22、离线签名识别与双因素身份验证技术解析

离线签名识别与双因素身份验证技术解析

离线签名识别技术

在离线签名识别领域，有多种方法可用于生成匹配分数，进而实现签名的准确识别。

特征提取与匹配分数生成

• 特征点相关计算 ：从特定签名实例中提取特征点，设提取的特征点数量为 (n)，每个特征关联一个权重 (C_i)，查询签名的第 (i) 个特征向量为 (X_i)，第 (i) 个特征向量在真实样本实例上的均值和标准差分别为 (M_i) 和 (\sigma_i)。
• 马氏距离生成匹配分数 ：马氏距离用于通过比较查询签名与数据库中的签名来生成匹配分数，并基于统计差异对模式进行分类。其计算公式为：
  [MD = (f - \mu_x)^T C^{-1} (f - \mu_x)]
  其中，(MD) 是特征向量 (f) 到均值向量 (\mu_x) 的马氏距离，(C) 是 (f) 的协方差矩阵。在最小距离分类器中，若 (n) 个类别的均值分别为 (\mu_1, \mu_2, \cdots, \mu_n)，对应的协方差矩阵为 (C_1, C_2, \cdots, C_n)，则通过测量特征向量 (f) 到每个均值的马氏距离，将该向量分配给马氏距离最小的类别。
• 高斯经验法则生成匹配分数 ：高斯分布能涵盖约 99.7% 落在均值的三个标准差范围内（即 (\mu - 3\sigma) 到 (\mu + 3\sigma) 之间）的特征或观测值。从查询签名图像中提取的特征点被视为特征，均值和标准差从签名数据库中获取。使用以下公式选择给定签名中的重要特征点：