CN1477580A - 脱机中文签名鉴定方法 - Google Patents

Abstract

一种脱机中文签名鉴定方法，属于计算机应用领域。本发明首先准备数字化训练用的真签名样本集合以及待识别样本，并做前期的预处理获得规格化的数字签名图像，然后进行特征提取，通过对得到的图像进行小波变换与奇异值变换，抽取出一个向量来描述特定签名的特征，接着再进行分类识别，识别过程中，把描述真签名的特征向量与待识别的签名样本的特征向量相比较来鉴定待识别签名的真伪，最后对***储存的签名样本的特征模板进行自组织调整，适应签名特征本身的演变。本发明采用了以小波分析与自组织策略为主要技术手段的***设计思想，克服了原有方法的不足，非常适用于脱机中文签名问题。

Description

脱机中文签名鉴定方法

技术领域

本发明涉及的是一种计算机脱机鉴定方法，特别是一种利用小波分析与自组织算法对中文签名图像进行分析、鉴定的脱机中文签名鉴定方法，属于计算机应用领域。

背景技术

如何准确鉴定一个人的身份，保护信息安全是当今信息化时代必须解决的一个关键的社会问题。签名是一种得到法律认可的使用广泛的识别身份的生物特征，签名鉴定技术便是通过计算机来识别签名的真伪，以确认其有效性。现在该领域的研究主要集中在联机签名鉴定。

经文献检索发现，Friederike D.Griess Masters Thesis，发表的“On-lineSignature Verification”(Michigan state university，masterdissertation July 2000)(“联机签名鉴定”，密歇根州立大学，硕士学位论文，2000年7月)但是由于汉字与英文的差异和我国的具体国情，这些应用于英文签名鉴定的有效技术在我国无法适用。静态的脱机签名更适合于中文。中文签名鉴定技术，最新的成果是于威威在《山东大学硕士学位论文》，2001.12上公开的“采用傅氏变换特征提取方法的脱机中文签名鉴定研究”，但是由于傅氏变换只是在频域进行细分，而在空间域没有局部化的能力，这就决定了其提取的特征是不全面的，从而对最终识别精度得不到保障。同时由于签名的特征具有随时间演变的特性，即具有不稳定性，以往的中文脱机签名鉴定技术没有有效的策略去跟踪签名特征的演变。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种通过小波分析与自组织算法的脱机中文签名鉴定方法，使其通过借鉴人脸、指纹识别中的最新技术，实现有效鉴定计算机脱机中文签名。

本发明是通过以下技术方案实现的，本发明首先准备数字化训练用的真签名样本集合以及待识别样本，并做前期的预处理获得规格化的数字签名图像，然后进行特征提取，通过对得到的图像进行小波变换与奇异值变换，抽取出一个向量来描述特定签名的特征，接着再进行分类识别，识别过程中，把描述真签名的特征向量与待识别的签名样本的特征向量相比较来鉴定待识别签名的真伪，最后对***储存的签名样本的特征模板进行自组织调整，适应签名特征本身的演变。

以下对本发明方法作进一步的描述，具体内容如下：

一.预处理

预处理具体步骤如下：

1.作图像分割，把签名图像从背景中分离出来。

2.对签名部分(是一个不规则的数字图像)进行灰度均衡化处理。

3.旋转校正。在数据采集阶段扫描得到的数字图像可能会是倾斜的，而特征提取要求有规格化的旋转角度，因此在这一步对对签名图像在统一的规则的基础上进行几何变换使其具有统一的角度规格。

4.去除签名图像中各组成部分的间隔以及签名图像的像素与图像边界之间的空隙来消除这些识别鉴定中的干扰信息，此处需要做两步几何运算，第一步是图像的平移，第二步是图像的剪裁。

5.在预处理的最后一步要进行的是签名图像的大小规格化，由于最终是要提取签名图像的奇异值，只需将签名图像规格化为横向尺度一致即可。

二.特征提取

特征提取是***的核心问题。签名样本是有限的，充分提取分类信息需要最大限度的挖掘有限样本中的特征。

1.对签名图像进行小波变换以全面挖掘签名图像的时频域特征。

i)小波基函数的选取采用的是Harr函数作为小波基函数。

ii)经过小波分解后得到的图像是四幅横向幅度纵向幅度均为原签名图像一半的子图像。在这四幅子图像中，低频子图像包含了原始图像的主要描述信息，其它三个高频子图像的描述信息相对较少，但是这三个高频子图像包含了重要的分类信息。

2.获取签名图像的特征向量。

i)对得到的四幅子图像分别提取奇异值特征。

ii)分别对四幅经小波变换得到的子图像提取奇异值特征向量，将其首尾相接得到的向量作为签名样本最终的特征向量。

三.分类识别

得到特征向量以后签名鉴定问题就是一个典型的模式匹配问题，在理论上可以使用任何一种分类器，比如可以采用加权欧式距离分类器进行识别。

1)利用同一个人的5个真签名样本的特征向量形成匹配模板和计算阈值，匹配模板为样本特征向量的均值，阈值为均方差的4.3倍。之所以将阈值选取为均方差的4.3倍是为了权衡识别误识率与拒识率，从而达到最优的正确识别率。该值是在试验中通过经验获得的。

2)有了匹配模板、阈值，分类识别就可以通过测试样本与他们的比较实现。比较测试样本的特征矢量为与匹配模板的欧是距离，如果该值小于等于标准差的4.3倍就判定测试样本为真签名，否则判定测试样本为假签名。

四.自组织调整

签名是随着年龄的增长不断改变的，从长时间来看某一个体的签名是一个演变的过程，签名的特征模板应该跟随签名特征的演变。

要解决这一个问题，也就是要做到特征模板与判别阈值的自组织调整，现实的方法是存储数量有限的签名样本的特征向量组成特征向量组(具体来讲是5个特征向量，从而与确定初始的特征模板与判别阈值时相同)，这样的设计并不会受到硬件的限制。然后可以依据某种自组织启发式规则，根据判定为真的签名样本的特征性量的特性用其来更新签名样本特征向量组。

假设原有的特征向量组为{f_a，f_b，f_c，f_d，f_e}，其均值为 f，均方差为σ，最新判定为真的签名的特征向量为f_x。第一种方法是用f_x代替最早进入特征向量组的成员，并重新计算 f和σ；第二种方法是用f_x代替离 f欧氏距离最远的成员(如果f_x离 f欧氏距离最远，则不做替换)，并重新计算 f和σ；第三种方法是用f_x代替离f_x本身欧氏最远的成员，并重新计算 f和σ。

最后一种方法相对来说比较合理，能够适应更广泛的情况，既可以跟踪特征的演变，也可以适应签名特征逐渐变稳定的情况，但是其调整速度比较慢。

在算法的编制过程中建议使用第三种自组织识别策略。当然也可以利用这三方法的嵌套组合，形成更复杂的自组织替代策略。

本发明具有实质性特点和显著进步，本发明针对中文签名鉴定的特定和难点综合考虑现有的模式识别技术，采用了以小波分析与自组织策略为主要技术手段的***设计思想，克服了原有方法的不足，非常适用于脱机中文签名问题。

具体实施方式

结合本发明方法的内容提供以下实例，在银行的取存款业务中，通过鉴别签名的真伪来识别是不是冒用合法身份。

首先用户需要进行注册，也就是提供5个真签名用以形成签名样本模板，其形成过程如下：

1)对签名进行预处理。

2)对预处理后的得到的5幅规格化的图像分别做小波变换并提取奇异值特征，分别组合这些奇异值特征以形成描述签名特征的特征向量。

3)得到的5个特征向量进行处理以得到签名的分类模板和阈值。

用户注册完毕后，***便可以在以后的客户存取款业务中通过鉴别其签名来识别用户身份的真假。具体步骤如下：

1)对得到的待验证签名样本用与注册过程同样的步骤和算法对签名图像进行预处理和提取特征向量。

2)对得到的特征向量根据分类模板与识别规则进行分类。

3)根据分类结果对特征模板进行自组织调整。

通过识别客户的身份来提高银行存取款业务的安全性，保护用户的权利，提高防范诈骗和冒领的识别能力。

Claims (6)

1、一种脱机中文签名鉴定方法，其特征在于，首先准备数字化训练用的真签名样本集合以及待识别样本，并做前期的预处理获得规格化的数字签名图像，然后进行特征提取，通过对得到的图像进行小波变换与奇异值变换，抽取出一个向量来描述特定签名的特征，接着再进行分类识别，识别过程中，把描述真签名的特征向量与待识别的签名样本的特征向量相比较来鉴定待识别签名的真伪，最后对***储存的签名样本的特征模板进行自组织调整，适应签名特征本身的演变。

2、根据权利要求1所述的脱机中文签名鉴定方法，其特征是，所述的预处理，具体步骤如下：

(1)作图像分割，把签名图像从背景中分离出来；

(2)对签名部分进行灰度均衡化处理，签名部分是一个不规则的数字图像；

(3)旋转校正，对签名图像在统一的规则的基础上进行几何变换使其具有统一的角度规格；

(4)去除签名图像中各组成部分的间隔以及签名图像的像素与图像边界之间的空隙来消除识别鉴定中的干扰信息，此处要做两步几何运算，第一步是图像的平移，第二步是图像的剪裁；

(5)在预处理的最后一步要进行的是签名图像的大小规格化，由于最终是提取签名图像的奇异值，将签名图像规格化为横向尺度一致即可。

3、根据权利要求1所述的脱机中文签名鉴定方法，其特征是，所述的特征提取，具体如下：

(1)对签名图像进行小波变换以全面挖掘签名图像的时频域特征：

i)小波基函数的选取采用的是Harr函数作为小波基函数；

ii)经过小波分解后得到的图像是四幅横向幅度纵向幅度均为原签名图像一半的子图像，在这四幅子图像中，低频子图像包含了原始图像的主要描述信息，其它三个高频子图像的描述信息相对较少，但这三个高频子图像包含了重要的分类信息；

(2)获取签名图像的特征向量：

i)对得到的四幅子图像分别提取奇异值特征；

ii)分别对四幅经小波变换得到的子图像提取奇异值特征向量，将其首尾相接得到的向量作为签名样本最终的特征向量。

4、根据权利要求1所述的脱机中文签名鉴定方法，其特征是，所述的分类识别，具体如下：

1)采用同一个人的5个真签名样本的特征向量形成匹配模板和计算阈值，匹配模板为样本特征向量的均值，阈值为均方差的4.3倍，达到最优的正确识别率；

2)有了匹配模板、阈值，分类识别通过测试样本与它们的比较实现，比较测试样本的特征矢量为与匹配模板的欧是距离，如果该值小于等于标准差的4.3倍就判定测试样本为真签名，否则判定测试样本为假签名。

5、根据权利要求1所述的脱机中文签名鉴定方法，其特征是，所述的自组织调整，具体如下：

特征模板与判别阈值的自组织调整，通过存储数量有限的签名样本的特征向量组成特征向量组，具体来讲是5个特征向量，与确定初始的特征模板与判别阈值时相同，然后依据某种自组织启发式规则，根据判定为真的签名样本的特征性量的特性用其来更新签名样本特征向量组。

6、根据权利要求5所述的脱机中文签名鉴定方法，其特征是，依据某种自组织启发式规则，根据判定为真的签名样本的特征性量的特性用其来更新签名样本特征向量组，通过以下方法实现：

设原有的特征向量组为{f_a，f_b，f_c，f_d，f_e}，其均值为 f，均方差为σ，最新判定为真的签名的特征向量为f_x：第一种方法是用f_x代替最早进入特征向量组的成员，并重新计算 f和σ，第二种方法是用f_x代替离 f欧氏距离最远的成员，如果f_x离 f欧氏距离最远，则不做替换，并重新计算 f和σ，第三种方法是用f_x代替离f_x本身欧氏最远的成员，并重新计算 f和σ。