（计算机软件与理论专业论文）基于决策融合的离线签名检验技术的研究.pdf

四川师范大学硕士学位论文 基于决策融合的离线签名检验技术的研究 计算机软件与理论专业 研究生陈雅茜指导教师王玲教授 手写签名检验是当前模式识别和人工智能领域的研究热点，在公安部门、 金融业和电子商务等领域有着广泛的应用前景，具有一定的社会效益和经济效 益。目前在线手写签名检验技术已经进入实用阶段，而离线手写签名检验技术 的效果还不太令人满意。在实际生活中，在线签名检验所需的基本条件通常不 太容易满足，因此深入地研究离线签名检验的技术方法具有非常重要的现实意 义。本文的立题就是为了在这方面做一些有益的探索。本研究的主要目的是在 深入研究国内外现有签名检验技术的基础上，结合中文签名的特点、神经网络 技术和决策融合的思想，提出一种新的基于决策融合的离线签名检验方法，并 编程加以实现。在研究过程中，我们对签名检验的各个环节都做了一定深度的 讨论： ( 1 ) 在签名采集环节，我们不仅采集了大量合法用户的真签名，还采集了 许多简单摹仿和熟练摹仿的伪签名，这些真、伪签名将在特征提取和实验阶段 使用，为验证本文提出的基于决策融合的签名检验技术的先进性和准确性方面 提供可靠的实验数据。 ( 2 ) 在预处理环节，我们首先消除了复印纸张带来的色彩失真问题，然后 讨论了如何去除图像中的孤立噪声：一般常用的平滑滤波算法虽然能在一定程 度上去除图像中的孤立噪声，但它会对图像的细节部分产生影响，使整个图像 特别是边界部分变得模糊不清，因此这类算法不适用于签名这类细线多、细节 多、边缘清晰的图像。针对签名图像细节相对集中的特点，本文使用了一种新 的去噪方法：投影去噪法。该方法在保证笔划边缘不被模糊的前提下，能去除 四川师范大学硕士学位论文 更多的噪声。 ( 3 ) 在特征提取环节，现有的特征提取方法通常要对签名的灰度或大小做 归一化操作，我们认为这种操作会破坏签名本身所包含的笔尖压力、连笔等个 人书写风格，因此在特征提取环节我们除了使用几何特征、伪动态特征外，还 设计了一类新的特征“部件特征”。这种特征可以很好的保留连笔、签名 中每个字的大小及相对位黉等个人书写风格。 ( 4 ) 在检验环节，我们借鉴了模式识别中常用的神经网络技术，利用神经 网络良好的分类特性设计如一种新的基于神经网络的签名检验方法，进丽利用 决策融合的思想将基于统计分类的检验方法和基于神经网络的检验方法相结 合，从而得到可信度更高、更准确的判决结果。 对于其中具体涉及到的可信度的计算方法、识别问题的抽象、神经网络的 设计、训练和判别等诸多问题，我们都做了一定程度的探讨，并且编程实现了 这个签名检验系统。为了对系统性能得出科学可靠的结论，我们还选取了适当 的评价指标。设计了一系列合理可行的实验，通过实验分析和比对证明了本文 提出的基于决策融合的签名检验方法对真伪签名都有较强的检验能力，和单一 的检验方法相比，具有更高的检验准确率。 关键字：签名检验决策融合神经网络生物特征识别身份鉴别 四川师范大学硕士学位论文 s t u d y o ft h eo f f - l i n es i g n a t u r ev e r i f i c a t i o nb a s e do nt h e d e c i s i o nf u s i o n t h o u g h t g r a d u a t es t a d m t ：c h e ny a - x i s u p e r v i s o r ：p r o f e s s o rw a n gl i n g t h eh a n d w r i t t e ns i g n a t u r ev e r i f i c a t i o ni sah o ti s s u ei nt h ef i c l do fp a t t e r n r 0 0 0 9 n i t i o na n d a r t i f i c i a li n t e l l i g e n c e i to w n s g o o d v a l u e so nb o t hs i d e so f s o c i c t y a n de c o n o m y i tc a nb ea p p l i e d i nm a n ya r e a ss u c ha s n , f i n a n c e , c o m m u n j c a t i o na n d s e c u r i t y c u r r e n t l y , t h er o n - l i n e ：s i g n a t u r e v e r i f i c a t i o m h a s a p p l i e di ns o m ea r e a s ，b u t t h eo f f - l i n es i g n a t u r e v e r i f i c a t i o nh a ss t i l ls t a yi n + t h c 。l a b o m t o r y s i n c et h eb a s i c h a r d w a r ec o n f i g u r a t i o n so ft h eo n - l i n ev e r i f i c a t i o n 咖tb es a t i s f i o de a s i l y , t h e r e s e a r c ho ft h eo f f - l i n ev e r i f i c a t i o nt e c h n i q u e sh a sam u c hi m p o r t a n tr e a l i s t i c m e a n i n g t h e m a i n p u r p o s c o ft h i sd i s s e r t a t i o ni st od os o m eb e n e f i c i a lr e s e a r c h e s i nt h i sa s p e c lb a s e do nt h ee m s t i n g t e c h n i q u e s ，t h ec h a r a c t e r i s t i c so f t h ec h i n e s e s i g n a t u r e s , t h en e u r a l n e t w o r k t e c h n i q u e a n dt h et h o u g h to f d e c i s i o nf u s i o n ，an o v e l m e t h o do fo f f - l i n es i g n a t u r ev e r i f i c a t i o ni sp r o p o s e da n d a p p l i e d d u r i n g o u r s t u d y ， w ed i d d e e p l ya r g u m e n t a t i o n i ne a c hs t e po ft h es y s t e m ( 1 ) d u r i n g t h ec o l l e , c t i o no f s i g n a t u r e s ，n o to n l yt h ea u t h e n t i cs i g n a t u r e so fl e g a l u s e r sb u ta l s oal a r g en u m b e ro f s i m p l e a n ds k i l l e d f o r g e r ys i g n a t u r e s a r ec o l l e c t e d w h i c hw i l lp r o v i d ed e p e n d a b l ee x p e r i m e n t a ld a t af o rt h ee f f i c i e n c yv a l i d a t i o no f t h es i g n a t u r ev e r i f i c a t i o nm e t h o dp r o p o s o di nt h i sd i s s e r t a t i o n ( 2 ) i nt h ep r e p r o c e s s i n gs t e p ，w er e m o v et h ec o l o rd i s t o r t i o nf i r s t l y ，t h e nt h e d e n o i s em e t h o di sd i s c u s s e d w h e r e a st h e yc a nr e m o v es o m ei s o l a t e dn o i s e ，t h e n o r m a ls m o o t h i n gf i l t e r sa r en o ti n a p p l i c a b l et ot h es i g n a t u r ev e r i f i c a t i o nb e c a n s c i - 四川师范大学颁七学位论文 t h e yw i l lb l u rt h ed e t a i l se s p e c i a l l yt h eb o u n d a r yo ft h es i g n a t u r ei m a g e s ot h e p r o j e c t i o nd e n o i s em e t h o di sd e s i g n e dw h i c hc a l lr e m e d yt h e s h o r t a g eo ft h e n o r m a ls m o o t h i n gf i l t e r ( 3 ) s i n c et h eu n i t a r yo p e r a t i o nu s u a l l ya p p l i e di nm o s to ft h ee x i s t i n gf e a t u r e a b s t r a c t i o nm e t h o d sw i l ld e s t r o yt h ep e r s o n a lw r i t i n gs t y l e ，an e wk i n do ff e a t u r e s n a m e d c o m p o n e n t f e a t u r ei su s e dt or e s e r v et h ep e r s o n a lw r i t i n gs t y l es u c ha st h e s i z ea n dt h el o c a t i o no f e a c h c o m p o n e n t i nt h e s i g n a t u r e ( 4 ) c o m b i n e d w i t ht h es t a t i s t i c a lv e r i f i c a t i o nm e t h o da n dt h ef u s i o nc o n c e p t i o n ， t h eo u t s t a n d i n gc l a s s i f i c a t i o nc h a r a c t e r i s t i co ft h en e t l r a ln e t w o r ki sa l s ou t i l i z e dt o a c h i e v et h el a s tr e s u l t 、v i t l lm u c h h i g h e rc o n f e r e n c el e v e l s o m ec o n c r e t ep r o b l e m ss u c ha st h ec o m p u t i n gm e t h o do ft h ec o n f e r e n c el e v e l ， t h ed e f i n i t i o no ft h es i g n a t u r ep a t t e r n ，a n dt h ed e s i g no ft h en e u r a ln e t w o r ka r e d i s c u s s e d as e r i e so fe x p e r i m e n t sa n de v a l u a t i n gm e t h o d sa r e d e s i g n e d f o r d r a w i n g t h ec r e d i b l ec o n c l u s i o n so fo u r s y s t e m b y t h e a n a l y s i s o ft h e s e e x p e r i m e n t s ，t h ef i n ee x a m i n a t i o nc a p a b i l i t yo f o u rs y s t e mi sp r o v e d k e yw o r d s ：s i g n a t u r ev e r i f i c a t i o n ，d e c i s i o nf u s i o n ，n e u r a ln e t w o r k ，b i o m e t r i c p e r s o n a ji d e n t i f i c a t i o n ，i d e n f i t ya u t h e n t i c a t i o n - l v 四川师范大学颈士学位论文 第一章前言 1 1 课题的提出 在现代社会中，随着计算机和网络技术的迅速发展，系统的安全性显示 出前所未有的重要性。身份鉴别是保证系统安全的必要前提，在金融、国家安 全、司法、电子商务、电子政务等应用领域，都需要准确的身份鉴别。传统的 工作证、智能卡、密码等身份鉴别方法存在着携带不便、容易遗失磨损和密码 容易被破解等诸多问题，因此目前广泛使用的依靠证件和口令等传统方法来确 认个人身份的技术面l 临着严峻的挑战。 和传统方法相比，基于生物特征的身份鉴别方法具有更好的安全性、可 靠性和有效性，因此越来越受到人们的重视，逐渐开始应用于社会生活的诸多 领域。其中，基于生理特征的识别技术成为当前身份鉴别领域的研究热点p j 。 它是利用个体特有的生理和行为特征来进行身份识别或个体验证的一门科学， 包括基于生理特征和基于行为特征两大类识别技术【3 j 。目前，基于生理特征的 识别技术主要有指纹识别、人脸识别、虹膜识别、视网膜识别、掌纹识别等， 基于行为特征的生物识别技术主要有语音识别、签名识别、击键分析等。 在诸多的生理特征中，签名是人类特有的行为，也是身份鉴别的有效手段 之一。随着经济的发展和国际交往的日益频繁，在政府、银行、金融等诸多领 域中，大量的票据、合同、档案等重要文件都需要合法用户的签名。随着网络 和计算机技术的快速发展，签名欺骗给国家和个人带来的损失日益增多【4 j 。使 用签名检验技术可以有效地防止恶意欺骗行为，保证系统的安全性，维护合法 用户的权益。因此，对签名进行可靠、有效和快速的检验具有重要的社会价值。 由于书写者之间存在着书写习惯的差异，即使是犯罪份子刻意摹仿的签名，和 合法用户的真签名相比，也仍然存在着许多不同之处【5 l 。因此，成熟可靠的签 名检验技术可以有效的防止签名欺骗，在公共安全领域具有重要的应用价值。 另外，签名检验虽然可以由经验丰富的专家来完成，但在实际应用领域中，安 排专职人员来负责大量签名的人工检验是不现实的，因此由计算机来实现签名 检验就具有很大的优势，不仅速度快、鉴别准确，而且不受工作环境等客观因 素和生理、心理等主观因素的影响，能够胜任繁重的检验任务，从而降低鉴别 的成本。 由于在多个领域中均具有较高的实用价值签名检验技术逐渐成为学术 1 四川师范大学硕士学位论文 机构和商业组织的研究热点。签名检验方法主要分离线和在线两种l 酊。在 线签名检验通过专用仪器如电子手写板来采集手写信号，在检验过程中使用的 动态特征如书写过程中的压力、速度、加速度、笔顺等，有益地补充了静态方 法的不足，使伪造变得更加困难。想要欺骗动态签名检验系统，不仅要知道签 名的具体形态，还要清楚签名的形成过程u - l o j 。离线签名检验不需要特殊录入 设备的支持，只需要将签名通过扫描仪或者普通摄录设备如数码相机等将其采 集到计算机中。该方法提取的特征主要有签名的位置、大小、笔划的方向、笔 划间的搭配等几何特征l 。 许多研究和实验证明，当前在线签名检验技术的效果好于离线签名检验 技术，并且己经进入实用阶段，而离线签名检验的效果还不太令人满意。但在 实际生活中，在线签名检验的基本硬件条件通常不太容易满足，所以深入的研 究离线签名检验技术具有非常重要的现实意义。本文的立题就是为了在这方面 做一些有益的探索。 1 2 签名检验的背景知识 1 。2 1 签名检验与文字识别、笔迹鉴定的区别 目前，关于手写文字的研究主要集中于签名检验、笔迹鉴定和文字识别三 个方面。文字识别技术已经发展得比较成熟，签名检验和笔迹鉴定的研究起步 晚于文字识别，在投入的研究力量、研究深度和应用程度上也都远远少于文字 识别。由于所处理的对象属于同类信息，签名检验、笔迹鉴定和文字识别在预 处理、特征提取、特征匹配等环节有很多相似之处，因此文字识别技术可以为 签名检验和笔迹鉴定提供很多有益的方法和思想。因此，深入了解和借鉴文字 识别的技术是很有必要的。 虽然签名检验和文字识别、笔迹鉴定的很多理论和方法是相似的，可以相 互借鉴，但我们要明确这三者的区别：文字识别需要提取不同人书写同一个字 的共同特征从而达到识别字符的目的，在处理过程中要一定程度地消除不同个 体的书写差异，找出其共性的部分i l ”。而笔迹鉴定、签名检验恰恰相反，它 们需要从书写者的笔迹中找出个人的书写风格和特点，因此处理时要尽量保留 和突出个体差异【1 3 】。其中，笔迹鉴定通常有两种方式l l4 l ：一种是比较、分析 两份手写笔迹，判断它们是否是同一人的手笔；另一种是从多人的笔迹样本中 四川师范大学硕士学位论文 找出与待检笔迹最接近的笔迹样本。笔迹鉴定实质上是签名自动分类，即识别 出签名的归属，识别结果有多种可能。签名检验主要通过分析、比较手写签名 的风格和特征来确定书写者身份的真伪。在本文中，每个合法用户都分配了一 个用户编号，签名检验的主要任务就是根据输入的用户编号，判断待检签名是 否为该编号所对应的合法用户，最终判决结果只有真或伪两种可能。 对于如何实现签名检验，我们可以用模式识别的方法加以解释：我们可以 简单地认为签名检验就是寻找一种从签名模式空间到类空间的多对一的映射 关系【1 5 l ，如图1 1 所示。由图1 1 可以看出，每个用户的签名在模式空间中的 存在位置是杂乱无章的。因此，要确定这些模式的类别即真或伪，最好的方法 是把它们映射到另外一个签名模式的分布位置有所改善的空间中去。寻找该空 间的过程是通过特征提取来实现的。在图1 1 中，从签名模式空间到特征空间 1 的映射、从特征空间1 到特征空间2 的映射就是特征提取的过程。我们可以 看到，在特征空间2 中各模式的分布位置己经分开了，最后通过特征空间2 到类空间的映射就能实现签名检验了。其中，类空间中只有真或伪两个类别。 当然，对于上述的特征提取过程，如果特征与签名检验的相关性足够大时，完 全可以直接从签名模式空问映射到特征空间2 。 ? 、 0 、，j 模式空间 特征空间1 特征空间2类空间 图1 - 1 签名检验的原理 1 2 2 签名检验的分类 签名检验所要处理的签名通常分为真、伪两大类。其中，伪签名又分为以 下三类1 1 6 】。 ( 1 ) 随机摹仿伪签名( r a n d o mf o r g e r y ) ：伪造者不知道合法用户名字的正 3 四川师范大学硕士学位论文 确写法，在伪造签名时很有可能将签名写成音近字。 ( 2 ) 简单摹仿伪签名( s i m p l ef o r g e r y ) ：伪造者只知道合法用户名字的正确 拼写但没有见过该用户的实际签名，伪造的签名和用户的实际签名一般会有较 大的差别。 ( 3 ) 熟练摹仿伪签名( s k i l l e df o r g e r y ) ：伪造者对合法用户的实际签名进行 了精心的摹仿。 不同类型的伪签名给签名检验系统带来的难度是不一样的。随机摹仿者和 简单摹仿者由于不了解合法用户的实际签名，伪造出的签名和真签名还是存在 着定的差别，因此检验工作要相对容易一些。熟练摹仿者经过了长时间的研 究和练习，摹仿出的签名和真签名很接近。如何有效地检验出熟练摹仿伪签名， 现在还是签名检验研究工作的一个重点和难点【l7 1 。虽然熟练摹仿伪签名最难 检验出来，但实际生活中这类签名出现的数量并不多。据统计，随机摹仿和简 单摹仿的伪签名占了所有伪签名的9 5 以上【l 引。因此，一个实用的签名检验 系统应该在对随机摹仿和简单摹仿的伪签名具有良好检验能力的基础上，尽量 加强对熟练摹仿伪签名的检验能力。 虽然近年来关于签名检验的研究成果不断，但真正能投入实际运行的签名 检验系统却为数不多。这主要是由于签名检验本身的难度造成的。签名的产生 受很多因素的影响，例如：签名会随时间的推移或生理、心理的变化而变化： 其次，签名产生的环境不同( 比如签名时使用不同类型或不同颜色的笔) ，将 会导致签名的大小、颜色，笔划的粗细、长短发生变化。另外，签名的存储纸 张上除了签名以外，还可能含有印章、数字、网格线等其它符号，虽然人眼能 快速、精确地分辨出签名，但这对计算机而言却并非易事。 签名检验最大的难度在于签名的变化性。前面提到，常用的生物特征识别 技术有指纹识别和虹膜识别等。指纹和虹膜在很长的时期内不会有大的变化。 但签名不一样，即使是同个人，每次书写的签名都不是完全相同的，存在着 一定的差异。实用的签名检验系统必须允许合法用户的签名在一定范围内的变 化。如果系统不允许签名的这种内部变化，那么真签名有可能会被误认为是伪 签名。同样的，如果系统允许的变化范围过大，有些伪签名可能会被误认为是 真签名。这两种情况都会损害合法用户的权益。 另外，从科研角度来看，签名检验系统涉及模式识别、语言学、心理学、 d 四川师范大学硕士学位论文 人工智能、计算机科学等许多学科的知识，是一个综合性的研究课题。指纹识 别系统和虹膜识别系统已经发展得比较成熟，进入了实用阶段，但签名检验的 很多技术难点还没有解决。在国内，中文签名检验的研究还处于起步阶段，可 以借鉴的文章和技术都比较少，因此具有一定的科研难度。 以上这些实际问题都给签名的提取和检验工作带来了不小的困难。 1 3 签名检验的系统描述 在本文中，签名检验系统由数据获取、预处理、特征提取、特征匹配、 决策判断等五个主要步骤组成，系统描述如图1 - 2 。下碰介绍一下各部分实现 的主要功能： 名图像 的”签名图像 征 晟终判断结果 图卜2 签名检验的系统描述 ( 1 1 数据获取：为了使计算机能够处理我们所要研究的问题，首先需要将 所研究的问题用计算机可以识别的符号来表示。数据获取的主要任务就是利用 转换设备将物理签名转换为计算机可以处理的数字签名图像，这是签名检验系 统的第一步。离线签名检验系统使用的转换设备一般是扫描仪或数码相机。扫 描仪和数码相机的区别主要在于分辨率、色彩层次和处理速度的不同。本文采 用扫描仪作为转换设备。一般来说，扫描仪的扫描精度与能获得的签名信息成 5 四川师范太学硕士学位论文 正比，扫描精度越高，包含的信息量就越大，但需要的存贮空问和处理时间也 会相应地增加。常用的扫描精度有2 0 0 - - 6 0 0 d p i 几种，综合各方面因素，本文 选用2 0 0 d p j 的扫描精度。扫描仪采用清华紫光a 6 0 0 扫描仪的真彩模式，扫描 图像存为j p g 格式。本文中使用的签名是用普通笔在a 4 打印纸上自由书写而 成，签名采集模扳见图1 3 。签名采集时要求书写者将签名写在模板的方框内。 扫描完成后使用图像处理软件p h o t o s h o p 将签名从扫描页面中提取出来。提取 出的签名大小均为4 0 0 1 7 5 。 图1 3 签名采集横板 ( 2 ) 预处理：在将物理签名转换为数字签名图像的过稷中不可避免地存在 着噪声的干扰，在得到数字签名图像的同时也捕获了定的噪声。本文中将噪 声分为色彩失真和孤立噪声两类。由于噪声的影响。对转换设备得到的签名图 像进行直接处理通常不靛得到满意的结果，因此在将物理签名转换为数字签名 图像后，应该对图像进行去噪处理。预处理环节的主要任务就是去除噪声，保 留干净完整的签名。具体方法详见第二章。 ( 3 ) 特征提取：原始的签名图像由于数据量大，冗余信息量大。不能直接 用做检验，因此需要把图像从维数很高的签名模式空间变换到维数大大降低的 特征空间，这就是从高维空间到低维空间的特征提取过程。特征提取完成了原 始特征n - 次特征的映射，二次特征往往是原始特征的某种组合。这种降维的 过程通常由特征提取来实现。 图1 。1 中从签名模式空间到特征空间1 的映射、从特征空间1 到特征空 间2 的映射就是特征提取的过程。从图1 1 中可以看出，对于签名检验而言， 特征提取是很关键的一个坏节。如果提取的特征并非真正有效的话，相应的模 式在特征空间中的分布会有很多的交叉部分，在此之上再进行判别的话，很难 p q 川师范大学硕士学位论文 得到令人满意的判别结果。当提取了合理有效的特征后，就能在特征空间中对 签名模式做个很好的划分，然后再综合利用一些检验技术就能达到比较理想 的检验效果。因此，签名检验的研究要把特征提取作为研究的重点。特征提取 环节要针对签名的特点进行充分的分析和认真的选择，尽可能通过较少的特征 准确、全面地反映签名所包含的信息。本文中所使用的特征详见第二章。 ( 4 ) 签名库：前面已经提到，在我们的系统中，每个合法用户都有一个用 户编号，签名检验的主要任务是根据输入的用户编号，判断待检签名是否为该 编号所对应的合法用户，也就是说，要判断待检签名是否为真签名，需要设法 将该签名和对应编号的样本签名进行比较，从而得出最终的判决结果。因此本 系统的检验正确率和系统规模、用户数无关，而和每个用户的样本签名采集的 数量和质量有关。由于时间、人力所限，我们设定了1 0 个合法用户。我们建 立的签名库中总共采集了6 0 0 个签名，这些签名由1 0 个用户提供，主要分为真 签名、简单摹仿伪签名和熟练摹仿伪签名三类，本文采集的伪签名是由这1 0 个用户互相摹仿得到的。具体的签名采集方法如下： 为了保证签名的相对稳定性，让每个用户每天写9 个签名，在5 天内 共写下4 5 个签名。其中3 0 个作为样本签名用于样本特征的提取，另外的1 5 个作为测试用的真签名。我们一共收集了4 5 0 个真签名。每个用户的样本签名 图像如图1 4 所示。 随机选出5 个用户，让其他用户对其签名进行摹仿，摹仿者在只知道 被摹仿签名正确写法的情况下对该签名进行伪造。我们一共采集了8 0 个简单 摹仿伪签名。 凹川师范大学硕士学位论文 亭牵停 参伍势 用户l用户2 糍南o 汪洋 i 用户3用户4 秀谆拟协 用户5用户6 李翠 撕l 用户7用户8 麒 、 、边 每象 7 林d 了 用户9用户1 0 图1 4 合法用户的样本签名图像 由于随机摹仿、简单摹仿的伪签名和真签名的差异比较大，检验起来 也相对简单一些，因此在考察系统对伪签名的检验准确率方面，应该着重考察 系统对熟练摹仿伪签名的检验能力，因此除了简单摹仿伪签名外，我们还耍采 集熟练摹仿伪签名。在进行熟练摹仿时，允许摹仿者对被摹仿签名进行多次临 摹，将最好的作为熟练摹仿签名。为每个用户提取测试用的伪签名1 5 个。我 - 8 四川i 师范大学硕士学位论文 们一共采集了1 5 0 个伪签名。图1 - 5 是签名库中保存的某个合法用户的真签名 及对其进行简单、熟练摹仿得到的伪签名。 真签名简单摹仿伪签名熟练摹仿伪签名 圉1 - 5 真签名及其简单、熟练摹仿伪签名 从图1 5 可以看出，由于不知道签名的具体写法，因此简单摹仿伪签名和 真签名的差异比较大。熟练摹仿的伪签名虽然是对真实签名的临摹，但在一些 细节上仍然存在着差别。 ( 5 ) 特征匹配和决策判断：特征匹配和决策判断是利用某种判决规则得到 待检对象和判决结果之间的正确映射。若将判决结果分为真，假两类( uf ， 。) ，从模式识另l j 的角度看，签名检验就是个2 类判决闯题，一般的判决规 则为：若d ( x ，r ) 0 8 5 且r s m = 0 ，说明该签名和真签名的差别很大，认为s m 方法的判 决结果具有较高的可信度，最终判决结果r d m = r s m = 0 ，其可信度c l d m = c l s m ： 否则认为s m 方法的判决结果的可信度不够高，继续使用n m 方法做二级检 验，得到判决结果r n m 及其可信度c l n m 。比较s m 方法的判决结果r s m 和 n m 方法的判决结果r n m ，若二者相同则最终判决结果r d m 和砥m 、r n m 一致， 其可信度c l d m 为c l s m 、c l n m 中的较大值，否则最终判决结果r d m 及其可信 度c l d m 同判决结果可信度较高者一致。 四川师范大学硕士学位论文 图5 3 签名检验的决策融合模型 基于树分类器的决策融合方法d m ( d e c i s i o nm e t h o d ) 充分利用了统计 特征和部件特征，结合了s m 方法和n m 方法的优点，和单独的检验方法相 比，能够更好地提高系统的检验效率和检验正确率。我们将通过第六章的对比 实验来验证决策融合的优势。 4 8 - 四川师范大学硕士学位论文 第六章实验分析及系统实现 前面的章节详细介绍了基于统计分类的检验方法s m 和基于神经网络的 检验方法n m ，以及如何利用基于树分类器的决策融合思想对这两种方法进行 融合，实现基于决策融合的签名检验方法以提高系统的效率和检验正确率。本 章的主要内容是选取实验指标和设计一系列实验，对得到的实验数据进行分 析，得出科学可靠的实验结论，从而能对基于决策融合的签名检验方法的性能 进行有效地分析。本章首先讨论签名检验的实验设计应遵循的原则，根据这些 原则设计了一系列实验及其评价指标，然后通过实验数据的对比和讨论来验证 基于决策融合的签名检验方法d m 具有的良好性能。 6 1 实验评价指标 所有的签名检验系统都不可避免的存在着一定的误差，一般我们将误差分 为两类：错误拒绝误差( f a l s er e j e c t i o ne r r o r ) 和错误接受误差( f a l s ea c c e p t a n c e e r r o r ) 。“错误拒绝”是指错误地将真签名误认为伪签名，“错误接受”是指错 误地将伪签名误认为真签名。这两种误差是签名检验系统的重要评价指标【5 。 如果系统不允许签名的合理变化，会造成较赢的“错误拒绝误差”，同样的， 如果系统允许的变化范围过大，则会导致较高的“错误接受误差”。理想的签 名检验系统应该能够将这两种误差都减少到最低程度1 5 ”。因此我们设计的实 验应能够对系统的错误拒绝误差和错误接受误差进行正确的计算并对系统的 整体性能做出合理可靠的评估。 根据以上讨论的实验设计原则，我们选取了三组实验评价指标：错误接受 率，错误挺绝率和总体误差。这三类实验指标能够比较综合、科学地反映系统 的综台性能。 ( 1 ) 错误接受率a p f a ( a v e r a g e o f p e r c e n tf a l s e a c c e p t a n c e ) 该指标主要用于考察系统对伪签名的检验能力，错误接受率越低说明系统 对伪签名的拒绝能力越强，计算方法如( 式6 1 ) 。 a p f a ：n f s 。w ， t n f s v ( 式6 1 ) 其中，n f s v v 烈u m b e ro ff o r g e r i e ss i g n a t u r ev e r i f i e da sv a l i d ) 是测试用的 伪签名被误认为真签名的数量，t n f s v ( t o t a ln u m b e ro ff o r g e r i e ss i g n a t u r e 四川师范大学硕士学位论文 v e r i f i e d ) 是测试用的伪签名的总数。a p f a 反殃了系统对伪签名的错误接受率。 ( 错误拒绝率a p f r ( a v e r a g e o f p e r c e n tf a l s er e j e c t i o n ) 该指标主要用于考察系统对真签名的检验能力，错误拒绝率越低说明系统 对真签名的接受能力越强，计算方法如( 式6 2 ) 。 a p f r ：= n g s v i t n g s v ( 式6 - 2 ) 其中n g s v i 州u m b e ro fg e n u i n es i g n a t u r ev e r i f i e da si n v a l i d ) 是测试用的真 签名被误认为伪签名的数量，t n g s v ( t o t a ln u m b e ro fg e n u i n es i g n a t u r e v e r i f i e d ) 是测试用的真签名的总数。a p r a 反映了系统对真签名的错误拒绝率。 ( 3 ) 总体误差o e r ( o v e r a l le r r o rr a t i o ) 该指标主要用于考察系统对真、伪签名的综合检验能力。理论上讲，一个 优秀的签名检验系统对真签名的接受能力和对伪签名的拒绝能力都要同样良 好，但实际应用中，决策融合的检验方法不一定能始终保持a p f a 和a p f r 为 晟好，并且一个签名检验系统不可能只检验真签名，也不可能只检验伪签名。 同样的，某种签名检验方法对真签名的接受能力强并不表示对伪签名的拒绝能 力也同样的强。综合考虑这些因素，我们认为应该找到一个评价指标，使其能 够衡量某种检验方法对真、伪签名的综合处理能力，因此我们引入了总体误差 o e r 。总体误差越小，说明系统对真、伪签名的综合处理能力越强，计算方法 如( 式6 3 ) 。 o e r = i a p f a a p f r l r 式6 3 1 - 、a p f a 蛳。女喇? + a p f as 。m + a p f a 她f h 甜一a p f r 、 。 总体误差o r e 可以通过错误接受率a p f a 和错误拒绝率a p f r 对系统的 综合处理能力进行整体评估。其中，我们把错误接受率a p f a 分为爿阡， 4 p 朋。，和爿p j 期。三类，分别代表系统对随机摹仿、简单摹仿和熟练摹 仿的伪签名的错误接受率。 6 2 实验数据分析及结论 第一章中提到伪签名一般分为随机摹仿、简单摹仿和熟练摹仿三大类。 我们要针对这三类伪签名分别做实验，以便能够全面地考察系统对伪签名的拒 - 5 0 - 四川师范大学硕士学位论文 绝能力，同时还要对真签名做实验以检验系统对真签名的接受能力。实验1 3 主要用于考察系统对随机摹仿、简单摹仿和熟练摹仿这三类伪签名的拒绝能 力。实验4 主要考察系统对真签名的接受能力。在这4 个实验中，我们将基于 统计分类的检验方法s m 、基于神经网络的检验方法n m 和基于决策融合的检 验方法d m 进行了比较，用实验数据验证了基于决策融合的检验方法d m 对 签名具有更强的检验能力。为了便于实验数据的对比，对于实验所用到的签名 我们按如下规则命名：对于样本签名，第1 1 - 个用户的第i t l 个样本签名取名为 s a m p l e n m j p g 对于测试使用的真签名，第n 个用户的第m 个测试真签名也 取名为s a m p l e n - m j p g ；对于简单摹仿的伪签名，第n 个用户的第m 个简单摹 仿伪签名取名为s i m p l e n m j p g ；对于熟练摹仿的伪签名，第n 个用户的第1 t 1 个熟练摹仿伪签名取名为f a l s e n m j p g 。为了便于区分，我们将样本签名和测 试用的签名分别放在不同的文件夹下。由于我们设定的融会规则是：当基于统 计分类的检验方法s m 的判决结果弛= o 且决策可信度c l “o 8 5 时，认为待 检签名和真签名的差异较大，s m 方法的判决结果具有较高的可信度，就不再 进行基于神经网络的检验方法n m 的检验，因此在实验中n m 方法的实验数 据可能没有s m 方法的实验数据丰富，所以在计算和比较a p f a 、a p f r 和o e r 时，我们只针对s m 方法和d m 方法进行。 6 2 1 实验1 ：系统对随机摹仿伪签名的拒绝能力一a p f a ，。 实验l 主要通过a p f a 。d 0 。比较基于统计分类的检验方法s m 、基于神经 网络的检验方法n m 和基于决策融合的检验方法d m 对随机摹仿伪签名的拒 绝能力。由于随机摹仿的伪签名是在完全不知道合法签名信息的情况下写出来 的，因此和真签名的差别很大，所以本实验中，对于每个用户而言，用其它9 个用户的样本签名当作对该用户的随机摹仿伪签名，用以检验系统对随机摹仿 伪签名的拒绝能力。本实验共使用签名1 8 0 个。表6 1 为实验1 所用到的部分 随机摹仿伪签名的相关数据及其检验结果。 四川师范大学硕士学位论文 随机摹 仿伪签待检签名 件j s m 判决结果r ；。n m 判决结果r 。d m 判决结果r 。 名和样本集 户 及可信度c l ；。及可信度c h及其可信度c b ( s a m p l之间的距 号 e j p g离 r 捌c l ，蛐c l 。 判决理由r d _c l m 0 2 一0 15 4 7 1 3 4 7o0 8 9 2 1 6 6 |ln c 不同o1 0 1 0 9 - 0 11 6 7 0 0 2 500 6 4 6 7 1 2o0 0 0 0 0 0 3 c l s m c l n m o0 6 4 6 7 1 2 0 3 0 27 9 9 4 5 9 700 ，9 2 6 2 0 0o0 7 3 9 9 6 2 c l s m c l n m o0 9 2 6 2 0 0 0 2 0 7 0 21 0 5 9 6o0 9 4 4 3 2 io0 7 3 3 8 1 9 c l s m c l n m 00 9 4 4 3 2 1 0 i - 0 l1 1 2 7 3 8 500 4