英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

移动签名认证：鲁棒特征和性能比较

Marcos Martinez-Diaz, Julian Fierrez, Ram P. Krish, Javier Galbally

Biometric Recognition Group - ATVS, Escuela Politecnica Superior, Universidad Autonoma de Madrid,

Campus de Cantoblanco, C/ Francisco Tomas y Valiente, 11, 28049 Madrid, Spain

E-mail: marcos.martinez@uam.es

摘要：本论文研究了手持设备对自动签名验证系统的性能的影响。作者比较了移动设备和写字板，一种比较流行的研究数据采集装置，之间的整体和局部签名特征。实验基于标准签名数据库（生物安全数据库）和最先进的设备（三星Galaxy Note），结果表明手持设备的辨别力较低且错误率较高，主要原因是手持设备上笔迹性能退化。

1.介绍

签名认证在生物识别领域仍然是一个极具挑战性质的任务，因为它们的行为性质（如反对解剖特征性），即使在连续成功实现的前提下签名也会在中等或更加长的时间里发生显著变化，此外对系统的鲁棒性伪造检验比较复杂，因为很少能收集到高技术的伪造者的数据从而形成数据库，一个签名认证系统的设计者必须面对高度的内类变异性（在特定用户的签名之间）和低度的类间变异性，当然，就是伪造的签名。然而，因为社会和法律广泛的接受签名作为一种验证手段，可靠的自动签名认证依然是一个活跃的研究领域。

在线动态签名认证系统使用的是从笔头运动采样的离散时间函数（例如X和Y的坐标）进行身份验证。通常在线动态签名认证拥有比仅考虑静态手写签名图像的离线系统拥有更好的的验证性能，因为它可以获得更多的特征信息。

动态签名认证系统可分为两大类，即”基于特征”系统或者说整体系统，将签名模型作为一个由整体特征，如平均比划速度或者抬笔次数作为一个整体的多维模型，和“功能基础”系统或者说局部系统，或使用该方法捕获离散时间函数进行签名匹配的本地系统。基于特征的系统使用统计分类如Parzen窗或混合高斯模型，而传统的基于功能的系统利用动态时间弯曲（DTW）或隐马尔科夫模型之间的其他技术。

在手机与手持设备高度普及的环境下，它们高度集中了无所不在的信息服务使用研究，这些设备代表了一个有吸引力的研究目标，即提供一个基于触屏的且有足够处理能力的接口。 然而基于手持设备的签名认证会受一些在其他主流输入设备上所没有的因素的影响，主要是比较小的输入区，人体工程学，或者仅仅因为人处在运动中，用户通常要用小铁笔活着手指在一个不熟悉的或者晃动的屏幕上签名，因此生成的签名效果可能会变差。

由几个独立研究机构召开的安全签名评估会议（BSCE 2009）表明，基于手持设备样本的签名认证比基于写字板的签名认证准确率要显著降低，然而，这种由于手持设备对签名认证所带来的影响一直没有被系统的研究过，一个关于签名在不同设备上（包括在写字板和个人数字助理等）的初步统计比较显示，在不同设备上特征值存在显著差异。

这项工作的目的是研究移动设备数据采集对自动签名认证效果的影响，我们着眼于移动状况相对于传统使用独立功能判别分析选择算法的写字板而言对于不同类型特征值分析力的影响。系统在全局系统和基于HMM下的表现将被综合考虑，且加入了一个包含近年来大部分富含特色的签名认证功能集。

实验采用了两个不同的数据库：（i）作为基准的生物安全多模数据库（BMDB），（ii）使用所涉及的能够捕捉最标准数据的设备（三星Galaxy Note），）。该BMDB
签名数据库有两个子库，一个是基于PDA，一个基于写字板，他们对应在两个设备上的相同用户，使他们公平比较。

本文的结构如下。首先回顾在手持设备上签名认证的相关工作，在第二和第三节，介绍了这项研究中的全局和局部验证系统，第四和第五节介绍了实验方案和数据库，而结论在第六节中。

2.相关工作

在手持设备上的签名认证研究尚少，大多数签名认证研究的数据库都取自写字板，而事实上，人们对基于替代设备的签名认证研究已经越来越感兴趣。相对于手持设备的屏幕，触摸板通常能够捕捉到更多信息，如笔画方向（方位角和仰角）和笔的压力。此外，手写板还能够检测到笔端何时起落。

该BMDB包含了志愿者在手写板（DS2数据集）和PDA（DS3数据集）两个不同设备上捕获的数据集，图一显示了两者的捕获条件。2007年举行的多模安全评估验证了一些欧洲研究机构基于PDA数据集的算法比较，人们发现相对于以前的比赛，比如2004年基于写字板的的SVC,错误率明显偏高。为了比较基于写字板和手持设备之间的验证性能，BSEC在2009年发布两篇不同报道，在任务一中直接将基于写字板的性能效果与基于手持设备比较，而任务二则研究了签名内容变化对验证效果的影响。任务一的结果表明对于熟练的伪造签名基于移动设备的签名认证相对于基于写字板效果显著降低。另一方面，对于随意仿造的签名判别率较高。从过去的研究中我们了解到从不同设备提取的签名统计分布也会有显著不同。这些功能差异显著的传感器可能会大大影响设备之间的互操作性或者验证差异。通过对两台不同平板电脑捕获的签名认证研究表明其验证性能取决于签名装置的捕获质量，而通过对签名空间约束进行的研究表明，缺乏签名空间会影响签名质量，可能会导致签名犹豫或者流畅性问题。

3.特征和识别系统

这项工作目的是研究手持设备对签名功能和性能的影响。我们已经选定了两种完全不同的验证系统，基于全局特征和基于局部特征，为了达到验证目的，采用了在写字板上和手持设备上采集到的两个数据集，图2中描述了实验方法。

3．1全局特征

在过去，基于特征或者说全局的签名认证系统被广泛研究，在本案例中，签名被描述为一个n维向量包含形状的相关特征和在其他功能类型中的时间计数等，在这项工作中，考虑了大约100多套全局变量，包含在各种文献中提到的能够很好地表达完整签名的特征值，表一中所指示的是完整的特征值描述。

特征值直接从笔运动的离散时间信号提取并在[0,1]之间采用双曲正切估计，这些整体功能按物理量可分为四类：

●时间（25个特征值）：和签名持续时间相关，或者如笔起伏的时间或者局部的最大值。

●速度和加速度（25个特征值）：通过位置相对于时间的一阶导数和二阶导数完成。

●方向（18特征值）：从路径轨迹提取，比如说抬笔之间的开始方向或平均方向。

●几何（32特征值）：与笔划或签名的长宽比有关

3.1.1整体验证系统

使用一个基于马哈拉诺比斯距离的简化版的分类器来测试一个样本签名，这种方法的优点是计算相对简单通用且足以提供一个对类可分向量的合理经验估计。用户模型C=(M,S)创建于用户训练集，其中mu;和S是平均向量和从训练签名获得的协方差矩阵，并且使用对角协方差矩阵并且低于阈值的数据都由阈值替代以避免获得奇异协方差矩阵，目的在于限制样本在有效维度下的数据量并简化算法在移动设备有限的计算力下的实施力，初步试验获得了0.00085的阈值。匹配得分s为所获得的输入签名特征矢量x和权利用户c之间的“简化”马氏距离的倒数。如果 分数S（X,C）是上述特定阈值时，则认定签名为真，否则为伪造签名。

3.2局部特征

在这项研究中所考虑的局部特征集是[10]中所描绘的特征集的扩展集，增加了[23,27,28]中的一些扩展功能。最初的集中包含从笔尖轨迹和笔压中提取的七个离散时间函数，从一维和二维导数运算中获得21维特征向量，除了从X,Y坐标以外的数据获得的二位导数将被放弃，因为对实验并无太大作用。因此最初的数据集中只有16个数据被用到（7 7个衍生数据和2个二阶导数），其对应功能编号为表二中的1-14和17-18。表二中的数据集已经拓展了从[23,27,28]中提取的11个功能。根据表二中的27个函数来说，在全局特征下，该数据集已包含了最近个文件中提到的大多本地签名特征。

此特征集假设了笔的压力和倾斜信息的可用性，尽管这不是通常情况下手持装置捕获签名的方法，在这种情形下，只有21个特征可被从原表中提取(j见表二的标题)。

3.2.1本地验证系统

实验使用一个HMM系统，该系统也是基于[10]中提到的系统，达到了2004年签名认证比赛的二重标准。使用两个状态的32个高斯混合物建模，相似度得分就是数似然目标签名（使用维特比算法）除以通过的样本总数来保持一个合理的分数区间，（0,1）之间归一化分数通过公式circ; s = exp s(x, C)/30获得，其中s（x，C）是基于XMM且x和C分别表示输入签名和身份登记模型。

4.实验方案

4.1数据库

实验使用了两个数据库，一个是基于写字板和PDA的BMDB，和一个基于三星Galaxy Note捕获的数据库，包含120个用户子集。其中包含每个用户的20个真正签名和20个熟练的伪造签名，真正签名通过两个月的周期平均收集，前五个签名作为初始数据库，而后15个签名作为参考数据库，用户在手持设备情况下签名以模拟真实情况，而对于写字板，用户采取坐姿。

在两种设备情况下，为每个用户设置了4个熟练伪造者，在最坏的情况下，即伪造者可以追踪真正签名笔迹，PDA仅获取X和Y位置信号和时间戳，而压力和笔取向信号也由写字板获取。而写字板记录的提笔时间不记录在PDA数据集中，根据研究，每一个真正签名平均有18%采样点为笔提起的轨迹（即笔尖不与写字笔接触），图三描绘出了签名总体的比例直方图和窗口采样点，第三个数据库为了评价在缺少压力和倾斜信息的条件下签名认证效果而人为地去除了提笔时的数据点，本数据集被称为“平板插笔起坐”，运用三次样条插值法，因为他们提供了更好的初步性能验证。对于PDA子集，一个附加步骤是进行插值错误检测，三个BMDB子集，每个包含120个用户，第一个50组用户签名被用于发展，而其余70个则用于选择最优特征矢量的SFFS算法，我们将参考数据集称为BMDB-DEV50，将验证数据集称为BMDB-VAL70。

这一设置符合BSCE协议，其中50个用户子集算法方便以后进行的测试数据集调整。

4.2实验验证

最后，两个可用验证集由SFFS算法为每个方案选择能效方面性能最佳矢量。

5．结果

5.1实验1和2：个人特征分析

从图4a，我们观察到当考虑随意伪造签名是的中位数FDR每个特点是在数位板与PDA类似的场景。尽管如此，对于用于PDA的FDR数位板往往总是高于或相等FDR。如果是熟练伪造，FDA在大多数情况下在平板电脑比PDA熟练伪造的情况下（右柱）更高。这表明验证表现在对伪造技术在PDA的情况是先验比数位板独立于分类下。有趣的是，FDR为插笔起坐片剂的子集是一般比原来的子集低的，尤其是对熟练伪造而言。这表明，就伪造签名来说，笔式轨迹更具弹性，（即更难模拟）。该DDR独立地笔上升轨迹的可用性在数位板是通常高于PDA，（见图。图4b）。作为全局特征，当笔式轨迹内插的DDR更不利受影响熟练伪造比随意伪造的。在随机伪造，最相关的差在所观察到的纵坐标特征量y，这是一个签名最有代表性的特征。在数位板中，y的一阶导数准确率也明显高于DDR，在PDA方案中有更高的几何变化。正如我们所见到的，第一和第二x，y衍生物可以判别笔起落，这反映了笔起落的不稳定，路径速度大小y和它一个衍生物也相当、更多判别在数位板数据集。这表明在PDA上，写入速度更高的变异性可以通过不熟悉的面签署的动机（碰屏幕）和设备。

5.3实验四 验证

在BMDB-VAL70验证集上使用最佳性能验证，每个方案都在表三中给出，可见至有一个少相比较基于HMM系统而言，总的来说，整体验证在移动条件下提供了更好的验证效果。

我们也可以看到，当提笔笔迹不可以被采集时本地验证系统的可靠性会显著降低。这证实了单个特征在对普通伪造和熟练伪造的辨别能力的不同。我们也能从表三中观察到，比较两个优化方案，针对随机伪造，性能有一个显著降低，而与此相反，EER在对熟练伪造识别进行优化时，对随意伪造得识别力并没有显著降低。表三中也列出了一个组合效能比，其中计算了所有可用得分（真正签名，随意伪造和熟练伪造），即对于每个用户，有15个真实成绩，20个熟练伪造签名和69个随机伪造签名被用于计算，根据本实验，系统对熟练伪造识别的优化更好的优化。在表4中，验证性能在能效比方面对随意伪造的显示为SG-NOTE验证数据集。正如所见，对于本地系统，表现与BMDB数据集相似。与此相反，整体系统性能比BMDB要好，根据09年签名评估活动的结果数据。所述BMDB签名语料库用于比赛中，其中包含382用户。根据在移动端表现来看，这项工作中该UAM-GLO系统是基于整体系统提出的，而UAM-HMM系统是基于本地系统所提出的。不幸的是，UAM-GLO系统有一个执行错误从而导致了该系统2009年在BSEC中表现不佳。

6.结论和未来工作

已经着手对由手持设备对签名特征识别力所产生的影响进行研究。我们已经观察到，移动行为对手机签名特征辨别力有较大影响，特别是局部特征，至少在基于HMM系统下如此。而手机和写字板之间的性能差异也是因为不同的伪造处理协议。在移动设备中，伪造者的签名直接在屏幕上显示，而手写笔是在单独的屏幕上，尽管如此，我们也能看到，当没有提笔信息时，除了整体系统和熟练伪造情况，验证性能明显降低，这充分显示提笔信息在签名认证中包含相关生物信

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[29912]，资料为PDF文档或Word文档，PDF文档可免费转换为Word