一种基于OCSVM电子手写签名识别的方法技术

本发明专利技术公开了一种基于OCSVM电子手写签名识别方法，包括签名注册及认证两部分，采用下述步骤：签名注册时，用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的签名轨迹的横、纵坐标以及签名时的压力值；提交签字源文件保存至签名数据库中，并与用户进行绑定；对签名库中的用户按用户进行标签绑定；对签字源文件统一进行预处理；对预处理后的数据进行主成分特征值提取；选择径向基核函数RBF作为OCSVM的核函数，针对核函数及注册时的主成分数据进行最优核参数计算，计算出最优的惩罚系数及核参数；本发明专利技术采用OCSVM进行训练，通过用户的特征值进行识别的工作，实现了小样本对用户的判断，其效率高，准确性也较好。

【技术实现步骤摘要】
一种基于OCSVM电子手写签名识别的方法
本专利技术涉及一种基于OCSVM电子手写签名识别的方法，尤其涉及一种电子手写签名的识别是否是本人的解决方法。
技术介绍
随着对社会安全和身份认证的准确性和可靠性要求的日益提高，传统的身份认证方式已不能满足社会的需要，生物认证技术也随之而生，每个人的生物特征具有与其他人不同的唯一性和在一定时期内的稳定性，不易伪造和假冒，所以利用生物特征进行身份认证，安全、可靠、准确。电子手写签名识别技术是电子签名和传统手写签名的高度融合，它可以克服传统墨水签名易被模范的缺点，不改变现有的签名习惯，更容易被大众接受。
技术实现思路
为了解决上述问题，本专利技术提出一种基于OCSVM电子手写签名识别方法，包括签名注册及认证两部分，包括下述步骤：用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的三维信息{xt,yt,pt},其中xt,yt分别为签名轨迹的横、纵坐标，pt为签名时的压力值。用户提交签字源文件保存至签名数据库中，并与用户进行绑定。对签名库中的用户按用户进行标签绑定，并对签字源文件统一进行预处理，减少噪声和平化信号，去掉无效数据，对x,y分别进行数据进行大小归一化：以xt代表横坐标点，yt为纵坐标点，数据大小归一化的方法为其中，xt′为签字源文件中每个轨迹的横坐标点，x′max为整个轨迹横坐标的最大值，x′min为整个轨迹横坐标的最小值，M为归一化的标准矩形框的大小。y′t为签字源文件中每个轨迹的纵坐标点，y′min为整个轨迹纵坐标的最大值，y′min为整个轨迹纵坐标的最小值。在使用时，各坐标点的分别取x,y坐标，M的长宽一般取1，计算结果xt"和y"t代表为每个坐标点在坐标轨迹中的比例位置。此公式的目的为把签字源文件中的点映射到统一的标准矩形框中，消除每次签名时的大小差异。对预处理后的数据进行特征值提取。对特征值集合通过主成分分析法(PCA)提取主成分特征值，降低无效特征值对结果分析的干扰。对选取后的数据进行数据归一化处理：把数据统一在[0,1]区间内，避免数值范围变化过大，并保存数据归一化的模型。选择径向基核函数(RBF)作为OCSVM的核函数针对核函数及注册时的主成分数据进行最优核参数计算，计算出最优的惩罚系数C及核参数σ0。把待训练的主成分特征值、惩罚系数C及核参数σ0带入OCSVM中进行训练，得到该用户的SVM训练模型，对模型进行保存。识别时，对采集的签字数据进行同样的预处理及大小归一化。选取主成分的特征值组成待识别的集合，使用数据归一化的模型进行数据归一化，把数据统一在[0，1]之间。选取该用户的训练模型，把待识别数据及模型带入SVM中进行分类计算，得到结果值，如果结果值大于训练模型的阀值，则认为待识别的签字数据通过识别。本专利技术采用OCSVM进行训练，通过用户的特征值进行识别的工作，实现了小样本对用户的判断，其效率高，准确性也较好。附图说明图1为本专利技术电子手写签名识别的流程图。图2为PCA的特征提取流程图。具体实施方式OCSVM是SVM的一种，但它的构造不同于传统的支持向量机，它是一种无监督的机器学习方法，不需要任何标记数据，把训练数据集中的所有数据点标记为+1，而仅仅把空间中原点标记为-1，然后按标准支持向量机一样进行处理。如图一所示，本专利技术所述的基于OCSVM电子手写签名识别的方法是针对签字数据采集终端的采集数据进行分析计算，采集终端采集的数据按时间顺序记录笔迹的轨迹信息即{xt,yt,pt}集合，采集电子签字数据的读取速率达到200点/秒或以上的都可以结合本方案中的方法来进行使用。在用户注册时，需要收集用户的唯一用户标识，不限于身份证件号码等确认用户的唯一身份，在识别时才能调取该用户的训练模型。对用户特征值提取主要包含下述几方面的特征值：对坐标及时间通过公式计算数据及加速度的特征值。对压力及时间通过公式计算压力的特征值。对坐标通过公式计算手写样式的特征值。详细介绍一种典型特征：平均加速度提取方法速度矢量的变化和所经时间Δt的比，称为Δt时间内的平均加速度。根据主成分分析算法(PCA)选取主成分的步骤包含下述几步：对特征集集合进行计算，计算出协方差矩阵。计算协方差矩阵的特征值及特征向量，按照从大到小进行排列。特征值有m个，按照从大到小进行排列，为λ1≥λ2≥…≥λm,特征向量为P1,P2,…Pm。计算各个主成分的贡献率和累计贡献率。计算主元向量。Y＝XP元素yh为：根据主元向量对主成分选取，选取累计贡献率>85％,及主成分包含的信息占原始信息量85％以上的。不同签名者不同累计贡献率的主元个数(表一)选取主成分特征值后记录选取的特征值类型，对识别时的特征值选取相同的特征值进行计算。单类支撑向量机(OCSVM)的基本思想是：线性情况下，在空间中找到这样的一个平面，原点到这个平面的距离要尽可能的大，并且这个平面要尽可能的将正常的样本点与异常的样本点分隔开来；在非线性情况下，将原始空间中的样本点映射到高维特征空间中，在高维空间中找的是一个超平面来达到数据集的线性可分。假设找到的分割超平面为是超平面的法向量，ρ∈R是偏置量，所以原点到超平面的距离为：要使得原点到超平面的距离达到最大，而ρ是常亮，因此需要使||w||达到最小，并满足一定条件，因此其中ζi表示松弛变量，υ类似于二分类SVM的C，υ为异常值的分数设置了一个上限，υ是训练数据集里面做为支持向量的样例数量的下届。采用朗格朗日乘子法，确定函数变为若有个样本xi,有f(xi)＝-1,则认为xi这个样本被认为是异常点，反之则为正常的样本。本实施例实施时，先采集用户的签字样本数据，然后对所有的签名样本进行预处理，特征值计算，再进行主成分分析筛选出主成本特征值，处理后使得无效数据及不稳定的特征值被过滤，再然后对处理后的数据进行OCSVM学习形成一分类器，再然后对待识别的签字数据进行识别。以上所述的具体实施方式，对本专利技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本专利技术的具体实施方式而已，并不用于限定本专利技术的保护范围，凡在本专利技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于OCSVM电子手写签名识别方法，包括签名注册及认证两部分，采用下述步骤：/n签名注册时，用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的签名轨迹的横、纵坐标以及签名时的压力值；/n提交签字源文件保存至签名数据库中，并与用户进行绑定；/n对签名库中的用户按用户进行标签绑定；对签字源文件统一进行预处理；/n对预处理后的数据进行主成分特征值提取；/n对选取后的数据进行归一化处理，保存数据归一化模型；/n选择径向基核函数RBF作为OCSVM的核函数，针对核函数及注册时的主成分数据进行最优核参数计算，计算出最优的惩罚系数及核参数；/n把待训练的主成分特征值、惩罚系数及核参数带入OCSVM中进行训练，得到该用户的SVM训练模型，对模型进行保存；/n认证时，对采集的签名数据进行预处理和大小归一化，选取主成分的特征值组成待认证的集合，使用数据归一化的模型进行数据归一化；/n选取该用户的训练模型，把待识别数据及模型带入SVM中进行分类计算，得到结果值，如果结果值大于训练模型的阀值，则认为待识别的签字数据通过识别。/n

【技术特征摘要】
1.一种基于OCSVM电子手写签名识别方法，包括签名注册及认证两部分，采用下述步骤：
签名注册时，用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的签名轨迹的横、纵坐标以及签名时的压力值；
提交签字源文件保存至签名数据库中，并与用户进行绑定；
对签名库中的用户按用户进行标签绑定；对签字源文件统一进行预处理；
对预处理后的数据进行主成分特征值提取；
对选取后的数据进行归一化处理，保存数据归一化模型；
选择径向基核函数RBF作为OCSVM的核函数，针对核函数及注册时的主成分数据进行最优核参数计算，计算出最优的惩罚系数及核参数；
把待训练的主成分特征值、惩罚系数及核参数带入OCSVM中进行训练，得到该用户的SVM训练模型，对模型进行保存；
认证时，对采集的签名数据进行预处理和大小归一化，选取主成分的特征值组成待认证的集合，使用数据归一化的模型进行数据归一化；
选取该用户的训练模型，把待识...

【专利技术属性】
技术研发人员：雷晓红，蔡恒怡，刘颖钊，
申请(专利权)人：重庆傲雄在线信息技术有限公司，
类型：发明
国别省市：重庆;50