手寫簽名認(rèn)證技術(shù)研究發(fā)展概述

張淑婧

摘要：隨著科學(xué)技術(shù)的飛速發(fā)展，通過信息技術(shù)進(jìn)行個(gè)人身份認(rèn)證變得日益重要。手寫簽名是一種穩(wěn)定且易獲取的生物特征，對其進(jìn)行認(rèn)證別被廣泛應(yīng)用于金融、司法、行政等多個(gè)領(lǐng)域。目前通過獲取方式不同，手寫簽名分為在線簽名和離線簽名?，F(xiàn)對國內(nèi)外各語種手寫簽名的認(rèn)證技術(shù)研究現(xiàn)狀進(jìn)行分析，總結(jié)現(xiàn)階段簽名認(rèn)證技術(shù)所面臨的挑戰(zhàn)，并提出關(guān)于手寫簽名認(rèn)證技術(shù)研究的新的發(fā)展方向。

關(guān)鍵詞：模式識別;圖像識別;生物特征;在線手寫簽名;離線手寫簽名

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）10-0277-02

1概述

手寫簽名是一種生物行為特征，代表著書寫者對于某事的確認(rèn)，承擔(dān)其相應(yīng)的法律義務(wù)。手寫簽名根據(jù)簽名樣本的獲取方式不同，可分為在線手寫簽名和離線手寫簽名兩種。在線手寫簽名在獲取簽名樣本時(shí)采用手寫板、觸摸屏等機(jī)器進(jìn)行簽名的采集錄人，而離線手寫簽名的采集是通過在紙張上指定位置書寫簽名，并通過照相機(jī)、掃描儀等設(shè)備提取簽名為圖片。與在線簽名不同的是離線簽名僅保留簽名的靜態(tài)特征，而丟失簽名樣本的動(dòng)態(tài)特征，因此在進(jìn)行身份認(rèn)證難度高于在線簽名的身份認(rèn)證。本文對在線簽名及離線簽名的研究發(fā)展趨勢進(jìn)行分析。

2在線手寫簽名認(rèn)證技術(shù)研究現(xiàn)狀

針對在線簽名的認(rèn)證，1997年Gupta Gopal等人通過研究發(fā)現(xiàn)，針對較大數(shù)量的簽名數(shù)據(jù)庫，僅使用靜態(tài)特征難以達(dá)到更好的簽名鑒別成功率，且在不久的將來市場上會出現(xiàn)實(shí)際可用的在線簽名認(rèn)證系統(tǒng)?，F(xiàn)階段，在線簽名認(rèn)證系統(tǒng)已經(jīng)走進(jìn)生活，廣泛應(yīng)用于銀行、保險(xiǎn)等行業(yè)。

2009年D.S.Guru和H.N.Prakash提出使用符號表示法，提取簽名中的全局特征形成特征的去年描述，通過判斷帶鑒別簽名中的特征是否符合特征區(qū)間，從而判定簽名真?zhèn)危摲椒ㄔ贛CYT數(shù)據(jù)庫中進(jìn)行實(shí)驗(yàn)得到的等錯(cuò)誤率為3.8%。2014年，Wang Y H等結(jié)合簽名的動(dòng)態(tài)特征與靜態(tài)特征，提取簽名的多個(gè)時(shí)間函數(shù)特征并計(jì)算其相關(guān)矩陣，將其轉(zhuǎn)化為與灰度圖像的LBP、SWF兩種特征的相關(guān)矩陣，從而得到三個(gè)不同的特征舉證作為特征，每種特征矩陣的EER均在5%左右。Biswajit Kar等人在2018年時(shí)提出對于在線簽名的筆劃點(diǎn)翹曲技術(shù)，按筆劃進(jìn)行分段，差值對齊簽名序列來進(jìn)行DTW計(jì)算，同時(shí)使用MRMR算法進(jìn)行特征選擇，在SVC2004數(shù)據(jù)集中達(dá)到了1%的等誤率。2019年，KasparRiesen等人將SED方法用于對簽名信號的差別度進(jìn)行度量，并與床用的DTW算法進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明，該算法普遍優(yōu)于傳統(tǒng)的DTW算法。且在未對簽名進(jìn)行特征提取和選擇的情況下，在SUSIG數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)的EER為2.91%。由此可見，在線手寫簽名認(rèn)證技術(shù)以趨近成熟，貼近實(shí)際生活應(yīng)用。

3離線手寫簽名認(rèn)證技術(shù)研究現(xiàn)狀

與在線簽名認(rèn)證不同，離線簽名樣本中由于丟失了在線簽名的動(dòng)態(tài)信息，僅保留了其中的靜態(tài)特征。因此，使用離線簽名進(jìn)行身份認(rèn)證要難于在線簽名的身份認(rèn)證。對于離線簽名認(rèn)證，早在1974年Lin和Nemeek已經(jīng)開始通過提取樣本的靜態(tài)特征進(jìn)行離線手寫簽名認(rèn)證的研究婀。經(jīng)過多年研究發(fā)展，離線簽名認(rèn)證技術(shù)的準(zhǔn)確率不斷上升。

曾曉云通過對簽名樣本進(jìn)行Daubechies小波變換，從而提取了簽名的多尺度高頻信息與低頻信息，使用加權(quán)改進(jìn)后的Fisher分類器對簽名進(jìn)行分類鑒別，最終得到的AER為3.6%。2016年Yasmine Serdouk等人對簽名樣本提取漸變的LBP算子和最長運(yùn)行特征，提出基于人工免疫算法的手寫簽名鑒別算法，在GPDS和CEDAR數(shù)據(jù)庫中進(jìn)行實(shí)驗(yàn)所得到的AER分別為12.52%和3.54%，該算法能夠有效地對簽名樣本間的特異性進(jìn)行區(qū)分。劉利利創(chuàng)新性地引入圖像的形狀語義特征，提取了簽名樣本的形狀上下文作為其形狀描述子，采用層級分類的方式實(shí)現(xiàn)手寫簽名的鑒別。首先提取樣本的方向梯度密度特征，使用加權(quán)分類器進(jìn)行鑒別;其次使用樣本的形狀上下文作為模板進(jìn)行模板匹配，進(jìn)行實(shí)驗(yàn)后所得到的等錯(cuò)誤率為10.1%。蔣青云提取了簽名樣本的Gabor濾波特征、灰度分布直方圖、CS-LBP等不同的紋理特征，將其融合為高維的特征向量;改進(jìn)保局投影算法，利用改進(jìn)后的保局投影算法對高維紋理特征向量進(jìn)行降維操作，最終使用基于ECOC的SVM進(jìn)行簽名的識別，所得到的簽名識別率為94.1%。近期，黃威等人對簽名提取輪廓，并提取輪廓圖像的LBP直方圖，在進(jìn)行特征降維時(shí)使用主成分分析法，使用支持向量機(jī)對國際公開的兩種簽名數(shù)據(jù)庫MCYT和GPDS進(jìn)行鑒別實(shí)驗(yàn)，其平均錯(cuò)誤率分別為13.51%和12.97%。Manabu Okawa通過提取簽名的KAZE特征，使用Fisher矢量對提取出的特征點(diǎn)進(jìn)行編碼形成特征向量，從而通過SVM算法對MCYT數(shù)據(jù)庫中簽名進(jìn)行鑒別，其EER為5.47%。除此之外，還有相關(guān)研究人員提出將改進(jìn)的視覺詞袋特征與邊緣方向直方圖融合的特征，以及將多尺度塊局部二值模式與局部相位量化融合的紋理特征，使用隨機(jī)森林分類器對維吾爾文簽名進(jìn)行分類鑒別，兩種特征所得到的總正確率分別為93.69%和96.06%。可見，通過國內(nèi)外研究人員的不懈努力，離線簽名認(rèn)證技術(shù)有了一定程度的提升，逐漸接近實(shí)際應(yīng)用程度。

4挑戰(zhàn)與趨勢

手寫簽名身份認(rèn)證技術(shù)發(fā)展至今，在實(shí)際應(yīng)用中仍然存在較多問題難以解決。在進(jìn)行在線手寫簽名時(shí)所需使用的手寫板的品牌、型號不同，會導(dǎo)致同一算法在不同設(shè)備上使用時(shí)的身份認(rèn)證識別率不同;同一書寫者使用不同介質(zhì)進(jìn)行書寫時(shí)的樣本產(chǎn)生偏差。在進(jìn)行離線簽名時(shí)，由于紙張、簽名筆、環(huán)境等外部因素影響，所書寫的簽名差異性較大，為簽名認(rèn)證準(zhǔn)確性造成誤差;同時(shí)，在進(jìn)行簽名采集時(shí)，通過掃描儀、照相機(jī)等將簽名轉(zhuǎn)換為計(jì)算機(jī)可處理的數(shù)字圖像，在轉(zhuǎn)換過程中容易使樣本遭到污損、模糊等情況，加大離線簽名認(rèn)證的難度。由此可見，基于手寫簽名的認(rèn)證仍具有挑戰(zhàn)性。

在未來的研究中，針對書寫者選擇合適的特征、對手寫簽名進(jìn)行偽造、對簽名的變異性和穩(wěn)定性分析、對多文種多來源的簽名進(jìn)行身份認(rèn)證等都將成為研究重點(diǎn)，從而創(chuàng)建大型公共數(shù)據(jù)庫并共同使用可接受結(jié)果比較協(xié)議，將使手寫簽名的研究更加科學(xué)化。