一个基于神经网络的动态手写签名验证模型.pdf

计算机科学2005V01．32N隆-．5 一个基于神经网络的动态手写签名验证模型 李媛袁余良沈峰潘金贵 (南京大学软件新技术国家重点实验室南京大学计算机科学与技术系 南京210093) 摘要手写签名验证作为一种有效的生物身份认证技术，具有广泛的应用前景，但由于签名易变化的特点，其性能 还不够理想。最近神经网络越来越多地在模式识别领域使用并取得了很好的效果，但在签名验证中尚不多见。本文提 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，并通过实验对同络结构进行了分析。通过对从10人收集 的190个本人签名和371个伪造签名评价EER=2．16％，还是比较满意的。 关键词生物认证，手写签名验证，神经舟络 BasedonNeuralNetwork AModelfor HandwrittenVerification Dynamic Signature LI SHEN PAN Yuan·YUAN Jin—Gui Yu—Liang Feng forNovelSoftware 210093) (StateKeyLaboratory Technology。NamingUniversity，Nan苴ng and 210093) of Science (DepartmentComputer Technology，NanjmgUniversity，Nanjing 块和性能评价模块等6个功能模块。本文将重点描述特征抽 1 引言 取、模型的构造训练和验证部分，其他请参考文[83． 最近，神经网络越来越多地在模式识别领域使用，其强大 2数据准备 的计算能力，在实际的应用中取得了出乎意料的效果，如字符 识别、脸形识别等。但目前还很少将神经网络用于签名验证， 2．1签名收集 已有的研究[1”]绝大多数也仅仅是基于全局特征的，由于全 采用Wacom公司的手写板进行收集得到等时间间隔的 局特征的局限性，效果不甚理想．最主要的原因在于：签名局 采样点序列，每一个采样点包括其坐标＆，y)和压力户．为此 部特征数量巨大而签名的训练样本数很少，两者有一定的矛 一个具有T个采样点的签名可以表示为：ST={(蕊，弘，A， 盾性，特征量大要求输入结点多，而输入结点多则要求训练样 本也足够多，否则网络将不能被充分训练。因此，对特征的抽 间，单位为毫秒． 取成为利用神经网络方法进行签名验证的关键。 2．2预处理 与其它方法相比神经网络不需要了解网络的内部细节和 由于在数据收集的过程中，受环境噪声、设备的差异、个 过程，实现相对简单，同时，还有易于自我改进和学习的优点， 人书写姿势等多种因素的干扰，得到的原始签名往往大小不 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 一、倾斜程度不一、采样点个数相差悬殊，给验证带来了很大 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 的影响，因此必须进行预处理，尽可能地消除这些因素的影 络往往能获得比其它方法更好的分类性能。 晌． 为此，针对上述难点和优势，本文提出并实现了一个基于