基于HMM-SVM混合模型的在線手寫簽名認(rèn)證.pdf

1、手寫簽名認(rèn)證是利用個人書寫所特有的規(guī)律來進(jìn)行身份認(rèn)證的一種生物行為特征認(rèn)證方法，其作為一種公認(rèn)的身份認(rèn)證技術(shù)，具有方便、可靠以及容易為人們所接受等特點(diǎn)，在金融、證券、電子商務(wù)以及電子政務(wù)等領(lǐng)域得到了廣泛的應(yīng)用，具有重要的研究價(jià)值。在當(dāng)前主流的手寫簽名認(rèn)證方法中：彈性匹配方法速度比較快，但識別率不高；HMM方法識別率較高，但是它只考慮正訓(xùn)練樣本的作用，而未考慮負(fù)訓(xùn)練樣本的影響，從而很大程度上限制了HMM的鑒別能力；神經(jīng)網(wǎng)絡(luò)方法雖然可以根據(jù)

2、有代表性的樣本進(jìn)行自我學(xué)習(xí)，魯棒性和自適應(yīng)性較好，但是因其網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)不好確定導(dǎo)致其結(jié)構(gòu)的確定比較困難；SVM方法可以獲得較高的識別率，但是由于其存在混迭交叉，無法進(jìn)行準(zhǔn)確地判決，因而存在一定的限制。
　　 以上方法中，HMM和SVM應(yīng)用較多。HMM模型比較適合于處理連續(xù)信號，但是它需要大量的訓(xùn)練數(shù)據(jù)來估計(jì)概率分布，而SVM只需少量的訓(xùn)練樣本就能夠得到較好的分類效果。因此，如果充分利用HMM方法具有的較好建模能力以及SVM具有的

3、較強(qiáng)分類能力，無需太多的訓(xùn)練樣本即可得到較好的認(rèn)證效果。目前HMM-SVM混合模型在人臉識別、說話人確認(rèn)等領(lǐng)域都得到了驗(yàn)證，并且獲得了一定效果，但是大部分HMM-SVM混合模型是將SVM的輸出轉(zhuǎn)化為概率，并作為HMM中各個隱狀態(tài)的輸出概率，這樣對于HMM中的每個狀態(tài)必然對應(yīng)于一個SVM，此時(shí)如果狀態(tài)數(shù)比較多的話，勢必造成訓(xùn)練速度變慢，而且當(dāng)正樣本與負(fù)樣本數(shù)據(jù)之間存在混迭現(xiàn)象時(shí)，特別是對于大樣本特征數(shù)據(jù)，SVM不能準(zhǔn)確地對其進(jìn)行鑒別。

4、r>　　 本文將HMM-SVM+SIGMOID混合模型用于在線手寫簽名認(rèn)證，通過HMM對大樣本特征數(shù)據(jù)進(jìn)行壓縮，將經(jīng)過壓縮后的多維概率矢量作為SVM的輸入，并且針對樣本混迭時(shí)，SVM無法做出準(zhǔn)確判決這個問題，通過引入SIGMOID函數(shù)對分類結(jié)果采用概率的方式輸出，有效地解決了樣本混迭帶來的不確定性，進(jìn)一步提高了簽名認(rèn)證的性能。最后本文在Microsoft Visual C++6.0開發(fā)平臺上使用SVC2004數(shù)據(jù)庫中的簽名數(shù)據(jù)對該方法