基于在線手寫簽名的身份認(rèn)證技術(shù)研究和展望

摘要：在線簽名鑒定是身份證技術(shù)中的一種有效方法。本文簡要加顧了基于在線手寫簽名的身份認(rèn)證技術(shù)的研究背景及發(fā)展歷程；重點(diǎn)對(duì)近年簽名鑒定技術(shù)的研究進(jìn)展進(jìn)行綜述并對(duì)各種方法予以評(píng)價(jià)；總結(jié)了現(xiàn)存的研究困難并分析了應(yīng)用前景和發(fā)展方向。 關(guān)鍵詞：簽名鑒定 動(dòng)態(tài)時(shí)間規(guī)整 隱馬爾可夫模型 神經(jīng)網(wǎng)絡(luò) 小波變換 信息技術(shù)的飛速發(fā)展在給人們?nèi)粘Ｉ顜順O大便利的同時(shí)，也使網(wǎng)絡(luò)安全問題受到前所未有的挑戰(zhàn)。因此，實(shí)時(shí)準(zhǔn)確的個(gè)人身份認(rèn)證十分重要。傳統(tǒng)的身份認(rèn)證基于密碼、IC卡等方式，有其固有不足：密碼可能被竊取、遺忘，IC卡可能遺失、被盜等；而基于人體生物特征的身份認(rèn)證方式由于可以從根本上解決上述缺點(diǎn)而得到越來越多的應(yīng)用?；谏锾卣鞯纳矸菡J(rèn)證技術(shù)是指利用人體所固有的生理或行為特征之間的差異，通過計(jì)算機(jī)來鑒定身份的技術(shù)。常用的生理特征有指紋、虹膜、臉像等；常用的行為特征有簽名、步態(tài)等。與傳統(tǒng)鑒定方式相比，生物識(shí)別具有防偽性良好、易攜帶、不易遺失或遺失或遺忘等優(yōu)點(diǎn)。 簽名作為人的一種行為特征，與其它生物特征相比，具有非侵犯性、易為人所接受等特點(diǎn)。隨之產(chǎn)生的簽名鑒定（也稱簽名驗(yàn)證）技術(shù)在模式識(shí)別、信息處理領(lǐng)域都屬前沿課題。簽名鑒定分為離線簽名鑒定和在線簽名鑒定兩種。前者是通過掃描儀、攝像機(jī)等輸入設(shè)備，將原始的手寫簽名輸入到計(jì)算機(jī)里，然后進(jìn)行分析與鑒定；后者是通過手寫板實(shí)時(shí)采集書寫人的簽名信息，除了可以采集簽名位置等靜態(tài)信息，還可以記錄書寫時(shí)的速度、運(yùn)筆壓力、握筆傾斜度等動(dòng)態(tài)信息。顯然，較離線簽名鑒定而言，在線簽名鑒定可利用的信息量更多，不易偽造，同時(shí)難度也更大。1 在線手寫簽名驗(yàn)證系統(tǒng) 1.1 算法流程 典型的在線手寫簽名驗(yàn)證系統(tǒng)包括四個(gè)主要的技術(shù)環(huán)節(jié)，其算法流程如圖1所示。首先是簽名信息的數(shù)據(jù)獲取，就是經(jīng)輸入設(shè)備采集實(shí)時(shí)的手寫簽名信息后輸入計(jì)算機(jī)。然后是預(yù)處理，過程包括去噪、歸一化等操作，目的是將采集到的數(shù)據(jù)變成適宜于進(jìn)行特片提取的形式。下一步特征提取。從預(yù)處理后的數(shù)據(jù)中提取能充分反映各人書寫風(fēng)格，同時(shí)又相對(duì)穩(wěn)定的特征。最后是特征匹配和判決，即采用某種判別規(guī)則，將提取的特征信息與標(biāo)準(zhǔn)簽名樣本進(jìn)行匹配，得出鑒別結(jié)果。經(jīng)過程是一對(duì)一的匹配過程，即驗(yàn)證輸入簽名人的身份是否屬實(shí)。 1.2 系統(tǒng)結(jié)構(gòu) 出于網(wǎng)絡(luò)安全與高效率的考慮，在線簽名鑒定系統(tǒng)的設(shè)計(jì)一般采用C/S結(jié)構(gòu)來實(shí)現(xiàn)基于網(wǎng)絡(luò)的異地鑒定，信息采集端應(yīng)與驗(yàn)證端分離，信息存儲(chǔ)和傳輸必須是在加密機(jī)制基礎(chǔ)上實(shí)現(xiàn)，系統(tǒng)結(jié)構(gòu)如圖2所示。當(dāng)需要認(rèn)證時(shí)，用戶在配備手寫板的網(wǎng)絡(luò)終端簽名，客戶端獲得有效信息并作預(yù)處理與特征提取操作后，將所得信息序列經(jīng)通訊模塊加密后通過互聯(lián)網(wǎng)傳輸給服務(wù)器，進(jìn)而完成相應(yīng)的解密、在數(shù)據(jù)庫中的ID檢索及匹配判決，并將鑒定結(jié)果返回給客戶端。這種信息采集模塊下傳輸簽名特征信息的方式，極大增強(qiáng)了整個(gè)認(rèn)證系統(tǒng)架構(gòu)的安全性與靈活性。2 特征提取與匹配方法 在線簽名驗(yàn)證系統(tǒng)的性能如何，主要取決于特征提取方法和分類器設(shè)計(jì)的好壞，而這一切都由算法的優(yōu)劣所決定。早期研究較多的方法有基于結(jié)構(gòu)特片的方法和基于相關(guān)匹配的方法等。目前鑒別方法主要有兩個(gè)研究方向：一個(gè)是特片函數(shù)法，就是包含所有簽名采樣點(diǎn)的時(shí)間序列被看成重要的特片信息，因而被測簽名將和模板簽名進(jìn)行相應(yīng)的時(shí)間序列間的匹配比較，具體應(yīng)用的方法包括動(dòng)態(tài)時(shí)間規(guī)整算法、簽名分段算法、點(diǎn)-點(diǎn)匹配方法等等；另一個(gè)是特征參數(shù)法，是采用一系列的特征值構(gòu)成的特征向量，這些特征值一般人為選取以試圖表征簽名的簽名特征信息，具體應(yīng)用的方法包括隱馬爾可夫模型、基于神經(jīng)網(wǎng)絡(luò)的方法和小波變換方法等。 2.1 動(dòng)態(tài)時(shí)間規(guī)整（DTW） 動(dòng)態(tài)時(shí)間規(guī)整是一種非線性優(yōu)化方法，具有概念簡單、算法魯棒的優(yōu)點(diǎn)，早期廣泛應(yīng)用于語音識(shí)別中。對(duì)于DTW而言，既使測試序列模式與參考序列模式的時(shí)間盡度不能完全一致，只要時(shí)間次序約速存在，它仍然較好地完成測試序列和參考序列之間的模式匹配。由于任何人簽名都有一定的波動(dòng)性，所以沒有辦法對(duì)簽名數(shù)據(jù)一對(duì)一地進(jìn)行匹配，由此用到該動(dòng)態(tài)規(guī)劃方法。 如圖3所示，假設(shè)有兩特征信號(hào)人R={r(i) 1≤i≤m}和T={t(j)|1≤i≤n},R為模板特征信號(hào)的總幀數(shù)，m為參考幀的時(shí)序標(biāo)號(hào)，T為用來測試的特征信號(hào)的總幀數(shù)，n為測試幀的時(shí)序標(biāo)號(hào)。而R、T間的時(shí)間變化關(guān)系可由時(shí)間規(guī)整函數(shù)F={f(k)|≤k≤kf}來表示，其中f(k)=(r,(k),t(k))，代表在作k次特片匹配時(shí)，T中第t(k)幀與A中第r（k）幀比較。設(shè)d(f(k))表示將模板中的第j幀與測試序列的第幀進(jìn)行匹配的局部匹配距離。 D（R，T）作為模板A與測試信號(hào)B的匹配路徑，其算式如下： 其中u(k)為匹配點(diǎn)f(k)匹配距離的加權(quán)系數(shù)。 此算法的關(guān)鍵就是求解該函數(shù)，具體實(shí)現(xiàn)可用動(dòng)態(tài)規(guī)劃的方法。設(shè)（r(k),t(k)）（即f(k)）為規(guī)整路徑上的一點(diǎn)，則下一點(diǎn)可取為（r(k+1),t(k)）r(k),t(k+1))r(k+1),t(k+1))，這將由點(diǎn)r(k),t(k)到這三點(diǎn)的距離確定，取距離最小者為下一點(diǎn)。利用此方法，可從起始點(diǎn)遞歸求出規(guī)整路徑，同時(shí)也可求出D（R，T）。 文獻(xiàn)[5]提出一種非線性局部尋優(yōu)時(shí)間彎曲校正方法，不僅實(shí)現(xiàn)了對(duì)信息序列不同局部的非等強(qiáng)度校正，而且很好地保證了序列的單調(diào)性和連續(xù)性，試驗(yàn)的正確率為96%。 2.2 簽名筆劃分段和點(diǎn)-點(diǎn)匹配方法 該方法先對(duì)簽名進(jìn)行分段，然后從簽名筆劃中提取新的特征，接著每一對(duì)相應(yīng)的筆段中的點(diǎn)經(jīng)由點(diǎn)-點(diǎn)的映射算法得到最后的匹配映射結(jié)果，具體實(shí)現(xiàn)方法可參考文獻(xiàn)。文獻(xiàn)基于對(duì)簽名圖像結(jié)構(gòu)復(fù)雜性均衡分解的思想，提出了一種基本于骨架的簽名分段算法。該方法首先對(duì)簽名進(jìn)行骨架提取，然后依據(jù)結(jié)構(gòu)復(fù)雜度均衡的原則，對(duì)骨架進(jìn)行分段，最后把所得的骨架分段復(fù)原成原始簽名中的分段。具體算法為： （1）從整個(gè)簽名圖像的骨架中提取出并記下所有的交叉點(diǎn)和端點(diǎn)； （2）從上到下，從左到右搜索第1個(gè)端點(diǎn)；（3）從該端點(diǎn)開始沿骨架進(jìn)行步進(jìn)，按方向碼（用來描述圖像的邊沿骨架等圖像特征）計(jì)算前進(jìn)中的復(fù)雜度。若復(fù)雜達(dá)到1個(gè)給不定期的閾值后，即把剛走過的全部點(diǎn)作為一個(gè)分段，抹去剛走過的除交叉點(diǎn)之外的點(diǎn)，直到抹去骨架中所有的點(diǎn)。經(jīng)實(shí)驗(yàn)，該算法既達(dá)到了把簽名的整體復(fù)雜度均衡局部化的目的，又基本上保持了真實(shí)簽名分段在數(shù)量上和結(jié)構(gòu)上的穩(wěn)定性，降低了各種由于外部因素引起的類內(nèi)特性之間的差別，突出了類間特性的表現(xiàn)。 2.3 隱馬爾可夫模型（HMM） HMM作為信號(hào)的一種統(tǒng)計(jì)模型，目前廣泛應(yīng)用于模式識(shí)別、圖像處理的各個(gè)領(lǐng)域。HMM是一個(gè)由兩種機(jī)理構(gòu)成的隨機(jī)過程：一個(gè)機(jī)理是內(nèi)在的有限狀態(tài)Markov鏈，體現(xiàn)為用具有限狀態(tài)數(shù)的Markov鏈來模擬簽名信號(hào)統(tǒng)計(jì)特征變化的隱含的隨機(jī)過程，另一個(gè)是一系列隨機(jī)函數(shù)所組成的集合，體現(xiàn)為與Markov鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀測序列的隨機(jī)過程。設(shè)有觀察序列Q=Q1Q2…Qn和狀態(tài)集S={s1,s2,…sn},一個(gè)有n個(gè)狀態(tài)的隱馬爾可夫模型λ可以表示（π，A，B），其中π為初始狀態(tài)概率矢量；A={aij}為狀態(tài)轉(zhuǎn)移概率矩陣，其中aij=P{qt+1=sj|qt=st}，1≤i,j≤N;B={bj}Qt)}為觀察符號(hào)概率分布，若B有M個(gè)觀察值{v1,v2…vm}，則bj(Qt)=P{Qt=vk|qt=sj,1≤j≤N,1≤k≤M. HMM的使用涉及到訓(xùn)練和分類兩個(gè)階段，訓(xùn)練階段包括指定一個(gè)HMM的隱藏狀態(tài)數(shù)，并且優(yōu)化相應(yīng)的狀態(tài)轉(zhuǎn)換和輸出概率以便于產(chǎn)生的輸出符號(hào)與在特定的運(yùn)動(dòng)類別之內(nèi)所觀察到的圖像特片相匹配。匹配階段涉及到一個(gè)特定的HMM可能產(chǎn)生相應(yīng)于所觀察圖像特征的測試符號(hào)序列的概率計(jì)算。利用HMM進(jìn)行簽名驗(yàn)證同樣由兩個(gè)階段組成，即利用訓(xùn)練樣本估計(jì)HMM模型參數(shù)和利用HMM評(píng)價(jià)測試簽名。這兩個(gè)過程目前都有成熟的算法，HMM參數(shù)的估計(jì)可用Baum-Welch參數(shù)估計(jì)算法或Segmental K-means算法；對(duì)測試樣本的評(píng)價(jià)，可以用Forward-Backward迭代算法估計(jì)簽名滿足模型的概率，或用Viterbi最優(yōu)狀態(tài)搜索算法計(jì)算簽名過程經(jīng)過的最優(yōu)狀態(tài)。因此，利用HMM模型的關(guān)鍵在于HMM類型的選擇和一些參數(shù)的選擇以及閥值的估計(jì)。2.4 基于小波變換的方法 小波變換是國際上公認(rèn)的最新頻率分析工具，由于其“自適應(yīng)性”和“數(shù)學(xué)顯微鏡性質(zhì)”而成為許多學(xué)科共同關(guān)注的焦點(diǎn)，在信號(hào)處理中起著至關(guān)重要的作用。目前小波技術(shù)在簽名驗(yàn)證的特征撮上用得較多。文獻(xiàn)則采用以高斯函數(shù)的二階導(dǎo)數(shù)作為小波基的小波變換技術(shù)來進(jìn)行拐點(diǎn)提取，然后以該方法為基礎(chǔ)，進(jìn)行不同簽名之間拐點(diǎn)序列的匹配；最后再利用提敢的拐點(diǎn)來對(duì)簽名進(jìn)行分段和段-段對(duì)應(yīng)處理。文獻(xiàn)采用離散小波變換來分解簽名的參數(shù)特征，特片提取用到自適應(yīng)算法，匹配則選擇動(dòng)態(tài)規(guī)劃方法，初步試驗(yàn)取得較好的效果。 另外，在當(dāng)前的計(jì)算機(jī)視覺和模式識(shí)別中取得成功應(yīng)用的Gabor變換也和小波變換一樣，具有頻率和方向選擇性，在近年的簽名通信班下研究中引起起眾多學(xué)者的重視。但Gabor變換和小波變換都有著運(yùn)算量太大的缺點(diǎn)。 2.5 基于神經(jīng)網(wǎng)絡(luò)的方法 神經(jīng)網(wǎng)絡(luò)是一個(gè)非常實(shí)用的分類工具，具有適應(yīng)性，能夠?qū)崿F(xiàn)非線性的分類問題，近十年來有很多學(xué)者將此方法用于簽名驗(yàn)證中。該方法的優(yōu)勢在于避免了復(fù)雜的特片提取工作，可以通過自學(xué)習(xí)獲得其他方法難以實(shí)現(xiàn)的關(guān)于簽名鑒定的規(guī)律和規(guī)則的隱形表達(dá)。因?yàn)楹灻奶仄畔?shù)量巨大而簽名的訓(xùn)練樣本數(shù)很少，所以神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)不能太大，否則網(wǎng)絡(luò)將不能訓(xùn)練。 文獻(xiàn)從簽名識(shí)判的不確定性出發(fā)，提出了將Bayes網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合的概率神經(jīng)網(wǎng)絡(luò)模型。它的第一層是輸入層，其傳遞函數(shù)是線性的；第二層是隱層，該層單元的狀態(tài)函數(shù)是概率密度；第三層是累加層，如果輸出結(jié)果表示分類，那么，該層便是將屬于某類的概率累計(jì)，從而得到輸入樣本屬于該類的最大可能性。該網(wǎng)絡(luò)具有訓(xùn)練時(shí)間短和能產(chǎn)生Bayes后驗(yàn)概率的輸出的特點(diǎn)。 2.6 其他方法 其他方法還有很多，每種方法各有其優(yōu)缺點(diǎn)，如AR模型、紋理分析、決策樹等。例如紋理分析方法多用于僅擁有靜態(tài)信息的離線簽名驗(yàn)證中，但筆者認(rèn)為，倘若能將書寫速度、運(yùn)筆壓力等動(dòng)態(tài)信息轉(zhuǎn)化為圖像中的靜態(tài)表示，也就是對(duì)動(dòng)態(tài)信息作靜態(tài)化映射表示，那么也可用于在線簽名鑒定。經(jīng)試驗(yàn)，可將運(yùn)筆壓力的等級(jí)設(shè)為256級(jí)，對(duì)應(yīng)為圖像像素的灰度變化256級(jí)，其后進(jìn)行圖像紋理分析。此方法的實(shí)際應(yīng)用有待深入研究。文獻(xiàn)將物理學(xué)中的數(shù)據(jù)場思想引入簽名鑒別中，把簽名所形成的四個(gè)時(shí)序序列（壓力、壓力變化等、速度和加速度）點(diǎn)作為場中的數(shù)據(jù)點(diǎn)來看待，形成四類數(shù)據(jù)場，再從場中提取特征，很有新意。 目前，國內(nèi)有很多企業(yè)參與了簽名覽定技術(shù)的研發(fā)，但大多數(shù)是引進(jìn)國外簽名驗(yàn)證模塊進(jìn)行系統(tǒng)集成，只有少數(shù)企業(yè)擁有自己的算法，并且產(chǎn)品價(jià)格高，性能不穩(wěn)定。相比之下，國外的簽名鑒定技術(shù)從數(shù)據(jù)采集系統(tǒng)到處理、識(shí)別算法都比較成熟。許多公司都有專門的機(jī)構(gòu)從事該項(xiàng)技術(shù)的研發(fā)與應(yīng)用，包括IBM、Cyber-SIGN、美國智通、日本富士通等，其中美國智能公司在此領(lǐng)域的研究獨(dú)樹一幟。 鑒于目前的研究狀況，筆者認(rèn)為采用單一方法的生物身份鑒別技術(shù)因其局限性終將淘汰，未來的發(fā)展方向?qū)⑹嵌喾N方法用于簽名特征進(jìn)行數(shù)據(jù)融合，以及基于多生物特征信息融合的身份認(rèn)證，目前已有研究表明利用簽名和指紋結(jié)合、簽名和語音結(jié)合等方法進(jìn)行身份認(rèn)證能顯著地提高鑒別的準(zhǔn)確性。另外，結(jié)合生物特征與數(shù)字簽名、數(shù)字水印的網(wǎng)絡(luò)商務(wù)系統(tǒng)也將紛紛出臺(tái)。如何進(jìn)一步改進(jìn)識(shí)別算法，降低系統(tǒng)的誤判率，同時(shí)縮短識(shí)別時(shí)間，建立人類書寫動(dòng)力學(xué)模型等，這些都是身份認(rèn)證技術(shù)應(yīng)該追求的目標(biāo)。