论文部分内容阅读
随着信息社会的飞速发展，人们对信息安全的要求也日益增加，各种生物识别技术也随之产生。常采用的生物特征如DNA、虹膜、掌纹、指纹、语音、签名、步态等，这些特征都具有普遍性和长期不变的特点。签名认证作为生物识别领域的主流技术，因其难遗忘、易获取、应用所需设备价格低廉及高可接受性等优点得到了更加广泛的应用。近年来科技的进步推动了签名认证技术的发展，而签名认证技术的发展必将对电子商务和信息安全领域产生具大的推动作用。
本文提出一种基于隐马尔可夫模型参数优化的在线手写签名认证算法。隐马尔可夫模型能够很好地描述时间连续的动态过程，最初应用于语音识别系统，并取得了良好的成果。鉴于语音特征与签名特征的相似性，后被学者用于签名认证，经过十多年的发展，也取得了一定的成绩，但普遍存在认证率不高，模型训练时收敛时间较长等问题，限制了其发展。隐马尔可夫模型的参数众多，如模型的状态数,状态间的转移概率，状态内的观察值数目及状态内的高斯混合元个数等，因而设置较为复杂。本文通过实验分析发现模型的拓扑结构类型、状态数选择及状态内混合个数的设置都对认证率有着很大影响，并通过详细的比对分析找到此模型应用于在线手写签名认证的最佳参数设置。
本文首先介绍了签名数据采集过程及预处理方法，其中重点介绍了签名曲线特征点的提取。特征点间的横向、纵向相对速度及角度的相对变化值将作为隐马尔可夫模型的输入观察值用于模型的建立，因此准确提取特征点是至关重要的。然后详细论述了隐马尔可夫模型的基本理论及算法实现，并提出了解决计算溢出及输入观察值较少等问题的办法，即动态标定和多观察样本的参数重估。本文最后分析了不同隐马尔可夫模型的参数设置下的实验结果，计算出每种设置下的FAR(误纳率)和FRR(误拒率)，并通过合理地设置判定阈值，找到了最优参数值。
实验结果表明，在这种优化的隐马尔可夫模型参数设置下，FAR与FRR都低于5％，达到了较高的认证率，具有非常可观的应用前景。