基于探测网格的离线签名认证方法

摘  要：本文提出了一种基于探测网格的离线签名分析和验证方案，该方案的核心是通过网格模板对签名的精细几何结构进行有效编码，并在子集内进行适当划分。特征表示在使用5*5像素窗口二进制掩码上形成的栅格形状探测结构来检测，然后采用PCA方法进行签名图像特征提取、鉴定，实验结果表明本文提出的方法是非常有效的。

关键词：签名;探测网格;PCA

中图分类号：TP391.41      文献标识码：A 文章编号：2096-4706（2019）23-0090-03

Off-line Signature Verification Method Based on Probe Grid

ZENG Xiaoyun

（Yangzhou Polytechnic College，Yangzhou  225009，China）

Abstract：In this paper，an off-line signature analysis and verification scheme based on detection grid is proposed. The core of this scheme is to effectively encode the careful geometric structure of the signature through the grid template and divide it properly within the subset. The feature representation is detected by using the raster shape detection structure formed on the binary mask of 5*5 pixel window，and then the signature image feature is extracted and identified by PCA method. The experimental results show that the method proposed in this paper is very effective.

Keywords：signature;probe grid;PCA

1  簡介

一直以来，人的生理特征（如脸、指纹、掌纹几何学）和行为特征（如声音、笔迹、关键笔画）被广泛用于生物特征识别技术中。笔迹被认为是识别身份的最广泛的私有属性之一。相关的写作习惯是在儿童时期养成的，它们主要受视觉知觉、协调、灵巧、成长、写作系统、社会关系、写作频率、教育和民俗等几个参数的影响。

手写体签名是人类最常见的确认他们的身份的社会和法律认可的方式之一。根据签名的获取方法，自动签名验证系统（ASVS）大致分为在线签名或动态签名和离线签名或静态签名两大类。面向离线的系统通常在完成签名过程后较长时间才能获得签名，因此在注册过程中没有动态信息，签名通常用灰度图像表示。签名认证的弱点是它们往往容易被伪造者复制，用以伪造身份。这种模仿行为的程度取决于对任何已知的先验信息，从随机伪造（仿真人对签名的形状几乎一无所知）到简单和模拟的伪造（在这种伪造中，人只有很少或丰富的资源，以便对真正的签名样本进行模拟），因此模拟的伪造签名相对来说比较难鉴别。

2  本系统方法介绍

2.1  获取签名图像

每人提供了24份真实签名样本和24份模拟伪造签名样本，并以300dpi进行了数字化。模拟签名数据库是随机、简单和熟练的伪造签名的混合。此外，签名被限制在一个50毫米乘50毫米的方框内。

2.2  预处理

在特征提取之前，通过基本的预处理过程可以获得签名的二进制形式。本文首先采用Otsu法进行阈值处理[1]，再用等距采样栅格法进行无限细化，形成一个像素宽的跟踪和裁剪分割[2]，此过程将会减少使用不同的书写工具所带来的不必要的影响。在本实验中我们尽量从签名图像的最小骨架（如图1所示）中收集尽可能多的稳定信息。而不需要进行额外的预处理步骤，例如大小调整、斑点消除、歪斜校正等。因为来自不同数据集的签名可能有不同的写入和获取条件。

为了增强验证结果的有效性，我们对签名数据库图像进行了细化算法的预处理，该算法对原始签名图像进行了五倍的修剪。

通过使用等规模采样栅格的方法从整个特征图像或其局部图像中进行特征比较。在这项工作中，等规模分割过程产生了由五个部分（2*2个局部+1个整体）的混合，其中将进行全局和局部特征提取。

2.3  探测网格

假设最初的集合G={BGi}（i=0，1，…，7）是由三个像素混合而成，分成八个二进制3*3掩码，如图2所示。这些掩码也可以被视为HLAC网格掩码的0、1和2阶的子集，其约束条件是起始像素和最终像素的Chebychev距离为2[3]。

同时也考虑四重旋转组元素C4={， s=0，…，3}，其中每个元素代表逆时针旋转。如图3所示。

G与C4集的组合为主特征集（PFS）提供了32（4*8）个二元网格掩码。它们可以用一个5*5网格窗口，并由关系PFS==，i∈{0：7}，s∈{0：3}来进行描述，其中符号“  ”用于表示函数组合。此外，主要特征集的一些元素如图3所示。

3  主成分分析法（PCA）用于签名认证

主成分分析法是一种降维的统计方法[4]，它借助一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。

假设签名图像的个数为M，将每张图像按列串相接的方式排成长度为N的向量：T1，T2…，TN。其均值向量为：

（1）

则每幅图像相对于均值图像的差为：φi-φ（i=1，2，…，M）。假设矩阵A=[φ1，φ2…，φm]，那么散步矩阵∑可以表示为：

（2）

求出∑的特征值λk和特征矢量μk，这里μk是基于探测网格求出的特征向量，用特征向量构成的图像代表了这张签名图像。由于∑是N×N大小的矩阵，而且N的值较大，一般远大于训练样本的个数M，为了减少计算量，我们先计算大小为M×M的矩阵ATA的特征向量Vk，再求∑的特征向量μk，依据代数理论有：

（3）

对于这些相互正交的特征向量，根据其对应的特征值的大小，按照从大到小的顺序进行排列，取前面J（J

i=1，2，…，M;k=1，2，…，J             ;                            （4）

這里“〈·〉”表示内积。对于任一个待鉴定的签名图像，用同样的方法求出其投影系数oi=（ω1，ω2，…，ωj），那么满足下列条件的第j个训练图像即为鉴定结果。

（5）

4  实验结果与分析

在本系统中每个人有24个真实签名和24个模拟签名用来训练和测试。在测试中得出三种结果：错误拒绝率（FRR），错误接受率（FAR），平均错误率（ARR）。

另外把该方法的试验结果和采用SVM和加权Fisher线性分类器[5，6]的结果对比在表1中列出。

表1  采用不同试验方法的结果

从表1结果可以看到，本文所提出方法的可行性与现有的方案相比，可以应用于大多数需要离线签名身份验证的应用程序。

5  结  论

签名认证为生物识别行为安全系统提供了一个简单、安全、易让人接受的方法，本文通过应用探测网格和PCA方法取得了比较理想的效果。

参考文献：

[1] Ostu N. A threshold selection method from gray-histogram [J].IEEE Transactions on Systems，Man，and Cybernetics，2007，9（1）：62-66.

[2] PIRLO G. Cosine similarity for analysis and verification of static signatures [J].Biometrics，IET，2013，2（4）：151-158.

[3] KUMAR R，SHARMA;JD，CHANDA B. Writer-independent off-line signature verification using surroundedness feature [J].Pattern Recognition Letters，2012，33：301

[4] GONZALEZ R. C.，WOOD R. E.，EDDINS S. L.数字图像处理（第二版） [M].阮秋琦，译.北京：电子工业出版社，2003.

[5] 曾晓云.基于SVM的离线签名认证 [J].兰州工业高等专科学校学报，2009（4）：8-12.

[6] 曾晓云.基于多尺度小波变换和加权Fisher线性分类器的离线签名认证 [J].漯河职业技术学院学报，2015，14（5）：17-19.

作者简介：曾晓云（1981-），女，汉族，湖北钟祥人，讲师，硕士，研究方向：图像处理与模式识别。