[发明专利]一种基于SVM电子手写签名识别的方法

说明书

本发明公开了一种基于SVM电子手写签名识别方法，签名注册时，用户在注册时多次在签字终端形成签字源文件,提交签字源文件保存至签名数据库中，并与用户进行绑定；对签名库中的用户按用户进行标签绑定；对签字源文件数据进行主成分特征值提取；选择SVM的核参数，针对核函数及注册时的主成分数据进行最优核参数计算，计算出最优的惩罚系数及核参数，把待训练的主成分特征值、惩罚系数及核参数带入SVM中进行训练，得到全局用户的SVM训练模型，对模型进行保存；本发明采用svm进行训练，通过用户的特征值进行识别的工作，实现了小样本对用户的判断，其效率高，准确性也较好。

技术领域

本发明涉及一种基于SVM电子手写签名识别的方法，尤其涉及一种电子手写签名的识别的解决方法。

背景技术

SVM是一种专门研究小样本情况下机器学习规律的理论，多类问题，可以通过分解为一系列SVM直接求解的两类问题来进行最终结果判定。

电子手写签名识别技术是电子签名和传统手写签名的高度融合，它可以克服传统墨水签名易被模范的缺点，不改变现有的签名习惯，更容易被大众接受。

发明内容

为了解决上述问题，本发明提出一种基于SVM电子手写签名识别方法，包括签名注册及认证两部分，包括下述步骤：

用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的三维信息{x_t,y_t,p_t},其中x_t,y_t分别为签名轨迹的横、纵坐标，p_t为签名时的压力值。

用户提交签字源文件保存至签名数据库中，并与用户进行绑定。

对签名库中的用户按用户进行标签绑定，并对签字源文件统一进行预处理，减少噪声和平化信号，去掉无效数据，对x,y分别进行数据进行大小归一化：

以x_t代表横坐标点，y_t为纵坐标点，数据大小归一化的方法为

其中，x′_t为签字源文件中每个轨迹的横坐标点，x′_max为整个轨迹横坐标的最大值，x′_min为整个轨迹横坐标的最小值，M为归一化的标准矩形框的大小。

y′_t为签字源文件中每个轨迹的纵坐标点，y′_min为整个轨迹纵坐标的最大值，y′_min为整个轨迹纵坐标的最小值。在使用时，各坐标点的分别取x,y坐标，M的长宽一般取1，计算结果x_t和y_t代表为每个坐标点在坐标轨迹中的比例位置。此公式的目的为把签字源文件中的点映射到统一的标准矩形框中，消除每次签名时的大小差异。

对预处理后的数据进行特征值提取。

对特征值集合通过主成分分析法(PCA)提取主成分特征值，降低无效特征值对结果分析的干扰。

对选取后的数据利用前述归一化公式进行数据归一化处理：把数据统一在[0,1]区间内，避免数值范围变化过大，并保存数据归一化的模型。

选择径向基核函数(RBF)作为SVM的核函数

其中，x_i、x_j为两个不同的特征值，||x_i-x_j||²为x_i、x_j两个特征值的欧几里得距离。σ₀为RBF的函数宽度参数，也就是核参数，可通过主成分分析计算出最适合值。