基于在线手写签名的身份认证技术研究和展望

等；另一个是特征参数法，是采用一系列的特征值构成的特征向量，这些特征值一般人为选取以试图表征签名的签名特征信息，具体应用的方法包括隐马尔可夫模型、基于神经网络的方法和小波变换方法等。
　　
　　2.1动态时间规整（DTW）
　　
　　动态时间规整是一种非线性优化方法，具有概念简单、算法鲁棒的优点，早期广泛应用于语音识别中。对于DTW而言，既使测试序列模式与参考序列模式的时间尽度不能完全一致，只要时间次序约速存在，它仍然较好地完成测试序列和参考序列之间的模式匹配。由于任何人签名都有一定的波动性，所以没有办法对签名数据一对一地进行匹配，由此用到该动态规划方法。
　　
　　如图3所示，假设有两特征信号人R={r(i)1≤i≤m}和T={t(j)|1≤i≤n},R为模板特征信号的总帧数，m为参考帧的时序标号，T为用来测试的特征信号的总帧数，n为测试帧的时序标号。而R、T间的时间变化关系可由时间规整函数F={f(k)|≤k≤kf}来表示，其中f(k)=(r,(k),t(k))，代表在作k次特片匹配时，T中第t(k)帧与A中第r（k）帧比较。设d(f(k))表示将模板中的第j帧与测试序列的第帧进行匹配的局部匹配距离。
　　
　　D（R，T）作为模板A与测试信号B的匹配路径，其算式如下：
　　
　　
　　
　　
　　
　　
　　其中u(k)为匹配点f(k)匹配距离的加权系数。
　　
　　此算法的关键就是求解该函数，具体实现可用动态规划的方法。设（r(k),t(k)）（即f(k)）为规整路径上的一点，则下一点可取为（r(k+1),t(k)）r(k),t(k+1))r(k+1),t(k+1))，这将由点r(k),t(k)到这三点的距离确定，取距离最小者为下一点。利用此方法，可从起始点递归求出规整路径，同时也可求出D（R，T）。
　　
　　文献[5]提出一种非线性局部寻优时间弯曲校正方法，不仅实现了对信息序列不同局部的非等强度校正，而且很好地保证了序列的单调性和连续性，试验的正确率为96%。
　　
　　2.2签名笔划分段和点-点匹配方法
　　
　　该方法先对签名进行分段，然后从签名笔划中提取新的特征，接着每一对相应的笔段中的点经由点-点的映射算法得到最后的匹配映射结果，具体实现方法可参考文献。文献基于对签名图像结构复杂性均衡分解的思想，提出了一种基本于骨架的签名分段算法。该方法首先对签名进行骨架提取，然后依据结构复杂度均衡的原则，对骨架进行分段，最后把所得的骨架分段复原成原始签名中的分段。具体算法为：
　　
　　（1）从整个签名图像的骨架中提取出并记下所有的交叉点和端点；
　　
　　（2）从上到下，从左到右搜索第1个端点；（3）从该端点开始沿骨架进行步进，按方向码（用来描述图像的边沿骨架等图像特征）计算前进中的复杂度。若复杂达到1个给不定期的阈值后，即把刚走过的全部点作为一个分段，抹去刚走过的除交叉点之外的点，直到抹去骨架中所有的点。经实验，该算法既达到了把签名的整体复杂度均衡局部化的目的，又基本上保持了真实签名分段在数量上和结构上的稳定性，降低了各种由于外部因素引起的类内特性之间的差别，突出了类间特性的表现。
　　
　　2.3隐马尔可夫模型（HMM）
　　
　　HMM作为信号的一种统计模型，目前广泛应用于模式识别、图像处理的各个领域。HMM是一个由两种机理构成的随机过程：一个机理是

《基于在线手写签名的身份认证技术研究和展望(第2页)》