基于离线签名识别的身份认证技术研究

基于离线签名识别的身份认证技术研究

ID:259266

大小:217.50 KB

页数:36页

时间:2017-07-15

基于离线签名识别的身份认证技术研究_第1页
基于离线签名识别的身份认证技术研究_第2页
基于离线签名识别的身份认证技术研究_第3页
基于离线签名识别的身份认证技术研究_第4页
基于离线签名识别的身份认证技术研究_第5页
资源描述:

《基于离线签名识别的身份认证技术研究》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、基于离线签名识别的身份认证技术研究作者姓名:郜艳导师姓名:董兰芳王洵学科专业:计算机应用技术研究方向:图象处理内容提要研究背景隐马尔可夫模型技术基于隐马尔可夫模型的签名认证算法适合于隐马尔可夫模型应用的离线签名特征提取一个基于二维隐马尔可夫模型的中文离线签名认证系统总结和下一步的工作研究背景身份认证的应用和意义。传统的个人身份认证和基于生物特征识别的身份认证。基于离线签名识别的身份认证。离线签名鉴别的主要问题和难点本文的目标隐马尔可夫模型技术基于隐马尔可夫模型的签名认证算法适合于隐马尔可夫模型应用的离线签名特征提取一个基于二维

2、隐马尔可夫模型的中文离线签名认证系统总结和下一步的工作研究背景1身份认证技术的应用和意义在日常生活中,身份认证存在于很多方面:出入单位、去银行取款、登陆计算机系统或者进行网上交易时,都被要求证明自己的身份。在信息安全领域,身份鉴定则是保证系统安全的必要前提。随着计算机和网络技术的高速发展,信息安全越来越显示出前所未有的重要性。在金融、国家安全、司法、电子商务、电子政务等应用领域,都需要进行准确的身份鉴定。比如某人是否有权进入安全系统、是否有权进行特定交易、是否是合法居民,为部门的计算机网络设置口令和密钥进行保护,等等。研究背景

3、2传统身份认证与基于生物特征识别的身份认证传统的身份认证方式:把身份认证问题转化为鉴定标识个人身份的事物来实现的。“认物不认人”。不方便。基于生物特征识别的身份认证方式:通过计算机利用人体所固有的生理特征或行为特征进行个人身份认证。良好的防伪性能。“随身携带”。安全、可靠、有效的新一代身份鉴定技术。基于离线手写签名的身份认证也属于生物特征识别的范畴,不同的是,离线手写签名作为一种公认的身份标志已经有很长的历史了,就像在我国广泛使用的印章一样。这种身份鉴别方式如今在社会生活中仍然扮演着重要的角色,比如在商务、司法、金融、保险等众

4、多领域中都大量使用到离线手写签名。在今后一段时间内,离线手写签名鉴别仍然会作为一种重要的身份鉴别手段在这些领域继续使用。因此对离线手写签名自动鉴别技术的研究具有很大的实用价值。研究背景3离线签名识别要解决的问题和技术难点三类伪造签名:随机伪造签名,即其他书写者的真实签名;简单伪造签名,即没有刻意模仿的签名或粗劣的模仿品;熟练的伪造签名,这一类伪造品在字形上与真实签名非常接近。要解决的问题:识别出三类伪造签名首先是采集样本,然后是特征提取,根据样本所具有的独特和唯一的特征,用一种算法为其分配一个特征代码,并把这一代码存入数据库,

5、最后当需要鉴定某个签名的真伪时,再用某种特征匹配算法将存入数据库的特征代码与被识别签名的特征相匹配,得出结论。难点1:缺乏建立在签名内在特征和合理的形状描述之上的有效的签名表示方法。难点2:缺乏足够的参考(训练)样本研究背景4本文的研究目标针对离线手写签名中简单伪造签名的自动鉴别,尤其是中文签名。需要采用尽可能简单有效的特征和简洁高效的判别方法。应用HMM技术进行离线签名鉴别研究背景隐马尔可夫模型技术HMM的结构三大问题解决打分问题的前、后向算法解决训练问题的BaumWelch算法基于隐马尔可夫模型的签名认证算法适合于隐马尔可

6、夫模型应用的离线签名特征提取一个基于二维隐马尔可夫模型的中文离线签名认证系统总结和下一步的工作隐马尔可夫模型技术1HMM的结构:双重随机过程。观察值与状态不是一一对应的。站在观察者的角度,只能看到观察值,不能直接看到状态。“隐”。标准N状态HMM可以用三元组表示:A,状态转移概率矩阵B,观察概率矩阵,表示每个状态输出相应观察值的概率,为初始化概率分布。三大问题打分:在给定模型参数的情况下,计算模型输出观察序列的概率。评估一个模型和给定观察输出序列的匹配程度。前后向算法解释:给定观察序列,求在某种有意义的情况下最优的相关状态序列

7、。寻求输出观察的最佳“解释”,它试图揭示模型的隐藏部分。Viterbi算法训练:给定观察序列,寻找一组最优模型参数,使得模型对观察序列的输出概率最大。BaumWelch算法Markov链(pi,A)随机过程(B)状态序列观察值序列隐马尔可夫模型技术2前向算法:前向变量给定模型的情况下,到时间t时输出观察序列为,并且时刻t的状态是的概率。初始化:递推:终止:隐马尔可夫模型技术3后向算法后向变量当时刻t的状态是的时候,从时刻t+1到序列结束的输出观察序列为的概率初始化:递推:终止:隐马尔可夫模型技术4BaumWelch算法使用统计

8、意义上用频率近似概率的方法时刻1时系统处在状态的频率(次数)反复进行上面的过程,逐步改进模型参数,直到收敛,即不再明显增大,此时的就是HMM的最大相似性评估研究背景隐马尔可夫模型技术基于隐马尔可夫模型的签名认证算法原理与工作流程HMM输入数据准备HMM建模*认证过程解决缺乏训

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。