??? 摘?要： 在線簽名鑒定是身份認(rèn)證" title="身份認(rèn)證">身份認(rèn)證技術(shù)中的一種有效方法,。本文簡要回顧了基于在線手寫簽名的身份認(rèn)證技術(shù)" title="認(rèn)證技術(shù)">認(rèn)證技術(shù)的研究背景及發(fā)展歷程,；重點對近年簽名鑒定技術(shù)的研究進(jìn)展進(jìn)行綜述并對各種方法予以評價,；總結(jié)了現(xiàn)存的研究困難并分析了應(yīng)用前景和發(fā)展方向。
??? 關(guān)鍵詞： 簽名鑒定? 動態(tài)時間規(guī)整? 隱馬爾可夫模型? 神經(jīng)網(wǎng)絡(luò)? 小波變換

?

??? 信息技術(shù)的飛速發(fā)展在給人們?nèi)粘Ｉ顜順O大便利的同時,，也使網(wǎng)絡(luò)安全問題受到前所未有的挑戰(zhàn)。因此,，實時準(zhǔn)確的個人身份認(rèn)證十分重要,。傳統(tǒng)的身份認(rèn)證基于密碼、IC卡等方式,，有其固有不足：密碼可能被竊取,、遺忘，IC卡可能遺失,、被盜等,；而基于人體生物特征" title="生物特征">生物特征的身份認(rèn)證方式由于可以從根本上解決上述缺點而得到越來越多的應(yīng)用?；谏锾卣鞯纳矸菡J(rèn)證技術(shù)是指利用人體所固有的生理或行為特征之間的差異,，通過計算機來鑒定身份的技術(shù)。常用的生理特征有指紋,、虹膜,、臉像等,；常用的行為特征有簽名,、步態(tài)等。與傳統(tǒng)鑒定方式相比,，生物識別具有防偽性良好,、易攜帶,、不易遺失或遺忘等優(yōu)點。
??? 簽名作為人的一種行為特征,，與其它生物特征相比,，具有非侵犯性、易為人所接受等特點,。隨之產(chǎn)生的簽名鑒定（也稱簽名驗證）技術(shù)在模式識別,、信息處理領(lǐng)域都屬前沿課題。簽名鑒定分為離線簽名鑒定和在線簽名鑒定兩種,。前者是通過掃描儀,、攝像機等輸入設(shè)備，將原始的手寫簽名輸入到計算機里,，然后進(jìn)行分析與鑒定,；后者是通過手寫板實時采集書寫人的簽名信息，除了可以采集簽名位置等靜態(tài)信息,，還可以記錄書寫時的速度,、運筆壓力、握筆傾斜度等動態(tài)信息,。顯然,，較離線簽名鑒定而言，在線簽名鑒定可利用的信息量更多,，不易偽造,，同時難度也更大。
1 在線手寫簽名驗證系統(tǒng)
1.1 算法流程
??? 典型的在線手寫簽名驗證系統(tǒng)包括四個主要的技術(shù)環(huán)節(jié),，其算法流程如圖1所示,。首先是簽名信息的數(shù)據(jù)獲取，就是經(jīng)輸入設(shè)備采集實時的手寫簽名信息后輸入計算機,。然后是預(yù)處理,，過程包括去噪、歸一化等操作,，目的是將采集到的數(shù)據(jù)變成適宜于進(jìn)行特征提取" title="特征提取">特征提取的形式,。下一步特征提取，從預(yù)處理后的數(shù)據(jù)中提取出能充分反映各人書寫風(fēng)格,，同時又相對穩(wěn)定的特征,。最后是特征匹配和判決，即采用某種判別規(guī)則,，將提取的特征信息與標(biāo)準(zhǔn)簽名樣本進(jìn)行匹配,，得出鑒別結(jié)果。該過程是一對一的匹配過程,，即驗證輸入簽名人的身份是否屬實,。

?

??? 其中u(k)為匹配點f(k)匹配距離的加權(quán)系數(shù),。
??? 此算法的關(guān)鍵就是求解該函數(shù),，具體實現(xiàn)可用動態(tài)規(guī)劃的方法。設(shè)(r(k),t(k)) (即f(k))為規(guī)整路徑上的一點,，則下一點可取為(r(k+1),t(k)) r(k),t(k+1)) r(k+1),t(k+1)),，這將由點r(k),t(k)到這三點的距離確定，取距離最小者為下一點,。利用此方法,，可從起始點遞歸求出規(guī)整路徑，同時也可求出D(R,T),。
??? 文獻(xiàn)[5]提出一種非線性局部尋優(yōu)時間彎曲校正方法,，不僅實現(xiàn)了對信息序列不同局部的非等強度校正，而且很好地保持了序列的單調(diào)性和連續(xù)性,，試驗的正確率為96％,。
2.2? 簽名筆劃分段和點-點匹配方法
??? 該方法先對簽名進(jìn)行分段，然后從簽名筆劃中提取新的特征,，接著每一對相應(yīng)筆段中的點經(jīng)由點－點的映射算法得到最后的匹配映射結(jié)果,，具體實現(xiàn)方法可參考文獻(xiàn)[6]。文獻(xiàn)[7]基于對簽名圖像結(jié)構(gòu)復(fù)雜性均衡分解的思想,，提出了一種基于骨架的簽名分段算法,。該方法首先對簽名進(jìn)行骨架提取，然后依據(jù)結(jié)構(gòu)復(fù)雜度均衡的原則,，對骨架進(jìn)行分段,，最后把所得的骨架分段復(fù)原成原始簽名中的分段,。具體算法為：
??? (1)從整個簽名圖像的骨架中提取出并記下所有的交叉點和端點；
??? (2)從上到下,，從左到右搜索第1個端點,；
??? (3)從該端點開始沿骨架進(jìn)行步進(jìn)，按方向碼(用來描述圖像的邊沿骨架等圖像特征)計算前進(jìn)中的復(fù)雜度,。若復(fù)雜度達(dá)到1個給定的閾值后,，即把剛走過的全部點作為一個分段，抹去剛走過的除交叉點之外的點,，直到抹去骨架中所有的點,。經(jīng)實驗，該算法既達(dá)到了把簽名的整體復(fù)雜度均衡局部化的目的,，又基本上保持了真實簽名分段在數(shù)量上和結(jié)構(gòu)上的穩(wěn)定性,，降低了各種由于外部因素引起的類內(nèi)特性之間的差別，突出了類間特性的表現(xiàn),。
2.3 隱馬爾可夫模型(HMM)
??? HMM作為信號的一種統(tǒng)計模型,，目前廣泛應(yīng)用于模式識別、圖像處理的各個領(lǐng)域,。HMM是一個由兩種機理構(gòu)成的隨機過程：一個機理是內(nèi)在的有限狀態(tài)Markov鏈,，體現(xiàn)為用具有有限狀態(tài)數(shù)的Markov鏈來模擬簽名信號統(tǒng)計特征變化的隱含的隨機過程，另一個是一系列隨機函數(shù)所組成的集合,，體現(xiàn)為與Markov鏈的每一個狀態(tài)相關(guān)聯(lián)的觀測序列的隨機過程,。設(shè)有觀察序列Q=Q₁Q₂…Q_N和狀態(tài)集S={s₁,s₂,…,s_N}，一個有n個狀態(tài)的隱馬爾可夫模型λ可以表示(π,A,B),，其中π為初始狀態(tài)概率矢量,；A={a_ij}為狀態(tài)轉(zhuǎn)移概率矩陣，其中a_ij=P{q_t+1=s_j|q_t=s_t},，1≤i,j≤N,；B={b_j(Q_t)}為觀察符號概率分布，若B有M個觀察值{v₁,v₂…,v_M},，則b_j(Q_t)=P{Q_t=v_k|q_t=s_j},1≤j≤N,1≤k≤M,。
??? HMM的使用涉及到訓(xùn)練和分類兩個階段，訓(xùn)練階段包括指定一個HMM的隱藏狀態(tài)數(shù),，并且優(yōu)化相應(yīng)的狀態(tài)轉(zhuǎn)換和輸出概率以便于產(chǎn)生的輸出符號與在特定的運動類別之內(nèi)所觀察到的圖像特征相匹配,。匹配階段涉及到一個特定的HMM可能產(chǎn)生相應(yīng)于所觀察圖像特征的測試符號序列的概率計算。利用HMM進(jìn)行簽名驗證同樣由兩個階段組成,，即利用訓(xùn)練樣本估計HMM模型參數(shù)和利用HMM評價測試簽名,。這兩個過程目前都有成熟的算法，HMM參數(shù)的估計可用Baum-Welch參數(shù)估計算法或Segmental K-means算法；對測試樣本的評價,，可以用Forward-Backward迭代算法估計簽名滿足模型的概率,，或用Viterbi最優(yōu)狀態(tài)搜索算法計算簽名過程經(jīng)過的最優(yōu)狀態(tài)。因此,，利用HMM模型的關(guān)鍵在于HMM類型的選擇和一些參數(shù)的選擇以及閾值的估計^[8],。
2.4 基于小波變換的方法
??? 小波變換是國際上公認(rèn)的最新頻率分析工具，由于其“自適應(yīng)性”和“數(shù)學(xué)顯微鏡性質(zhì)”而成為許多學(xué)科共同關(guān)注的焦點,，在信號處理中起著至關(guān)重要的作用,。目前小波技術(shù)在簽名驗證的特征提取上用得較多,。文獻(xiàn)[9]則采用以高斯函數(shù)的二階導(dǎo)數(shù)作為小波基的小波變換技術(shù)來進(jìn)行拐點提取,，然后以該方法為基礎(chǔ)，進(jìn)行不同簽名之間拐點序列的匹配,；最后再利用提取的拐點來對簽名進(jìn)行分段和段－段對應(yīng)處理,。文獻(xiàn)[10]采用離散小波變換來分解簽名的參數(shù)特征，特征提取用到自適應(yīng)算法,，匹配則選擇動態(tài)規(guī)劃方法,，初步試驗取得較好的效果。
?? ?另外,，在當(dāng)前的計算機視覺和模式識別中取得成功應(yīng)用的Gabor變換也和小波變換一樣,，具有頻率和方向選擇性，在近年的簽名驗證研究中引起眾多學(xué)者的重視,。但Gabor變換和小波變換都有著運算量太大的缺點,。
2.5 基于神經(jīng)網(wǎng)絡(luò)的方法
??? 神經(jīng)網(wǎng)絡(luò)是一個非常實用的分類工具，具有適應(yīng)性,，能夠?qū)崿F(xiàn)非線性的分類問題,，近十年來有很多學(xué)者將此方法用于簽名驗證中。該方法的優(yōu)勢在于避免了復(fù)雜的特征提取工作,，可以通過自學(xué)習(xí)獲得其他方法難以實現(xiàn)的關(guān)于簽名鑒定的規(guī)律和規(guī)則的隱形表達(dá),。因為簽名的特征信息數(shù)量巨大而簽名的訓(xùn)練樣本數(shù)很少，所以神經(jīng)網(wǎng)絡(luò)的節(jié)點數(shù)不能太大,，否則網(wǎng)絡(luò)將不能訓(xùn)練,。
??? 文獻(xiàn)[11]從簽名識判的不確定性出發(fā)，提出了將Bayes網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合的概率神經(jīng)網(wǎng)絡(luò)模型,。它的第一層是輸入層,，其傳遞函數(shù)是線性的；第二層是隱層,，該層單元的狀態(tài)函數(shù)是概率密度,；第三層是累加層，如果輸出結(jié)果表示分類，那么,，該層便是將屬于某類的概率累計,，從而得到輸入樣本屬于該類的最大可能性。該網(wǎng)絡(luò)具有訓(xùn)練時間短和能產(chǎn)生Bayes后驗概率的輸出的特點,。
2.6? 其他方法
??? 其他方法還有很多,，每種方法各有其優(yōu)缺點，如AR模型,、紋理分析,、決策樹等。例如紋理分析方法多用于僅擁有靜態(tài)信息的離線簽名驗證中,，但筆者認(rèn)為,，倘若能將書寫速度、運筆壓力等動態(tài)信息轉(zhuǎn)化為圖像中的靜態(tài)表示,，也就是對動態(tài)信息作靜態(tài)化映射表示,，那么也可用于在線簽名鑒定。經(jīng)試驗,，可將運筆壓力的等級設(shè)為256級,，對應(yīng)為圖像像素的灰度變化256級，其后進(jìn)行圖像紋理分析,。此方法的實際應(yīng)用有待深入研究,。文獻(xiàn)[12]將物理學(xué)中的數(shù)據(jù)場思想引入簽名鑒別中，把簽名所形成的四個時序序列（壓力,、壓力變化率,、速度和加速度）點作為場中的數(shù)據(jù)點來看待，形成四類數(shù)據(jù)場,，再從場中提取特征,，很有新意。
??? 目前,，國內(nèi)有很多企業(yè)參與了簽名鑒定技術(shù)的研發(fā),，但大多數(shù)是引進(jìn)國外簽名驗證模塊進(jìn)行系統(tǒng)集成，只有少數(shù)企業(yè)擁有自己的算法,，并且產(chǎn)品價格高,，性能不穩(wěn)定。相比之下,，國外的簽名鑒定技術(shù)從數(shù)據(jù)采集系統(tǒng)到處理,、識別算法都比較成熟。許多公司都有專門的機構(gòu)從事該項技術(shù)的研發(fā)與應(yīng)用,，包括IBM,、Cyber-SIGN,、美國智通、日本富士通等,，其中美國智通公司在此領(lǐng)域的研究獨樹一幟,。
??? 鑒于目前的研究狀況，筆者認(rèn)為采用單一方法的生物身份鑒別技術(shù)因其局限性終將遭淘汰,，未來的發(fā)展方向?qū)⑹嵌喾N方法用于簽名特征進(jìn)行數(shù)據(jù)融合,，以及基于多生物特征信息融合的身份認(rèn)證，目前已有研究表明利用簽名和指紋結(jié)合,、簽名和語音結(jié)合等方法進(jìn)行身份認(rèn)證能顯著地提高鑒別的準(zhǔn)確性,。另外，結(jié)合生物特征與數(shù)字簽名,、數(shù)字水印的網(wǎng)絡(luò)商務(wù)系統(tǒng)也將紛紛出臺,。如何進(jìn)一步改進(jìn)識別算法，降低系統(tǒng)的誤判率,，同時縮短識別時間,，建立人類書寫動力學(xué)模型等,，這些都是身份認(rèn)證技術(shù)應(yīng)該追求的目標(biāo),。
參考文獻(xiàn)
1 張敏貴，潘泉,，張洪才. 多生物特征識別[J].信息與控制,，?2002,31(6):524～528
2 Richard O. Duda, Peter E. Hart, Duda G. Stork . Pattern? Classification[M] . John Wiley&Sons,Inc.,2001
3 Rejean Plamondon .On-line signature verification:how many?countries are in the race[J]. IEEE,1989
4 Ronny Martens,Luc Claesen.On-line signature verification by?dynamic time warping[J] .IEEE,1996
5 邱德紅.基于全程信息和時間彎曲校正的簽名認(rèn)證[J].?華中科技大學(xué)學(xué)報，2002,30(2):108-110
6? 張 葵,，金先級,，裴先登.基于函數(shù)參量的手寫簽名比較方法[J].小型微型計算機系統(tǒng)，1999,20(6)：414～417
7? 伍小明,陳懿新.基于骨架的一種簽名分段算法[J] .中山大學(xué)學(xué)報,， 2000,39(1):13～17
8 沈 峰,，楊 飛，袁余良.動態(tài)手寫簽名驗證技術(shù)概述[J] .計算機科學(xué),2003,30(3):92～95
9 蔡洪濱.一種基于小波變換提取拐點的手寫簽名認(rèn)證方法[J].中國圖象圖形學(xué)報,2003,8(3):262～265
10? Nakanishi, N.Nishiguchi, Y.Itoh.On-Line signature verification method utilizing feature extraction based on DWT[J],IEEE,2003
11 金 涌,，柳 健.手寫簽名的概率神經(jīng)網(wǎng)絡(luò)識判模型[J].華中理工大學(xué)學(xué)報,1999,27(5):11～13
12 陳罡,，李德毅.數(shù)據(jù)場思想及其在聯(lián)機簽名鑒別中的應(yīng)用[J].計算機工程與應(yīng)用,2003,4：123～134