基于跳变点能量的DTW匹配在线手写签名验证算法摘要：提出一种以签名能量为特征的在线手写签名验证算法，侧重签名能量特征提取和匹配判决的研究。对签名波形进行小波分解，提取签名波形在跳变点处的能量，从中提取若干个能量值作为特征矢量；在基于动态时间规整的特征匹配用改进的动态时间规整方法将测试特征序列和模式特征序列进行匹配的基础上，计算最小匹配距离，得出匹配路径。实验表明，动态时间规整算法在签名验证识别中获得了良好性能，对于随机伪造签名，误拒率为0时，误纳率为6.86%。??关键词：签名验证；能量特征；动态时间规整：TP391.43文献标志码：A：1001－3695(2007)08－0084－03数字签名是一种确保数据完整性和原始性的方法。它能提供有力的证据，表明自从数据被签名以来数据尚未发生更改，并且能确认对数据签名的人或实体的身份，从而实现了完整性和认可性这两项重要的安全功能。这是实施安全电子商务的基本要求。在线签名识别因为具有识别精度高、便于携带、不易遗忘、不易伪造或被盗等特点，在金融系统、安全系统等领域有着广阔的应用前景。随着计算技术的发展，出现了多种签名验证算法。比较有代表性的有：Yang等人［1］提出的隐马尔可夫模型(hiddenMarkovmodel)法；Mohankrishnan等人[2]提出的基于自回归（autoregressive）模型的签名认证方法；Darwish等人[3]用神经网络作为分类器，对前人提出的总共210个签名特征参数作了比较研究；最近，Nakanishi等人[4]于在线签名验证中引入小波分析方法，对签名波形进行了八级小波分解，利用压力进行自然分割，但未见其效果报道。??典型的在线手写签名验证系统包括四个主要技术环节：首先是签名信息的数据获取，即经输入设备采集实时的手写签名信息后输入计算机；然后是预处理，过程包括去噪、归一化等操作，目的是将采集到的数据变成适宜于进行特征提取的形式；再次是特征提取，从预处理后的数据中提取能充分反映个人书写风格、同时又相对稳定的特征；最后是特征匹配和判决，即采用某种判别规则，将提取的特征信息与标准签名样本进行匹配，得出鉴别结果。经一对一的匹配，验证输入签名人的身份是否属实。??1预处理以及小波分解??1．1预处理??在数据采集过程中，有许多因素影响数据的准确性，如书写抖动造成的漏点以及非点。因此必须对数据作一些相应的预处理，以保证采集数据的准确性并便于下一步处理。??预处理是将直观签名图像转换为可以处理的波形。通过硬件采集设备实时采集手写签名信号，包含??x和y??方向的波形。预处理去掉笔画之间的间隔，同时对签名进行大小、旋转、长度的归一化处理。其效果如图1所示。??基于现代处理技术的小波变换系数分析法将签名信号与一个在时域和频域均具有良好局部化性质的小波函数族进行积分（小波变换），将信号分解成一组位于不同频率和时段内的分量。也就是选择小波函数为某类平滑函数的一阶导数，则经小波变换后的局部最大值反映信号的尖锐变化，而局部最小值则反映信号的缓慢变化，从而获得反映签名特征的参数。??跳变点的提取在手写签名验证中非常重要，但提取算法一般都比较复杂。利用小波分解提取跳变点的优点有：实现简单，只需要作一次卷积计算，提取的效果相当理想；提取尺度可调。由于这有利于处理不同人的签名，提高了验证算法的普遍适应性。??信号的小波分解采用Mallat提出的小波多分辨率分析对信号在一系列不同层次的空间上进行分解的分析方法。小波多分辨率分析只对信号的低频空间进行进一步分解，而高频空间在下一步的分解中不予考虑。原始信号??S??0的四层小波分解可表示为S??0=S??3+d??4+d??3+d??2+d??1。其中：S??i、d??i（i??=1，2，3，4）分别代表信号的某一分解层中的低频分量和高频分量。由于采用Mallat算法，小波分解和重构算法变得非常简单。??在本系统中，小波分解与重构采用db3小波基，信号分解为四层。图2举例绘出了签名信号??x(t)??的小波分解及其单支重构波形。??2能量提取??签名能量特征参数的提取，是签名识别成败的关键。通过实验研究发现，签名波形在跳变点处的不同频率成分的能量，与各跳变点处的书写特性关系极大。??d??1反映了书写时的抖动，...