基于跳变点能量的DTW匹配在线手写签名验证算法

提出一种以签名能量为特征的在线手写签名验证算法,侧重签名能量特征提取和匹配判决的研究。对签名波形进行小波分解,提取签名波形在跳变点处的能量,从中提取若干个能量值作为特征矢量;在基于动态时间规整的特征匹配用改进的动态时间规整方法将测试特征序列和模式特征序列进行匹配的基础上,计算最小匹配距离,得出匹配路径。实验表明,动态时间规整算法在签名验证识别中获得了良好性能,对于随机伪造签名,误拒率为0时,误纳率为6.86%。

改进VDDTW的在线手写签名认证算法

在线手写签名认证是一种基于生物特征的身份认证技术。将VDDTW算法应用于在线手写签名认证,该算法改进了DTW中局部匹配距离的计算方法,考虑了时间序列局部曲线的变化趋势,使得时间序列的局部点到点的对正更加合理。在采用有训练的伪造样本的情况下,对累积匹配距离进行时间加权,加大了真伪签名的区分度。实验结果表明了VDDTW算法用于在线签名认证的有效性。

基于特殊点的DTW在线手写签名认证算法

针对传统动态时间规正算法速度较慢的缺点,提出基于特殊点的动态时间规正在线手写签名认证算法。特殊点包含了丰富的签名信息,表现了签名者的基本生物特征。该算法缩短了身份认证的时间,提高了身份认证的效率。实验结果表明,该方法速度快、识别率高,进而证明在线手写签名在身份认证中具有很好的应用前景。

基于改进DTW算法的手写签名识别系统设计

在线手写签名验证是一种基于生物特征的身份认证技术。为提高签名验证的效率，该文介绍了一种改进的在线签名识别算法。它优化了传统的动态时间弯折算法结构，提出了对最佳匹配路径的动态规划方法并将其应用于在线签名识别系统中。在模板较多时对匹配距离将适当限制，从而减少了系统运算量，提高了模板匹配速率。随着待识别模板数目的增多，该算法的效率优势更加明显。试验结果表明，该改进算法的运算效率高，误拒率和误纳率较低。

基于极角特征匹配的动态签名鉴别算法

基于签名质心和黄金分割质心建立极坐标系,并提取签名极角特征中相对稳定的极值点序列作为笔段分隔点给出一种签名鉴别算法.提出了改进的动态时间规整(DTW)算法,通过该算法将待测样本和签名模板依分隔点的对应关系按段进行动态匹配,得到最优匹配方案和最佳相似度,从而降低了误拒率.算法经JLU-DHSDB2.0签名数据库测试,识别等错率达到4.25%.

基于小波变换提取特征点的在线手写签名认证算法

提出了一种基于小波变换的认证算法,首先对F-Tablet手写力平台获取的签名书写过程中的三维力信息和二维坐标信息,使用小波变换的方法来提取这些信息中的关键点,得到五维特征序列,使用聚类方法动态生成多个模板,然后通过多数投票方案融合各个特征序列的决策值得到认证结果。在基于F-Tablet平台构建的签名样本库上对此算法进行了实验,平均等错误率为2.83%。实验结果表明,该算法不仅可以减少签名数据存储量,而且能够缩短认证过程的持续时间,增加认证过程的有效性。

基于HMM/DTW两级结构的签名认证方法

提出一种基于HMM和DTW在线手写签名认证方法的改进方法.该方法使用签名关键点和关键点的特征值进行签名的状态划分和状态匹配,实现类内签名状态划分的一致性.并利用在线手写签名二维信息的DTW距离作为签名隐马尔科夫模型的状态观测值,构建二级签名隐马尔科夫模型认证框架进行签名认证,得到较好的认证效果.实验结果表明,认证的准确率能达到93%左右.

基于特征点统计模型的联机签名校验

在联机签名校验中,动态时间规正(DTW)方法是一种常用的校验算法,在非线性时间对齐的基础上给出两个签名间的距离并进行判决,这样做经验的成份较多,缺乏统计基础。该文提出了签名的特征点统计模型,利用DTW算法在序列匹配的基础上从签名中提取到多个特征点,将每个特征点的变化情况描述为多维统计特征的概率分布,在所有特征点具有同样协方差分布的假定下得到具体的概率分布参数。按照此模型推导出了在最小风险准则下对签名进行真伪判决的判决准则。采用此方法对一个公共的签名样本库进行了真伪校验测试,得到了4.41%的等误率。

基于支持向量数据描述的在线签名认证系统

提出一种基于支持向量数据描述方法的在线签名身份认证系统.首先,采用双向后向合并DTW算法确定签名中关键点之间的对应关系,然后采用经典DTW度量签名局部中各种细微的差异.文中提出基于差异值均值方差最小原则的特征选择方法.最后,采用支持向量数据描述方法设计分类器.为得到更好的认证效果,采用多层交叉验证和遗传算法寻找最优的分类器参数.在SVC2004数据库上,系统对熟练伪造签名取得4.25%的平均等错误率.

基于段匹配差异观察值的HMM在线签名认证方法研究

提出一种用签名的分段差异值作为隐马尔可夫模型(HMM)观测值的在线签名认证应用方法.首先,采用双向后向合并DTW算法确定签名中关键点之间的对应关系.然后,采用经典DTW度量签名中各种细微的差异,用这些DTW差异值作为观测值训练HMM模型.将模型状态的意义定义为相似程度,将状态转移结构设定为全概率转移.在SVC2004签名数据库上,验证了该方法的有效性.