移动互联网金融下签名认证静态特征提取技术

移动互联网金融下签名认证静态特征提取技术

何殿源;冯筠;杨晓萌

【摘要】在签名图像预处理研究的基础上,提出了通过提取图像形状特征、不变距特征以及基于Gabor滤波纹理方向特征而得到签名图像静态特征的方法,并通过基于稀疏表示的L1范数分类方法在提取的特征样本集上进行签名鉴别.实验结果表明,在相同10组样本的特征集下,稀疏分类最小残差法的平均FRR和平均FAR分别为9.25％和4.63％,明显低于经典KNN法的12.15％和8.67％,也明显低于经典SVM法的13.31％和7.26％.该文的研究成果达到了移动互联网金融业务的性能要求.

【期刊名称】《西北大学学报（自然科学版）》

【年(卷),期】2016(046)006

【总页数】7页(P815-821)

【关键词】互联网金融;静态特征;提取技术;L1范数;稀疏表示

【作者】何殿源;冯筠;杨晓萌

【作者单位】西北大学信息科学与技术学院,陕西西安710127;西北大学信息科学与技术学院,陕西西安710127;西北大学信息科学与技术学院,陕西西安710127【正文语种】中文

【中图分类】TP391

为解决基于手机的移动互联网金融平台下客户登录时遇到的“你是谁”和系统交易时“你是你”的问题,签名鉴别技术研究得到了互联网金融企业和相关科研机构的

高度关注。作为基于签名鉴别技术的关键,签名特征值的提取成为了移动互联网金融下身份识别技术重点研究的课题,并取得了广泛的成果。LÜ Hairong[1]等人利用笔段特征、空间分布特征、轮廓检测等方法提取字形结构,该方法可有效区分相似字。但是，对结构特征提取不理想。Alessandro[2]等人运用统计方法、距离度量匹配准则,采用多维特征值累加的办法把噪声最小化,具有良好的鲁棒性。但是，无法很好地利用一些敏感特征。张大海[3]等人通过从签名中直接提取的和通过派生得到的3级共188个特征,利用自定义的特征重要性函数进行特征选择,将用特征函数选择的个性特征用SVM算法进行训练和验证。王珂敏[4]改进了传统的动态时间弯折算法结构,对最佳匹配路径的动态规划方法进行改进并将其应用于在线签名鉴别系统。肖春景[5]等人提出了基于小波包的特征提取方法，解决了特征提取过程不可逆的问题，并降低了特征提取的困难性。陈晓红[6]等人利用计算机技术提取和分析纸上签名的宽度、灰度和弧度等动态特征数据,研究其规律并创立了一种新型的定量化签名笔迹鉴别技术,但在基于移动设备的互联网金融应用实验中,效果并不理想。从国内外的研究现状看,对从签名样本中提取能反映个人书写风格的有效特征值的研究,目前还没有可应用的研究成果，文中给出了从通过滤波、归一化、二值和灰度化等技术进行预处理后的签名笔迹中提取体现个人书写风格的静态特征的有效方法和技术。

签名特征的分类存在很多方法,例如Samuel将签名的特征分为全局特征和局部特征两大类[7]; Blayvas等人将签名特征划分为全局、统计、几何以及拓扑特征等多种[8]。对于特征的分类更多的是从实际需求来进行考虑。对于汉字而言,可以将签名笔划的方向、字体的拉伸度、密度,倾斜度等反映个人书写习惯的信息作为有效的鉴别签名的特征信息。实验证明,形状特征、矩特征、以及纹理特征能够全面地刻画签名的静态特征[9]。

2.1 形状特征

2.1.1 字体骨架的倾斜方向向量中文签名基本上都是由横撇竖捺等笔划构成,因此

对于同一个人的手写签名,他的书写笔划在方向上的变化基本是固定的。文中实验

采用签名的二值骨架提取笔划的倾斜方向特征,该方法可以有效地反映笔划在方向

上的变化。记笔划骨架上的某一点为P(x,y),定义P点3个倾斜方向的特征向量为

v(d1,d2,d3),分别记为笔划正倾斜方向d1，笔划垂直倾斜方向d2,以及笔划负倾斜方向d3,如图1所示,d1,d2,d3取值为0或1。

骨架方向倾斜点定义:关于骨架上的某一点P(x,y),如果P′=P(x-1,y+1)非零,那么定

义P′为负方向倾斜点;如果P′=P(x,y+1)非零,那么定义P′为垂直方向倾斜点;如果P′=P(x+1,y+1)非零,则定义P′为正方向倾斜点,我们将这3类点统称为骨架倾斜点。最终,在签名骨架上的点的3个倾斜方向上进行累计求和,得3维向量V(D1,D2,D3),其中D1=∑d1,D2=∑d2,D3=∑d3,Vf=(D1,D2,D3)=(D1/D,D2/D,D3/D),其中

D=D1+D2+D3。

2.1.2 签名网孔数与连通域数签名网孔数和连通域的个数两者都属于汉字的局部几何特征,同时具有大小、平移不变性等特点,可以有效区分视觉上不能直观鉴别的局

部差异[10]。签名网孔数指的是黑色笔迹所包围的封闭空白区域个数。连通域个数指的是签名笔划中彼此连接在一起的部分区域的个数。针对同一个人的签名来说,

他的局部签名网孔数与笔划的连通性大体上是保持稳定的。因此,我们可以将签名

网孔数与连通域个数作为一对局部有效特征。其原理示意图分别如图2所示。

本文采用图像形态学算法中的漫水填充算法[11]以及二值轮廓签名提取方法来统计签名网孔数和连通域个数,该算法思路如下:在二值化签名图像中,选取任意像素作为背景种子点,进而将近邻区域所有相似点都填充上同样颜色,得到填充操作的结果一

般总是某个联通的区域。最后,统计二值签名图像中没有颜色变化的区域计数,即为

签名网孔数。求取连通域数之前需要对于平滑签名图像的边缘轮廓进行提取,选取

背景种子点之后再次利用上述漫水填充法填充背景。实验时，多次选取种子点进行

填充,在字体笔划内部某些闭合区域处得到较好处理效果,图3(a)给出了签名图像轮廓提取图,图3(b)为多次选取背景种子点填充之后的效果图。扫描图像中颜色没有

变化的区域计数,得到签名的连通域数。

2.1.3 签名交叉点和端点数关于不同人书写的同一签名,其笔划交叉点以及端点的

个数之间都会存在一定的差别。因此,我们可以用具有单像素宽度的签名骨架上的

端点和交叉点作为一组有效的局部特征。文中将交叉点分为3种,分别为二交叉点、三交叉点,以及四交叉点。在以像素点(i,j)为中心的3×3邻域进行二值骨架的扫描

和判断,如图4所示。在3×3像素邻域图中,我们定义了8组像素对,分别是:A:{(i-1,j-1),(i,j)},B:{(i-1,j),(i,j)},C:{(i-1,j+1),(i,j)},D:{(i,j+1),(i,j)}，

E:{(i+1,j+1),(i,j)},F:{(i+1,j),(i,j)},G:{(i+1,j-1),(i,j)},H:{(i,j-1),(i,j)}。当这些像素对之间满足如下规则L1～L4时,则判定其中心像素点(i,j)为相应交叉点类型。

端点与交叉点的定义:

L1:上述8组像素对中,若只有1对像素值为1,则判定中心像素点(i,j)为端点。

L2:上述定义的8组像素对中,除了一条直线上的像素对之外,例如A和E，B和F，

C和G，D和H,剩余任意两组像素对的值都为1时,则判定中心像素点(i,j)为折点或者拐点。

L3:上述8组像素对中,若任意3组中像素值全为1时,则判定像素点(i,j)为三叉交点。L4:上述8组像素对中,若任意4组中像素值全为1时,则判定像素点(i,j)为四叉交点。Fig.4 Pixel neighborhood maps

2.2 不变矩特征

矩特征的概念来源于物理力学,以图像像素为质点,以像素的坐标为力臂,将物理力学的阶矩借鉴过来以反映区域的形状特征。不变矩特征于20世纪60年代被提出,之后广泛用于字体识别中,具有平移、旋转,以及尺度缩放等不变性[12]。文中利用不

变矩特征来反映物理意义明确的形状几何特征,例如字体相对重心,字形倾斜度,以及