離線中文簽名驗(yàn)證技術(shù)研究.pdf

1、簽名作為身份確認(rèn)的一種手段被用于諸多領(lǐng)域，如各類文書、合同、銀行票據(jù)等。至今為止，圍繞自動(dòng)離線簽名驗(yàn)證所展開的研究主要是針對(duì)隨機(jī)和簡(jiǎn)單模仿兩種偽簽名展開，尤其是對(duì)熟練模仿偽簽名的鑒別，還有很多基礎(chǔ)理論問題及實(shí)際應(yīng)用問題需要解決。 因此開展離線中文簽名驗(yàn)證技術(shù)研究，具有十分重要的理論意義和實(shí)用價(jià)值。 圍繞模式識(shí)別的三個(gè)基本研究?jī)?nèi)容：數(shù)據(jù)獲取和預(yù)處理、特征提取和選擇以及匹配方法，對(duì)離線中文簽名驗(yàn)證涉及的若干關(guān)鍵技術(shù)進(jìn)行了概括

2、性討論。結(jié)合噪聲消除基本理論以及需關(guān)注的主要問題，同時(shí)根據(jù)實(shí)際應(yīng)用中簽名圖像中橫線像素分布的特點(diǎn)，給出了一種簽名圖像中橫線的清除方法。與常見的噪聲消除方法相比，所給出的方法不僅能將對(duì)簽名圖像的影響降低到最低程度，而且易于實(shí)現(xiàn)。 計(jì)算的復(fù)雜度和分類的正確率一直是特征提取關(guān)注的兩個(gè)主要方面。針對(duì)中文簽字的分類問題，就如何更好體現(xiàn)簽名特征這一問題，論述了使用全局特征組成特征矢量的方法。以此為基礎(chǔ)，提出了兩種模式聚類方法：基于馬氏距離的

3、聚類方法和基于特征標(biāo)權(quán)的核聚類方法。 簽名分段是簽名圖像預(yù)處理中的一個(gè)難點(diǎn)，分段方法的優(yōu)劣對(duì)驗(yàn)證結(jié)果的影響極大。 在汲取前人在筆劃提取方面的成功經(jīng)驗(yàn)基礎(chǔ)之上，同時(shí)結(jié)合簽名驗(yàn)證的特點(diǎn)給出了一種具有較低的時(shí)間、空間復(fù)雜度，同時(shí)具有高魯棒性的分段方法。此外，還給出了一個(gè)行之有效的分段配對(duì)和簽名相似度計(jì)算方法，并在此基礎(chǔ)上，給出了模板匹配與RBFNN(Radial-Based Function Neural Network) 相

4、結(jié)合的離線中文簽名驗(yàn)證方法。 應(yīng)用DHMM (Discrete Hidden Markov Model) 進(jìn)行分類的一個(gè)關(guān)鍵問題，是矢量量化的優(yōu)劣。有鑒于此，基于簽名各分段的六維特征矢量，按照其物理意義的不同分為兩組分別進(jìn)行矢量量化。另外，還采用了多個(gè)碼字表征一個(gè)矢量的方法。針對(duì)這兩種矢量量化改進(jìn)方法，采用了經(jīng)調(diào)整后的DHMM 訓(xùn)練算法。同基于網(wǎng)格方法提取觀測(cè)值序列相比較，所給出的基于分段獲得觀測(cè)值的方法能更有效的反映中文簽名的

5、特點(diǎn)。提出了一種融合GA (Genetic Algorithms) 與Baum-Welch 兩者優(yōu)點(diǎn)的DHMM 訓(xùn)練方法。經(jīng)GA 優(yōu)化后的HMM 在統(tǒng)計(jì)意義上提高了驗(yàn)證正確率。 針對(duì)熟練模仿偽簽名的驗(yàn)證，必須提取更為細(xì)節(jié)的特征這一基本需求，同時(shí)結(jié)合簽名邊緣的像素分布包含更為豐富的簽名特征這一基本事實(shí)，給出了一種遍歷簽名邊緣的高效算法。通過定義像素的三種運(yùn)動(dòng)方向，并由來時(shí)方向確定轉(zhuǎn)向方向，該算法能準(zhǔn)確指導(dǎo)像素的遍歷，確保了遍歷的一

6、次完成，使得遍歷的時(shí)間復(fù)雜度降低到O(n) ，從而高效的完成簽名邊緣的遍歷。在簽名邊緣遍歷的基礎(chǔ)上，為更為有效的提取到簽名的細(xì)節(jié)特征，探討了應(yīng)用小波分析提取二次特征的方法?；谒o出的兩種特征提取方法，在HMM (Hidden Markov Model) 和SVM (Support Vector Machine) 環(huán)境下，對(duì)離線中文簽名驗(yàn)證進(jìn)行了比較，結(jié)果表明HMM 更優(yōu)。結(jié)合一個(gè)具代表性的應(yīng)用需求，設(shè)計(jì)了一個(gè)三級(jí)分類器串聯(lián)融合系統(tǒng)。所