离线手写签名鉴别方法及系统技术方案

本发明专利技术公开了一种离线手写签名鉴别方法及系统，包括以下步骤：S1、离线签名样本库中的离线签名样本进行预处理；S2、对预处理后的签名图像进行多个特征的提取，包括矩特征、局部二值模式特征、灰度共生矩阵特征和脉冲耦合神经网络特征；S3、对提取的离线签名样本的多个特征进行训练，得到训练后的标准样本库；S4、获取待测签名，并对待测签名进行预处理，得到待测签名的多个特征；S5、将待测签名的多个特征与标准样本库中离线签名样本的对应特征进行匹配，识别出待测签名是真实签名还是伪造签名。本发明专利技术可以有效对离线待测签名进行较准确的鉴别。

Off line handwriting signature identification method and system

The invention discloses a method and system for off-line handwritten signature verification, which comprises the following steps: off-line signature samples S1, off-line signature in the database are preprocessed; S2 extraction, multiple features of signature after image preprocessing, including moment features, local two value mode features, gray level co-occurrence matrix features and pulse coupled neural network; multiple features of S3, the extracted off-line signature samples training, get the standard sample after training; S4, get tested and tested signature, signature preprocessing, obtaining several features to be tested signature; matching corresponding features offline signature samples S5, will the measured signature of multiple features and standard sample, identify the test signature is genuine signature or signature forgery. The invention can effectively identify off-line signatures to be tested.

【技术实现步骤摘要】
离线手写签名鉴别方法及系统
本专利技术涉及计算机模式识别领域，尤其涉及一种离线手写签名鉴别方法及系统。
技术介绍
随着信息技术的快速发展，人们生活水平日渐提高的过程中安全问题受到前所未有的挑战，实时准确的进行个人身份鉴别非常重要。传统的身份鉴别基于密码、IC卡等方式，有各种缺点，比如密码可能被窃取遗忘，IC卡可能遗失被盗等。人们急需一种可靠和方便易用的个人身份鉴别技术来克服传统方法中的不足。而基于手写签名的身份鉴别方式可以从根本上解决上述缺点。签名鉴别技术与其他生物测定技术相比，具有足够的动态信息、难模仿、区分性较高、尊重隐私权和信息获取高效性等优势，在签名特征的可搜集性、人体伤害可接受程度和鲁棒性方面都是非常突出的，有广阔的应用前景和应用价值。因此，对签名进行有效、可靠、快速的鉴别具有重要的社会价值和实用意义。签名鉴别又分为在线和离线，在线签名提供了更多的动态信息,且这种信息不易模仿,所以比离线要容易鉴定一些。目前在线签名系统的交叉错误率已降到1％以下，国外也已有实用产品面世。离线签名验证则是书写者在普通纸张上书写完签名之后，再利用照相机、扫描仪等光学成像设备提取书写者的签名。离线签名鉴别对于设备环境的要求较之在线方式宽松许多，如果较大程度的提高其验证正确率，将会比在线方式有更大的应用前景。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中离线手写签名鉴别不稳定的缺陷，提供一种稳定有效的离线手写签名鉴别方法及系统。本专利技术解决其技术问题所采用的技术方案是：提供一种离线手写签名鉴别方法，包括以下步骤：S1、对离线签名样本库中的离线签名样本进行预处理；S2、对预处理后的签名图像进行多个特征的提取，包括矩特征、局部二值模式特征、灰度共生矩阵特征和脉冲耦合神经网络特征；S3、对提取的离线签名样本的多个特征进行训练，得到训练后的标准样本库；S4、获取待测签名，并对待测签名进行预处理，得到待测签名的多个特征；S5、将待测签名的多个特征与标准样本库中离线签名样本的对应特征进行匹配，识别出待测签名是真实签名还是伪造签名。本专利技术所述的方法中，步骤S3具体为：选择离线签名样本库中的任意一个离线签名样本作为测试样本，其他作为训练样本，并计算训练样本特征向量的均值，以及训练样本的特征向量之间的距离，得到距离的均值方差；计算该测试样本与训练样本的特征向量的均值距离，比对训练样本距离的均值方差，计算测试样本与训练样本的相似程度，若相似度大于预设阈值则为真实签名，否则为伪造签名，得到训练后的标准样本库；统计该标准样本库中的错误拒绝率和错误接受率。本专利技术所述的方法中，步骤S3具体为：建立对应离线签名样本的不同特征的分类器，并进行训练，得到符合鉴别率的分类器；步骤S5具体为：将待测签名的多个特征通过对应的分类器进行识别，并根据不同分类器的输出结果判断待测签名是否为真实签名。本专利技术所述的方法中，步骤S3具体为：建立对应离线签名样本的不同特征的分类器，并按真伪样本对相应的特征向量进行标注，随机选取离线签名样本库的部分样本的特征向量进行训练，其余部分样本作为测试样本，并对测试样本的预测结果进行统计，得到鉴别的正确率。本专利技术所述的方法中，步骤S1中的预处理包括二值化、剪切边界、大小归一化、倾斜矫正和缩距；二值化具体为：以最佳阈值将图像的灰度直方图分割成两部分，使两部分之间的方差取最大值；剪切边界具体为：对签名图像进行水平和垂直投影，根据投影直方图对边界进行剪切，得到去除边界的签名图像；大小归一化具体为：通过填充上下边界使签名位于图片中部，再将图片按比例缩放；倾斜矫正具体为：将签名图像的像素点作为特征点，利用图中特征点与基线的关系，将特征点用最小二乘法拟合出基线的方向，即为签名的倾斜方向；缩距具体为：对签名图像作垂直方向的投影，得到投影直方图；统计投影直方图中最低处的个数，及其间的距离，根据最低区域的距离判断其是否为签名图像的空白区域，若是则剪切这段空白区域，得到缩距后的签名图。本专利技术所述的方法中，对不同的预处理过程提取不同的特征，具体为：对剪切边界的灰度图像提取脉冲耦合神经网络特征，对归一化的灰度图像提取纹理特征包括局部二值模式特征和灰度共生矩阵特征，对归一化的二值图像提取低阶矩特征。本专利技术还提供了一种离线手写签名鉴别系统，包括：离线签名样本库采集模块，用于采集离线签名样本；样本库预处理模块，用于对离线签名样本库中的离线签名样本进行预处理，并对预处理后的签名图像进行多个特征的提取，包括矩特征、局部二值模式特征、灰度共生矩阵特征和脉冲耦合神经网络特征；样本库训练模块，用于对提取的离线签名样本的多个特征进行训练，得到训练后的标准样本库；待测签名处理模块，用于获取待测签名，并对待测签名进行预处理，得到待测签名的多个特征；签名识别模块，用于将待测签名的多个特征与标准样本库中离线签名样本的对应特征进行匹配，识别出待测签名是真实签名还是伪造签名。本专利技术所述的系统中，所述样本库训练模块具体用于选择离线签名样本库中的任意一个离线签名样本作为测试样本，其他作为训练样本，并计算训练样本特征向量的均值，以及训练样本的特征向量之间的距离，得到距离的均值方差；该样本库训练模块还用于计算该测试样本与训练样本的特征向量的均值的距离，比对训练样本距离的均值方差，计算测试样本与训练样本的相似程度，若相似度大于预设阈值则为真实签名，否则为伪造签名，得到训练后的标准样本库；统计该标准样本库中的错误拒绝率和错误接受率。本专利技术所述的系统中，所述样本库训练模块具体用于建立对应离线签名样本的不同特征的分类器，并进行训练，得到符合鉴别率的分类器；所述签名识别模块具体用于将待测签名的多个特征通过对应的分类器进行识别，并根据不同分类器的输出结果判断待测签名是否为真实签名。本专利技术所述的系统中，所述样本库预处理模块具体用于对样本库中样本进行二值化、剪切边界、大小归一化、倾斜矫正和缩距处理；二值化具体为：以最佳阈值将图像的灰度直方图分割成两部分，使两部分之间的方差取最大值；剪切边界具体为：对签名图像进行水平和垂直投影，根据投影直方图对边界进行剪切，得到去除边界的签名图像；大小归一化具体为：通过填充上下边界使签名位于图片中部，再将图片按比例缩放；倾斜矫正具体为：将签名图像的像素点作为特征点，利用图中特征点与基线的关系，将特征点用最小二乘法拟合出基线的方向，即为签名的倾斜方向；缩距具体为：对签名图像作垂直方向的投影，得到投影直方图；统计投影直方图中最低处的个数，及其间的距离，根据最低区域的距离判断其是否为签名图像的空白区域，若是则剪切这段空白区域，得到缩距后的签名图。本专利技术产生的有益效果是：本专利技术通过对签名进行预处理，消除了一些不必要的外界因素的影响，并根据不同的预处理结果提取多个特征，包括矩特征、局部二值模式特征、灰度共生矩阵特征和脉冲耦合神经网络特征，特征的提取考虑到了形状、纹理和伪动态特征；通过这些特征的匹配就可以有效对离线待测签名进行较准确的鉴别。本专利技术进一步使用了简单的统计分类器对各种鉴别方法的鉴别效果进行了统计，还可使用分类器对签名图像进行鉴别效果的统计。通过实验发现，这些方法能够实现稳定的有效的离线手写签名鉴别。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本文档来自技高网...

【技术保护点】
一种离线手写签名鉴别方法，其特征在于，包括以下步骤：S1、对离线签名样本库中的离线签名样本进行预处理；S2、对预处理后的签名图像进行多个特征的提取，包括矩特征、局部二值模式特征、灰度共生矩阵特征和脉冲耦合神经网络特征；S3、对提取的离线签名样本的多个特征进行训练，得到训练后的标准样本库；S4、获取待测签名，并对待测签名进行预处理，得到待测签名的多个特征；S5、将待测签名的多个特征与标准样本库中离线签名样本的对应特征进行匹配，识别出待测签名是真实签名还是伪造签名。

【技术特征摘要】
1.一种离线手写签名鉴别方法，其特征在于，包括以下步骤：S1、对离线签名样本库中的离线签名样本进行预处理；S2、对预处理后的签名图像进行多个特征的提取，包括矩特征、局部二值模式特征、灰度共生矩阵特征和脉冲耦合神经网络特征；S3、对提取的离线签名样本的多个特征进行训练，得到训练后的标准样本库；S4、获取待测签名，并对待测签名进行预处理，得到待测签名的多个特征；S5、将待测签名的多个特征与标准样本库中离线签名样本的对应特征进行匹配，识别出待测签名是真实签名还是伪造签名。2.根据权利要求1所述的方法，其特征在于，步骤S3具体为：选择离线签名样本库中的任意一个离线签名样本作为测试样本，其他作为训练样本，并计算训练样本特征向量的均值，以及训练样本的特征向量之间的距离，得到距离的均值方差；计算该测试样本与训练样本的特征向量的均值距离，比对训练样本距离的均值方差，计算测试样本与训练样本的相似程度，若相似度大于预设阈值则为真实签名，否则为伪造签名，得到训练后的标准样本库；统计该标准样本库中的错误拒绝率和错误接受率。3.根据权利要求1所述的方法，其特征在于，步骤S3具体为：建立对应离线签名样本的不同特征的分类器，并进行训练，得到符合鉴别率的分类器；步骤S5具体为：将待测签名的多个特征通过对应的分类器进行识别，并根据不同分类器的输出结果判断待测签名是否为真实签名。4.根据权利要求3所述的方法，其特征在于，步骤S3具体为：建立对应离线签名样本的不同特征的分类器，并按真伪样本对相应的特征向量进行标注，随机选取离线签名样本库的部分样本的特征向量进行训练，其余部分样本作为测试样本，并对测试样本的预测结果进行统计，得到鉴别的正确率。5.根据权利要求1所述的方法，其特征在于，步骤S1中的预处理包括二值化、剪切边界、大小归一化、倾斜矫正和缩距；二值化具体为：以最佳阈值将图像的灰度直方图分割成两部分，使两部分之间的方差取最大值；剪切边界具体为：对签名图像进行水平和垂直投影，根据投影直方图对边界进行剪切，得到去除边界的签名图像；大小归一化具体为：通过填充上下边界使签名位于图片中部，再将图片按比例缩放；倾斜矫正具体为：将签名图像的像素点作为特征点，利用图中特征点与基线的关系，将特征点用最小二乘法拟合出基线的方向，即为签名的倾斜方向；缩距具体为：对签名图像作垂直方向的投影，得到投影直方图；统计投影直方图中最低处的个数，及其间的距离，根据最低区域的距离判断其是否为签名图像的空白区域，若是则剪切这段空白区域，得到缩距后的签名图。6.根据权利要求5所述的方法，其特征在于，对不同的预处理过程提取不...

【专利技术属性】
技术研发人员：詹恩奇，李亚婷，郑建彬，汪阳，华剑，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42