基于HMM的在线手写签名认证系统设计与实现

在线手写签名认证是以人的行为特征为基础的身份认证技术。对在线手写签名字型曲线进行分段,分析了一系列特征,并将隐马尔可夫模型(HMM)引入到在线手写签名认证中。找到了真签名中某种比较稳定的特征,提出了一种基于隐马尔可夫模型的在线手写签名认证方法。从实验数据来看,取得了比较满意的认证效果。

一种基于隐马尔可夫模型的在线手写签名认证算法

给出一种对签名特殊点的提取方法,并以此特殊点作为签名的分割点,获取每段中的重要特征进行分析.在此基础上,提出一种基于隐马尔可夫模型(HMM)的在线手写签名认证算法,并利用第一届国际手写签名认证竞赛(SVC 2004)的测试数据库检验了算法的有效性.

基于频域分析的在线手写签名认证算法

目的为提高在线手写签名认证的速度,提出一种基于频域分析的在线手写签名认证算法,用于在线手写签名认证的粗分类.方法首先使用快速傅立叶变换对在线手写签名原始特征向量进行映射,然后抽取低频信息构成新的特征描述,最后使用加权认证算法实现在线手写签名的认证.结果算法提高了在线手写签名认证的速度,且在SVC2004task2数据集上取得的ERR为10%.结论快速傅立叶变换抽取频域特征易于区分伪造签名,且快速有效.依据用户各种特征稳定程度进行加权认证,提高了系统的鲁棒性.

基于采样数据稳定度的在线手写签名认证方法

介绍了一种基于采样数据稳定度的在线手写签名认证方法 .该方法首先根据签名样本数据获得特征序列的采样点稳定度以及特征稳定度 ,然后利用这两种稳定度作为权值 ,采用基于加权动态匹配比较方法得到最终匹配结果 。

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。

DTW在线手写签名认证系统的研究

随着计算机网络技术和生物识别技术的发展,通过生物特征进行身份认证成为信息时代的需要.由于长久以来作为授权标志,手写签名是最容易被大众接受的身份认证方式之一.本文改进了经典DTW中距离的计算方法,在考虑了时间序列自身形状特征的基础上,解决了在线手写签名中时间序列非线性弯曲的对正问题.经过签名认证实验表明,当ERR为3%时,签名认证的效果最好,进而证明在线手写签名适合作为身份认证手段.

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。

一个在线手写签名身份认证系统的设计与实现

With the development of computer network, Biometrics, as a kind of information security techniques, is thought more and more of. Handwritten signature verification is an effective one. This paper introduces the design and implementation of an on-line handwritten signature verification system which is based on dynamic programming matching algorithm and give a brief evaluation of its performance. The performance of the system is satisfying according to the experiment.

用于在线中文手写签名认证系统中的GA个性化特征选择方法

提出一种基于遗传算法的个性化特征选择方法。该方法采用真伪两类样本之间的边缘间隔作为遗传算法的适应度估计函数,在相同特征初始集基础上对不同人提取不同的(即个性化)特征子集。实验证明该方法不但能有效地降低特征空间维数,而且使分类准确率得到显著提高。

基于非参数回归和卷积神经网络的在线手写签名身份认证模型研究

在线手写签名身份识别模型受训练签名的变异复杂性、签名数量有限、真伪签名不均、动态特征等实际因素影响,需要对签名轨迹数据曲线拟合与深度学习的图像特征提取的联合建模.文章设计了在三种签名变异复杂性情形下,比较了不同的非参数回归和卷积神经网络建模的试验效果.实验的主要发现如下：1.单独使用CNN可获得较高的签名鉴别率,其效果好于单独使用非参数回归的效果,代价是需用较为复杂的神经网络结构,训练时间可能过长;2.真伪签名轨迹样本方差和训练样本量不均衡都会不同程度地影响到CNN的学习效果;3.签名的动态特征相较于仅使用静态特征而言有助于提升模型的识别能力;4.当真假签名数量有限,只用样条回归或CNN的独立判定效果都不甚理想,选择合适自由度的样条回归与CNN联合建模在达到可用精度条件下,可有效降低训练时间,降低卷积神经网络的核个数,减小模型复杂性,达到较好的识别性能.