论文部分内容阅读
数字化作为当今时代的特征，正越来越影响着人们生活的方方面面。随着电子商务、电子政务和办公自动化的发展，基于生物测定学的生物认证技术越来越受到人们的重视。凭借传统签名在金融、政府等部门已广泛和成熟应用的天然优势，手写签名验证作为一种有效的生物身份认证技术，具有不易遗忘、模仿困难和数据获取简单自然等优点，应用前景广阔。
研究人类智能一直是科学发展中最富有挑战性的课题。作为对人脑最简单的一种抽象和模拟，神经网络具有分布式并行处理、非线性映射、自适应学习和健壮容错等特性，因此在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。而目前将神经网络应用于手写签名验证的研究尚不多见，且已有的研究还很不深入，大多仅仅采用全局特征，由于全局特征的局限性，其性能不够理想。但神经网络与其它方法相比，不需要了解网络的内部细节和过程，实现相对简单，同时，它有易自我改进和学习的优点，很容易为签名验证系统增加学习特性，以适应签名书写风格随时间发生的细微变化。从其它模式识别的应用来看，神经网络往往能获得比其它方法更好的分类性能。
本文介绍了动态手写签名验证的基本流程、常用的几种分类器技术以及性能评价方法，分析了手写签名验证的难点和神经网络方法在签名验证中的优势；将神经网络应用到动态手写签名验证领域，针对手写签名全局、笔划和点三个不同层次的特征，提出并实现了一个基于BP神经网络的动态手写签名验证原型系统，设计了自己的特征抽取算法和伪造签名自动生成算法；最后，通过实验比较和分析了不同的特征组合、隐层结点数和传递函数类型对验证结果的影响，并得到一个最优的模型。
通过上述研究，本文得出以下结论：
(1)神经网络以其强大的非线性特性，为解决模式识别问题，提供了强有力的工具，在手写签名验证领域也不例外。基于神经网络的动态手写签名验证模型能获得比较满意的结果。
(2)只要保证神经模型能正常收敛，隐层结点数和传递函数类型对系统性能的影响不大。但相比之下，当隐层结点数约为输入结点数的1/5，传递函数为对数Sigmoid函数时，性能最佳。
(3)特征组合对验证结果的影响很大，综合来看，点特征最好，笔划特征次之，全局特征最差。其中全局特征区分度很差，不能用于签名验证。
通过本原型系统，针对从10个签名者收集的190个本人签名和371个伪造签名进行性能评价，得到最优结果为EER=2.16％，应该说是比较满意的。