logo资料库

论文研究-基于结构特征的离线手写签名鉴别 .pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：0.40M 资料格式：pdf 举报 版权申诉
第1页 / 共9页
第2页 / 共9页
第3页 / 共9页
第4页 / 共9页
第5页 / 共9页
第6页 / 共9页
第7页 / 共9页
第8页 / 共9页
资料共9页，剩余部分请下载后查看
    中国科技论文在线 http://www.paper.edu.cn 基于结构特征的离线手写签名鉴别 李亚婷，詹恩奇** （武汉理工大学信息工程学院，武汉 430070） 10 5 摘要：离线手写签名鉴别的目的是准确有效的实现个人身份的鉴别。本文提出了基于结构特 征的离线手写签名鉴别方法，对签名图像进行了离线手写签名鉴别的目的是准确有效的实现 个人身份的鉴别。本文提出了基于结构特征的离线手写签名鉴别方法，对签名图像进行了预 处理，包括二值化、大小归一化和倾斜校正，提取了签名的结构特征，包括矩、街区距离 变换等，使用修正的街区距离作为特征距离度量，通过评估得到了对应的鉴别准确率。为改 进了系统的鉴别效果，提出了将签名图像分块，选择重要性较高的部分进行融合再判别。 实验结果显示通过对签名图像分块再融合，签名鉴别的准确率比整体签名鉴别的准确率提 升了 15%左右。 关键词：离线手写签名鉴别；矩；距离变换；签名分块 中图分类号：TP391 15 Off-line signature verification based on structural features LI Yating , ZHAN Enqi 20 25 30 (Information Engineering School, Wuhan University of technology, Wuhan 430070) Abstract: Off-line handwritten signature verification aims to achieve accurate and effective identification of personal identity. This paper presents a method for off-line handwritten signature verification based on structural features. The signature image preprocessing, including binarization, size normalization and tilt correction. The moment features, distance transform features are extracted in this research. The modified blocks distance is used as the measurement of distance between feature, then get the result by statistics. In order to improve the verification results of the system, we put forward to dividing the signature image into nine pieces, select several more important pieces to fuse, then verify their results. Experimental results show that through the signature image block reintegration, signature verification accuracy than the accuracy of the overall signature verification lift by about 15%. Key words: off-line handwritten signature verification; moment features; Distance transformation; signature image segmentation 0 引言 35 随着信息技术的快速发展，人们生活水平日渐提高的过程中安全问题受到前所未有的挑 战，实时准确的进行个人身份鉴别非常重要。传统的身份鉴别基于密码、IC 卡等方式，有 各种缺点，比如密码可能被窃取遗忘，IC 卡可能遗失被盗等。人们急需一种可靠和方便易 用的个人身份鉴别技术来克服传统方法中的不足。而基于人体生物特征的身份鉴别方式可以 从根本上解决上述缺点，因而得到越来越多的应用。 40 生物特征身份鉴别技术是指利用人体所固有的生理或行为特征之间的差异，通过计算机 来鉴定身份的技术[1]。与传统鉴定方式相比，生物识别具有防伪性良好、易携带、不易遗失 或遗忘等优点[2]。 虽然只有短短几十年的发展，生物鉴别技术已经在刑事、民事等法律领域和军用系统中 作者简介：李亚婷（1991-），女，研究生在读，主要研究方向：图像处理与模式识别 通信联系人：詹恩奇（1972-），男，副教授，主要研究方向：图像处理、模式识别与信号处理. E-mail: 56285523@qq.com - 1 -
    中国科技论文在线 http://www.paper.edu.cn 得到较为广泛的应用。最近几年，民用系统中也可以见到生物鉴别技术的应用。 45 一般来说如果特征满足普遍性、唯一性、稳定性、可采集性，就可以作为生物特征用于 身份鉴别[3]。目前正在研究使用的生物特征主要包括：指纹、脸相、手型、掌纹、虹膜、声 音、签名等。签名鉴别技术与其他生物测定技术相比，具有足够的动态信息、难模仿、区分 性较高、尊重隐私权和信息获取高效性等优势，在签名特征的可搜集性、人体伤害可接受程 度和鲁棒性方面都是非常突出的[4]，有广阔的应用前景和价值。因此，对签名进行有效、可 50 靠、快速的鉴别具有重要的社会价值和实用意义。 1 离线手写签名鉴别系统设计 1.1 离线手写签名系统总体设计 离线手写签名鉴别系统设计一般包含四个模块：签名数据获取模块、预处理模块、特征 提取模块、匹配模块和签名模板库模块。 55 数据的获取一般是采用现有的签名库；预处理模块基本上需要使用平滑去噪、大小位置 归一化和二值化，还使用了分割、倾斜校正；特征提取模块主要是要选择合适的特征，比如 全局特征、局部特征等描述签名并将签名图像转化为一组特征矢量；匹配模块主要是将需要 鉴别的签名的特征矢量与模板库中相应的真实签名的特征矢量进行比较，并产生相似度值， 然后与事先给定的阈值比较，确定签名是否伪造；签名模板库的产生通常由用户注册过程完 60 成。其系统框图如图 1 图 1 离线手写签名鉴别系统框图 Fig. 1 Off-line handwritten signature verification system diagram 本文讨论了基于结构特征的签名鉴别方法，包括：基于矩的签名鉴别、基于距离变换的 65 签名鉴别。 1.2 签名图像预处理 预处理的好坏直接影响鉴别的难易及鉴别结果的好坏。为此，根据需要，本文对签名图 像进行的预处理操作包括：二值化、签名图像大小的归一化、倾斜校正以及签名分块。 1.2.1 二值化 70 签名图像的二值化是将灰度图像转化为黑白的二值图像，将签名前景与背景分割，去除 一些不必要的信息。 设 f(x,y)为原始的签名图像，g(x,y)为二值化后的签名图像，f(x,y)是像素点(x,y)的灰度值， f(x,y)比较小则为黑色签名部分，f(x,y)较大为白色背景。假设设定的阈值为 T，则二值化定 义如式(1) - 2 - 训练样本特征提取建库预处理鉴别评估特征提取预处理测试样本评估结果
    中国科技论文在线 http://www.paper.edu.cn 75 (1) 对签名的灰度图像进行二值化，关键在于阈值的选取，阈值选取的方法分为全局阈值法、 自适应阈值法和最佳阈值的选择，最佳阈值的选择又分为直方图技术、迭代法和最大类间方 差法(简称 OTSU)[5]。本文选用 OTSU 算法，其基本原理是以最佳阈值将图像的灰度直方图 分割成两部分[6]，是两部分之间的方差取最大值，即分离性最大。原签名图如图 2，二值化 80 后如图 3 图 2 原签名图 图 3 二值化后 Fig. 1 Original signature Fig. 3 Binarized signature 1.2.2 图像倾斜校正 85 倾斜校正采用最小二乘法，它将签名图像的像素点作为特征点，利用图中特征点与基线 的关系，将特征点用最小二乘法拟合出基线的方向[7]，即为签名的倾斜方向。 签名图像构造的数据集(x,y)，设 x 和 y 之间的函数关系如式(2) (2) 利用最小二乘法把数据集拟合为直线。用最小二乘法估计参数时，要求观测值的偏差的 90 加权平方和为最小。计算出斜率之后就知道签名图像的整体倾斜角度 ，然后可由旋转公式 (3)对签名图像进行旋转，倾斜校正之前数据点为(x,y)，校正之后数据点为(xn,yn) 旋转了对应角度之后，再用工具函数对边界对象抑制。原签名图如图 4，旋转之后的签 名图像如图 5 (3) 95 图 4 原签名图 图 5 倾斜矫正后 Fig. 4 Original signature Fig. 5 After the tilt correction 1.2.3 图像大小归一化 由于书写和签名图像采集等原因，签名图像在位置和大小上会有不同，而签名鉴别主要 100 基于签名图像的结构，将签名图像归一化可以使特征向量构成的空间中属于一个类别的各个 点更接近，便于鉴别时能够统一比较，以利于特征提取和提高鉴别准确率。 本文归一化方法为先确定四边界，将边界以外空白处剪切，上下边界填充使签名位于填 充后正方形图片的中部，再按规定的尺度因子进行缩放，剪切边界空白后签名图像如图6， 图像大小归一化后如图7 - 3 - 0,,gx,y1,,fxyTfxyT    yabxxncossinsincosxyny
    中国科技论文在线 http://www.paper.edu.cn 105 图6 边界剪切后 图7 大小归一化后 Fig. 6 After the boundary shear Fig 7 Normalized signature 2 离线签名鉴别方法及实现 2.1 基于结构特征的鉴别方法 110 特征提取模块主要是使用了第 1 章中提到的基于结构特征的签名鉴别方法：矩法、距离 变换，矩法：描述字符形状和物理意义；距离比换：直接用两幅图中的像素点进行计算。 矩法采用提取八个特征组成矩特征向量。距离变换主要是进行签名图像的匹配，对一幅 图像中的黑点，计算它到另一幅签名图像中最近黑点间的距离，以最近距离之和作为两幅签 名图像之间的距离，根据这个距离就可以评估两幅签名图像相似度。 115 2.2 基于矩特征的签名鉴别方法 2.2.1 矩特征提取 签名图像特征的描述有很多种，如签名外形、字位倾斜、重心偏移等整体结构特征，这 些特征有比较明确的物理意义，而且反映了签名者的书写风格。矩法可以作为表示形状特征 的方法，另外矩法又分为几何矩、角度矩、Legendre 矩、Zemike 矩等。其中几何矩应用最 多，低阶几何矩的值能表示物体形状特征[8]。 120 对于一个大小为 M*N 的数字图像，（p+q）阶几何矩定义如式(4)： (4) 签名图像的重心可以由零阶和一阶几何矩得式(5)： 125 以重心为坐标原点就得到中心矩如式(6)： (5) (6) 中心矩是反映对应区域中灰度相对于灰度重心是如何分布的度量。二阶矩可以求出图像 中黑点的 x 坐标的方差，表示的是水平方向上的伸展度。本篇文章选择了长宽比、字位方向、 拉长度、伸展度、水平偏度、垂直偏度、水平伸展均衡度和垂直伸展均衡度等八个特征组成 130 矩特征向量。 2.2.2 矩的距离度量 在基于矩的签名鉴别过程中，使用了修正的街区距离进行距离度量[9]，对于两个特征矢 量 f1 和 f2，修正的街区距离如式(7) (7) - 4 - 1100(,)MNpppqxymxyfxy10010000  ,   mmXYmm1100()()(,)MNpqpqxyxXyYfxy81212122213231,2(,)||(||)()iiiiDffffrffff
    中国科技论文在线 http://www.paper.edu.cn 135 (8) 用函数 r(x)对特征 之差修正，考虑到签名主轴方向的值域， 是在正负一之间，当主 轴靠近 y 轴时， 可能接近-1，也可能接近+1，那么特征 的差可能大于 1，出现这 种情况，其差值用 r 来代替，r 的权值惯性比 相当于方向的可信度。 2.3 基于距离变换的签名鉴别 140 2.3.1 距离变换 距离变换可用于计算图像中每个前景点到背景点的最近距离，或者每个背景点到前景点 的最近距离。在模式匹配中，可用距离变换实现一个图像特征点与另一个图像中最近特征点 匹配的问题。 计算图像中两点之间的城市街区距离需要用到最简单的距离变换，要对图像进行两次扫 145 描。距离变换过程是用邻域点的距离变换来更新当前点的距离值，其中，邻域是一个 K*K 的移动窗口，若邻域点的值加上一个权值任小于窗口中心点的值，则用这个值去更新中心点 的距离值，一个 3*3 的窗口如图 8 b a b a 0 a b a b 图 8 距离变换窗口 Fig 8 Distance transform 150 网格中的值是相应位置的权值，对于街区距离，权值 a=1,b=Z，Z 是一个任意数，若 b=1， 则得到棋盘距离，适当调整权值，可使计算的距离接近欧氏距离，加大窗口的尺寸可提高计 算的精度。本文用到的是 3*3 的距离变换窗口，近似计算签名图像中白点到黑点的最近距离， 权值 a=3，b=4，变换后距离值大约是实际值的 3 倍。 2.3.2 距离变换的距离度量 155 计算一幅图像黑点到另一幅图像最近黑点的距离，可以看作另一幅图中对应点的距离变 换值，以最近距离之和作为图像之间的距离，这种方式可以容忍一点的位移和形变。设两幅 图像分别表示为 f(x,y)和 g(x,y)，g(x,y)的距离变换表示为 (x,y)，则图像之间的距离如式(9)。 (9) Nf 是图像 f(x,y)中黑点总数，匹配的距离与匹配的方向有关，因此，取均值作为两幅图 160 像间的特征向量间的距离 D，如式(10)。 (10) - 5 - ,1()2,1xxrxxx2f2f2f12||iiff3fdg1(,)(,)fgdxyfDfxygxyN2fggfDDD
    中国科技论文在线 3 离线签名鉴别方法测试分析 3.1 算法测试方案 3.1.1 算法测试系统 http://www.paper.edu.cn 165 为了测试几种离线签名鉴别方法的鉴别正确率，本文设计了签名鉴别效果的评估系统， 这个系统主要分为三部分：预处理、特征提取和鉴别效果评估。预处理部分所做的工作如第 2 章中所讲到的二值化、签名大小归一化之类，为特征提取做好准备；特征提取部分，主要 提取了两种特征：距离变换和矩，得到其对应的相似度；评估部分则主要是根据特征提取得 到的相似度计算其错误率。其系统框图如图 9 170 图 9 算法测试系统框图 Fig 9 Test system block diagram Algorithm 鉴别过程中计算了测试样本特征向量与训练得到的特征向量均值的距离，这个距离的值 越小说明测试的签名越可能是真实签名，采用阈值法对特征向量之间的距离进行判别，设定 175 阈值，大于此阈值为伪造签名，否则为真实签名。 3.1.2 评估模块 在特征提取部分得到测试样本特征向量与训练样本的特征向量均值之间的距离估算的 相似度之后，主要是根据相似度评估这三种鉴别方法的正确率。 评估采用阈值法判断的，设定阈值，相似度大于这个阈值则为真实签名，否则为伪造签 180 名，然后统计错误拒绝率和错误接受率。阈值的设定是动态选择的，根据动态选择算法选定 阈值后，将特征提取阶段得到的相似度与阈值比较，大于阈值的部分则判定为真实签名，小 于阈值的部分判定为伪造签名，然后统计其判定结果的正确性。 - 6 - 图像大小归一化图像大小归一化倾斜校正倾斜校正矩特征提取矩特征提取距离变换特征提取距离变换特征提取预处理距离分类距离分类距离分类距离分类鉴别结果鉴别结果鉴别结果鉴别结果签名二值化签名二值化原签名图像原签名图像
    中国科技论文在线 3.1.3 测试用签名数据库 http://www.paper.edu.cn 测试用到的签名库是 SVC2004，这个签名库是在线签名的数据库，没有动态信息，所 185 以所有的签名都是单笔划的，没有笔划的宽度信息。然后由于真实签名的样本比较少，鉴别 系统的训练部分没有使用伪造签名，测试部分有部分真实签名和伪造签名。 测试中共采用 12 个签名者每人 20 个真实签名，针对每个签名者有 20 个伪造签名，共 480 个签名。将这些签名分为两组，每人 10 个真实签名作为训练样本，每人 10 个真实签名 和 20 个伪造签名作为测试样本。 190 3.2 整体签名鉴别结果分析 离线手写签名鉴别系统性能采用错误拒绝率(False Rejection Rate, FRR)、错误接受率 (False Acceptance Rate, FAR)和平均正确率(Average Accuracy Rate，AAR)进行评估的， AAR=1-(FRR+FAR)/2。完成的部分实验结果如下： （1）SVC2004 签名库，原图大小是 534*224，经过二值化、大小归一化为 64*64，通 195 过矩法、距离变换得到的部分测试结果如表 1 所示 表 1 整体归一化为 64*64 大小测试结果 Tab. 1 Test result after signature normalized to the size of 64*64 鉴别方法 矩法 距离变换 FRR/% 38.18 50.83 FRR/% 41.82 25.00 AAR/% 60.00 62.09 表 1 中评估结果，仅是签名库中十二个签名者鉴别的评估结果的统计平均值。实验中存 在某些签名者的鉴别效果很差，然后就会降低统计结果，因为选取的签名样本有限。 200 （2）SVC2004 签名库，原图大小是 534*224，经过二值化、、大小归一化为 192*192， 通过矩法、距离变换两种鉴别方法得到的部分测试结果如表 2 表 2 签名大小归一化为 192*192 测试结果 Tab. 4 Test result after signature normalized to the size of 192*192 鉴别方法 矩法 距离变换 FRR/% 29.17 33.33 FRR/% 38.75 34.58 AAR/% 66.04 66.04 由表 1 和表 2 可以看出： 205 1) 将签名图像归一化到不同大小，鉴别结果明显不同，这说明将签名图像压缩到一定 的大小，像素点减少了，物理特征会有所失真。因此，对签名图像大小的归一化 要考虑选取适合的大小，不能破坏原有特征。 2) 从实验结果可以看出矩法和距离变换法鉴别错误率差不多，矩和距离变换的特征计 算都只需对签名图像进行两次线性扫描，一个是全局特征比较，一个是点的匹配， 210 总体来说两者的鉴别性能是差不多的，特征类型不一样，形成互补。 3.3 分块签名鉴别方法 对于签名整体来说，基于结构特征的签名鉴别正确率不高，需要考虑改进测试方案提 高系统的整体性能。笔迹鉴别将几个字符融合，鉴别的正确率可以提升不少，于是可以考虑 对单个的签名图像进行切分，切分之后分别对分割的每一块进行鉴别，选择效果比较好的几 215 块进行融合再鉴别。 - 7 -
    中国科技论文在线 http://www.paper.edu.cn 分块部分，选择对把边界剪切后的签名图像进行均匀分块为 3*3 的 9 部分，然后对每一 部分进行大小的归一化，之后分别进行特征提取匹配，根据匹配得到的距离计算出每部分的 相似度，然后选取相似度较高的部分进行加权融合。 3.4 基于签名分块的签名鉴别结果分析 220 将每个签名均匀的分为 3*3 的九部分，从左至右，从上至下分别给每部分按顺序编号。 签名分块之后对每部分分别进行预处理和特征提取，计算每一部分测试样本与训练样本模板 的相似度，选择相似度排前三的部分进行融合，其中融合的方法选取的是加权融合，其相似 度的计算如式(11) (11) (12) xsd 表示相似度，qz 表示权值，权值之和为一。在本论文中 qz1=1/2，qz2=1/3，qz3=1/6。 对于不同的签名者签名分块后其重要性排前三的序号分别都不同特点比较集中的区域 就比较有代表性，能代表签名的局域特征，对这些重要区域进行融合鉴别效果会比较好。 基于距离变换法的离线手写签名分块鉴别前后测试结果如表 3 所示。 225 230 表 3 矩法签名分块前后测试结果 Fig 3 Test result after improved based on moment method 方法 未分块 选 3 块融合 选 4 块融合 FRR/% 29.17 15.83 15.83 FRR/% 38.75 25.00 22.32 基于矩的离线手写签名鉴别分块前后测试结果如表 4 所示。 表 4 距离变换签名分块前后测试结果 235 Fig 4 Test result after improved 方法 未分块 选 3 块融合 选 4 块融合 FRR/% 33.33 16.83 15.93 FRR/% 34.58 26.00 22.02 AAR/% 66.04 79.59 80.92 AAR/% 66.04 78.58 81.02 表 6 到 7 可以看出，对签名图像进行切割之后分块鉴别，然后选择重要性比较高的部 分进行融合再鉴别，鉴别的正确率明显提升。从表可以看出整体签名的鉴别平均的正确率在 66%左右，但是基于分块的签名鉴别正确在 80%左右，明显鉴别效果提升了不少，虽然结果 不够理想，但是至少可以说明对签名图像进行分块是有效的，签名的特征存在于细节，分块 240 成很小的部分可以放大细节，融合也可以提高鉴别效果。签名的本身存在很多的不定性，字 间距可能随时都在变化，将签名分块，那些差异就可以被忽略，鉴别效果应该就会有所改善。 另外针对不同的特征提取，选取分块融合的个数对测试的结果有明显的影响，还有很多 待解决的难题在后续的研究中。 4 分析与总结 245 本论文研究基于结构特征的离线手写签名鉴别，在学习了几种现有的签名鉴别方法基础 上用算法对其加以实现，然后评估鉴别效果，主要内容如下： 预处理阶段，用 OSTU 对签名图像进行二值化，签名图像大小的归一化没有使用传统的 - 8 - 112233xsd=qzxsd+qzxsd+qzxsd123qzqzqz1
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料