVM电子手写签名识别方法，其特征在于：在进行主成分特征值提取后，选取的主成分应该累计贡献率>85％,主成分包含的信息占原始信息量85％以上。
CN201910414061.5A 2019-05-17 2019-05-17 一种基于svm电子手写签名识别的方法 Pending CN111950334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910414061.5A CN111950334A (zh) 2019-05-17 2019-05-17 一种基于svm电子手写签名识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910414061.5A CN111950334A (zh) 2019-05-17 2019-05-17 一种基于svm电子手写签名识别的方法

Publications (1)

Publication Number Publication Date
CN111950334A true CN111950334A (zh) 2020-11-17

Family

ID=73336115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910414061.5A Pending CN111950334A (zh) 2019-05-17 2019-05-17 一种基于svm电子手写签名识别的方法

Country Status (1)

Country Link
CN (1) CN111950334A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468987A (zh) * 2021-06-17 2021-10-01 傲雄在线(重庆)科技有限公司 一种电子笔迹鉴定方法、***、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329735A (zh) * 2008-06-27 2008-12-24 北京中星微电子有限公司 一种手写签名鉴定设备及其方法
CN102254196A (zh) * 2011-06-22 2011-11-23 江苏奥博洋信息技术有限公司 计算机鉴别手写汉字的方法
CN102483784A (zh) * 2009-08-27 2012-05-30 讯宝科技公司 用于对触摸屏上的签名的基于压力的认证的***和方法
CN105893809A (zh) * 2015-01-06 2016-08-24 江南大学 使用svm分类器识别智能终端用户身份的方法
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到***
CN109344856A (zh) * 2018-08-10 2019-02-15 华南理工大学 一种基于多层判别式特征学习的脱机签名鉴别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329735A (zh) * 2008-06-27 2008-12-24 北京中星微电子有限公司 一种手写签名鉴定设备及其方法
CN102483784A (zh) * 2009-08-27 2012-05-30 讯宝科技公司 用于对触摸屏上的签名的基于压力的认证的***和方法
CN102254196A (zh) * 2011-06-22 2011-11-23 江苏奥博洋信息技术有限公司 计算机鉴别手写汉字的方法
CN105893809A (zh) * 2015-01-06 2016-08-24 江南大学 使用svm分类器识别智能终端用户身份的方法
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到***
CN109344856A (zh) * 2018-08-10 2019-02-15 华南理工大学 一种基于多层判别式特征学习的脱机签名鉴别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468987A (zh) * 2021-06-17 2021-10-01 傲雄在线(重庆)科技有限公司 一种电子笔迹鉴定方法、***、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Hamadene et al. One-class writer-independent offline signature verification using feature dissimilarity thresholding
Kyperountas et al. Weighted piecewise LDA for solving the small sample size problem in face verification
CN110619274A (zh) 基于***和签名的身份验证方法、装置和计算机设备
CN102147858B (zh) 车牌字符识别方法
CN105389593A (zh) 基于surf特征的图像物体识别方法
Du et al. Wavelet domain local binary pattern features for writer identification
US20170076152A1 (en) Determining a text string based on visual features of a shred
Bennour et al. Handwriting based writer recognition using implicit shape codebook
Li et al. DeepHSV: User-independent offline signature verification using two-channel CNN
Zheng et al. Classification techniques in pattern recognition
Fayyaz et al. Online signature verification based on feature representation
Pham et al. Offline handwritten signature verification using local and global features
Wang et al. MQDF discriminative learning based offline handwritten Chinese character recognition
Hashim et al. A comparative study among handwritten signature verification methods using machine learning techniques
Inunganbi et al. Local texture descriptors and projection histogram based handwritten Meitei Mayek character recognition
Wenhong et al. Application of support vector machine (SVM) on serial number identification of RMB
CN111950334A (zh) 一种基于svm电子手写签名识别的方法
Hammer et al. Relational extensions of learning vector quantization
Saleem et al. Survey of preprocessing techniques and classification approaches in online signature verification
CN111950331A (zh) 一种基于ocsvm电子手写签名识别的方法
CN111950333B (zh) 一种基于神经网络电子手写签名识别的方法
BabaAli Online writer identification using statistical modeling-based feature embedding
Bennour et al. A deep learning framework for historical manuscripts writer identification using data-driven features
Pan et al. A method of off-line signature verification for digital forensics
Kurnaz et al. Offline Signature Identification System to Retrieve personal information from cloud

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201117