一種改進的面向分析法的在線手寫簽名鑒別方法

邵金平，李文杰

1.泰山職業技術學院，山東泰安2710002.山東農業大學信息科學與工程學院，山東泰安271000

一種改進的面向分析法的在線手寫簽名鑒別方法

邵金平1，李文杰2

1.泰山職業技術學院，山東泰安271000
2.山東農業大學信息科學與工程學院，山東泰安271000

手寫簽名分為離線和在線手寫簽名，本文主要研究在線手寫簽名的鑒別。利用Android系統的平臺采集手寫簽名的XY坐標、T時間和P筆壓等動態屬性，將面向分析法進行改進，計算簽名平均相似度，再利用歐幾里德距離，計算簽名相似度的范圍。如果待鑒別的簽名在此范圍，則接受并且更新相似度訓練資料集；反之，就是偽簽。實驗結果顯示，本方法的錯誤拒絕率和接受率較低，對簽名鑒別、防止偽簽，具有一定的實用價值。

在線手寫簽名；簽名鑒別；面向分析法

手寫簽名鑒別是一種生物特征識別，根據長期的一個生理特征，利用這種習慣性的特征與待測的物體進行比對來鑒別。由于指紋、虹膜等鑒別系統較為復雜，難以在實際的生活中投入運用，因此，手寫簽名鑒別系統是最為實用的一個。很多文件雖然都電子化了，但是有需要簽名鑒別的，還是打印出來簽名，再掃描存檔。手寫簽名的資料可以存儲，但是還沒有統一的手寫簽名鑒別標準。

1　研究現狀

最早從二十世紀六十年代就開始手寫簽名鑒別的研究了，由于漢字的筆畫有著復雜交錯、連筆較多的特點，有的研究者采用了小波變換［1］的方式對簽名進行局部分割。也有人采用人工神經網絡［2］方法，減少了對于參考樣本一系列的復雜提取工作，優點是鑒別結果的準確度較高，但是訓練時需要設定太多的節點容易導致失敗。還有動態時間規整（DTW）算法［3，4］目前應用較廣，優點是采用了魯棒性算法、計算概念簡單，但是時間復雜度太高。

2　手寫簽名的屬性說明和運算說明

面向分析法［5］（FacetAnalysisMethod）最早用在資料檢索，概念相似的資料可以有效地搜索出來，面向分析法有幾個相似度的計算模型，本文用的是其中的距離模型，本文將修改面向分析法，作為鑒別手寫簽名的依據。

本文以金融業務為例，客戶開戶需先填寫各種表格，最后還要簽名確認。一般需要多次簽名，建立簽名者訓練資料集，為以后鑒別真偽用，本文以開戶需簽名4次為例。本文利用Android平板，采集在線手寫簽名的XY坐標、T時間、P筆壓等屬性，將采集的資料上傳到云端并計算簽名相似度。如果待鑒別的簽名在此范圍，則接受并且更新相似度運算資料集；反之，就是偽簽，拒絕該次簽名。

2.1手寫簽名的XYTP屬性說明

XY坐標屬性：從下筆點到提筆點X軸和Y軸的偏移，即全距。

T時間屬性：從下筆點累加到提筆點之間的時間，再次下筆T時間又從0開始計時。單位為ms。

P筆壓屬性：筆壓為按壓觸摸屏的壓力，介于0～1之間，為浮點數。9.77517e-4就是9.775171×10-4趨近0，表示提筆后開始下一筆簽名。

圖1　記錄簽名的XYTP屬性Fig.1Propertiesof recorded XYTP signature

2.2手寫簽名的運算說明

XY坐標和P筆壓的平均就是值相加后除以個數。但T時間的平均，要涉及到采樣率（點到點時間花費），為常數n，平板大部分是16ms或17ms，也有的是固定5ms。T時間的平均，是提筆時間減下筆時間的平均時間計算方式，假設采樣率為nms。

有一段簽名的時間記錄為0 n、1 n、2 n、3 n、4 n、5 nms

有另一段簽名時間記錄為0 n、1 n、2 n、3 n、4 n、5 n、6 nms

0 n+1 n+2 n+3 n+4 n+5 n=n（0+1+2+3+4+5）=15 n 0～5共6個值

0 n+1 n+2 n+3 n+4 n+5 n+6 n=n（0+1+2+3+4+5+6）=21 n 0～6共7個值

3　改進的面向分析法的手寫簽名鑒別運算

以簽名4次建立訓練資料集為例，記錄4次XYTP的全距d，并計算平均數m和標準差std

3.1第1和第2次簽名相似度

前2次簽名平均全距、平均平均數、平均標準差

3.2第3次簽名相似度

前3次簽名平均相似度

3.3第4次簽名相似度

前4次簽名平均相似度

前4次簽名平均全距、平均平均數、平均標準差

3.4XYTP的最大最小值和相似度歐幾里德距離上界值

至此4次簽名結束，并將XYTP的最大最小值和相似度歐幾里德距離上界值寫入系統不變。

3.5未來第n次簽名的鑒別

用第n-1次簽名值平均全距、平均平均數、平均標準差與第n次待驗證的簽名做相似度運算。

第n次簽名與第n-1次簽名的平均相似度，做相似度歐幾里德距離運算

如果第n次簽名小于4次簽名建立的資料集的歐幾里德距離上界值

每人的歐幾里德距離上界值不同，同一個人不同時間建立的資料集，上界值也會變化。一旦建立簽名資料集，不管待鑒別的簽名拒絕還是接受都不調整上界值，但調整平均全距、平均平均數、平均標準差。

改進的面向分析法的手寫簽名鑒別運算過程可以用圖2和圖3表示。

圖2　前4次簽名的歐幾里德距離值Fig.2 The Euclidean distance values of the first four signatures

圖3　待鑒別簽名的歐幾里德距離值Fig.3 The Euclidean distance values for identifying signatures

4　實驗方式與結果分析

本研究用10人測試，先建立4筆本人簽名資料集，然后本人簽100筆測試錯誤拒絕率（FRR），偽造者簽100筆測試錯誤接受率（FAR）。偽簽是將平板上的簽名拍下，模仿簽名。

表1　錯誤拒絕率和錯誤接受率Table 1 False rejection rate and falseaccept rate

與現有文獻比較，錯誤拒絕率和錯誤接受率有所降低。本研究在Android平板上實測并驗證算法，判斷未來需鑒別簽名的真偽，跟類神經、貝式概率訓練需要大樣本非常不一樣，本算法訓練資源集上界值不變，并且能調整相似度計較運算資料。通過軟件報表能看簽名的品質，分值越小說明距離越小，即待鑒別簽名的相似度越高。本研究是在Android昂達v703DualCore平板上測試，其簽名資料集可以轉移到不同Android手機平板，簽名資料可轉移。

5　總結與展望

目前，手寫簽名應用非常多，同時對手寫簽名鑒別的要求也特別高，面向分析法的在線手寫簽名鑒別方法仍需要完善與優化。

（1）本研究是在4次簽名訓練資料庫下研究的，應該在最少簽名資料庫下，降低簽名的錯誤接受率和錯誤拒絕率，不斷優化完善該在線手寫簽名鑒別方法。

（2）本文簽名和鑒別是用的同一Android平板，如果簽名和鑒別不是使用的同一個平板，其觸摸屏大小，面板大小不同（3.5寸、5寸、10寸）以及分辨率不同（1280×800、1920×1080、2560× 1600），如何在更多的設備做效能分析與簽名資料繼承，是簽名鑒別將來重點研究的。

［1］顏琬，鄭建彬.基于小波分析和DTW的在線手寫簽名驗證方法研究［D］.湖北：武漢理工大學，2005：48-58

［2］萬莉，盧葦，尹朝慶，等.基于BP神經網絡的手寫簽名識別方法［J］.交通信息與安全，2006，24（4）：83-85

［3］徐陶偉，鄭建彬.基于跳變點能量的DTW匹配在線手寫簽名驗證算法［J］.計算機應用研究，2007，24（8）：84-86

［4］劉蕾，段會川.加權DTW方法及其在手寫簽名鑒別中的應用［D］.山東：山東師范大學，2011：26-35

［5］Faryal Amber.Vision Based Sign Language Identification System Using Facet Analysis［D］.Pakistan：Fatima Jinnah Women University Rwalpindi，2013：11-39

The Verification Method of an Improved Facet Analysis for Online Handwriting Signature

SHAO Jin-ping1，LIWen-jie2
1.Taishan Polytechnic，Tai'an 271000，China
2.College of Information Science and Engineering/Shandong AgriculturalUniversity，Tai'an 271000，China

Handw ritten signatures are divided into the offline and online handw ritten signatures，this papermainly studied online handw riting signature verification through the Android platform to collect the dynam ic properties of handw ritten signatures（x，y coordinates，T time and P pen pressure etc），Facet Analysis Method was improved to calculate signature average similarity and then used the euclidean distance to calculate the range of the signature similarity.If the signaturewas verified in this range，it would be accepted and updated sim ilarity training data set，on the contrary，it would be false. Experimental results showed that false rejection rate and false accept rate were low.Themethod has certain practical values to verify handw riting signaturesand prevent falseones.

Online handw ritten signature；signature verification；facetanalysismethod

TP301.6

A

1000-2324（2016）04-0582-05

2014-11-10

2014-12-11

2014泰安市科技發展計劃項目（201430774）

邵金平（1979-），女，山東寧陽，碩士，講師，研究方向為計算機軟件與理論.E-mail：43883095@qq.com