基于優(yōu)化DTW算法的在線簽名鑒別研究

劉敏

摘 要：隨著科學(xué)技術(shù)的發(fā)展，為進(jìn)一步提高簽名的方便與安全，科研人員研究出了一種基于生物特征的認(rèn)證技術(shù)，名為在線手寫簽名鑒別法。該技術(shù)具有高防偽性與使用方便的優(yōu)點(diǎn)，其主要的鑒別原理是首先對(duì)簽名字跡進(jìn)行提取，然后分析書寫信息的特征，再通過計(jì)算判定簽名與真實(shí)簽名是否出自同一人之手。這項(xiàng)技術(shù)由于其安全、便捷的優(yōu)點(diǎn)，成為了時(shí)下比較熱門的一項(xiàng)研究實(shí)驗(yàn)，它的技術(shù)成型將會(huì)給電子商務(wù)、電子政務(wù)等領(lǐng)域帶來巨大的影響。在簽名識(shí)別的過程中，提出了一種加權(quán)的DTW改進(jìn)在線簽名算法且明顯看出，加權(quán)DTW發(fā)方法比傳統(tǒng)的DTW方法更具有高效性。

關(guān)鍵詞：簽名認(rèn)證 ?動(dòng)態(tài)時(shí)間規(guī)整 ?權(quán)值特征

中圖分類號(hào)：TP391 ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）10（c）-0150-02

手寫簽名認(rèn)證研究的方向主要是簽名的動(dòng)態(tài)特征，如筆記的壓力數(shù)據(jù)處理分析和對(duì)其線速度、角速度以及加速度的計(jì)算。它的過程是人腦在受到指令之后做出的視覺反饋和力反饋，它與傳統(tǒng)的身份識(shí)別方式相比，在線手寫簽名鑒別不會(huì)丟失、采樣過程簡單、且安全性高，其應(yīng)用技術(shù)已經(jīng)有了一定的研究成果，獲得了較為廣泛的應(yīng)用。

1 手寫簽名的鑒別

1.1 手寫簽名鑒別的難點(diǎn)

現(xiàn)有的其他生物特征認(rèn)證鑒別方法多種多樣，但簽名鑒別較之其他方法效率最高。人們普遍都具有書寫文字的技能，因此，它在人們的日常生活中使用起來是很方便的。實(shí)際上，人們?cè)诓粩嗟某砷L中，身體各方面的條件都會(huì)產(chǎn)生變化，其筆跡也會(huì)發(fā)生相應(yīng)的改變，這就給簽名驗(yàn)證系統(tǒng)帶來了一個(gè)難題。面對(duì)這種情況，我們就需要為簽名鑒別系統(tǒng)提供更多的樣本作為參考，這也使得簽名的可變化范圍變廣，使得他人偽造簽名的機(jī)會(huì)加大，這是對(duì)簽名鑒別系統(tǒng)的一大考驗(yàn)。

1.2 手寫簽名鑒別的過程

手寫簽名鑒別的過程包括簽名獲取、數(shù)據(jù)預(yù)處理、特征提取、簽名匹配四個(gè)階段，最后由簽名的比對(duì)得出鑒別的結(jié)果。

每個(gè)人在簽名時(shí)的運(yùn)筆速度、運(yùn)筆壓力以及書寫習(xí)慣都是不同的，這就給研究找到了一個(gè)切入點(diǎn)，我們稱這一點(diǎn)為簽名特征研究。通常通過研究壓力、峰值、書寫時(shí)間、平均能量等方面獲取簽名的特征。由于在識(shí)別對(duì)象時(shí)特征是一項(xiàng)很有代表性的依據(jù)，因此我們?cè)谔卣鬟x取的時(shí)候，要以可靠性作為特征的選取方向，盡量選取個(gè)數(shù)少的、獨(dú)特的特征作為代表。由于簽名的形狀與結(jié)構(gòu)是比較容易模仿的，但是偽造者在偽造時(shí)無法模仿出真實(shí)筆跡的瞬時(shí)特征，所以我們?cè)谔卣鬟x取時(shí)會(huì)做到這兩方面的工作，提高結(jié)果的準(zhǔn)確性，增加偽造的難度。

2 動(dòng)態(tài)時(shí)間規(guī)整方法

2.1 DTW算法原理

在DTW算法的原理中，動(dòng)態(tài)時(shí)間彎折概念是其主要的核心。其思想為在參考模板和測(cè)試模板的簽名特征之間找到一條優(yōu)化路徑，為時(shí)間校準(zhǔn)匹配路徑，實(shí)現(xiàn)過程具體如下。

假設(shè)有2個(gè)滿足時(shí)序約束的序列，分別為模板特征序列A與測(cè)試模板序列B。

A=a₁，a₂，…，a_m，…，a_M

B=b₁，b₂，…，b_n，…，b_N

兩組序列之間相對(duì)應(yīng)的時(shí)間變化關(guān)系表示為如下函數(shù)公式：

f=c（1），c（2），…，c（i），…，c（I） ? ? ? ? ? ? ? （1）

其中，c（i）=（m（i），n（i）），c（i）代表在第i次特征匹配時(shí)，測(cè)試特征序列B中的第n（i）幀與模板特征序列A中第m（i）幀的進(jìn)行比較。c（i）可視為m-n平面坐標(biāo)中的一個(gè)點(diǎn)，連接點(diǎn)c（i）和點(diǎn)c（i+1）形成一條曲線，這條曲線就是時(shí)間彎折曲線，即模板特征序列A與測(cè)試模板序列B的匹配路徑。

再將模板中的第m幀和測(cè)試序列中第n幀進(jìn)行匹配的局部匹配距離作為d（i）的定義，d（i）=（m（i），n（i））。通過計(jì)算兩個(gè)序列中的相對(duì)平均匹配距離，將其規(guī)整到一個(gè)最相似的范圍內(nèi)，然后在范圍內(nèi)對(duì)簽名的真實(shí)性進(jìn)行判斷。

2.2 加權(quán)DTW方法

傳統(tǒng)的動(dòng)態(tài)時(shí)間規(guī)整認(rèn)為，每一個(gè)簽名的采樣點(diǎn)在簽名的軌跡上作用是相同的，因此產(chǎn)生了相同標(biāo)準(zhǔn)的假設(shè)，然而我們要知道，實(shí)際上采樣點(diǎn)的重要性并不一樣。所以，在考慮到不同采樣點(diǎn)在DTW算法中所占有不一樣的重要程度這一點(diǎn)，采用給每個(gè)采樣點(diǎn)加入權(quán)值的方法，達(dá)到區(qū)分重要采樣點(diǎn)和降低次要采樣點(diǎn)的效果。在權(quán)值的選取上，通過觀察速度、加速度、壓力三個(gè)值的采樣點(diǎn)變化，通過分析計(jì)算，比較單項(xiàng)特征權(quán)值對(duì)DTW的改進(jìn)能力，然后找出最優(yōu)的權(quán)值組合方法。在加權(quán)DTW方法的具體計(jì)算中，首先定義一個(gè)加權(quán)函數(shù)W（n），令1≤n≤N。分不同的特征權(quán)值給出計(jì)算公式，以下分別為加速度、壓力、壓力的平方和以及壓力與加速度的權(quán)組合的公式。

加速度：W（n）=1/（A（n） ?A（n?1））

壓力：W（n）=1/（P（n）?P（n?1））

壓力的平方和：W（n）=αP+β P2

壓力與加速度的權(quán)組合：W（n）=αW1+βW2，其中α+β=1

在實(shí)驗(yàn)中，實(shí)驗(yàn)的數(shù)據(jù)標(biāo)準(zhǔn)來源于MCYT-100雙模數(shù)據(jù)庫，將測(cè)試中的測(cè)試模板與作為真實(shí)簽名的參考模板進(jìn)行匹配。對(duì)比的結(jié)果匹配距離小的為真，反之為假。

加權(quán)DTW算法的基本流程分為四個(gè)步驟，簽名數(shù)據(jù)的初始化、預(yù)處理信息的輸入、數(shù)據(jù)的規(guī)整以及最后結(jié)果的輸出。在進(jìn)行算法的過程中主要用到了importdata函數(shù)對(duì)數(shù)據(jù)進(jìn)行讀取，然后使用歐氏距離匹配的方法對(duì)參考模板與測(cè)試模板的距離進(jìn)行測(cè)試，然后用到上一節(jié)介紹過的權(quán)值公式對(duì)其進(jìn)行計(jì)算，將得出的結(jié)果帶入：

D（i，j）=min[D（i-1，j-1），D（i-1，j-1），D（i，j-1）]+w（i）d（ri，ti）中進(jìn)行累積距離的計(jì)算，最終以此求出規(guī)整路徑。

2.3 加權(quán)DTW算法的結(jié)果分析

在實(shí)驗(yàn)結(jié)果的分析中分析了不同權(quán)值時(shí)計(jì)算的結(jié)果，利用加權(quán)DTW算法算出來的結(jié)果，其誤識(shí)率、誤拒率、誤接率都比傳統(tǒng)的DTW算法有所降低。主要有以下實(shí)驗(yàn)結(jié)果：

（1）當(dāng)把加速度作為權(quán)值特征時(shí)，利用加速度的公式計(jì)算權(quán)值。部分真簽名在加權(quán)前后的匹配距離的誤拒率分別為28%與16%，誤接率分別為24%與12%。該數(shù)據(jù)說明，加速度權(quán)值特征的引入，使得簽名真?zhèn)蔚目蓞^(qū)分性得到了優(yōu)化。

（2）當(dāng)把壓力作為權(quán)值特征時(shí)，利用壓力權(quán)值特征公式進(jìn)行計(jì)算。當(dāng)把壓力的平方和作為權(quán)值特征引入加權(quán)DTW算法時(shí)，利用壓力的平方和公式計(jì)算權(quán)值可以算出，當(dāng)誤拒率最小的時(shí)候α為0.5，β為0.4。

（3）在壓力與加速度的組合權(quán)值特征運(yùn)算中得出的數(shù)據(jù)表明，最好的α與β取值為0.6和0.4，此時(shí)的誤識(shí)率和誤拒率最低。

因?yàn)槊恳粋€(gè)簽名采樣點(diǎn)對(duì)于鑒別的結(jié)果影響都是不同的，我們提出了引入加權(quán)的理念。加權(quán)的方法可以較好地區(qū)分和識(shí)別每一個(gè)采樣點(diǎn)對(duì)于數(shù)據(jù)的影響重要程度，使簽名鑒定的結(jié)果更準(zhǔn)確，簽名的真?zhèn)螀^(qū)分能力顯著提升，大大提高了鑒別的效率。

3 結(jié)語

現(xiàn)代社會(huì)對(duì)于各種安全驗(yàn)證技術(shù)提出了更高的要求，更多的新型安全技術(shù)被開發(fā)出來，在該文的研究中，基于DTW算法原理，以將每一個(gè)采樣點(diǎn)的作用充分發(fā)揮出來為目的，引入了加權(quán)特征的概念，著重介紹了改進(jìn)后的加權(quán)DTW算法。綜合來看，DTW算法在在線簽名中是非常適用的，我們也對(duì)加權(quán)算法也提出了展望，希望達(dá)到加權(quán)DTW算法的優(yōu)化與完善。

參考文獻(xiàn)

[1] 徐陶偉，鄭建彬.基于跳變點(diǎn)能量的DTW匹配在線手寫簽名驗(yàn)證算法[J].計(jì)算機(jī)應(yīng)用研究，2007（8）：84-86.

[2] 方平.基于特征函數(shù)法的在線簽名鑒別研究[D].中國科學(xué)技術(shù)大學(xué)，2006.

[3] 劉蕾，段會(huì)川.加權(quán)DTW方法及其在手寫簽名鑒別中的應(yīng)用[D].山東師范大學(xué)，2011.