CN100452082C - 一种签名识别方法 - Google Patents

Abstract

本发明公开了一种签名识别方法，其特征在于：包括有如下步骤：步骤一、分别获取原始签名和验证签名的包迹曲线；步骤二、分别提取原始签名和验证签名的包迹曲线曲率作为签名的识别特征k(t)₁和k(t)₂；步骤三、对原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂进行规则化对应；步骤四、采用加权欧式距离分类器来进行所述原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂的识别。本发明的显著效果是：对原始签名和验证签名进行客观识别比较，提高验证效果，统一了识别比较的标准，对个人身份的识别更方便快捷。

Description

一种签名识别方法

技术领域

本发明属于一种个人身份认证识别的方法，具体地说，是对个人的笔记进行验证一种签名识别方法。

背景技术

目前，在个人身份认证识别技术中，有利用个人的签名笔记进行识别，但这种识别只能停留在人眼观察的基础上，即当事人事先写下原始签名作为验证凭据，当需要签名识别当事人身份时，写出验证签名，其他人凭借个人经验观察比较原始签名和验证签名是否一致，以判断当事人身份是否真实。

其缺点是：没有专业的验证设备和验证方法对原始签名和验证签名进行客观识别比较，仅凭个人经验观察判别，容易受到主观因素的干扰，验证效果较差。

发明内容

本发明的目的是提供一种签名识别方法，对原始签名和验证签名进行客观识别比较，提高验证效果。

为达到上述目的，本发明所述的一种签名识别方法，其关键是：

包括有如下步骤：

步骤一、分别获取原始签名和验证签名的包迹曲线：

用扫描仪器分别读取原始签名和验证签名图案，扫描仪器将图案信息发送给计算机，计算机采用膨胀算子对签名字迹的笔画加粗，使签名字迹的笔画相连，成为一个整体，然后利用轮廓追踪算子分别获取原始签名和验证签名的包迹曲线；

步骤二、分别提取原始签名和验证签名的包迹曲线曲率作为签名的识别特征k(t)₁和k(t)₂：

包迹曲线的离散曲率计算方法为曲线曲率的计算公式：

$\mathrm{\κ}\left(t\right)=\frac{x^{\′}\left(t\right)y^{\′\′}\left(t\right)-y^{\′}\left(t\right)x^{\′\′}\left(t\right)}{\sqrt{{(x^{\′}{\left(t\right)}^2+y^{\′}{\left(t\right)}^2)}^3}}$

其中，x、y为包迹曲线上获取的任一点的坐标值，x′(t)，y′(t)，x″(t)，y″(t)分别是包迹坐标x(t)和y(t)的一阶、二阶导数，识别特征k(t)为包迹曲线的离散曲率值，

其中所述原始签名包迹曲线曲率k(t)₁作为识别标准，保存在计算机系统内，所述验证签名包迹曲线曲率k(t)₂作为之后签名识别的依据供计算机系统甄别；

步骤三、对原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂进行规则化对应：

利用多边形匹配原理寻找原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂特征模式相应的计算起点，对两次签名的字迹特征进行角度旋转、放大或缩小、位置平移进行归一化，使两次签名进行规则化对应，使其位置、起点和角度统一，使其达到旋转、尺度、位置的不变性，便于比较，规则化的计算公式为：

$\mathrm{xnew}\left(t\right)=\frac{1}{\mathrm{end}-\mathrm{start}+1}\underset{i=\mathrm{start}}{\overset{\mathrm{end}}{\mathrm{\Σ}}}x\left(i\right)$

$\mathrm{ynew}\left(t\right)=\frac{1}{\mathrm{end}-\mathrm{start}+1}\underset{i=\mathrm{start}}{\overset{\mathrm{end}}{\mathrm{\Σ}}}y\left(i\right)$ (t∈[0，T]).

其中T为规则化后包迹曲线的长度，start为小于或等于t*N/T的最大整数，end小于或等于(t+1)*N/T的最大整数；所得出的xnew(t)和ynew(t)确定所述原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂跟随的取值范围；

Start为包迹曲线的起点，end为包迹曲线的终点。

步骤四、识别签名

采用加权欧式距离分类器来进行所述原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂的识别，把二者的模式特征向量相比较，

$\mathrm{Wed}(F_t,\mathrm{\μ},\widehat{\mathrm{\Σ}})=\sqrt{{(F_t-\mathrm{\μ})}^t{\widehat{\mathrm{\Σ}}}^{-1}(F_t-\mathrm{\μ})}$ $\widehat{\mathrm{\Σ}}=\mathrm{diag}\left(\mathrm{\Σ}\right)$

其中∑是训练样本签名包迹曲线特征向量的协方差矩阵，F_t就是待识别的验证签名包迹曲线曲率k(t)₂组成的特征向量，μ是原始签名包迹曲线曲率k(t)₁的特征向量(F_t)的均值向量。当验证签名包迹曲线与原始签名包迹曲线相比较，所得到的欧式距离

小于预先设定的阈值，也就是小于允许误差范围时，则待验证签名为真签名，否则认为待验证签名为伪造签名。

本签名识别方法是一种离线签名识别的技术，个人签字的笔画、线条之间相互分离，本发明是通过提取签名，使分离的线条合拢，形成包迹曲线，由于离散包迹曲线可以认为是一个多边形，因此根据多边形匹配的原理对包迹曲线加以处理，使得包迹曲线的曲率是一个旋转、大小、平移的不变量，最后使用加权欧氏距离分类器对包迹曲线的曲率特征来进行模式分类识别从而判断签名人的身份。

人们在签名是由于经过多次的实践，形成了相对固定的风格，在签名的轮廓的连通性以及笔画的光滑度方面都难以伪造，本方法正是利用签名的这一特性来达到鉴别的目的。

当事人每次签名都具有旋转、大小、平移的微小变化，在提取签名特征加以识别，需要进行预处理，预处理的结果直接影响识别的精度；而本发明在特征提取阶段通过多边形匹配的原理使得签名达到旋转、大小、平移的不变性，达到较高的识别率。

在执行步骤二之前，如果离散曲线导数出现不连续性，则在进行曲线曲率的计算公式之前，需要利用高斯光滑核

$g(t,\mathrm{\σ})=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{\frac{-t^2}{2{\mathrm{\σ}}^2}}$

来光滑曲线，使其能够获得稳定的原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂。其中σ表示方差，即：

$X^{\′}(t,\mathrm{\σ})=\frac{\∂X(t,\mathrm{\σ})}{\∂t}=x^{\′}\left(t\right)*g(t,\mathrm{\σ})=x\left(t\right)*g^{\′}(t,\mathrm{\σ})=\underset{-\∞}{\overset{+\∞}{\∫}}x\left(s\right)\frac{\∂g(t-s,\mathrm{\σ})}{\∂s}\mathrm{ds}$

用X′(t，σ)代替曲线曲率的计算公式中的x′(t)，同理对y(t)，x″(t)，y″(t)做类似的操作，这样就将x(t)对t的导数转移到g(t，σ)对t的导数上来，由于g(t，σ)对t导数可以稳定计算，得出稳定地计算曲线曲率。

所述计算机采用阅图工具实现步骤一中图像的读取和阅图工具中的膨胀算子对签名字迹的笔画加粗，并获得包迹曲线；所述计算机采用运算工具实现步骤二中签名的识别特征k(t)₁和k(t)₂的获取；运算工具还实现步骤三中的规则化计算和步骤四中的识别签名。

本发明的显著效果是：对原始签名和验证签名进行客观识别比较，提高验证效果，统一了识别比较的标准，对个人身份的识别更方便快捷。

附图说明

图1是本发明的工作流程图；

图2是经步骤一、二获得原始的输入签名图像、预处理后的签名图像以及该签名的包迹曲线，其中：

图2.(1)是二个不同的原始输入签名图像；

图2.(2)是对二个签名图像进行膨胀算子预处理后的图像；

图2.(3)是对二个签名图像获得不同的包迹曲线；

图3是四个相似的签名图像的包迹曲线，四者的旋转角度、大小不同，初始点start位置选择不同，形成的位移也不同；

图4对图3中四个包迹曲线的曲率特征曲线图；获得四个不同的曲率特征曲线，如图4.1、如图4.2、如图4.3、如图4.4所示：由于未经过步骤三规则化，可以看见其初始点start是不一致的，比较签名非常困难；

图5步骤三对图3中包迹曲线进行规则化的示意图，其中：

图5.1是签名包迹曲线图；

图5.2是多边形匹配图；

图5.3是经多边形匹配后包迹曲线图，可以找到其签名包迹曲线一致的起点start；

图6是先经过步骤三对图3中的包迹曲线规则化后，再获得的四个曲率特征曲线，多边形匹配图以及多边形匹配后的签名包迹曲线相对应的起点，可以看见四个曲率特征曲线初的始点start一致，有利于比较签名；

图7是加权欧式距离分类器的结构原理图，为现有技术；

图8本发明的系统框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1、图8所示：一种签名识别方法，包括有如下步骤：

步骤一、分别获取原始签名和验证签名的包迹曲线：

用扫描仪器分别读取原始签名和验证签名图案，如图2.1所示，原始的输入签名图像，扫描仪器将图案信息发送给计算机，计算机采用膨胀算子对签名字迹的笔画加粗，使签名字迹的笔画相连，如图2.2所示，成为一个整体，然后利用轮廓追踪算子分别获取如图2.3所示的原始签名和验证签名的包迹曲线；

步骤二、分别提取原始签名和验证签名的包迹曲线曲率作为签名的识别特征k(t)₁和k(t)₂：

在执行步骤二之前，要对离散曲线导数进行判别，如果离散曲线导数出现不连续性，则先利用高斯光滑核

$g(t,\mathrm{\σ})=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{\frac{-t^2}{2{\mathrm{\σ}}^2}}$

来光滑曲线，使其能够获得稳定的原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂。其中σ表示方差，即：

$X^{\′}(t,\mathrm{\σ})=\frac{\∂X(t,\mathrm{\σ})}{\∂t}=x^{\′}\left(t\right)*g(t,\mathrm{\σ})=x\left(t\right)*g^{\′}(t,\mathrm{\σ})=\underset{-\∞}{\overset{+\∞}{\∫}}x\left(s\right)\frac{\∂g(t-s,\mathrm{\σ})}{\∂s}\mathrm{ds}$

用X′(t，σ)代替曲线曲率的计算公式中的x′(t)，同理对y′(t)，x″(t)，y″(t)做类似的操作，这样就将x(t)对t的导数转移到g(t，σ)对t的导数上来，由于g(t，σ)对t导数可以稳定计算，得出稳定地计算曲线曲率后，再进行曲线曲率的计算。

得到如图3所示的原始签名图像和验证签名图像；

如图4所示，如果离散曲线导数本身具备连续性，则直接进行曲线曲率的计算，分别得到如图4.1、4.2、4.3、4.4所示的图象曲率特征曲线；

包迹曲线的离散曲率计算方法为曲线曲率的计算公式：

$\mathrm{\κ}\left(t\right)=\frac{x^{\′}\left(t\right)y^{\′\′}\left(t\right)-y^{\′}\left(t\right)x^{\′\′}\left(t\right)}{\sqrt{{(x^{\′}{\left(t\right)}^2+y^{\′}{\left(t\right)}^2)}^3}}$

其中，x、y为包迹曲线上获取的任一点的坐标值，x′(t)，y′(t)，x″(t)，y″(t)分别是包迹坐标x(t)和y(t)的一阶、二阶导数，识别特征k(t)为包迹曲线的离散曲率值，

其中所述原始签名包迹曲线曲率k(t)₁作为识别标准，保存在计算机系统内，所述验证签名包迹曲线曲率k(t)₂作为之后签名识别的依据供计算机系统甄别；

如图5所示，步骤三、对原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂进行规则化对应：

对如图5.1所示的签名包迹曲线图进行多边形匹配，获得如图5.2所示的多边形匹配图；经多边形匹配后，获得如图5.3所示的包迹曲线一致的起点start；

利用多边形匹配原理寻找原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂特征模式相应的计算起点，对两次签名的字迹特征进行角度旋转、放大或缩小、位置平移进行归一化，使两次签名进行规则化对应，使其位置、起点和角度统一，使其达到旋转、尺度、位置的不变性，便于比较，规则化的计算公式为：

$\mathrm{xnew}\left(t\right)=\frac{1}{\mathrm{end}-\mathrm{start}+1}\underset{i=\mathrm{start}}{\overset{\mathrm{end}}{\mathrm{\Σ}}}x\left(i\right)$

$\mathrm{ynew}\left(t\right)=\frac{1}{\mathrm{end}-\mathrm{start}+1}\underset{i=\mathrm{start}}{\overset{\mathrm{end}}{\mathrm{\Σ}}}y\left(i\right)$ (t∈[0，T]).

其中T为规则化后包迹曲线的长度，start为小于或等于t*N/T的最大整数，end小于或等于(t+1)*N/T的最大整数；所得出的xnew(t)和ynew(t)确定所述原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂跟随的取值范围。

步骤四、识别签名

最终于使如图3所示的不同大小和角度的签名分别被统一为如图6所示的规则化曲线，便于曲线的特征向量相比较

采用加权欧式距离分类器来进行所述原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂的识别，把二者的模式特征向量相比较，

$\mathrm{Wed}(F_t,\mathrm{\μ},\widehat{\mathrm{\Σ}})=\sqrt{{(F_t-\mathrm{\μ})}^t{\widehat{\mathrm{\Σ}}}^{-1}(F_t-\mathrm{\μ})}$ $\widehat{\mathrm{\Σ}}=\mathrm{diag}\left(\mathrm{\Σ}\right)$

其中∑是训练样本签名包迹曲线特征向量的协方差矩阵，F_t就是待识别的验证签名包迹曲线曲率k(t)₂组成的特征向量，μ是原始签名包迹曲线曲率k(t)₁的特征向量(F_t)的均值向量。当验证签名包迹曲线与原始签名包迹曲线相比较，所得到的欧式距离

小于预先设定的阈值，也就是小于允许误差范围时，则待验证签名为真签名，否则认为待验证签名为伪造签名。

可以通过当事人多次签名训练比较，得出最佳识别阈值。

如图7所示，加权欧式距离分类器为现有技术。

所述计算机采用阅图工具实现步骤一中图像的读取和阅图工具中的膨胀算子对签名字迹的笔画加粗，并获得包迹曲线；所述计算机采用运算工具实现步骤二中签名的识别特征k(t)₁和k(t)₂的获取；运算工具还实现步骤三中的规则化计算和步骤四中的识别签名。

所述阅图工具为photoshop或flash，所述运算工具为Java或Vc或VB。

本签名识别方法是一种离线签名识别的技术，个人签字的笔画、线条之间相互分离，本发明是通过提取签名，使分离的线条合拢，形成包迹曲线，由于离散包迹曲线可以认为是一个多边形，因此根据多边形匹配的原理对包迹曲线加以处理，使得包迹曲线的曲率是一个旋转、大小、平移的不变量，最后使用加权欧氏距离分类器对包迹曲线的曲率特征来进行模式分类识别从而判断签名人的身份。

人们在签名是由于经过多次的实践，形成了相对固定的风格，在签名的轮廓的连通性以及笔画的光滑度方面都难以伪造，本方法正是利用签名的这一特性来达到鉴别的目的。

当事人每次签名都具有旋转、大小、平移的微小变化，在提取签名特征加以识别，需要进行预处理，预处理的结果直接影响识别的精度；而本发明在特征提取阶段通过多边形匹配的原理使得签名达到旋转、大小、平移的不变性，达到较高的识别率。

Claims (3)

1、一种签名识别方法，其特征在于：

包括有如下步骤：

步骤一、分别获取原始签名和验证签名的包迹曲线：

用扫描仪器分别读取原始签名和验证签名图案，扫描仪器将图案信息发送给计算机，计算机采用膨胀算子对签名字迹的笔画加粗，使签名字迹的笔画相连，成为一个整体，然后利用轮廓追踪算子分别获取原始签名和验证签名的包迹曲线；

步骤二、分别提取原始签名和验证签名的包迹曲线曲率作为签名的识别特征k(t)₁和k(t)₂：

包迹曲线的离散曲率计算方法为曲线曲率的计算公式：

$\mathrm{\κ}\left(t\right)=\frac{x^{\′}\left(t\right)y^{\′\′}\left(t\right)-y^{\′}\left(t\right)x^{\′\′}\left(t\right)}{\sqrt{{(x^{\′}{\left(t\right)}^2+y^{\′}{\left(t\right)}^2)}^3}}$

其中，x、y为包迹曲线上获取的任一点的坐标值，x′(t)，y′(t)，x″(t)，y″(t)分别是包迹坐标x(t)和y(t)的一阶、二阶导数，识别特征k(t)为包迹曲线的离散曲率值，

其中所述原始签名包迹曲线曲率k(t)₁作为识别标准，保存在计算机系统内，所述验证签名包迹曲线曲率k(t)₂作为之后签名识别的依据供计算机系统甄别；

步骤三、对原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂进行规则化对应：

利用多边形匹配原理寻找原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂特征模式相应的计算起点，对两次签名的字迹特征进行角度旋转、放大或缩小、位置平移进行归一化，使两次签名进行规则化对应，使其位置、起点和角度统一，使其达到旋转、尺度、位置的不变性，便于比较，规则化的计算公式为：

$\mathrm{xnew}\left(t\right)=\frac{1}{\mathrm{end}-\mathrm{start}+1}\underset{i=\mathrm{start}}{\overset{\mathrm{end}}{\mathrm{\Σ}}}x\left(i\right)$

$\mathrm{ynew}\left(t\right)=\frac{1}{\mathrm{end}-\mathrm{start}+1}\underset{i=\mathrm{start}}{\overset{\mathrm{end}}{\mathrm{\Σ}}}y\left(i\right)$ (t∈[0，T]).

其中T为规则化后包迹曲线的长度，start为小于或等于t*N/T的最大整数，end小于或等于(t+1)*N/T的最大整数；所得出的xnew(t)和ynew(t)确定所述原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂跟随的取值范围；

步骤四、识别签名

采用加权欧式距离分类器来进行所述原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂的识别，把二者的模式特征向量相比较，

$\mathrm{Wed}(F_t,\mathrm{\μ},\widehat{\mathrm{\Σ}})=\sqrt{{(F_t-\mathrm{\μ})}^t{\widehat{\mathrm{\Σ}}}^{-1}(F_t-\mathrm{\μ})}$ $\widehat{\mathrm{\Σ}}=\mathrm{diag}\left(\mathrm{\Σ}\right)$

其中∑是训练样本签名包迹曲线特征向量的协方差矩阵，F_t就是待识别的验证签名包迹曲线曲率k(t)₂组成的特征向量，μ是原始签名包迹曲线曲率k(t)₁的特征向量(F_t)的均值向量。当验证签名包迹曲线与原始签名包迹曲线相比较，所得到的欧式距离

小于预先设定的阈值，也就是小于允许误差范围时，则待验证签名为真签名，否则认为待验证签名为伪造签名。

2、根据权利要求1所述的一种签名识别方法，其特征在于：在执行步骤二之前，如果离散曲线导数出现不连续性，则在进行曲线曲率的计算公式之前，需要利用高斯光滑核

$g(t,\mathrm{\σ})=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{-t^2}{{2\mathrm{\σ}}^2}}$

来光滑曲线，使其能够获得稳定的原始签名包迹曲线曲率k(t)₁和验证签名包迹曲线曲率k(t)₂。其中σ表示方差，即：

$X^{\′}(t,\mathrm{\σ})=\frac{\∂X(t,\mathrm{\σ})}{\∂t}=x^{\′}\left(t\right)*g(t,\mathrm{\σ})=x\left(t\right)*g^{\′}(t,\mathrm{\σ})=\underset{-\∞}{\overset{+\∞}{\∫}}x\left(s\right)\frac{\∂g(t-s,\mathrm{\σ})}{\∂s}\mathrm{ds}$

用X′(t，σ)代替曲线曲率的计算公式中的x′(t)，同理对y′(t)，x″(t)，y″(t)做类似的操作，这样就将x(t)对t的导数转移到g(t，σ)对t的导数上来，由于g(t，σ)对t导数可以稳定计算，得出稳定地计算曲线曲率。

3、根据权利要求1所述的一种签名识别方法，其特征在于：所述计算机采用阅图工具实现步骤一中图像的读取和阅图工具中的膨胀算子对签名字迹的笔画加粗，并获得包迹曲线；所述计算机采用运算工具实现步骤二中签名的识别特征k(t)₁和k(t)₂的获取；运算工具还实现步骤三中的规则化计算和步骤四中的识别签名。

Images