??? 摘?要： 在線簽名鑒定是身份認(rèn)證" title="身份認(rèn)證">身份認(rèn)證技術(shù)中的一種有效方法。本文簡(jiǎn)要回顧了基于在線手寫(xiě)簽名的身份認(rèn)證技術(shù)" title="認(rèn)證技術(shù)">認(rèn)證技術(shù)的研究背景及發(fā)展歷程；重點(diǎn)對(duì)近年簽名鑒定技術(shù)的研究進(jìn)展進(jìn)行綜述并對(duì)各種方法予以評(píng)價(jià)；總結(jié)了現(xiàn)存的研究困難并分析了應(yīng)用前景和發(fā)展方向。
??? 關(guān)鍵詞： 簽名鑒定? 動(dòng)態(tài)時(shí)間規(guī)整? 隱馬爾可夫模型? 神經(jīng)網(wǎng)絡(luò)? 小波變換

?

??? 信息技術(shù)的飛速發(fā)展在給人們?nèi)粘Ｉ顜?lái)極大便利的同時(shí)，也使網(wǎng)絡(luò)安全問(wèn)題受到前所未有的挑戰(zhàn)。因此，實(shí)時(shí)準(zhǔn)確的個(gè)人身份認(rèn)證十分重要。傳統(tǒng)的身份認(rèn)證基于密碼、IC卡等方式，有其固有不足：密碼可能被竊取、遺忘，IC卡可能遺失、被盜等；而基于人體生物特征" title="生物特征">生物特征的身份認(rèn)證方式由于可以從根本上解決上述缺點(diǎn)而得到越來(lái)越多的應(yīng)用。基于生物特征的身份認(rèn)證技術(shù)是指利用人體所固有的生理或行為特征之間的差異，通過(guò)計(jì)算機(jī)來(lái)鑒定身份的技術(shù)。常用的生理特征有指紋、虹膜、臉像等；常用的行為特征有簽名、步態(tài)等。與傳統(tǒng)鑒定方式相比，生物識(shí)別具有防偽性良好、易攜帶、不易遺失或遺忘等優(yōu)點(diǎn)。
??? 簽名作為人的一種行為特征，與其它生物特征相比，具有非侵犯性、易為人所接受等特點(diǎn)。隨之產(chǎn)生的簽名鑒定（也稱(chēng)簽名驗(yàn)證）技術(shù)在模式識(shí)別、信息處理領(lǐng)域都屬前沿課題。簽名鑒定分為離線簽名鑒定和在線簽名鑒定兩種。前者是通過(guò)掃描儀、攝像機(jī)等輸入設(shè)備，將原始的手寫(xiě)簽名輸入到計(jì)算機(jī)里，然后進(jìn)行分析與鑒定；后者是通過(guò)手寫(xiě)板實(shí)時(shí)采集書(shū)寫(xiě)人的簽名信息，除了可以采集簽名位置等靜態(tài)信息，還可以記錄書(shū)寫(xiě)時(shí)的速度、運(yùn)筆壓力、握筆傾斜度等動(dòng)態(tài)信息。顯然，較離線簽名鑒定而言，在線簽名鑒定可利用的信息量更多，不易偽造，同時(shí)難度也更大。
1 在線手寫(xiě)簽名驗(yàn)證系統(tǒng)
1.1 算法流程
??? 典型的在線手寫(xiě)簽名驗(yàn)證系統(tǒng)包括四個(gè)主要的技術(shù)環(huán)節(jié)，其算法流程如圖1所示。首先是簽名信息的數(shù)據(jù)獲取，就是經(jīng)輸入設(shè)備采集實(shí)時(shí)的手寫(xiě)簽名信息后輸入計(jì)算機(jī)。然后是預(yù)處理，過(guò)程包括去噪、歸一化等操作，目的是將采集到的數(shù)據(jù)變成適宜于進(jìn)行特征提取" title="特征提取">特征提取的形式。下一步特征提取，從預(yù)處理后的數(shù)據(jù)中提取出能充分反映各人書(shū)寫(xiě)風(fēng)格，同時(shí)又相對(duì)穩(wěn)定的特征。最后是特征匹配和判決，即采用某種判別規(guī)則，將提取的特征信息與標(biāo)準(zhǔn)簽名樣本進(jìn)行匹配，得出鑒別結(jié)果。該過(guò)程是一對(duì)一的匹配過(guò)程，即驗(yàn)證輸入簽名人的身份是否屬實(shí)。

?

??? 其中u(k)為匹配點(diǎn)f(k)匹配距離的加權(quán)系數(shù)。
??? 此算法的關(guān)鍵就是求解該函數(shù)，具體實(shí)現(xiàn)可用動(dòng)態(tài)規(guī)劃的方法。設(shè)(r(k),t(k)) (即f(k))為規(guī)整路徑上的一點(diǎn)，則下一點(diǎn)可取為(r(k+1),t(k)) r(k),t(k+1)) r(k+1),t(k+1))，這將由點(diǎn)r(k),t(k)到這三點(diǎn)的距離確定，取距離最小者為下一點(diǎn)。利用此方法，可從起始點(diǎn)遞歸求出規(guī)整路徑，同時(shí)也可求出D(R,T)。
??? 文獻(xiàn)[5]提出一種非線性局部尋優(yōu)時(shí)間彎曲校正方法，不僅實(shí)現(xiàn)了對(duì)信息序列不同局部的非等強(qiáng)度校正，而且很好地保持了序列的單調(diào)性和連續(xù)性，試驗(yàn)的正確率為96％。
2.2? 簽名筆劃分段和點(diǎn)-點(diǎn)匹配方法
??? 該方法先對(duì)簽名進(jìn)行分段，然后從簽名筆劃中提取新的特征，接著每一對(duì)相應(yīng)筆段中的點(diǎn)經(jīng)由點(diǎn)－點(diǎn)的映射算法得到最后的匹配映射結(jié)果，具體實(shí)現(xiàn)方法可參考文獻(xiàn)[6]。文獻(xiàn)[7]基于對(duì)簽名圖像結(jié)構(gòu)復(fù)雜性均衡分解的思想，提出了一種基于骨架的簽名分段算法。該方法首先對(duì)簽名進(jìn)行骨架提取，然后依據(jù)結(jié)構(gòu)復(fù)雜度均衡的原則，對(duì)骨架進(jìn)行分段，最后把所得的骨架分段復(fù)原成原始簽名中的分段。具體算法為：
??? (1)從整個(gè)簽名圖像的骨架中提取出并記下所有的交叉點(diǎn)和端點(diǎn)；
??? (2)從上到下，從左到右搜索第1個(gè)端點(diǎn)；
??? (3)從該端點(diǎn)開(kāi)始沿骨架進(jìn)行步進(jìn)，按方向碼(用來(lái)描述圖像的邊沿骨架等圖像特征)計(jì)算前進(jìn)中的復(fù)雜度。若復(fù)雜度達(dá)到1個(gè)給定的閾值后，即把剛走過(guò)的全部點(diǎn)作為一個(gè)分段，抹去剛走過(guò)的除交叉點(diǎn)之外的點(diǎn)，直到抹去骨架中所有的點(diǎn)。經(jīng)實(shí)驗(yàn)，該算法既達(dá)到了把簽名的整體復(fù)雜度均衡局部化的目的，又基本上保持了真實(shí)簽名分段在數(shù)量上和結(jié)構(gòu)上的穩(wěn)定性，降低了各種由于外部因素引起的類(lèi)內(nèi)特性之間的差別，突出了類(lèi)間特性的表現(xiàn)。
2.3 隱馬爾可夫模型(HMM)
??? HMM作為信號(hào)的一種統(tǒng)計(jì)模型，目前廣泛應(yīng)用于模式識(shí)別、圖像處理的各個(gè)領(lǐng)域。HMM是一個(gè)由兩種機(jī)理構(gòu)成的隨機(jī)過(guò)程：一個(gè)機(jī)理是內(nèi)在的有限狀態(tài)Markov鏈，體現(xiàn)為用具有有限狀態(tài)數(shù)的Markov鏈來(lái)模擬簽名信號(hào)統(tǒng)計(jì)特征變化的隱含的隨機(jī)過(guò)程，另一個(gè)是一系列隨機(jī)函數(shù)所組成的集合，體現(xiàn)為與Markov鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀測(cè)序列的隨機(jī)過(guò)程。設(shè)有觀察序列Q=Q₁Q₂…Q_N和狀態(tài)集S={s₁,s₂,…,s_N}，一個(gè)有n個(gè)狀態(tài)的隱馬爾可夫模型λ可以表示(π,A,B)，其中π為初始狀態(tài)概率矢量；A={a_ij}為狀態(tài)轉(zhuǎn)移概率矩陣，其中a_ij=P{q_t+1=s_j|q_t=s_t}，1≤i,j≤N；B={b_j(Q_t)}為觀察符號(hào)概率分布，若B有M個(gè)觀察值{v₁,v₂…,v_M}，則b_j(Q_t)=P{Q_t=v_k|q_t=s_j},1≤j≤N,1≤k≤M。
??? HMM的使用涉及到訓(xùn)練和分類(lèi)兩個(gè)階段，訓(xùn)練階段包括指定一個(gè)HMM的隱藏狀態(tài)數(shù)，并且優(yōu)化相應(yīng)的狀態(tài)轉(zhuǎn)換和輸出概率以便于產(chǎn)生的輸出符號(hào)與在特定的運(yùn)動(dòng)類(lèi)別之內(nèi)所觀察到的圖像特征相匹配。匹配階段涉及到一個(gè)特定的HMM可能產(chǎn)生相應(yīng)于所觀察圖像特征的測(cè)試符號(hào)序列的概率計(jì)算。利用HMM進(jìn)行簽名驗(yàn)證同樣由兩個(gè)階段組成，即利用訓(xùn)練樣本估計(jì)HMM模型參數(shù)和利用HMM評(píng)價(jià)測(cè)試簽名。這兩個(gè)過(guò)程目前都有成熟的算法，HMM參數(shù)的估計(jì)可用Baum-Welch參數(shù)估計(jì)算法或Segmental K-means算法；對(duì)測(cè)試樣本的評(píng)價(jià)，可以用Forward-Backward迭代算法估計(jì)簽名滿足模型的概率，或用Viterbi最優(yōu)狀態(tài)搜索算法計(jì)算簽名過(guò)程經(jīng)過(guò)的最優(yōu)狀態(tài)。因此，利用HMM模型的關(guān)鍵在于HMM類(lèi)型的選擇和一些參數(shù)的選擇以及閾值的估計(jì)^[8]。
2.4 基于小波變換的方法
??? 小波變換是國(guó)際上公認(rèn)的最新頻率分析工具，由于其“自適應(yīng)性”和“數(shù)學(xué)顯微鏡性質(zhì)”而成為許多學(xué)科共同關(guān)注的焦點(diǎn)，在信號(hào)處理中起著至關(guān)重要的作用。目前小波技術(shù)在簽名驗(yàn)證的特征提取上用得較多。文獻(xiàn)[9]則采用以高斯函數(shù)的二階導(dǎo)數(shù)作為小波基的小波變換技術(shù)來(lái)進(jìn)行拐點(diǎn)提取，然后以該方法為基礎(chǔ)，進(jìn)行不同簽名之間拐點(diǎn)序列的匹配；最后再利用提取的拐點(diǎn)來(lái)對(duì)簽名進(jìn)行分段和段－段對(duì)應(yīng)處理。文獻(xiàn)[10]采用離散小波變換來(lái)分解簽名的參數(shù)特征，特征提取用到自適應(yīng)算法，匹配則選擇動(dòng)態(tài)規(guī)劃方法，初步試驗(yàn)取得較好的效果。
?? ?另外，在當(dāng)前的計(jì)算機(jī)視覺(jué)和模式識(shí)別中取得成功應(yīng)用的Gabor變換也和小波變換一樣，具有頻率和方向選擇性，在近年的簽名驗(yàn)證研究中引起眾多學(xué)者的重視。但Gabor變換和小波變換都有著運(yùn)算量太大的缺點(diǎn)。
2.5 基于神經(jīng)網(wǎng)絡(luò)的方法
??? 神經(jīng)網(wǎng)絡(luò)是一個(gè)非常實(shí)用的分類(lèi)工具，具有適應(yīng)性，能夠?qū)崿F(xiàn)非線性的分類(lèi)問(wèn)題，近十年來(lái)有很多學(xué)者將此方法用于簽名驗(yàn)證中。該方法的優(yōu)勢(shì)在于避免了復(fù)雜的特征提取工作，可以通過(guò)自學(xué)習(xí)獲得其他方法難以實(shí)現(xiàn)的關(guān)于簽名鑒定的規(guī)律和規(guī)則的隱形表達(dá)。因?yàn)楹灻奶卣餍畔?shù)量巨大而簽名的訓(xùn)練樣本數(shù)很少，所以神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)不能太大，否則網(wǎng)絡(luò)將不能訓(xùn)練。
??? 文獻(xiàn)[11]從簽名識(shí)判的不確定性出發(fā)，提出了將Bayes網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合的概率神經(jīng)網(wǎng)絡(luò)模型。它的第一層是輸入層，其傳遞函數(shù)是線性的；第二層是隱層，該層單元的狀態(tài)函數(shù)是概率密度；第三層是累加層，如果輸出結(jié)果表示分類(lèi)，那么，該層便是將屬于某類(lèi)的概率累計(jì)，從而得到輸入樣本屬于該類(lèi)的最大可能性。該網(wǎng)絡(luò)具有訓(xùn)練時(shí)間短和能產(chǎn)生Bayes后驗(yàn)概率的輸出的特點(diǎn)。
2.6? 其他方法
??? 其他方法還有很多，每種方法各有其優(yōu)缺點(diǎn)，如AR模型、紋理分析、決策樹(shù)等。例如紋理分析方法多用于僅擁有靜態(tài)信息的離線簽名驗(yàn)證中，但筆者認(rèn)為，倘若能將書(shū)寫(xiě)速度、運(yùn)筆壓力等動(dòng)態(tài)信息轉(zhuǎn)化為圖像中的靜態(tài)表示，也就是對(duì)動(dòng)態(tài)信息作靜態(tài)化映射表示，那么也可用于在線簽名鑒定。經(jīng)試驗(yàn)，可將運(yùn)筆壓力的等級(jí)設(shè)為256級(jí)，對(duì)應(yīng)為圖像像素的灰度變化256級(jí)，其后進(jìn)行圖像紋理分析。此方法的實(shí)際應(yīng)用有待深入研究。文獻(xiàn)[12]將物理學(xué)中的數(shù)據(jù)場(chǎng)思想引入簽名鑒別中，把簽名所形成的四個(gè)時(shí)序序列（壓力、壓力變化率、速度和加速度）點(diǎn)作為場(chǎng)中的數(shù)據(jù)點(diǎn)來(lái)看待，形成四類(lèi)數(shù)據(jù)場(chǎng)，再?gòu)膱?chǎng)中提取特征，很有新意。
??? 目前，國(guó)內(nèi)有很多企業(yè)參與了簽名鑒定技術(shù)的研發(fā)，但大多數(shù)是引進(jìn)國(guó)外簽名驗(yàn)證模塊進(jìn)行系統(tǒng)集成，只有少數(shù)企業(yè)擁有自己的算法，并且產(chǎn)品價(jià)格高，性能不穩(wěn)定。相比之下，國(guó)外的簽名鑒定技術(shù)從數(shù)據(jù)采集系統(tǒng)到處理、識(shí)別算法都比較成熟。許多公司都有專(zhuān)門(mén)的機(jī)構(gòu)從事該項(xiàng)技術(shù)的研發(fā)與應(yīng)用，包括IBM、Cyber-SIGN、美國(guó)智通、日本富士通等，其中美國(guó)智通公司在此領(lǐng)域的研究獨(dú)樹(shù)一幟。
??? 鑒于目前的研究狀況，筆者認(rèn)為采用單一方法的生物身份鑒別技術(shù)因其局限性終將遭淘汰，未來(lái)的發(fā)展方向?qū)⑹嵌喾N方法用于簽名特征進(jìn)行數(shù)據(jù)融合，以及基于多生物特征信息融合的身份認(rèn)證，目前已有研究表明利用簽名和指紋結(jié)合、簽名和語(yǔ)音結(jié)合等方法進(jìn)行身份認(rèn)證能顯著地提高鑒別的準(zhǔn)確性。另外，結(jié)合生物特征與數(shù)字簽名、數(shù)字水印的網(wǎng)絡(luò)商務(wù)系統(tǒng)也將紛紛出臺(tái)。如何進(jìn)一步改進(jìn)識(shí)別算法，降低系統(tǒng)的誤判率，同時(shí)縮短識(shí)別時(shí)間，建立人類(lèi)書(shū)寫(xiě)動(dòng)力學(xué)模型等，這些都是身份認(rèn)證技術(shù)應(yīng)該追求的目標(biāo)。
參考文獻(xiàn)
1 張敏貴，潘泉，張洪才. 多生物特征識(shí)別[J].信息與控制，?2002,31(6):524～528
2 Richard O. Duda, Peter E. Hart, Duda G. Stork . Pattern? Classification[M] . John Wiley&Sons,Inc.,2001
3 Rejean Plamondon .On-line signature verification:how many?countries are in the race[J]. IEEE,1989
4 Ronny Martens,Luc Claesen.On-line signature verification by?dynamic time warping[J] .IEEE,1996
5 邱德紅.基于全程信息和時(shí)間彎曲校正的簽名認(rèn)證[J].?華中科技大學(xué)學(xué)報(bào)，2002,30(2):108-110
6? 張 葵，金先級(jí)，裴先登.基于函數(shù)參量的手寫(xiě)簽名比較方法[J].小型微型計(jì)算機(jī)系統(tǒng)，1999,20(6)：414～417
7? 伍小明,陳懿新.基于骨架的一種簽名分段算法[J] .中山大學(xué)學(xué)報(bào)， 2000,39(1):13～17
8 沈 峰，楊 飛，袁余良.動(dòng)態(tài)手寫(xiě)簽名驗(yàn)證技術(shù)概述[J] .計(jì)算機(jī)科學(xué),2003,30(3):92～95
9 蔡洪濱.一種基于小波變換提取拐點(diǎn)的手寫(xiě)簽名認(rèn)證方法[J].中國(guó)圖象圖形學(xué)報(bào),2003,8(3):262～265
10? Nakanishi, N.Nishiguchi, Y.Itoh.On-Line signature verification method utilizing feature extraction based on DWT[J],IEEE,2003
11 金 涌，柳 健.手寫(xiě)簽名的概率神經(jīng)網(wǎng)絡(luò)識(shí)判模型[J].華中理工大學(xué)學(xué)報(bào),1999,27(5):11～13
12 陳罡，李德毅.數(shù)據(jù)場(chǎng)思想及其在聯(lián)機(jī)簽名鑒別中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2003,4：123～134