基于用戶筆跡的移動身份識別技術①

陳子煒,洪思云,林 劼,石 琳

(福建師范大學 軟件學院,福州 350108)

基于用戶筆跡的移動身份識別技術①

陳子煒,洪思云,林 劼,石 琳

(福建師范大學 軟件學院,福州 350108)

針對傳統身份識別技術存在的密碼記憶難、隱私易泄露、信息易偽造等問題,提出并實現了基于安卓平臺的混合特征在線手寫筆跡識別算法. 本算法通過遷移傳統筆跡采集平臺、采用文本相關與文本無關相結合的方式分別對靜態紋理特征和動態矢量特征進行提取,彌補了當前筆跡采集困難、信息易偽造、準確性差等缺陷,實現了用戶在移動設備上更加快捷安全的進行身份識別和鑒定. 通過實驗得出: 該筆跡識別算法具有良好的穩定性、高可重復性、優良的準確性和安全防偽能力,能夠有效阻止陌生用戶的攻擊,具有較高的安全保障性能.

筆跡識別; 動態矢量特征提取; 特征融合

對訪問者真實身份的快速識別和鑒定是當前信息安全領域中的一個重要應用之一. 其中一個身份識別的有效方法是鑒定用戶手寫筆跡特征. 筆跡特征的本質是書寫行為到個人行為的映射,包含紋理形態特征和筆跡動力學特征,具有不易被偽造和盜用的優勢. 筆跡識別技術分為在線筆跡識別[1]和離線識別認證[2]的方式. 現有的在線筆跡識別的采集工作基本是基于某種特定的筆跡采集設備,如利用專門化的手寫筆、手寫板等. 而離線認證則是利用掃描儀或照相等設備獲得原始筆跡的掃描圖像,并經過圖形處理提取相應的紋理形態特征進行識別. 隨著智能手機的普及,離線認證的方式無法滿足快捷高效的移動身份識別需求,而在線識別方式又依賴于傳統數據采集平臺,機動性能差.

筆跡識別系統包括數據預處理、特征提取和判定識別三部分. 數據預處理主要包括樣本歸一化[3]、平滑去噪等; 特征提取部分可以分為結構特征和統計特征兩種. 根據筆跡特征提取的方法不同,筆跡識別方式又可分為靜態筆跡識別和動態筆跡識別兩大類. 靜態筆跡識別的Gabor特征[4]及Gradient特征[5]是目前比較好的提取方法,而動態筆跡則是提取寫字時的筆跡動力學特征,如每個采集點上的速度、加速度、壓力等矢量特征; 判定識別使用的常用模型包括改進的二次判決函數、支持向量機、隱馬爾科夫模型等. 在技術上,目前仍處于發展階段,筆跡識別系統的整體性能還不夠理想. 從數據采集、特征提取到匹配認證算法等各個環節仍然有較大的改進、提高的余地和空間. 為了能改善識別系統的性能,一些研究者還利用信息融合技術進行融合了多種筆跡特征和分類方法或加上其它生物特征進行身份認證,并獲得了不錯的效果,這極大的推動了在線手寫筆跡識別技術的發展. 尋求一種好的筆跡認證方法具有十分重要的意義,對于筆跡識別算法改進不僅具有重要的理論意義,還具有不凡的現實意義.

1 基于混合特征的在線手寫筆跡識別算法

隨著移動互聯網和傳感設備的高速發展和普及,讓方便、快捷、高效的移動在線筆跡識別成為可能.經過對傳統的文本相關筆跡識別中動態時間規整算法(Dynamic time warping)[6]和文本無關筆跡特征提取方法[7]研究基礎上,提出了基于Android手機平臺的混合特征在線手寫筆跡識別算法. 其中包括的主要環節包括入筆跡信息采集、預處理、筆跡特征提取和筆跡的匹配識別,將注冊的筆跡信息經過去噪、平滑等預處理后所提取的混合筆跡特征建立分類器模型,與提取的登入筆跡特征進行分類識別,最后輸出驗證結果. 如圖1所示.

圖1 算法設計流程圖

漢字筆劃提取通常是筆跡識別與鑒定的重要一步,不同的筆劃拆分方法將會決定下一階段特征提取的好壞. 然而漢字結構復雜、偏旁多變、筆劃眾多,這給自動地筆劃拆分帶來一定的挑戰. 有的利用游程長度的閾值對像素點的方向游程長度進行分類,處理筆劃交叉問題[7]; 有的則是基于單字切分及基本筆順表進行筆劃拆解[8]. 這些方法雖然在某些漢字的切分上取得一定的效果,但無法適用于一些結構較為復雜、筆劃密集的漢字上.

現有的特征提取技術主要包括Gabor特征提取[4]以及NCFE八方向特征提取[9]. Gabor特征在圖像特征提取方面擁有不錯優良性能,但由于其計算高復雜度在現有階段無法實用于單機在線手寫認證上.

1.1 筆跡采集

在書寫的過程中,筆跡的靜態紋理信息和筆跡的運動學特征不僅反應了書寫者鮮明的書寫習慣,而且這些特征難以被仿制偽造,對于后期筆跡的識別和鑒定打下堅實的基礎. 根據以上信息,本套筆跡識別系統以智能手機作為使用平臺,提取的筆跡信息主要包括手機屏幕的X坐標、Y坐標、坐標時間戳、觸點狀態、橫向速度、縱向速度等.

1.2 筆跡信息的預處理

由于使用者每次寫字的位置、大小可能不同,另外使用過程中由于一些外界因素的干擾也會產生一些噪音和冗余點,這些都會對識別結果產生影響. 因此,在對信息進行進一步處理前需要進行預處理操作,預處理可以在一定程度上可以提高識別的效果. 本文的預處理過程包括去噪平滑、位置歸一化、大小歸一化等.

① 去噪平滑: 移動手機傳感設備存在一定的干擾和書寫者書寫時的無意抖動都會給筆跡原始數據添加一定的噪聲,因此需要對原始數據進行去噪平滑處理.平滑處理采用高斯平滑濾波器(Gaussian smoothing filter) 對筆跡數據的各分量進行濾波平滑.

② 歸一化處理(Normalization): 由于使用者每次書寫的筆劃絕對位置和規模大小并不固定,因此通過位置和大小的歸一化處理可以統一原始數據的各個量綱以便后續的處理. 位置歸一化用坐標平移的方法完成,將筆跡曲線的重心作為新坐標的原點,而大小歸一化則通過對坐標各分量大小進行歸一化.

1.3 基于斜率的筆跡拆分方法

本文采用一種基于斜率的筆劃拆解方法[10],其根據自然筆劃的方向順序和長度大小有效地提取每一筆劃基本單元信息. 具體的筆劃拆解包含以下四個步驟:

步驟一. 對筆跡數據采用B樣條插值法進行插點和平滑,避免由于筆劃樣本點的稀疏導致夾角大小頻繁變化和波動. 其算法步驟插值流程如下:

② 將數據節點和指定的首位端點條件帶入矩陣方程.

③ 解矩陣方程,求得二次微分值mi.

④ 計算樣條曲線的系數:

其中,i= 0,1,…,n-1.

步驟二. 為了保證筆劃的拆分效果和特征的有效性,需對相間隔的樣本點進行考察. 當且僅當前一樣本點與下一樣本點距離大于預設閾值M的筆劃才考慮是否對其拆分,若兩樣本點間的距離小于M則將當前考察點移至下一考察點.

步驟三. 計算兩個參考點間的斜率大小,當參考點與下一參考點間的絕對斜率與當前點的自然斜率差值的絕對值小于給定閾值K時,該點作為一個有效筆劃拆分點.

步驟四. 兩個拆分點之間的軌跡段即可作為一個基本自然筆劃單元.

1.4 NCFE八方向靜態特征提取

在筆跡識別系統中,正確有效的筆劃特征提取方法可以顯著的提高識別認證結果的準確性. NCFE八方向特征則能反映每個筆劃的方向形態特征,能更好地適用于筆劃提取后的每個基本筆劃單元. 它是通過將經過預處理的筆跡序列進行筆劃拆分都得到的基本筆劃單元按照每個單元的方向歸一化投影到八個方向平面上,從而獲取該筆劃單元的特征向量. 特征向量的獲取分為以下幾個步驟:

1.5 基于DTW的混合特征的筆跡識別認證

根據所采集的筆劃信息,分為靜態特征信息和動態特征信息. 靜態特征反應了字體樣式的總體形態和幾何特征,動態特征展現了筆跡書寫過程中形成的一系列有順序的、連續的運動變化狀態的征象. 本算法采用動態特征和靜態特征信息結合的方法,既保留了筆跡樣本總體的形態信息,又不乏局部豐富的動態特征. 最大限度地保證了筆跡信息的完整性和一致性.

識別過程可分為三個階段: 動態特征的DTW距離快速排除階段、基于KNN的文本無關靜態特征識別階段和綜合判別認證階段.

階段一: 基于動態特征的DTW距離快速排除

該階段采用動態時間規整算法作為識別分類器.動態時間規整 (Dynamic time warping,DTW)[11]就是用動態規劃方法校正時域信號的非線性時間彎曲現象,最先用于語音信號處理,后來在筆跡認證中得到了廣泛應用.

通過比對身份注冊階段筆跡和登錄驗證階段筆跡的速度與加速度各分量的DTW距離加權和.

具體做法是: 可以通過給各分量預設一個閾值H,僅保留最低距離且DTW距離小于一個預設最小距離閾值N的用戶.

階段二: 基于KNN分類器的文本無關靜態特征識別

上述的方法僅僅適應于文本相關的識別檢測,倘若攻擊者故意模仿注冊用戶的字跡樣式就會帶其他未知的安全漏洞和隱患,特別在金融、商務、國防等安全等級較高的領域更是如此. 如何在確保算法準確率的前提下提高對高超偽造筆跡的判別能力成為了該項技術在安全保障方面的難題. 為此,文本無關的筆跡樣本成了一個不錯的選擇,攻擊者無法提前知曉這些未出現過字樣的任何信息,而真實用戶可以利用個人書寫習慣成功的識別,進而大大提高了算法在安全可靠性上的性能.

第二階段的文本無關的靜態特征識別可分為以下幾個步驟:

① 計算待驗證用戶的特征向量所在的八個筆劃單元類與每個注冊用戶對應筆劃單元類之間距離的加權和.

② 取登錄用戶的各個特征向量與所有注冊用戶距離最小的前K個且其距離小于給定閾值L作為相似用戶,記為top-K用戶.

③ 統計各個注冊用戶被標記為top-K用戶的次數,并按大到小排序.

階段三: 綜合判別認證

若第①步的識別結果在第②步的識別結果出現,則判定第①步的識別結果為真實用戶,否則判別為陌生用戶.

2 實驗結果

2.1 實驗方法

一般地,我們將身份識別錯誤分為兩種,誤納率(FAR)和誤據率(FRR)[12]. 依照隨機抽樣的方式從本校學生中抽取若干樣本作為本次測試樣本空間. 根據上述基于混合特征的在線手寫筆跡識別算法,通過觀察和分析傳統基于紋理的靜態特征和混合后的綜合特征的各項性能指標,和在不同身份注冊字數和識別認證字數組合下對混合特征識別算法的性能表現進行測試,以此得出本次實驗結果.

2.2 基于靜態紋理特征和混合特征的實驗對比

從表1和圖2中可以直觀地看出: 基于紋理特征的識別方式具有較低的誤納率,即可以有效地的防止陌生用戶的攻擊,但是在誤據率方面表現不佳,而基于混合特征的識別方式既最大限度保留了較低的誤納率,而且在誤據率方面也有很好的改良. 從整體準確性來說,基于混合特征具有比單一的基于紋理特征識別更好的性能表現.

表1 不同特征選擇下的錯誤率和準確率

圖2 不同特征選擇下的錯誤率和準確率

2.3 不同注冊字數和驗證字數組合的性能測試

從圖3和圖4可以得出: 在登入驗證字數不變的情況下,越多注冊字數能夠提供更多注冊用戶的信息,從而更好地幫助分類器有效地識別真實用戶. 同理,在注冊字數不變的情況下,隨著登入驗證字數的增加也能很好的得出更加有效的驗證結果.

3 總結與展望

基于移動平臺的在線手寫識別有效解決了傳統筆跡采集平臺機動性差,安全性不可靠,準確性差等缺點,推動了便捷身份認證技術的發展. 通過大量樣本的對比實驗可以得出: 基于混合特征的在線筆跡手寫識別技術能夠有效地防止大部分偽造者對真實用戶的攻擊,并且在移動平臺取得良好的穩定性和準確性.

圖3 注冊字數對識別準確度的影響

圖4 登入字數對識別準確度的影響

1Liu CL,Jaeger S,Nakagawa M. Online recognition of Chinese characters: The state-of-the-art. IEEE Trans. on Pattern Analysis and Machine Intelligence,2004,26(2):198–213. [doi: 10.1109/TPAMI.2004.1262182]

2Zhong ZY,Jin LW,Xie ZC. High performance offline handwritten Chinese character recognition using GoogLeNet and directional feature maps. Proc. of the 13th International Conference on Document Analysis and Recognition. Tunis,Tunisia. 2015. 846–850.

3Liu CL,Marukawa K. Pseudo two-dimensional shape normalization methods for handwritten Chinese character recognition. Pattern Recognition,2005,38(12): 2242–2255.[doi: 10.1016/j.patcog.2005.04.019]

4Ge Y,Huo Q,Feng ZD. Offline recognition of handwritten Chinese characters using Gabor features,CDHMM modeling and MCE training. Proc. of the 2002 IEEE International Conference on Acoustics,Speech,and Signal Processing.Orlando,FL,USA. 2002. I-1053–I-1056.

5Liu CL. Normalization-cooperated gradient feature extraction for handwritten character recognition. IEEE Trans. on Pattern Analysis and Machine Intelligence,2007,29(8): 1465–1469.[doi: 10.1109/TPAMI.2007.1090]

6全中華. 基于動態手寫簽名的身份認證研究[博士學位論文]. 合肥: 中國科學技術大學,2007.

7趙建平,車丹. 手寫體筆跡單筆劃提取算法. 長春理工大學學報,2005,28(4): 66–70.

8崔景楠,邢長征. 基于筆順自由及連筆的聯機手寫漢字識別. 計算機系統應用,2009,18(5): 29–33.

9Bai ZL,Huo Q. A study on the use of 8-directional features for online handwritten Chinese character recognition. Proc.of the 8th International Conference on Document Analysis and Recognition. Seoul,South Korea. 2005. 262–266.

10黃佳. 基于自然筆畫拆分的手寫文字識別方法[碩士學位論文]. 哈爾濱: 哈爾濱工業大學,2014.

11羅勇軍. 基于優化DTW算法的在線手寫簽名認證系統研究與設計[碩士學位論文]. 廣州: 廣東工業大學,2014.

12Liang RZ,Shi LH,Wang HX,et al. Optimizing top precision performance measure of content-based image retrieval by learning similarity function. Proc. of 2016 the 23rd International Conference on Pattern Recognition. Cancun,Mexico. 2016. 2954–2958.

Identity Recognition Technology Based on the Users’ Handwriting

CHEN Zi-Wei,HONG Si-Yun,LIN Jie,SHI Lin

(Faculty of Software,Fujian Normal University,Fuzhou 350108,China)

In view of the problems like the difficulty in memorizing passwords,privacy issues and fake information,a new algorithm combined the static and dynamic features based on the android platform for online handwriting recognition is proposed. The proposed algorithm extracts the static texture and dynamic vector features by adopting the combination of text-dependent and text-independent ways on the new smart mobile devices platform. The problems of handwriting acquisition,fake information and less accuracy are solved. It’s safe and fast for identification on mobile devices. The experimental results show the proposed algorithm has a great performance in stability,repeatability,accuracy and safety.It can effectively block the attack from intrusion and is high in security.

handwriting identification; dynamic vector feature extraction; feature combination

陳子煒,洪思云,林劼,石琳.基于用戶筆跡的移動身份識別技術.計算機系統應用,2017,26(12):191–195. http://www.c-s-a.org.cn/1003-3254/6097.html

2017-03-12; 修改時間: 2017-03-27; 采用時間: 2017-04-05