基于空间曲线弹性匹配的在线手写签名鉴别

论述了将手写签名笔划轨迹视为空间曲线,并采用点－点加权弹性匹配对其进行鉴别的方法．该方法强调签名在形状和签名压力的动态特征上都具有相似性．算法中权重系数根据签名样本的稳定度来确定,加权的匹配算法考虑了局部相似性不同的特点,有利于认证指标的改善．     

基于空间曲线弹性匹配的在线手写签名鉴别

论述了将手写签名笔名笔划轨迹视为空间曲线，并采用点－点加权弹性匹配对其进行鉴别的方法，该方法强调签名在形状和签名压力的动态特征上都具有相似性，算法中权重系数根据签名样本的稳定度来确定，加权的匹配算法考虑了局部相似性不同的特点，有利于认证指标的改善。     

基于极角特征匹配的动态签名鉴别算法

基于签名质心和黄金分割质心建立极坐标系, 并提取签名极角特征中相对稳定的极值点序列作为笔段分隔点给出一种签名鉴别算法. 提出了改进的动态时间规整(DTW)算法, 通过该算法将待测样本和签名模板依分隔点的对应关系按段进行动态匹配, 得到最优匹配方案和最佳相似度, 从而降低了误拒率. 算法经JLU DHSDB2.0签名数据库测试, 识别等错率达到4.25%.     

基于DTW改进算法的在线签名鉴别方法

 在线手写签名认证是一种基于生物特征的身份认证技术,识别正确率和防伪性能是签名识别的研究重点,识别响应速度也是决定系统实用化的关键。为了提高签名认证效率,提出了一种改进的在线签名鉴别算法。改进了传统的动态时间弯折算法结构,对最佳匹配路径的动态规划方法进行改进并将其应用于在线签名鉴别系统。讨论了实际应用中训练样本不足、字体随时间变化等因素带来的系统识别率下降的解决方法。避免了动态特征点提取、时序段匹配等方法由于书写环境和人物即时的生理特性所带来的问题,同时针对签名的稳定性提出了加权距离计算公式,保证高识别率的同时降低了误拒率。在模板较多时对匹配距离进行限制,节约了系统运算量,提高了模板匹配速率。随着待识别模板数目的增多,该算法效率优势更加明显。     

基于智能移动终端的动态签名识别

为在移动终端上进行动态签名识别,采用基于极角特征匹配的动态签名识别方法. 该方法利用签名质心和黄金分割质心建立极坐标系,将从移动终端上获得的直角坐标转换为极坐标后提取极角特征的极值点,并以此为依据分隔签名笔段,通过计算样本与模板之间各个笔段的相似度得到签名总体的相似度,从而判断签名样本与模板是否出自同一人之手. 实验结果表明,该方法的平均误拒率为6.93%,误纳率为11.26%,能够有效地应用于移动终端上的动态签名识别.      

在线签名鉴别的改进DTW算法

论述一种改进的在线签名鉴别算法,在原有的应用DTW算法基础上,在所需鉴别签名的动态特征中加入角度特征,克服了规整中将两个签名中的同一笔画规整成不同的笔画的弊端,提高了鉴别的准确率.同时,提出的选取最优化样本的方法更好地增强了在线签名的实时性,并且通过反复试验得以验证.     

基于关键词提取的手写汉字文本依存笔迹鉴别技术

针对文本独立笔迹鉴别技术中需要大篇幅文档以提取图像纹理等笔迹信息的限制条件,和传统文本依存笔迹鉴别技术中需要内容完全相同的笔迹文档的限制条件,本文提出了一种新的文本依存笔迹鉴别技术.它以局部特征匹配与投票为手段进行关键词提取,对提取出的相同关键词建立训练集,在两篇文档的相同关键词之间进行匹配,将笔迹鉴别问题转化为签名识别问题.实验结果表明,在文档内容不完全相同的情况下,该技术仍然能够有效地对文档进行笔迹鉴别.     

在线手写签名的识别算法

提出一种手写签名的数学模型, 借鉴动态规划的思想进 行时序匹配. 引入加权H¹模的距离计算公式, 用以度量输入签名与样本签名的 差异 , 经实践检验识别算法的有效性.     

在线手写签名组合最相似笔段的识别算法

在线手写签名识别是通过人的生物特征进行身份验证的技术.提出一种基于笔画样本库的识别方法,避免了动态特征点提取、时序段匹配等方法由于书写环境和人物即时的生理特性所带来的问题,同时针对每一笔画的稳定性提出了加权距离计算公式.实验证明该方法行之有效,在保证高识别率的同时又降低了误拒率.     

一种基于数学形态学的签名真伪鉴别方法

针对离线签名鉴别可利用的信息少、鉴别难度大的问题,提出了一种基于数学形态学的签名真伪鉴别方法.该方法首先对采集的签名图像进行灰度化、二值化、滤波去噪、取反归一化等预处理,然后利用数学形态学的各种运算,结合不同大小和不同方向的结构元素提取签名中具有明显方向性特征的笔划,最后基于笔划的长短、粗细、间隔等信息对鉴别样本做出判...     

基于滑动窗口的动态手写签名局部相关性研究

为了解决直接序列匹配中签名序列存在随机波动和时间轴方向非均匀伸缩,导致相关分析给出的匹配度不高的问题,提出了采用滑动窗口对真实签名进行局部相关性分析的方法.将手写签名按压力划分成若干笔段,研究笔段匹配算法;对分段后的数据序列用滑动窗口算法进行局部相关分析.算例显示,对不同的签名个体而言,总有一些笔段的相关性极高,最小相关系数都达到0.8甚至0.9以上,这些笔段,正是签名者的稳定的签名特征,无论是相关分析法还是特征矢量分类法,滑动窗口局部相关分析都是一种有效的算法.     

基于特殊点提取方法的签名验证算法

介绍签名验证系统的构成和工作原理,并在此基础上提出了一种基于签名笔迹稽咪动态特征的签名验证算法。     

基于动态规划与图像分割的立体匹配算法

针对传统图割立体匹配算法耗时太长以及动态规划立体匹配算法匹配精度不高,且视差图带有条纹瑕疵的问题,提出了一种基于动态规划和图像分割的立体匹配算法.采用自适应多阈值图像分割算法对参考图像进行高效可靠的区域分割,提取边界,使用多种子点动态规划算法精细求取边界上点的视差,并以区域为单元用图割立体匹配算法求取区域内各点的视差,拟合得到图像对的视差图.通过对比,实验结果表明：此算法较传统图割法匹配速度有明显提高,且可以得到匹配精度较高的稠密视差.     

基于特征点统计模型的联机签名校验

在联机签名校验中,动态时间规正(DTW)方法是一种常用的校验算法,在非线性时间对齐的基础上给出两个签名间的距离并进行判决,这样做经验的成份较多,缺乏统计基础。该文提出了签名的特征点统计模型,利用DTW算法在序列匹配的基础上从签名中提取到多个特征点,将每个特征点的变化情况描述为多维统计特征的概率分布,在所有特征点具有同样协方差分布的假定下得到具体的概率分布参数。按照此模型推导出了在最小风险准则下对签名进行真伪判决的判决准则。采用此方法对一个公共的签名样本库进行了真伪校验测试,得到了4.41%的等误率。     

A New Algorithm for On-Line Handwriting Signature Verification Based on Evolutionary Computation

The paper proposes an on-line signature verification algorithm, through which test sample and template signatures can be optimizedly matched, based on evolutionary computation （EC）. Firstly, the similarity of signature curve segment is defined, and shift and scale transforms are also introduced due to the randoness of on-line signature. Secondly, this paper puts forward signature verification matching algorithm after establishment of the mathematical model. Thirdly, the concrete realization of the algorithm based on EC is discussed as well. In addition, the influence of shift and scale on the matching result is fully considered in the algorithm. Finally, a computation example is given, and the matching results between the test sample curve and the template signature curve are analyzed in detail, The preliminary experiments reveal that the type of signature verification problem can be solved by EC.     

基于人工免疫模型的在线手写签名认证方法

提出一种采用人工免疫模型的在线手写签名认证方法,采集能表征签名者潜在手写习惯的最普遍的签名特征,利用人工免疫的自学习和自适应实现在较少训练样本的情况下获得具有更高区分度的手写签名模板。实验证明,该算法具有良好的训练效果,能获得较好的验证率和鉴别率。     

基于小波包分析和SVM的在线手写签名鉴别

针对在线手写签名难以提取有效特征的实际情况,提出用小波包分解和单支重构来构造能量特征向量的方法,直接利用各频段成分能量的变化来反映签名的动态特征。给出了衡量各特征识别能力的Fisher准则,并且基于该准则剔除了识别能力差的特征,优化了特征空间。用该方法构造的特征向量能突出反映签名的动态特征。然后采用SVM对签名进行识别。实验证明:采用本文方法识别的正确率高达99.38%,错误拒绝率FRR=0.25%,错误接受率FAR=1.0%,其性能令人满意。