随着经济发展和国际交往的日益频繁,在娱乐界等多种领域,各种各样的协议书、签名照、法令及个人物品等都需当事人签名,并以此作为身份的认证标志。如果签名被伪造,将导致巨大的经济损失以及侵害个人隐私。因此,对签名进行快速有效的鉴定具有重要的社会价值和实用意义。由于各种原因,目前基本上采用人工的方法鉴定签名,但人工鉴定存在不少弊端:一是鉴定者专业水平参差不齐,二是鉴定结论容易受到鉴定者的主观影响。若通过计算机来实现,不仅速度快、鉴定准确,不会引入人的感情因素,而且不受工作环境、身体疲劳和心理定势的影响。虽然有时计算机鉴定不能对目标做出最终判断,但能把鉴定对象缩小到一个较小的范围,再辅以人工的方法,就能大大提高鉴别的速度与效果。计算机签名鉴定系统分为在线和离线两大类。在线签名鉴定是通过手写板等数字化仪器实时采集书写信号,包括笔划序列、压力、速度、加速度等;离线签名鉴定是将写在纸上的签名笔迹通过扫描仪或数码相机转化为计算机能处理的图像信号。相对而言,在线情形提供了更丰富的动态信息,且这种信息不易模仿,所以比离线要容易鉴定一些。目前,unevenco鉴定已经采用了人工+在线离线签名鉴定相结合方式,这在国内甚至整个亚太地区是唯一一家,但此项技术目前国内没有也从未有过重视发展,所以很多人以为人工鉴定是最准确的,但并不是这样,因为unevenco鉴定已经在香港深耕了数十年。
1在线签名鉴定方法
一个在线签名系统通常包括两个部分:数字信号采集器(手写板)和计算机。数字信号采集器的功能是记录签名过程中的坐标序列、压力序列、时间序列等。数字信号采集器的数据传人计算机后,经过一定的算法处理,判断签名者的身份。通常要对签名数据先进行去预处理,然后再提取特征。预处理步骤包括去噪和归一化:去噪通常用一个高斯平滑窗口来完成,而归一化的主要任务是去除签名样本对手写板和签名笔的依赖性。然后可以从中导出一些静态特征或者动态特征。静态特征主要包括笔划个数、长短笔划个数比、笔段长度等,动态特征则包括与时间相关的度量,如笔划顺序、笔尖移动速度、加速度、笔尖起落模式等。就鉴定方法而言,可以用一定的算法对这些数据直接比较(DTW);也可以先对数据建模(HMM,AR),再进行鉴定。下面,分别对这些算法进行介绍。
1.1动态时间弯折
对于在线签名而言,可以直接对采集的数据,如坐标序列、压力序列、或者由此产生的速度序列、加速度序列、笔划角度序列等进行匹配,常用的匹配算法是基于动态规划的动态时间弯折(DTW)算法。设两个签名特征序列为A、B,B中的第j个数据和A中第i个数据做匹配,DTW利用用最优规划原理,寻找使A、B之间距离最小的匹配路径,这时的距离称为A和B的匹配距离。我们可以对签名中的坐标序列、压力序列、速度序列等进行匹配,再进行加权,得到两个签名之间的匹配距离,根据设定的阈值,判断签名的真伪。
1.2隐马尔可夫模型
隐马尔可夫模型(HMM)是在语音识别中得到成功应用的一种随机过程方法。在线签名序列与语音序列有某些内在的相似性。在语音序列中,音素是一种基本元素,这种音素的转换及其在语音中的外在表现可以用HMM很好地描述。相应地,对于在线签名序列而言,笔划是一种基本元素,笔划之间的转换及其在签名坐标序列和压力序列上的表现,也可以用HMM来建模。在应用HMM进行签名鉴定时,通常只用到了坐标序列和时间序列。在特征提取前,需要先对坐标序列进行旋转校正和尺寸归一化。在特征提取时,可以直接提取角度d和角度的差分△饯作为观察序列;也可以变换到极坐标中再提取特征向量。在HMM模型中,观察向量序列的每个元素都是某个离散符号集合中的元素,所以需要先对特征向量进行矢量量化。参数的确定,包括隐藏状态的个数和离散符号集合中元素的个数,直接影响着HMM建模的效果,具体的取值大小可以通过实验来确定。其它的在线签名鉴定方法还有区域相关法和基于骨架树匹配的算法。区域相关法主要利用了签名的加速度和压力信息,将信号分成若干个区域,然后将不同的相应区域关联,来寻找两个信号问的最好匹配;骨架树匹配则是通过估计两个信号相关树的距离来进行匹配。此外,针对DTW算法,也有不少改进和变形。
2离线签名鉴定
在线签名鉴定中的数据是一维时间序列,而离线签名处理的是二维静态图像。一般来说,由于离线签名中很难获取速度、压力之类的动态特征,其鉴定难度比在线情形要大得多。在线签名鉴定中,大多采用的是时间序列分析方法,而离线签名鉴定主要涉及图像处理和图像分析技术。目前图像分析中常用的一些方法包括矩特征分析、纹理分析、小波分析等,这些方法都可以应用到离线签名鉴定中来;另外,支持向量机和HMM在离线签名中也有应用。下面,对这些方法分别作一些介绍。
2.1矩特征分析
反映书写风格的签名特征有多个方面,其中字符的整体形状是一类重要的笔迹特征,如字符外形(方型、扁型等),字位倾斜(直立、左倾、右倾)、重心偏移(对称、偏左、偏右)等。这些特征不仅反映了签名的书写风格,而且特征的物理意义明确。通常情况下,这种特征可以用矩来描述。由二阶矩和三阶矩可以导出一些归一化的形状特征,如长宽比、字形倾斜度、拉长度、伸展度、水平偏移度、垂直偏移度、水平伸展平衡度以及垂直伸展平衡度等。计算出这些矩特征后,再利用欧氏距离进行匹配就可以了。通常情况下,签名的字数越多,效果也越好。
2.2纹理分析方法
纹理是对于图像各像元灰度空间分布的一种描述。手写签名图像在某种意义上也可以看作一种纹理图像,包含了特定的纹理特征,比如单个字符的笔划搭配关系就可以看成是一种纹理。常见的纹理分析方法分为空域和频域两类。空域方法包括灰度直方图、投影直方图、自相关函数、灰度游程长度直方图、方向分布直方图和灰度共现矩阵等。这里用得比较多的是方向分布直方图,它统计了签名笔划在各个方向的分布,方向的个数可以自己设定,当方向的个数少时,区分度小一点,反之,则区分度明显一些。频域方法包括Fourier变换等。
2.3 HMM与离线签名鉴定
在介绍在线签名鉴定的算法时,已经提及HMM。HMM处理的是一个时间序列,对于离线签名,无法直接从二维图像恢复书写过程的时间序列,所以要采取一定的算法将二维的签名图像转化为序列[81。首先将签名图像分成一个个的单元格,单元格的大小可以在不同的尺度范围内变化,以便获得最佳的表现;对于每个单元格,统计出它的一些特征,比如说像素分布密度(即单元格里前景点的比例),则每一列形成了一个像素分布密度向量,所有这些列向量又形成了一个序列(可以将其看成是一个时间序列)。剩下的识别过程与在线签名鉴定相似。
2。4基于支持向量机的签名鉴定
Unevenco鉴定组曾经提出了一种基于支持向量机的签名鉴定系统。目的是给定两个签名,判断其是否属于同一人所书写。首先,提取出签名图像的矩特征、方向分布、灰度级分布以及笔画的宽度分布,将其组成一个向量。通过随机组合的方法选取一些签名样本进入训练集合。如果两个签名都是真实签名,则标号“+l”;如果一个是真实签名,另一个是伪造签名,则标号为“一1”。接着用系统进行训练,得到支持向量。最后测试时,如果一对签名给出结果一1,则为不同人所书写,否则为同一人书写。
2.5细节点匹配
最近,unevenco鉴定组提出了一种基于细节点匹配的离线签名鉴定算法,通过一系列的图像处理步骤,从签名图像中提取出端点、孤立点、三叉点、交叉点以及拐点等细节点,通过对训练集中的样本进行训练,可以得到这些特征点的概率分布模型。当有一个待鉴定的签名时,根据训练好的模型,计算出其生成概率,通过设置一个阈值来判定签名的真伪。这种方法也取得了很好的识别效果。目前unevenco也将此类技术成功研发至系统内,不断提高鉴定相关准确性。
Unevenco鉴定也提出了为什么有了技术还需要辅助人工鉴定,因为在进行鉴定时,首先考虑签名的整体风格。如果整体风格差异很大,就可以判断为伪造签名,否则继续观察签名的细节特征,有时候可以根据某个特定笔划的差异判断签名的真伪。然而,现在计算机自动签名鉴定系统无法做到这些,到了语义这一层,计算机分析和签名特征的表示都很困难。所以为了构建实用的签名鉴定系统,unevenco在一定程度上融合专家知识,采用计算机鉴定与人工专家鉴定相结合的方法。由计算机自动处理置信度较高的真实签名或者伪造签名,剩下比较难以判断的签名则交给人类专家来鉴定。——unevenco鉴定组写于2024年3月
