基于在線(xiàn)手寫(xiě)簽名的身份認證技術(shù)研究和展望

摘要：在線(xiàn)簽名鑒定是身份證技術(shù)中的一種有效方法。本文簡(jiǎn)要加顧了基于在線(xiàn)手寫(xiě)簽名的身份認證技術(shù)的研究背景及發(fā)展歷程；重點(diǎn)對近年簽名鑒定技術(shù)的研究進(jìn)展進(jìn)行綜述并對各種方法予以評價(jià)；總結了現存的研究困難并分析了應用前景和發(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)展在給人們日常生活帶來(lái)極大便利的同時(shí)，也使網(wǎng)絡(luò )安全問(wèn)題受到前所未有的挑戰。因此，實(shí)時(shí)準確的個(gè)人身份認證十分重要。傳統的身份認證基于密碼、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證方式由于可以從根本上解決上述缺點(diǎn)而得到越來(lái)越多的應用?；谏锾卣鞯纳矸菡J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(guò)計算機來(lái)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。與傳統鑒定方式相比，生物識別具有防偽性良好、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(chēng)簽名驗證）技術(shù)在模式識別、信息處理領(lǐng)域都屬前沿課題。簽名鑒定分為離線(xiàn)簽名鑒定和在線(xiàn)簽名鑒定兩種。前者是通過(guò)掃描儀、攝像機等輸入設備，將原始的手寫(xiě)簽名輸入到計算機里，然后進(jìn)行分析與鑒定；后者是通過(guò)手寫(xiě)板實(shí)時(shí)采集書(shū)寫(xiě)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(shū)寫(xiě)時(shí)的速度、運筆壓力、握筆傾斜度等動(dòng)態(tài)信息。顯然，較離線(xiàn)簽名鑒定而言，在線(xiàn)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(xiàn)手寫(xiě)簽名驗證系統 1.1 算法流程 典型的在線(xiàn)手寫(xiě)簽名驗證系統包括四個(gè)主要的技術(shù)環(huán)節，其算法流程如圖1所示。首先是簽名信息的數據獲取，就是經(jīng)輸入設備采集實(shí)時(shí)的手寫(xiě)簽名信息后輸入計算機。然后是預處理，過(guò)程包括去噪、歸一化等操作，目的是將采集到的數據變成適宜于進(jìn)行特片提取的形式。下一步特征提取。從預處理后的數據中提取能充分反映各人書(shū)寫(xiě)風(fēng)格，同時(shí)又相對穩定的特征。最后是特征匹配和判決，即采用某種判別規則，將提取的特征信息與標準簽名樣本進(jìn)行匹配，得出鑒別結果。經(jīng)過(guò)程是一對一的匹配過(guò)程，即驗證輸入簽名人的身份是否屬實(shí)。 1.2 系統結構 出于網(wǎng)絡(luò )安全與高效率的考慮，在線(xiàn)簽名鑒定系統的設計一般采用C/S結構來(lái)實(shí)現基于網(wǎng)絡(luò )的異地鑒定，信息采集端應與驗證端分離，信息存儲和傳輸必須是在加密機制基礎上實(shí)現，系統結構如圖2所示。當需要認證時(shí)，用戶(hù)在配備手寫(xiě)板的網(wǎng)絡(luò )終端簽名，客戶(hù)端獲得有效信息并作預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(guò)互聯(lián)網(wǎng)傳輸給服務(wù)器，進(jìn)而完成相應的解密、在數據庫中的ID檢索及匹配判決，并將鑒定結果返回給客戶(hù)端。這種信息采集模塊下傳輸簽名特征信息的方式，極大增強了整個(gè)認證系統架構的安全性與靈活性。2 特征提取與匹配方法 在線(xiàn)簽名驗證系統的性能如何，主要取決于特征提取方法和分類(lèi)器設計的好壞，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構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)行相應的時(shí)間序列間的匹配比較，具體應用的方法包括動(dòng)態(tài)時(shí)間規整算法、簽名分段算法、點(diǎn)-點(diǎn)匹配方法等等；另一個(gè)是特征參數法，是采用一系列的特征值構成的特征向量，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)間規整（DTW） 動(dòng)態(tài)時(shí)間規整是一種非線(xiàn)性?xún)?yōu)化方法，具有概念簡(jiǎn)單、算法魯棒的優(yōu)點(diǎn)，早期廣泛應用于語(yǔ)音識別中。對于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(méi)有辦法對簽名數據一對一地進(jìn)行匹配，由此用到該動(dòng)態(tài)規劃方法。 如圖3所示，假設有兩特征信號人R={r(i) 1≤i≤m}和T={t(j)|1≤i≤n},R為模板特征信號的總幀數，m為參考幀的時(shí)序標號，T為用來(lái)測試的特征信號的總幀數，n為測試幀的時(shí)序標號。而R、T間的時(shí)間變化關(guān)系可由時(shí)間規整函數F={f(k)|≤k≤kf}來(lái)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)匹配距離的加權系數。 此算法的關(guān)鍵就是求解該函數，具體實(shí)現可用動(dòng)態(tài)規劃的方法。設（r(k),t(k)）（即f(k)）為規整路徑上的一點(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)遞歸求出規整路徑，同時(shí)也可求出D（R，T）。 文獻[5]提出一種非線(xiàn)性局部尋優(yōu)時(shí)間彎曲校正方法，不僅實(shí)現了對信息序列不同局部的非等強度校正，而且很好地保證了序列的單調性和連續性，試驗的正確率為96%。 2.2 簽名筆劃分段和點(diǎn)-點(diǎn)匹配方法 該方法先對簽名進(jìn)行分段，然后從簽名筆劃中提取新的特征，接著(zhù)每一對相應的筆段中的點(diǎn)經(jīng)由點(diǎn)-點(diǎn)的映射算法得到最后的匹配映射結果，具體實(shí)現方法可參考文獻。文獻基于對簽名圖像結構復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。該方法首先對簽名進(jìn)行骨架提取，然后依據結構復雜度均衡的原則，對骨架進(jìn)行分段，最后把所得的骨架分段復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(kāi)始沿骨架進(jìn)行步進(jìn)，按方向碼（用來(lái)描述圖像的邊沿骨架等圖像特征）計算前進(jìn)中的復雜度。若復雜達到1個(gè)給不定期的閾值后，即把剛走過(guò)的全部點(diǎn)作為一個(gè)分段，抹去剛走過(guò)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，該算法既達到了把簽名的整體復雜度均衡局部化的目的，又基本上保持了真實(shí)簽名分段在數量上和結構上的穩定性，降低了各種由于外部因素引起的類(lèi)內特性之間的差別，突出了類(lèi)間特性的表現。 2.3 隱馬爾可夫模型（HMM） HMM作為信號的一種統計模型，目前廣泛應用于模式識別、圖像處理的各個(gè)領(lǐng)域。HMM是一個(gè)由兩種機理構成的隨機過(guò)程：一個(gè)機理是內在的有限狀態(tài)Markov鏈，體現為用具有限狀態(tài)數的Markov鏈來(lái)模擬簽名信號統計特征變化的隱含的隨機過(guò)程，另一個(gè)是一系列隨機函數所組成的集合，體現為與Markov鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀(guān)測序列的隨機過(guò)程。設有觀(guān)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)轉移概率矩陣，其中aij=P{qt+1=sj|qt=st}，1≤i,j≤N;B={bj}Qt)}為觀(guān)察符號概率分布，若B有M個(gè)觀(guān)察值{v1,v2…vm}，則bj(Qt)=P{Qt=vk|qt=sj,1≤j≤N,1≤k≤M. HMM的使用涉及到訓練和分類(lèi)兩個(gè)階段，訓練階段包括指定一個(gè)HMM的隱藏狀態(tài)數，并且優(yōu)化相應的狀態(tài)轉換和輸出概率以便于產(chǎn)生的輸出符號與在特定的運動(dòng)類(lèi)別之內所觀(guān)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)生相應于所觀(guān)察圖像特征的測試符號序列的概率計算。利用HMM進(jìn)行簽名驗證同樣由兩個(gè)階段組成，即利用訓練樣本估計HMM模型參數和利用HMM評價(jià)測試簽名。這兩個(gè)過(guò)程目前都有成熟的算法，HMM參數的估計可用Baum-Welch參數估計算法或Segmental K-means算法；對測試樣本的評價(jià)，可以用Forward-Backward迭代算法估計簽名滿(mǎn)足模型的概率，或用Viterbi最優(yōu)狀態(tài)搜索算法計算簽名過(guò)程經(jīng)過(guò)的最優(yōu)狀態(tài)。因此，利用HMM模型的關(guān)鍵在于HMM類(lèi)型的選擇和一些參數的選擇以及閥值的估計。2.4 基于小波變換的方法 小波變換是國際上公認的最新頻率分析工具，由于其“自適應性”和“數學(xué)顯微鏡性質(zhì)”而成為許多學(xué)科共同關(guān)注的焦點(diǎn)，在信號處理中起著(zhù)至關(guān)重要的作用。目前小波技術(shù)在簽名驗證的特征撮上用得較多。文獻則采用以高斯函數的二階導數作為小波基的小波變換技術(shù)來(lái)進(jìn)行拐點(diǎn)提取，然后以該方法為基礎，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(lái)對簽名進(jìn)行分段和段-段對應處理。文獻采用離散小波變換來(lái)分解簽名的參數特征，特片提取用到自適應算法，匹配則選擇動(dòng)態(tài)規劃方法，初步試驗取得較好的效果。 另外，在當前的計算機視覺(jué)和模式識別中取得成功應用的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(zhù)運算量太大的缺點(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(lèi)工具，具有適應性，能夠實(shí)現非線(xiàn)性的分類(lèi)問(wèn)題，近十年來(lái)有很多學(xué)者將此方法用于簽名驗證中。該方法的優(yōu)勢在于避免了復雜的特片提取工作，可以通過(guò)自學(xué)習獲得其他方法難以實(shí)現的關(guān)于簽名鑒定的規律和規則的隱形表達。因為簽名的特片信息數量巨大而簽名的訓練樣本數很少，所以神經(jīng)網(wǎng)絡(luò )的節點(diǎn)數不能太大，否則網(wǎng)絡(luò )將不能訓練。 文獻從簽名識判的不確定性出發(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，其傳遞函數是線(xiàn)性的；第二層是隱層，該層單元的狀態(tài)函數是概率密度；第三層是累加層，如果輸出結果表示分類(lèi)，那么，該層便是將屬于某類(lèi)的概率累計，從而得到輸入樣本屬于該類(lèi)的最大可能性。該網(wǎng)絡(luò )具有訓練時(shí)間短和能產(chǎn)生Bayes后驗概率的輸出的特點(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(shù)等。例如紋理分析方法多用于僅擁有靜態(tài)信息的離線(xiàn)簽名驗證中，但筆者認為，倘若能將書(shū)寫(xiě)速度、運筆壓力等動(dòng)態(tài)信息轉化為圖像中的靜態(tài)表示，也就是對動(dòng)態(tài)信息作靜態(tài)化映射表示，那么也可用于在線(xiàn)簽名鑒定。經(jīng)試驗，可將運筆壓力的等級設為256級，對應為圖像像素的灰度變化256級，其后進(jìn)行圖像紋理分析。此方法的實(shí)際應用有待深入研究。文獻將物理學(xué)中的數據場(chǎng)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(chǎng)中的數據點(diǎn)來(lái)看待，形成四類(lèi)數據場(chǎng)，再從場(chǎng)中提取特征，很有新意。 目前，國內有很多企業(yè)參與了簽名覽定技術(shù)的研發(fā)，但大多數是引進(jìn)國外簽名驗證模塊進(jìn)行系統集成，只有少數企業(yè)擁有自己的算法，并且產(chǎn)品價(jià)格高，性能不穩定。相比之下，國外的簽名鑒定技術(shù)從數據采集系統到處理、識別算法都比較成熟。許多公司都有專(zhuān)門(mén)的機構從事該項技術(shù)的研發(fā)與應用，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)域的研究獨樹(shù)一幟。 鑒于目前的研究狀況，筆者認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(lái)的發(fā)展方向將是多種方法用于簽名特征進(jìn)行數據融合，以及基于多生物特征信息融合的身份認證，目前已有研究表明利用簽名和指紋結合、簽名和語(yǔ)音結合等方法進(jìn)行身份認證能顯著(zhù)地提高鑒別的準確性。另外，結合生物特征與數字簽名、數字水印的網(wǎng)絡(luò )商務(wù)系統也將紛紛出臺。如何進(jìn)一步改進(jìn)識別算法，降低系統的誤判率，同時(shí)縮短識別時(shí)間，建立人類(lèi)書(shū)寫(xiě)動(dòng)力學(xué)模型等，這些都是身份認證技術(shù)應該追求的目標。