（通信与信息系统专业论文）采用统计特征和小波特征的bp网络签名认证研究.pdf

摘要 随着网上阅卷系统中阅卷人身份认证问题越来越受到关注，基于生物特征识 别技术的签名认证技术以其非侵犯性、不易遗忘、应用范围广等优点在网上阅卷 系统中具有广阔的应用前景。 本文对签名信息进行去噪、方向归一化等预处理，去除原始采集数据中的干 扰或无用信息，将采集的数据变成适宜于特征提取的形式。提取签名特征并利用 b p 神经网络实现真伪签名的认证。 在特征提取方面，首先从签名速度、签名时间和签名形状三个方面着手提取 特征构成统计特征向量；其次对签名水平位移和垂直位移分别进行d b 6 小波分 解，提取高频系数构成小波特征向量。利用真伪签名样本反复实验对比，表明 1 5 维的统计特征向量和6 4 维的小波特征向量对同一签名者而言具有稳定性，对 不同人具有可区分性，在一定程度上能够表征签名者的身份。 使用改进的b p 网络作为签名认证的分类器，真伪签名样本共同参与网络训 练，保存网络训练成功的各层神经元之间的连接权值。设计了网络结构，选择了 样本训练方式和改进了标准b p 算法。依据统计特征和小波特征，结合试凑经验 公式确定了隐含层神经元的个数；针对单样本训练和批量训练两种方式进行实验 对比，确定样本训练为批量训练方式；通过实验对比确定了网络输出层神经元的 期望输出值；引入动量因子和变步长法，解决了标准b p 网络训练时网络陷入局 部最小和收敛较慢的问题。 一 最后，利用真实签名样本和伪造签名样本，分别对统计特征的b p 网络单级 认证、小波特征的b p 网络单级认证、统计特征和小波特征融合的两级认证进行 对比实验分析。对于真实签名样本，三种认证方式的误拒率( f r r ) 分别为8 o ， 6 o ，6 o ；对于第一类随机伪造签名样本，三种认证方式的误纳率( f a r ) 均 为o ；对于第二类随机伪造签名样本，三种认证方式的f a r 分别为4 4 ，2 4 ， 0 4 ；对于熟练伪造签名样本，三种认证方式的f a r 分别为1 9 2 ，1 5 6 ，2 。 实验结果表明，统计特征和小波特征融合的两级认证方式获得了较低的f a r ， 两级认证方式的性能要优于单级认证。 关键词：签名认证，b p 网络分类器，统计特征，小波特征 a b s t r a c t w i t hm o r ea n dm o r ea t t e n t i o np a i dt ot h ei s s u eo f i d e n t i t yv e r i f i c a t i o ni nn e t w o r k g r a d i n gs y s t e m ，t h es i g n a t u r ev e r i f i c a t i o nt e c h n o l o g yb a s e do nb i o m e t r i cf e a t u r e s ， w h i c hi sn o n - i n v a s i v e ，e a s i l yr e m e m b e r e da n da p p l i e dt oaw i d er a n g e ，h a sb r o a d a p p l i c a t i o np r o s p e c t si nt h en e t w o r kg r a d i n gs y s t e m t h eu s e f u l n e s si n f o r m a t i o ni sr e m o v e df r o mt h eo r i g i n a ls i g n a t u r ei n f o r m a t i o n b yp r e t r e a t m e n ta n dt h es i g n a t u r ed a t ai sc o n v e r t e dt oaf o r ms u i t a b l ef o re x t r a c t i n g t h es i g n a t u r ef b a n l r 它s t h ep r e t r e a t m e n to ft h i sp a p e ri sc o m p o s e do fr e m o v i n gz e r o s r e m o v i n gn o i s e s n o r m a l i z i n gi nd i r e e t i o na n ds oo n t h ev e r i f i c a t i o no f t r u es i g n a t u r e a n dt h ef o r g e r ys i g n a t u r ei sr e a l i z e db ye x t r a c t i n gt h es i g n a t u r ef e a t u r e sa n du s i n gt h e b pn e u r a ln e t w o r kc l a s s i f i e f 。 e x t r a c t i n gs i g n a t u r ef e a t u r e si sc o m p l e t e db ye x t r a c t i n gt h es t a t i s t i cf e a t u r e s f r o ms p e e d ，t i m ea n ds h a p eo ft h es i g n a t u r e ，a n de x t r a c t i n gt h ew a v e l e tf e a t u r e s c o m p o s e do ft h eh i 曲f r e q u e n c yc o e f f i c i e n t sb yd e c o m p o s i n gt h eh o r i z o n t a la n d v e r t i c a ls h i f to fs i g n a t u r ew i t hd b 6w a v e l e t t h r o u g hc o m p a r i n gt h et r u es i g n a t u r e s a n dt h ef o r g e r ys i g n a t u r e sr e p e a t e d l y , t h ec o n c l u s i o no fc o m p a r i s o ns h o w st h a tt h e s t a t i s t i c sf e a t u r ev e c t o rc o m p o s e do f1 5s t a t i s t i c sf e a t u r e sa n dt h ew a v e l e tf e a t u r e v e c t o rc o m p o s e do f6 4w a v e l e tf e a t u r e sa r ea b l et or e p r e s e n tt h ei d e n t i t yo fap e r s o n b yb e i n gs t a b l ef o rt h es a m ep e r s o na n dd i s t i n c t i v ef o rd i f f e r e n tp e r s o n s t h ei m p r o v e db pn e t w o r kc l a s s i f i e ri su s e d ；b o t ht h et r u es i g n a t u r e sa n dt h e f o r g e r ys i g n a t u r e sa r ep u ti n t ot h en e t w o r kt og e tt r a i n e d ，a n dt h ec o n n e c t e dw e i g h t s b e t w e e nt h en e u r a lu n i t st h a th a v eb e e nt r a i n e ds u c c e s s f u l l ya r es a v e d d e s i g n i n gt h e n e t w o r ks t r u c t r u e s , s e l e c t i n gt h em o d eo ft r a i n i n ga n di m p r o v i n gt h es t a n d a r db p a l g o r i t h ma r et h ew o r k so ft h i sp a p e r t h en u m b e ro fn e u r a lu n i t so ft h eh i d d e nl a y e r i sd e t e r m i n e db yt h ee x p e r i m e n t a lf o r m u l ac o m b i n e dw i t ht h es t a t i s t i c sf e a t u r e sa n d t h ew a v e l e tf e a t u r e s t h eb a t c hm o d eo fs a m p l et r a i n i n gi ss e l e c t e da f t e rc o m p a r i n g 、斩t ht h es i n g l e s a m p l em o d e t h ep r o b l e m so fal o c a lm i n i m u ma n das l o w e r c o n v e r g e n c es p e e da r es o l v e db yi n t r o d u c i n gt h em o m e n t u mf a c t o ra n dv a r i a b l es t e p l e n g t h , a st h es t a n d a r db pn e t w o r ki sg e 砸n gt r a i n e d t h r e em e t h o d so f v e r i f i c a t i o n ，w h i c ha r et h eb pn e t w o r ks i n g l e l e v e lv e r i f i c a t i o n u s i n gs t a t i s t i c sf e a t u r e s ，t h eb pn e t w o r ks i n g l e l e v e lv e r i f i c a t i o nu s i n gw a v e l e t f e a t u r e s ，a n dt h eb pn e t w o r kt w o - l e v e lv e r i f i c a t i o nu s i n gs t a t i s t i c sf e a t u r e sa n d w a v e l e tf e a t u r e s ，a r ec o m p a r e db ym a k i n ge x p e r i m e n t so ft h et r u es i g n a t u r es a m p l e s a n dt h ef o r g e r ys i g n a t u r es a m p l e s f o rt h et r u es i g n a t u r es a m p l e s ，t h ef a l s er e j e c t i o n r a t e sn a m e df r ro f t h et h r e em e t h o d sr e s p e c t i v e l ya l e8 o 6 o a n d6 o f o rt h e f i r s t c l a s sr a n d o mf o r g e r ys i g n a t u r es a m p l e s ，t h ef a l s ea c c e p t a n c er a t e sn a m e df a ro f a l lt h et h r e s sm e t h o d sa l e0 f o rt h es e c o n d c l a s sr a n d o mf o r g e r ys i g n a t u r es a m p l e s t h ef a ro ft h et h r e s sm e t h o d sr e s p e c t i v e l ya r e4 4 2 4 a n d0 4 f o rt h es k i l l e d f o r g e r ys i g n a t u r es a m p l e s ，t h ef a ro ft h et h r e s sm e t h o d sr e s p e c t i v e l ya r e1 9 2 ， 15 6 a n d2 t h er e s u l to fe x p e r i m e n t ss h o w st h a tt h et w o l e v e lv e r i f i c a t i o nm o d e w i t hf tl o w e rf a ri so b v i o u s l ys u p e r i o rt ot h es i n g l e l e v e lm o d e 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 ，b pn e t w o r kc l a s s i f i e r , s t a t i s t i c sf e a t u r e s ， w a v e l e tf e a t u r e s 1 1 1 独创性声明 本人声明，所里交的论文是我个人在导师指导下进行韵研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 研究生签名：；孕挫霸日期：星! ! 亟塑：垒 关于论文使用授权的说明 本人完全了解武汉理工大学有关保留、使用学位论文的规定，印学校有权保 留、送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部内容， 可以采用影印、缩印或其他复制手段保存论文 ( 保密的论文在解 签名：蕴挞蛸 导师签名 定) 日期：立鲤：丛：丝 武汉理工大学硕十学位论文 1 1 课题背景及意义 第1 章绪论 1 1 1 网上阅卷身份认证现状 1 0 0 0 多年来，考试作为一种重要的手段，为人才的选拔和评价起了很大作 用。但是，如何保证考试方法及评价的公正、公平，减少评分误差的问题，一直 以来都是公认的难题。随着信息化技术在教育行业的普及，从上个世纪9 0 年代 初开始，在国内的考试中，逐步地对命题、考试组织、阅卷等环节进行了调整和 改革。从1 9 9 9 年开始在阅卷方面引入了网上阅卷，以期从根本上解决评分误差 特别是主观性较强试题评分误差的问题。目前，全国各省市的普通高考、成人高 考、研究生入学考试、计算机等级考试和自学考试均己陆续开展了网上阅卷的工 作，并取得了较好的效果川。 同时，为保证阕卷信息的安全，阕卷系统目前主要采用身份认证的方式来防 止非法用户进入系统恶意篡改阅卷信息和试卷信息。目前，试卷评阅管理( 包括 试卷分发管理、评选组长对于试卷成绩修改确认及评阅人登录等) 都采用基于密 码管理的模式。阅卷过程身份认证采用的技术是传统的用户名口令式身份认证 模式，每位阅卷人和试卷管理人员在进入系统时须输入口令登录，操作人员通过 身份认证后，将自动获得与其身份相应的权限，只能进行其权限范围内的操作， 能够有效地防止合法用户的越权操作。也有进一步的设想采用基于u k e y 的身 份认证模式，此种身份认证模式下操作人员需要将有效的u - k e y 插入计算机u s b 口，方能进行操作，能够在一定程度上防止非法用户进入系统。 1 1 2 网上阅卷身份认证问题 通过几年的实践，网上阅卷取得了很大的效果，但也存在着一些问题尚需解 决。教育部考试中心马世晔在“网上阅卷的回顾与思考”一文中特别指出阅卷人 身份认证技术期待解决f 2 】。密码管理模式在现代信息安全管理中相对安全程度较 低。u k e y 模式虽可有效防止非法入侵系统的问题，但存在大规模使用时密钥管 理和分发等方面的缺点。此外，但当个人密钥丢失后存在身份无法认证或发生身 份欺诈无法追溯。 武汉理工大学硕七学位论文 1 1 3 签名认证技术 传统的身份认证技术是基于密码、i c 卡等，有其固有的不足：密码可能被 窃取、遗忘，i c 卡可能遗失、被盗等。丽基于人体生物特征的身份认证技术方 式由于可以从根本上解决上述缺点而得到越来越多的应用。基于生物特征的身份 认证技术是指利用人体所固有的生理特征或行为特征之间的差异来进行身份认 证的一种技术【34 1 。其核心在于如何获取能够表征个人身份的这些生物特征，并 将之转换为数字信息，存储于计算机中，然后利用可靠的匹配算法来完成个人身 份认证。基于生物识别技术的个人身份认证系统，由于使用了人体本身所固有的 生物特征，而具有更好的安全性、可靠性和有效性，因此越来越受到人们的重视， 并已开始进入社会的各个领域。常用的生物特征包括指纹，掌纹，虹膜，视网膜， 面孔，面部热像图，手腕脉络，皮肤毛孔，身体气味，声音，签名，步态，姿 势等f 5 1 。 签名认证技术自古以来就是一种被人们普遍认可并广泛用于身份认证的生 物识别技术。签名特征能在众多生物特征中脱颖而出的一个主要原因是：他是日 常生活中确认个人身份的习惯性方式，例如工作或会议签到、收信人确认签名、 银行开户或提款签名、文件合同的签署等等【6 i 。由于签名中含有大量的个性化行 为信息，因此可以用它来确认签名者的身份。人们不断地追求签名的个性化，使 得签名更加不易被模仿。签名已被公认为是个性化与合法化完美结合的认证个人 身份的有效方法。 1 1 4 签名认证在阅卷系统中的意义 在入类历史上签名作为赋予文件法律效力的手段得到广泛的接受，从法律上 讲，签名有两个功能：即标志签名人和表示签名人对文件内容的认可；保证交易 的安全性和真实性以及不可抵赖性。2 0 0 5 年4 月1 日开始实施的中华人民共 和国电子签名法首次赋予可靠的电子签名与手写签名或盖章具有同等的法律效 力，并明确了电子认证服务的市场准入制度。 现代计算机签名认证技术的发展为电子签名的推广提供了可能。网上阅卷过 程中评卷人采用签名的方式登录，为以后进行错误追溯提供真实证据，具有很强 的不可抵赖性；同时，当前时问阅卷人的签名在需要时可以附着在其所阅过的试 卷面上，可以清楚追溯试卷的评阅过程，可以做到和人工纸本阅卷的方式具有同 样的直观效果；同样，签名认证还可用于网上阅卷管理的其他各个过程。 2 武汉理工大学硕士学位论文 1 2 签名认证技术的研究现状 随着计算技术的发展，出现了各种各样的签名认证算法。从2 0 世纪7 0 年代 开始，大量的研究人员开始了针对手写签名算法的研究。r p l a m o n d o n ，e l e c l e r e 和g g u p t a 分别在1 9 8 9 ，1 9 9 4 和1 9 9 7 年对这些算法进行了概括性的总结【7 捌。 具有代表性的签名认证算法有； ( 1 ) 模板匹配方法 最简单的模板就是用一个真实签名作参考样本，采用线性规划方法计算待认 证签名和参考样本之f 日j 的欧氏距离( e u c l i d e a nd i s t a n c e ) 。更好一些的方法是平 均几个样本产生一个参考样本模板，再结合欧氏距离度量【1 0 1 。 ( 2 ) 基于参数特征的统计模型方法 这类方法出现得比较早，1 9 9 4 年，a t & t b e l l 实验室的w n e l s o n 等人讨论 了三种基于特征的统计模型来刻画签名的形状和动态信息【i “。1 9 9 5 年，e b a u e r 设计了一个基于8 4 个个性化参数的签名认证系统【l “。s h k i m 采用与e b a u e r 同样特征集【1 3 l ，但是根据每个书写人的特殊性分配给每个特征不同的权值。 ( 3 ) 基于小波变换的方法 小波变换是国际上公认的最新的时频分析工具，由于其“自适应性”和“数 学显微镜性质”而成为许多学科共同关注的焦点，在信号处理中起着至关重要的 作用。目前小波技术在签名认证的特征提取上用得较多。例如，i n a k a n i s h i 在签 名认证中引入y d , 波分析的方法【1 4 j ，对签名波形进行了8 级小波分解提取特征， 利用压力进行自然分割，对签名进行段段对应处理。 ( 4 ) 人工神经网络 人工神经网络是一个比较热门的模式识别研究领域，一些研究人员试图将神 经网络也应用到了联机手写签名鉴别中来。e l e c l e r c 和r p t a m o n d o n 总结了一些 对静态和动态签名采用人工神经网络进行认证的方法【1 5 l 。c s c h m i d t 展示了一个 基于k o h o n e n 人工神经网络的签名认证系统f l6 】。a ，d o u x 简单描述了一个基于动 态时间规整和人工神经网络的签名鉴别系鲥”l 。l l l e e 在他的文章中详细地比 较了b m p ( b a y e s m u l t i l a y e r p e r o e p w o n s ) 、t d n n ( t i m e d e l a y n e u r a l n e t w o r k s ) 和i o n n ( i n p u t o r i e n t e d n e u r a ln e t w o r k s ) 这三种神经网络模型在签名认证中的 实验效果l 瑚。n m o h a n k r i s h n a n 提出了基于神经网络和自回归模型相结合的签名 分类系统【1 9 1 。q z w h 提出了一种基于线性预编码( l p c ) 倒谱和神经网络相结 合的签名认证系统i 冽。 ( 5 ) 其他方法 w s w j i e s o m a 和x y a n g 在签名认证系统中引入了遗传算法用来进行签名的 武汉理工大学硕士学位论文 特征选择1 2 1 。2 2 j ，而且w s w j i e s o m a 还引入模糊的方法进行签名的匹配。为了进 一步提高签名认证系统的性能，一些研究人员还提出了基于多模型和多级认证的 签名认证方法 2 3 。j 。q z w u 提出了一种拆分和合并机制，并应用到他们的签名 认证系统中【2 6 】。g g u p t a 采用符号特征对签名形状进行描述，并建立了两级签名 认证框架来提高系统的性能1 2 7 - 2 9 。k y u 利用手写笔迹的动态特征进行书写人的 身份认证f 2 9 j 。m e m u n i c h 利用摄像机对签名过程迸行拍摄。提取特征迸行签名 认证】。e l i n 提到了用摄像机采集序列图像进行签名认证的方法【3 l 】。r m a r t e n s 在动态时间规整中将签名的静态信息和动态信息同时引入进来，并得到了较好的 效果1 3 2 1 。另外，连续的动态时间规整1 3 3 1 、并行动态时间规整【3 4 1 等方法都被应用 到签名认证中来。m m o h a n k r i s h n a n 将动态时间规整与自回归模型相结合【3 5 】，并 应用到他们的系统中。g r i g o l l 和t w e s s e l s 在他们各自的文章中阐述了将h m m 应用到签名认证中的方法 3 6 - 3 7 l 。j ，r i e h i a r d i 探讨了采用高斯混合模型的联机手写 签名认证方法p ”。j d o l f m g 在利用h m m 过程中新增加了笔在x ，y 两个方向的 倾斜角作为特征，并证明了倾斜角的重要性p 9 1 。 在中文手写签名认证方面的研究：h c h a n g 利用1 6 个特征提出了基于贝叶 斯神经网络的动态汉字签名的认证f 4 0 】。n j c h e n g 考虑汉字笔划中的连笔特点， 提出基于笔划连接顺序的属性串匹配方法，采用小波变换对签名进行划分，构造 属性串，实验表明具有较好的划分效果和认证效果1 4 i i 。李胜春和金涌提出将签 名特征序列等分成段，并赋予不同权重的方法【4 2 - 4 3 1 。在金涌的另两篇文章 4 4 4 5 l 中，介绍了概率神经网络方法，以多级矩特征作为输入，在神经网络训练过程中， 采用蒙特卡洛样本生成法生成伪签名样本进行训练。柯晶采用汉字笔段作为特征 区域，根据动态规划方法和区域相关算法计算签名之间的距离阳。张葵介绍了 一种基于函数参量的点一点手写签名认证映像方法f 4 7 j 。邱德红等人采用菲线性 局部寻优时间弯曲校正的方法进行签名认证1 4 8 1 。陈是在签名认证方面引入了物 理学中“场”的思想，提出了“数据场”的概念，签名的四个时序序列形成四个 数据场，从场中提取特征进行认证【4 9 j 。 目前，国内有很多企业参与了签名认证技术的研发，但大多数是引进国外签 名认证模块进行系统集成，只有少数企业拥有自己的算法，并且产品价格高，性 能不稳定。相比之下，国外的签名认证技术从数据采集系统到处理、识别算法都 比较成熟。许多公司都有专门的机构从事该项技术的研发与应用，包括i b m 、 c y b e r - s i g n 、美国智通、日本富士通等，其中美国智能公司在此领域的研究独树 一帜。它的s i g n - i t 电子签名系统已经使用在各种商用场合，用户可以签署电子 文档使得批准和授权的过程变得更自然更方便，此种技术可防止无意或恶意地篡 改文档，能较好的完成电子签名的工作。不过其主要缺点在于它将书写笔迹的压 4 武汉理工大学硕士学位论文 力信息表现为笔划的粗细，因此，他人通过比划的粗细可以了解书写者的压力情 况，降低了系统的安全性。另外，这套系统主要用于电子文档的签名，侧重于办 公应用，使用范围相对比较狭窄。 1 3 认证技术的性能评价 签名认证技术包括用户注册和用户认证两个阶段。用户注册阶段，用户连续 签3 - 5 次名，提取所有签名的特征向量，获得具有个性化的网络参数。签名认证 阶段，系统提取待认证签名的特征向量输入相应的网络中，求得一个输出结果。 如果该结果在阂值范围之内，则判决该签名者身份认证通过；否则，身份认证未 通过。 、 由于时间、环境、硬件等各种因素变化的影响，采用任何一种生物特征都不 能保证用户新输入的特征与其原有的注册特征完全一样，任何生物识别系统都不 能确保的正确识别率。因此，签名认证系统的性能通常是根据模式识别的分类错 误率来评估，该分类错误率分为两种【5 0 1 ：错误拒绝率，简称误拒率( f a l s er e j e c t i o n r a t e ，f r r ) ；错误接纳率，简称误纳率( f a l s e a c c e p t a n c er a t e ，f a r ) 。f r r 和 f a r 的计算分别如公式( 1 - 1 ) 和公式( 1 - 2 ) 所示。 愀= 端豁 m ， f a r = 笔器 m z ， f r r 是指系统错误地将真实签名者的身份判决为身份认证未通过的概率； f a r 是指系统错误地将伪造签名者的身份判决为身份认证通过的概率。f r r 和 f a r 可以从两个不同的方面反映签名认证系统的性能。当f r r 越小，则真实签 名者被错误地拒绝的概率越小，系统更容易被普通用户所接受；反之，当f a r 越小，则伪造签名者被错误地接受的概率越小，系统的安全性越高。对于任何一 个生物识别系统来说，f r r 和f a r 越小越好。由图1 1 所示，f r r 和f a r 是两 个相互制约的错误率，二者之问任何一个减小都会引起另外一个的增大。在不同 的应用背景中，可以通过调整阙值来控制f r r 和f a r 之间的大小关系：在安全 性要求较高的系统中，应该降低f a r 以保证系统的安全，例如某些军事系统； 在那些安全性要求不是很高，系统的可接受性就显得很重要，因此应该适当降低 f r r 来保证用户能够方便地使用，例如考勤系统。在阅卷系统中要求f a r 很低， f r r 的要求可以适当放宽，当发生误拒情况时，可以采用其他方式进行阅卷人 身份的再次认证。 武汉理工大学硕士学位论文 f a r ( ) 图1 - 1 认证系统性能特性曲线 1 4 论文研究内容和组织结构 1 4 1 论文研究内容 本文的主要研究内容得到了国家教育考试“十一五”科研规划课题资助项目 “基于在线签名的网上阅卷管理相关问题研究”( 编号2 0 0 6 j k s 2 0 3 8 ) 的资助， 解决阅卷系统中阅卷人身份认证存在的问题。 本文中，签名认证系统分为两级，第一级采用统计特征的b p 网络认证，第 二级采用小波特征的b p 网络认证。其认证流程如图1 2 所示。 研究内容主要分为两部分： 第一部分是签名特征提取。首先从签名速度、签名时间和签名形状三个方面 着手提取特征构成统计特征向量：其次对签名水平位移和垂直位移分别进行小波 分解，提取高频系数构成小波特征向量。j f 用真伪签名样本反复实验对比，表明 1 5 维的统计特征向量和“维的小波特征向量对同一签名者而言具有稳定性，对 不同人具有可区分性，在一定程度上能够表征签名者的身份。 第二部分是签名系统中b p 网络分类器设计。使用改进的b p 网络作为签名 认证的分类器，真伪签名样本共同参与网络训练，保存网络训练成功的各层神经 元之问的连接权值。设计了网络结构，选择了样本训练方式和改进了标准b p 算 法。依据统计特征和小波特征，结合试凑经验公式确定了隐含层神经元的个数； 针对单样本训练和批量训练两种方式进行实验对比，确定样本训练为批量训练方 式；通过实验对比确定了网络输出层神经元的期望输出值；引入动量因子和变步 长法，解决了标准b p 网络训练时网络陷入局部最小和收敛较慢的问题。 最后，对认证方案进行了实验分析。实验中使用真实签名样本和伪造签名样 本测试签名认证方案的性能，实验表明这种方案具有一定的鲁棒性，具有很好的 6 武汉理工大学硕士学位论文 使用和推广价值。 图i - 2b p 网络分类器的两级签名认证流程图 1 4 2 论文组织结构 论文共分五章，结构安排如下； 第一章由网上阅卷身份认证的现状提出了网上阅卷身份认证存在的闯题， 介绍了签名认证技术在网上阅卷系统中的意义和国内外签名认证技术的现状，阐 述了签名认证系统的性能评价标准，并说明了本文的主要工作。 第二章介绍了签名数据的采集工具和数据预处理的部分实现，提取了签名 的统计特征和小波特征，并对提取的签名特征进行了必要的归一化。 第三章介绍了b p 神经网络的基本理论，确定了b p 网络的结构和网络期望 输出值，引入动量因子和变步长法改进了标准b p 网络，解决了网络训练陷入局 部最小和收敛较慢的闯题。 第四章利用真实签名样本和伪造签名样本，对统计特征的b p 网络单级认 证、小波特征的b p 网络单级认证、统计特征和小波特征融合的两级认证分别进 行了对比实验。 第五章总结了本文所作的工作，并提出了进一步需要解决的问题。 7 武汉理工大学硕十学位论文 第2 章特征提取 签名认证系统的性能如何，主要取决于提取的签名特征和分类器设计的好 坏。签名特征提取是签名认证过程中的第一个重要环节。 2 1 数据采集 在签名的数据获取方面，不同的采集设备所采集的签名特征数据也不尽相 同。按照所采集的特征数据的类型，可以将签名采集设备分为两大类：通用的签 名采集设备和专用签名采集设备。几种常见的签名采集设备如图2 - 1 所示。 ( 1 ) 通用签名采集设备 通用签名采集设备在签名过程中以一定的采样频率采集笔尖的运动轨迹( x ， y 两个方向的坐标) ，例如市面上常见的手写输入板( 如图2 1 ( a ) 所示) 。这种 设备价格相对便宜，易于普及。 ( 2 ) 专用签名采集设备 相比于普通的手写输入板，这类设备能采集到更多的签名特征数据，或者令 使用者感觉更加舒适，当然这类设备通常比较昂贵。例如，图2 1 ( b ) 所示的签 名采集板，它有一个l c d 显示器，用户可以在上面书写签名的同时，也能看到 自己的签名轨迹，这样更符合人的书写习惯，签名更加稳定。图2 - 1 ( c ) 是s m a t t p e n 公司生产的一款手写笔，这种笔可以在普通的纸上书写，以一定的采样频率采集 笔尖的书写轨迹，并实时通过红外接口传送到计算机中。此外，还有一些特殊的 采集设备能够采集到书写过程中笔的倾斜角度或者加速度【5 1 】等签名特征。 ( a ) 普通的手写输入板 嘞带l c d 显示的手写输入板( c ) 可以在普通纸上书写的笔 图2 - 1 几种常见的签名采集设备 考虑签名认证的通用性和跨平台应用，本文采用最普通的签名板来采集签 名，建立签名样本库。使用w a c o m 公司生产的丽图系列数位绘图板作为签名 采集设备，其采样频率为1 0 0 h z 。采集的签名信息可以看作是3 个以采样点为自 变量的一维曲线：x 方向的位移坐标信息x ( 行) ，y 方向的位移坐标信息j ，( 疗) 和压 8 武汉理工大学硕士学位论文 力坐标信息z ( n ) 。签名信息表示为 工( 脬) ，y ( 功，z ( 阼) ，拧= 1 , 2 ，一) ，n 为每隔l o r e s 的采样点数，。为最大采样点数。 2 2 数据预处理 预处理的目的是：减少噪声，去除原始采集数据中的干扰或无用信息，加 强有用的签名信息，将采集到的数据变成适宜于特征提取的形式。适当的预处理 不仅可达到前述效果，更对系统认证能力的提高有所帮助。然而，不恰当的预处 理则可能造成签名信息的失真和有效信息的丢失等问题，反而影响确认系统的认 证能力。 签名者进行签名时，由方向角度的不稳定所引起的签名不一致会给匹配带 来不便，需要对签名进行方向归一化。本文中选择签名的重心作为旋转的原点， 以签名起点和重心的连线作为方向归一化的基线。根据这一基线与参考线之间的 夹角，对签名的每一个点以重心为原点进行旋转，完成签名的方向归一化。 由于签名书写过程中因采集设备或手的抖动会有噪声影响，还有书写过程 中的断笔影响，导致签名曲线并不光滑，因此需要进行平滑处理。本文采用如下 的高斯滤波器( g a u s s i a nf i l t e r ) 进行平滑【5 2 1 ： g ( a ) ：再字坚堕二墨终，一上兄+ ( 2 。1 ) i ，e x p ( - r 2 ( 2 t r 劢咖 式中l 代表高斯滤波器的半径，盯* l 2 。 某签名经过去零点、方向归一化、平滑处理等预处理操作后的签名x 方向信 息和y 方向信息如图2 2 所示。 相 对 位 移 采样点数( n ) ( a ) 某签名预处理后x 方向信息 相 对 位 移 采样点数( n ) ( b ) 某签名预处理后y 方向信息 图2 2 某签名预处理后的信息示意图 9 武汉理 ：大学硕士学f i ：j = 论文 2 3 样本库的形成 本文中的样本库包括真实签名样本库和伪造签名样本库。其主要作用是：为 调整认证系统阂值和测试认证系统提供签名样本。 ( 1 ) 真实签名样本库 真实签名样本库由签名者签署自己的名字所构成。本文中的真实签名祥本库 由3 0 位同学和4 位老师的真实签名样本组成。每位签名者书写自己的签名累积 有1 0 至：2 0 0 次，构成了具有1 0 0 0 多份真实签名的真实签名样本库。在签名数据 采集蔚，每一位签名者都要经历一个训练的过程，目的是让签名者在手写板上尽 可能真实地、自然地、熟练地书写自己的名字，尽量减少由签名者的不熟练所引 起的签名特征的不稳定，以降低后续匹配的难度。签名者“w l j ”的某次真实签 名样本如图2 3 所示， 图2 - 3 “w l i ”某次真实签名样本 ( 2 ) 伪造签名样本库 伪造签名样本数据库可分为第一类随机伪造样本库、第二类随机伪造样本库 和熟练伪造样本库。 第一类随机伪造签名是伪签名者在不知道被伪造者的姓名时所签的名字，随 机签的名字也许是被伪造者的名字，也许不是，这一类签名与真实签名的差距很 大，很容易区分。本文中，某签名者的第一类随机伪造样本由真实签名样本库中 非本人的签名构成。签名者“w l j ”的某个第一类随机伪造样本如图2 - 4 所示。 图2 4 “w u ”的某个第一类随机伪造样本 图2 4 给出了伪造者在只知道签名者“w l j ”的读音，且并不知道其名字具 体拼写的情况下对签名“w l j ”的第一类随机伪造样本，真实签名的第二字应该 是“林”，并不是“玲”。 1 0 7 3 1 、所刈 冬之 一t 叶l 、 v 武汉理工大学硕士学位论文 第二类随机伪造签名是伪造者仅仅只知道如何去拼写被伪造者的名字，而关 于真实签名的任何信息( 比盎l i 真实签名的尺寸大小、书写肘间的长短、 喜写速度 等) 在拼写之前都不知道，只是按照自己的想敦、记忆或者直接以自己的书写风 格来书写被伪造者的签名。本文中，第二类随机伪造样本库由5 0 0 多份样本构成。 签名者“w l j ”的某个第二类随机伪造样本如图2 - 5 所示。 - f 图2 - 5 “w l j ”的某个第二类随机伪造样本 熟练伪造签名则是伪造者对用户签名迸行多次模仿后写出的签名，它们在外 形上与真实签名高度相似。另外由于伪造者经历过一定的训练过程，故在动态特 征方面也会形成较大的干扰。这类签名模仿力高，通常很难分辨。让模仿者在 熟悉所要模仿的签名的特点后再进行伪造，总共3 0 0 多份熟练伪造样本。签名者 “w l j ”的熟练伪造样本如图2 。6 所示。 乏2 图2 - 6 “w u ”的某个熟练伪造签名样本 ( 3 ) 实验中使用的库 实验分析使用的库有：“z j b _ 咖”，“z j b _ f o r g e ”，“t r u e ”，“f o r g e ”。 库。z j bt r u e ”由真实签名库中签名者“巧b ”的6 0 个真实签名样本组成，这 些样本由真实样本库中“z j b ”的不同时间段的签名组成，具有一般性。 库“z j b _ f o r g e ”由伪造样本库中不同人伪”z j b ”的6 0 个签名样本组成。 库“t r u e ”由真实签名库中不同签名者的3 0 0 个真实签名样本组成。 库“f o r g e ”由伪造签名库中的3 0 0 个伪造签名样本组成。 2 4 特征提取 由于每个人的手写签名，在运笔压力、运笔速度、行笔习惯、书写轨迹等方 武汉理工大学硕士学位论文 面都具备各自的特点，因此，其中必然存在着可以表征签名者身份的某些固有信 息。对签名特征进行提取时，理论上是提取的特征的维数越多、特征的训练样本 越多就越有利于获得更多的有效签名信息，但是这在实际的实施过程中是难以做 到的。其原因如下： 首先，签名样本选取的特征维数越多，后续的特征分类器的设计就会越复杂， 花费的资金和时间也就会越多，这在匹配和判决时是不能容忍的。因为在实际的 应用中( 如网上阅卷系统中的身份认证、门禁、金融、海关、政府机构) ，身份 待认证者不可能忍受得了在签名后再等上好几分钟才能接收服务。 其次，要一个机构投资大量的资金在签名的硬件设备( 如高性能的电脑、高 速采集设备) 也是一般不可能的，这样就不会有广泛的商业应用价值。 因此，选用较少而有效的特征来进行快速的签名认证成为了一个从软件方面 来弥补实际认证中的硬件方面不足的有效措施，是签名认证一个不可回避的问 题。有效特征的选取以特征对同一人的签名而言稳定性较好，对不同人而言区分 度较大为准则。提取的这样一组特征就能很好地表征签名者的身份。 特征提取有两种方法【5 3 j ：一种是基于函数的方法，一种是基于参数的方法。 前者忽略分段预处理，将签名的x 坐标、y 坐标、速度等信号作为特征直接进行 匹配的签名认证过程。该方法由于保留了所有签名采样点的信息，有较高的信息 量，但是信息存在着冗余，不利于后续的匹配。而基于参数的方法则不使用整个 的时间序列，而是利用签名的一些总体特征或局部特征对签名进行认证。它计算 一系列特征值，为接下来的签名匹配建立特征参数集。该方法简单，有利于后续 的匹配。 在已有的研究工作中，据统计有二百多种统计特征被提出并研究过。在参数 特征的提取和评价方面，l l l e e 等人将4 2 个特征的集合( 1 3 个静态和2 9 个动态 特征) 和4 9 个经过归一化的全局特征集合应用到他们的认证系统中，给出了基于 这两个特征集的系统评价【5 4 1 。j l e e 等人和t q u 等人分别选择了1 4 个和1 6 个全 局特征用于签名认证1 5 5 5 6 1 。本文采用基于参数法的特征提取。 2 4 1 统计特征 提取一组签名统计特征建立特征集是特征提取的一种有效的方法。常见的统 计特征有签名持续总时间、签名的宽高比、签名平均速度、平均加速度、笔尖空 中运动时间与纸笔接触时间之比等。 i ) 统计特征集的建立 在l l l e e 等人提出的所有统计特征的基础上，进行大量的实验分析，以有 代表性和计算方便为准则，从签名速度、签名时间和签名形状三个方面着手，提 1 2 武汉理工大学硕士学位论文 取一组稳定性较好的特征建立统计特征集。提取的统计特征如下： 1 ) x 方向的平均速度 2 ) y 方向的平均速度 3 ) y 方向最小速度与最大速度之比 4 ) 签名方向最小速度