英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
Ain Shams Engineering Journal（2010）1,59-70
艾因夏姆斯大学
艾因夏姆斯工程杂志
www.elsevier.com/locate/asej www.sciencedirect.com
电气工程
基于DWT特征提取和神经网络分类的在线手写签名验证系统
Maged MM Fahmy*
计算机视觉，工程学院，纽卡斯尔大学泰恩河畔，英国
收到2010年6月12日; 接受2010年8月15日
2010年11月5日在线提供
关键词
签名识别; 笔位置;
笔移动角度; 1D小波变换; 多匹配;
神经网
摘要手写签名是最广泛为人所接受的身份验证生物识别技术。 研究的目标是完成基于离散小波变换（DWT）特征提取和前馈反向传播误差神经网络识别的在线手写签名验证系统。在该系统中验证在线手写签名的流程是从提取形成签名的点的笔位置的数据（x和y位置）开始。 然后从笔位置数据导出笔移动角度。 为了减少笔位置和笔移动角度维度的变化，数据被归一化并重新采样。 而为了增强真正签名和伪造签名之间的差异，签名需要在DWT域中完成验证。 笔位置参数和笔移动角度参数的低频子带信号（近似值）被视为内部特征，用于抑制不同真正签名之间的差异并增强人与人之间不同签名的变化，因此在整个识别过程中可以得到较高地验证成功率。 将笔位置和笔移动角度特征相关联以获得关于在线手写签名验证的判决结果。 多匹配器由六个使用多个不同表示的神经网络组成，并且匹配相同的输入生物特征信号用于验证签名。 分析讨论这些神经网络识别器中每一个的识别率，并对这些识别率进行比较。 全部的实验在签名数据库上进行，每个真实用户验证了20个熟练伪造签名，得出真正签名的识别成功率为95％。
copy;2010艾因夏姆斯大学。 由Elsevier BV生产和托管
版权所有。
*地址：埃及亚历山德里亚San Stifano 10 Ahmed Shoukri街。 电子邮件地址： dr_maged_fahmy@yahoo.com
2090-4479copy;2010艾因夏姆斯大学。 由Elsevier BV制作和托管版权所有。
艾因夏姆斯大学负责同行评审。 DOI：10.1016/j.asej.2010.09.007
由Elsevier制作和托管
1.介绍
目前存在许多生物识别方法，例如签名，指纹，虹膜等。由于指纹和虹膜验证需要安装昂贵的设备，因此不能在银行等日常场所使用。基于手写签名验证系统完成身份验证是识别一个人最简单的方式。 银行和政府机构将签名视为合法的身份验证手段。 签名验证技术利用了签名的不同方面的特征
来验证个人的身份。 犯罪验证专家活动范围有限，无法满足随时验证的需求，因此为了开发能够验证个人身份的计算机算法，我们进行了相当大的努力。现代法证文件审查员通常将可疑签名与已知有效签名的几个示例进行比较。 他们寻找的伪造的迹象，包括有：签名的签名速度明显慢于真正的签名; 频繁改变写作工具的握姿; 笔画的结尾和开头的差异; 笔画线条质量不佳，书写时犹豫不决，导致线路抖动; 多次回写和修改; 在写作应该是流畅的地方停下来等。 与其他电子识别方法（如指纹扫描和视网膜血管模式筛选）相比，人们从使用笔和纸签名演变为在线手写签名的获取和电子验证。 许多时候签名难以为人所识别。 因此，签名验证涉及到确定特定签名是否真正属于某人的问题。 签名验证有两种方法，在线验证和离线验证。在这讲一下数据的获取方法。 在离线情况下，签名是在一张纸上获得的，随后进行扫描。 离线签名验证处理签名的2D静态图像。 它在银行支票和文件的验证中对完成自动识别非常有用。 但是离线验证技术仅从签名图像的形状和结构特征，我们可获得的信息有限。 离线验证的一个根本问题是缺乏重要的形状表示或形状因子。 相反，在线签名验证系统非常精确。 在获取参考数据和验证过程中都要求作者在场。 这限制了它们在特定应用程序的使用。 在线手写签名通常在电子平板上书写获得。 在签名过程中，使用专门设计的平板电脑或其他设备在线签名验证，追踪其路径和其他时变序列变量。 在许多实际应用中，自动在线签名验证是一项有趣的智力挑战。 该技术检查签名的行为组件，例如：笔顺，速度和压力等，而不是比较签名的视觉图像。 与传统的签名比较技术不同，在线签名验证测量签名的身体活动。 本研究的目的是完成基于DWT特征提取和神经网络分类的在线手写签名验证系统。 本研究报告的组织形式如下: 第1节给出了手写签名验证的结构的概述，特别是在线签名验证的结构。第2节给出了当前研究领域的简要概述和问题陈述。第三节完成了系统的简要描述。第4节讨论了提取手写体中存在的特征的过程和离散小波变换（DWT）。特征匹配（分类）在第5节中讨论。实验设置和获得的结果在第6节中解释。最后，第7节是结束语。
- 关于手写签名验证和相关问题的调查
过去几年中完成的大部分签名验证工作都是以线上或在线方式为重点。 例如通过验证澳大利亚护照上签名的真实性来防止身份欺诈的自动在线手写签名验证系统。 在这个系统中，模糊建模已被用于开发一个强大的识别系统 [1].在线参考数据通过数字化平板电脑获取。 获取的数据作相应扫描后的结果是数据分割过程的基础 [2]。 有学者提出了一种用于验证手写签名的方法，其中提取各种静态（例如，高度，倾斜等）和动态（例如，速度，笔尖压力等）签名特征并将其用于训练若干网络拓扑是实现签名验证的重点 [3]。 也有人提供了基于隐马尔可夫模型方法的手写签名验证系统，用于表示和验证手写签名数据 [4]。 仪器化数据手套配备传感器可以检测手指弯曲，手部位置和识别手部特征的方向，最终用于手写验证 [5]。 自动手写签名验证的方法依赖于总结签名形状的不同方面的全局特征[6]，并且在广泛的统计分析，标准差，方差和互相关理论的基础上，学者们讨论了基于签名图像之间像素到像素关系的签名识别算法[7]。 通过数字化平板电脑获取的在线参考数据并使用三种不同的分类方案，可以实现识别手写签名 [8]。 而且在线签名验证可以解释其对伪造技术与签名验证系统的影响[9]。 本文还描述了在线真正签名中基于熵度量的改进[10]。 在线动态签名验证系统使用一组49个标准化特征，可以容忍真正签名中的不一致性，同时保留验证伪造的能力 [11]。 一种统计量化机制可以抑制签名特征中的类内变化，从而区分真正的签名与其伪造之间的差异 [12]. 我们提出的一种基于提取小波特征和神经网络识别的两级验证方法在线手写签名验证算法 [13]. 解释了经过反向传播神经网络（NN）验证的小波变换的动态手写签名识别系统 [14]。 其他在线签名验证系统一般是提取签名的各种动态属性的本地信息时间函数。 对这些特征执行离散一维小波变换 [15]。 说明了使用离散小波变换（DWT）从手写签名中提取特征能够实现更高的识别率[16,17].
我在许多研究工作中对使用DWT作为签名特征提取的手段
进行了调查 [13–17]。 几乎所有这些都是用真正的签名进行的，而且大多数都没有用真正熟练的伪造签名进行测试。 这些尝试也没能找到一个令人满意的方法来消除伪造。
基于DWT特征提取的在线手写签名验证系统 61
本研究的目的是实现在线手写签名验证系统。 该系统基于从该签名的DWT表示中提取表示签名的个人特征的子带。 DWT特征向量（coefcients）的用户真正的签名，大多是类似的被选为候选签名认证功能。 其中，选择与伪造签名相对应的向量不相关，以增强真实签名和伪造签名之间的差异（变化）。 一个多匹配器由六个反向传播神经网络组成，然后用作本研究中的分类工具。 所提出的系统使用真正签名的数据库以及熟练伪造签名的数据库进行测试。
- 系统描述
我们所提出的在线手写签名识别系统主要由三个阶段组成：信号建模，特征提取和特征匹配。 提取签名点的x和y位置，并将每个位置表示为一维时域信号。 笔移动角度来自笔位置数据点。 然后它被用作第三时域信号。 这些信号然后被归一化和重新采样。 这是为了克服不同大小的问题，并且即使对于同一用户，每个签名中也存在不同的点数。 离散小波变换用于从这些信号中提取特征。 子带分解用于从DWT特征中提取个人特征以增强签名个性。 提取的特征向量用于训练在多匹配器内用作分类器的反向传播神经网络组。 在测试阶段，从未知人员的签名中捕获的信号经过特征提取。 得到的特征被输入到多匹配器的训练过的神经网络库中。 由此得出的输出结果是，如果它是真正的手写签名，则可以识别未知签名。 总而言之，两种算法对手写识别系统至关重要。 首先是特征提取过程（从歧视信息中获得）。 第二种是分类过程（使用特征来确定正确的信号，其对应于正确的手写签名）。 所提出的手写签名验证系统如图所示 图。1.
- 特征提取手写签名的过程
特征提取的过程是任何签名验证系统中的一个主要问题。 即使不能保证一个人的两个真实签名是完全相同的（人际变化）。 它的不同之处也源于这样的事实，即熟练的伪造者遵循真正的模式（人际变化）。 这与两个不同人的指纹或虹膜变化很大的指纹或虹膜不同。 理想的人际变化应该远远超过人际变化。 因此，识别和提取最大限度地减少人际差异并使人际变化最大化的特征非常重要。 选择验证签名的功能有很多灵活性。 全局特征（例如签名的总体方向，尺寸和像素分布）
图1基于提取DWT特征和神经网络分类的在线手写签名验证系统。
通常不足以区分伪造。 另一方面，重要的本地特征极难找到。 为了专注于局部特征提取过程，进行了大量的研究工作。 它们中的大多数旨在从签名笔划的原始骨架中强健地提取称为“笔划”的基本功能实体。 本研究中的特征提取过程从笔位置数据开始。 考虑两个因素：在x方向的笔位置和在y方向的笔位置。 作为第三个因素，笔移动角度来自笔位置数据。 即使对于同一个人，捕获的手写签名中的点数也会随着其大小和写入速度而变化。 为了克服不同大小的签名，代表x位置和y位置的数据点被标准化。 训练神经网络很困难，因为点数的这种大的变化代表签名。 因此，希望重新采样签名轮廓以获得xed
点数。 因此，三个因素中的每一个都应该进行归一化和重新采样。 特征提取过程结束于取出笔的DWT系数
在x方向上的位置，以及在y方向上的笔位置，以及
笔移动角度。 在本研究中提出的系统的每个步骤在下面的小节中都有描述。
-
- 笔位数据
我们使用电子手写板将在线签名数字化。 本研究仅考虑笔位参数，因为即使在使用PDA进行手写签名时也提供笔参数。 Pen-position参数由x和y坐标的离散时变信号组成，分别为x（n）和y（n）。 n = 0,1，...，N是时间索引，N是签名点的数量。 由于在线签名是一种动态生物识别技术，因此每个写入时间都与其他时间不同。 即使在真正的签名中，这也会导致采样数据的数量不同。
-
- 笔移动角度
每个人都有独特的方式来书写他的签名，因此笔移动角度参数可以帮助识别签名特征。 笔移动角度参数来自笔位置参数。 它是针对从笔位置参数获得的每两个连续点计算的。 因此，计算笔移动角度不需要额外的传感器，即使在使用PDA进行签名时也可以实现。 笔移动角度参数在方程式中定义为
全文共13257字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14449]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
