31、基于遗传优化和神经网络驱动模糊推理的在线签名验证

基于遗传优化和神经网络驱动模糊推理的在线签名验证

1. 引言

自动签名验证是一个活跃的研究领域，有着众多实际应用。自动手写签名验证主要分为离线和在线两种方式。离线签名验证通过扫描设备从静态图像中获取签名数据；而在线签名验证则使用特殊硬件捕捉签名的动态信息，因此也被称为动态签名验证。在线签名验证（OSV）中，会使用特殊的笔和数字化绘图板作为采集设备，获取的信息包括笔尖位置随时间的坐标、笔尖压力以及笔的倾斜度等。

当使用完整的数据向量作为特征时，这种方法被称为“功能方法”，这些向量被称为“函数”；而使用描述数据向量的参数作为特征时，则被称为“参数方法”，例如均值、线性预测编码（LPC）系数和傅里叶系数等。虽然参数方法具有降维的优势，但性能上不如功能方法。

特征生成和特征选择是模式识别中的重要任务。特征生成是将原始测量值转换为对象的新描述符；特征选择则是根据特定标准从一组全局特征中选择子集。在存在熟练伪造签名的情况下，OSV中的特征生成和选择是一个难题，因为真实签名和伪造签名的特征在特征空间中往往会重叠。因此，模式识别领域有趋势研究基于遗传算法的特征选择。

此前，遗传算法在OSV中的应用主要集中在特征选择、比较不同版本遗传算法的性能，或者将签名分割成部分曲线以进行特征生成。本文提出了一种不同的方法，即使用遗传算法为OSV系统中的每个签名者创建最优的功能模型。

2. OSV系统的原理和总体描述

由于功能方法在在线签名验证中已被证明优于参数方法，因此本文采用功能方法作为特征表示方法。此外，本文的OSV方法高度借鉴了专业签名鉴定专家的流程。专家认为签名过程受个人书写习惯支配，签名是个人形状和节奏模式的复杂组合，最终的节奏和形式平