基于探測網(wǎng)格的離線簽名認(rèn)證方法

摘? 要：本文提出了一種基于探測網(wǎng)格的離線簽名分析和驗證方案，該方案的核心是通過網(wǎng)格模板對簽名的精細(xì)幾何結(jié)構(gòu)進(jìn)行有效編碼，并在子集內(nèi)進(jìn)行適當(dāng)劃分。特征表示在使用5*5像素窗口二進(jìn)制掩碼上形成的柵格形狀探測結(jié)構(gòu)來檢測，然后采用PCA方法進(jìn)行簽名圖像特征提取、鑒定，實驗結(jié)果表明本文提出的方法是非常有效的。

關(guān)鍵詞：簽名;探測網(wǎng)格;PCA

中圖分類號：TP391.41? ? ? 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2019）23-0090-03

Off-line Signature Verification Method Based on Probe Grid

ZENG Xiaoyun

（Yangzhou Polytechnic College，Yangzhou? 225009，China）

Abstract：In this paper，an off-line signature analysis and verification scheme based on detection grid is proposed. The core of this scheme is to effectively encode the careful geometric structure of the signature through the grid template and divide it properly within the subset. The feature representation is detected by using the raster shape detection structure formed on the binary mask of 5*5 pixel window，and then the signature image feature is extracted and identified by PCA method. The experimental results show that the method proposed in this paper is very effective.

Keywords：signature;probe grid;PCA

1? 簡介

一直以來，人的生理特征（如臉、指紋、掌紋幾何學(xué)）和行為特征（如聲音、筆跡、關(guān)鍵筆畫）被廣泛用于生物特征識別技術(shù)中。筆跡被認(rèn)為是識別身份的最廣泛的私有屬性之一。相關(guān)的寫作習(xí)慣是在兒童時期養(yǎng)成的，它們主要受視覺知覺、協(xié)調(diào)、靈巧、成長、寫作系統(tǒng)、社會關(guān)系、寫作頻率、教育和民俗等幾個參數(shù)的影響。

手寫體簽名是人類最常見的確認(rèn)他們的身份的社會和法律認(rèn)可的方式之一。根據(jù)簽名的獲取方法，自動簽名驗證系統(tǒng)（ASVS）大致分為在線簽名或動態(tài)簽名和離線簽名或靜態(tài)簽名兩大類。面向離線的系統(tǒng)通常在完成簽名過程后較長時間才能獲得簽名，因此在注冊過程中沒有動態(tài)信息，簽名通常用灰度圖像表示。簽名認(rèn)證的弱點是它們往往容易被偽造者復(fù)制，用以偽造身份。這種模仿行為的程度取決于對任何已知的先驗信息，從隨機(jī)偽造（仿真人對簽名的形狀幾乎一無所知）到簡單和模擬的偽造（在這種偽造中，人只有很少或豐富的資源，以便對真正的簽名樣本進(jìn)行模擬），因此模擬的偽造簽名相對來說比較難鑒別。

2? 本系統(tǒng)方法介紹

2.1? 獲取簽名圖像

每人提供了24份真實簽名樣本和24份模擬偽造簽名樣本，并以300dpi進(jìn)行了數(shù)字化。模擬簽名數(shù)據(jù)庫是隨機(jī)、簡單和熟練的偽造簽名的混合。此外，簽名被限制在一個50毫米乘50毫米的方框內(nèi)。

2.2? 預(yù)處理

在特征提取之前，通過基本的預(yù)處理過程可以獲得簽名的二進(jìn)制形式。本文首先采用Otsu法進(jìn)行閾值處理[1]，再用等距采樣?xùn)鸥穹ㄟM(jìn)行無限細(xì)化，形成一個像素寬的跟蹤和裁剪分割[2]，此過程將會減少使用不同的書寫工具所帶來的不必要的影響。在本實驗中我們盡量從簽名圖像的最小骨架（如圖1所示）中收集盡可能多的穩(wěn)定信息。而不需要進(jìn)行額外的預(yù)處理步驟，例如大小調(diào)整、斑點消除、歪斜校正等。因為來自不同數(shù)據(jù)集的簽名可能有不同的寫入和獲取條件。

為了增強(qiáng)驗證結(jié)果的有效性，我們對簽名數(shù)據(jù)庫圖像進(jìn)行了細(xì)化算法的預(yù)處理，該算法對原始簽名圖像進(jìn)行了五倍的修剪。

通過使用等規(guī)模采樣?xùn)鸥竦姆椒◤恼麄€特征圖像或其局部圖像中進(jìn)行特征比較。在這項工作中，等規(guī)模分割過程產(chǎn)生了由五個部分（2*2個局部+1個整體）的混合，其中將進(jìn)行全局和局部特征提取。

2.3? 探測網(wǎng)格

假設(shè)最初的集合G={BGi}（i=0，1，…，7）是由三個像素混合而成，分成八個二進(jìn)制3*3掩碼，如圖2所示。這些掩碼也可以被視為HLAC網(wǎng)格掩碼的0、1和2階的子集，其約束條件是起始像素和最終像素的Chebychev距離為2[3]。

同時也考慮四重旋轉(zhuǎn)組元素C4={， s=0，…，3}，其中每個元素代表逆時針旋轉(zhuǎn)。如圖3所示。

G與C4集的組合為主特征集（PFS）提供了32（4*8）個二元網(wǎng)格掩碼。它們可以用一個5*5網(wǎng)格窗口，并由關(guān)系PFS==，i∈{0：7}，s∈{0：3}來進(jìn)行描述，其中符號“? ”用于表示函數(shù)組合。此外，主要特征集的一些元素如圖3所示。

3? 主成分分析法（PCA）用于簽名認(rèn)證

主成分分析法是一種降維的統(tǒng)計方法[4]，它借助一個正交變換，將其分量相關(guān)的原隨機(jī)向量轉(zhuǎn)化成其分量不相關(guān)的新隨機(jī)向量，這在代數(shù)上表現(xiàn)為將原隨機(jī)向量的協(xié)方差陣變換成對角形陣，在幾何上表現(xiàn)為將原坐標(biāo)系變換成新的正交坐標(biāo)系，使之指向樣本點散布最開的p個正交方向，然后對多維變量系統(tǒng)進(jìn)行降維處理，使之能以一個較高的精度轉(zhuǎn)換成低維變量系統(tǒng)，再通過構(gòu)造適當(dāng)?shù)膬r值函數(shù)，進(jìn)一步把低維系統(tǒng)轉(zhuǎn)化成一維系統(tǒng)。

假設(shè)簽名圖像的個數(shù)為M，將每張圖像按列串相接的方式排成長度為N的向量：T1，T2…，TN。其均值向量為：

（1）

則每幅圖像相對于均值圖像的差為：φi-φ（i=1，2，…，M）。假設(shè)矩陣A=[φ1，φ2…，φm]，那么散步矩陣∑可以表示為：

（2）

求出∑的特征值λk和特征矢量μk，這里μk是基于探測網(wǎng)格求出的特征向量，用特征向量構(gòu)成的圖像代表了這張簽名圖像。由于∑是N×N大小的矩陣，而且N的值較大，一般遠(yuǎn)大于訓(xùn)練樣本的個數(shù)M，為了減少計算量，我們先計算大小為M×M的矩陣ATA的特征向量Vk，再求∑的特征向量μk，依據(jù)代數(shù)理論有：

（3）

對于這些相互正交的特征向量，根據(jù)其對應(yīng)的特征值的大小，按照從大到小的順序進(jìn)行排列，取前面J（J

i=1，2，…，M;k=1，2，…，J? ? ? ? ? ? ?; ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

這里“〈·〉”表示內(nèi)積。對于任一個待鑒定的簽名圖像，用同樣的方法求出其投影系數(shù)oi=（ω1，ω2，…，ωj），那么滿足下列條件的第j個訓(xùn)練圖像即為鑒定結(jié)果。

（5）

4? 實驗結(jié)果與分析

在本系統(tǒng)中每個人有24個真實簽名和24個模擬簽名用來訓(xùn)練和測試。在測試中得出三種結(jié)果：錯誤拒絕率（FRR），錯誤接受率（FAR），平均錯誤率（ARR）。

另外把該方法的試驗結(jié)果和采用SVM和加權(quán)Fisher線性分類器[5，6]的結(jié)果對比在表1中列出。

表1? 采用不同試驗方法的結(jié)果

從表1結(jié)果可以看到，本文所提出方法的可行性與現(xiàn)有的方案相比，可以應(yīng)用于大多數(shù)需要離線簽名身份驗證的應(yīng)用程序。

5? 結(jié)? 論

簽名認(rèn)證為生物識別行為安全系統(tǒng)提供了一個簡單、安全、易讓人接受的方法，本文通過應(yīng)用探測網(wǎng)格和PCA方法取得了比較理想的效果。

參考文獻(xiàn)：

[1] Ostu N. A threshold selection method from gray-histogram [J].IEEE Transactions on Systems，Man，and Cybernetics，2007，9（1）：62-66.

[2] PIRLO G. Cosine similarity for analysis and verification of static signatures [J].Biometrics，IET，2013，2（4）：151-158.

[3] KUMAR R，SHARMA;JD，CHANDA B. Writer-independent off-line signature verification using surroundedness feature [J].Pattern Recognition Letters，2012，33：301

[4] GONZALEZ R. C.，WOOD R. E.，EDDINS S. L.數(shù)字圖像處理（第二版） [M].阮秋琦，譯.北京：電子工業(yè)出版社，2003.

[5] 曾曉云.基于SVM的離線簽名認(rèn)證 [J].蘭州工業(yè)高等專科學(xué)校學(xué)報，2009（4）：8-12.

[6] 曾曉云.基于多尺度小波變換和加權(quán)Fisher線性分類器的離線簽名認(rèn)證 [J].漯河職業(yè)技術(shù)學(xué)院學(xué)報，2015，14（5）：17-19.

作者簡介：曾曉云（1981-），女，漢族，湖北鐘祥人，講師，碩士，研究方向：圖像處理與模式識別。