CN102411712B - 基于笔迹的身份识别的方法及终端 - Google Patents

Abstract

本发明提供一种基于笔迹的身份识别的方法及终端，基于笔迹的身份识别的方法，包括以下步骤：笔迹采集模块采集待识别笔迹；特征提取模块提取所述待识别笔迹的识别特征，所述识别特征用于表征待识别笔迹的特异性；判断模块判断所述识别特征与存储于笔迹样品库模块中的标准笔迹的标准特征是否匹配，若判断获知所述识别特征与所述标准特征相匹配，则身份合法；否则身份不合法，所述标准特征用于表征所述标准笔迹的特异性。该方法采用笔迹来进行用户身份合法性与否的判断，由于，每个人的笔迹都具有独特性，且在较长的一段时期内是不会随意改变，因此保证了身份识别的稳定性。另外，笔迹不易被模仿，因此采用笔迹进行身份识别具有较高的安全性。

Description

基于笔迹的身份识别的方法及终端

技术领域

本发明涉及身份识别技术，尤其涉及一种基于笔迹的身份识别的方法及终端。

背景技术

随着微电子技术的迅速发展，体积小、功能应用丰富的个人电子产品（如智能手机、PDA、平板电脑等）已成为人们日常工作生活中不可或缺的用品。在上述的个人电子产品中一般会存储有总要的商务资料、隐私资料等。为防止不法之徒盗用个人电子产品，并利用其中所存储的信息来进行非法活动，而给个人电子产品的主人或相关人员带来损失，因此，在个人电子产品中一般均设置有身份确认的机制。

目前，在个人电子产品中使用最广泛的身份确认机制为指纹识别。指纹识别是根据，在自然状态下，每个人的指纹在皮肤纹路的图案、断点和交点均是不相同的，也就是说每个人的指纹特征均是唯一的，并且终生不变。依靠这种唯一性及稳定性，将指纹与个人进行一一对应，在进行身份识别时，通过对个人的指纹与预先保存的指纹进行比较，若相同则判断为合法身份，否则为非法身份。

虽然，通过指纹识别可以识别用户身份是否合法，但是，指纹也可以通过手术或一些有创手段得以改变，这就导致了指纹识别又不是稳定的识别手段，例如，当录入指纹的手指受伤，则此时便不能再利用此手指进行身份的识别。另外，有些人指纹特征上，难以成像，导致识别困难且误识率高。还有，每一次使用指纹识别时，在指纹识别采集头上均会留下用户的指纹印痕，而这些残留在指纹识别采集头上的指纹可以被用来进行指纹的复制，一旦指纹被复制，则任何人均可以使用复制的指纹来进行身份的识别，这样就降低了指纹识别的安全性。

发明内容

本发明提供一种基于笔迹的身份识别的方法及终端，以提高身份识别的稳定性及安全性。

本发明提供一种基于笔迹的身份识别的方法，包括以下步骤：

笔迹采集模块采集待识别笔迹；

特征提取模块提取所述待识别笔迹的识别特征，所述识别特征用于表征待识别笔迹的特异性；

判断模块判断所述识别特征与存储于笔迹样品库模块中的标准笔迹的标准特征是否匹配，若判断获知所述识别特征与所述标准特征相匹配，则身份合法；否则身份不合法，所述标准特征用于表征所述标准笔迹的特异性。

本发明还提供一种基于笔迹的身份识别的终端，包括：

笔迹采集模块，用于采集待识别笔迹；

特征提取模块，用于提取所述待识别笔迹的识别特征，所述识别特征用于表征笔迹的特异性；

笔迹样品库模块，用于存储标准笔迹；

判断模块，用于判断所述识别特征与存储于笔迹样品库模块中的标准笔迹的标准特征是否匹配，若判断获知所述识别特征与所述标准特征相匹配，则身份合法；否则身份不合法，所述标准特征用于表征所述标准笔迹的特异性。

本发明提供的基于笔迹的身份识别的方法及终端，采用用户手写的笔迹的识别特征与存储在笔迹样品库模块中的标准特征进行匹配，若匹配通过则判断为合法用户，否则为非法用户。由于，每个人的笔迹都具有独特性，且在较长的一段时期（比如几年）内是不会随意改变，因此保证了身份识别的稳定性。另外，由于笔迹不易被模仿，因此采用笔迹进行身份识别具有较高的安全性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明基于笔迹的身份识别的方法实施例1的流程图；

图2为本发明基于笔迹的身份识别的方法实施例2的流程图；

图3为本发明基于笔迹的身份识别的方法实施例3的流程图；

图4为本发明基于笔迹的身份识别的终端实施例1的结构示意图；

图5为本发明基于笔迹的身份识别的终端实施例2的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明基于笔迹的身份识别的方法实施例的流程图，包括以下步骤：

S100：笔迹采集模块采集待识别笔迹；

目前主流的个人电子产品，如智能手机、个人数字助理（Personal DigitalAssistant，PDA）、平板电脑等，它们的显示屏均为触摸式显示屏。这里的触摸式显示屏可以是电阻式触摸屏或电容式触摸屏。

由于各类个人电子产品在身份识别方面的操作是相似的，故，下文仅对应用于智能手机上的身份识别为例进行阐述。

在需要进行身份识别时，例如在进行开机、屏幕解锁或应用程序开启等操作时，智能手机会提示用户进行身份识别，此时，用户便可以在触摸式显示屏上进行文字的书写，在用户书写文字的同时，触摸式显示屏便实时的获取到了与书写文字对应的笔迹信息。

S200：特征提取模块提取所述待识别笔迹的识别特征，所述识别特征用于表征笔迹的特异性；

特征提取模块对触摸式显示器采集到的笔迹信息进行处理，以获得待识别笔迹的识别特征。由于每个人所书写的文字均具有自身的独特性，因此用识别特征来标识这种独特性，也即笔迹的特异性。

S300：判断模块判断所述识别特征与存储于笔迹样品库模块中的标准特征是否匹配，若判断获知所述识别特征与所述标准特征相匹配，则身份合法；否则身份不合法，所述标准特征用于表征所述标准笔迹的特异性。

在进行身份识别前，首先在笔迹样品库模块中构建一个标准特征样本库，标准特征样本库可以采用特征训练的方式来构建。标准特征样本库一般含有多个文字的笔迹特征，当然也可仅含有一个文字的笔迹特征。

标准特征样本库的构建可以由一次构建完成，也可以分为多次进行构建。在进行多次构建时，判断标准特征样本库中是否已有在后输入的笔迹，若判断出标准特征样本库已存在上述笔迹，则将其丢弃不用，若判断出标准特征样本库未储存上述笔迹，则将提取该笔迹的特征，并将该笔迹存入标准特征样本库中。

在进行身份识别时，判断模块以步骤S200中提取的识别特征与存储于笔迹样品库模块中的标准特征进行匹配，若识别特征与标准特征相匹配，则判断获知用户的身份合法，允许用户使用该智能手机，若识别特征与标准特征不匹配，则判断获知用户的身份不合法，不允许用户使用该智能手机。

本发明基于笔迹的身份识别的方法实施例中，采用用户手写的笔迹来进行用户身份合法性与否的判断，由于，每个人的笔迹都具有独特性，且在较长的一段时期（比如几年）内是不会随意改变，因此保证了身份识别的稳定性。另外，由于笔迹不易被模仿，因此采用笔迹进行身份识别具有较高的安全性。

进一步的，基于上述实施例1，如图2所示，除了包括上述步骤S100～S200，在执行步骤S200之前，还包括：

S101：预处理模块对所述待识别笔迹进行中值滤波。

在笔迹采集模块采集到待识别笔迹后，预处理模块对所述待识别笔迹进行预处理操作。预处理操作包括但不仅限于对待识别笔迹进行中值滤波。通过对待识别笔迹进行中值滤波可以消除噪点、冗余等信息，有利于提高笔迹匹配识别的准确度。

进一步的，基于上述实施例1，如图3所示，除了包括上述步骤S100～S200，在执行步骤S200之前，还包括：

S102：预处理模块对所述待识别笔迹进行归一化处理。

在笔迹采集模块采集到待识别笔迹后，预处理模块对所述待识别笔迹进行预处理操作。预处理操作包括但不仅限于对待识别笔迹进行归一化处理。通过归一化处理有利于提高识别特征与标准特征匹配与否的判断效率。

基于上述实施例，具体来说，识别特征包括结构特征和动态特征，所述结构特征用于表征待识别笔迹离散形成的笔段序列特征，所述动态特征用于表征笔迹运动的速度序列特征。在识别特征中包含了动态特征，动态特征可以反映了个人书写是的速度特性，其难以被模仿，因此，大大提高了该基于笔迹的身份识别的方法的安全性。

对待识别笔迹进行离散形成笔段序列特征的方法是，将笔迹采集模块采集到的笔迹表示为等时间间隔的空间离散坐标点序列，即{x(1),y(1)},{x(2),y(2)},…,{x(n),y(n)}。取各空间离散坐标点处的曲率：

$c\left(i\right)={\left[\frac{\mathrm{dq}}{\mathrm{ds}}\right]}_i,i=\mathrm{1,2,3}...n;$

其中，

对计算获得的曲率值进行平滑处理，即曲率值去三个连续点的加权平均值。在获得曲率值后，将各曲率值与阈值进行比较，若曲率值大于阈值，则该曲率值所对应的空间离散坐标点即为拐点，以所述的拐点将待识别笔迹切分（离散）为笔段序列。这里的阈值是与曲率值进行比较的一个定值，其大小可以根据具体的实际需要及识别的精度要求来具体确定。将待识别笔迹切分为笔段序列后，至少提取比段序列中各笔段的如下三个特征：笔段起点坐标（x_i,y_i）、笔段终点坐标（x_e,y_e）和笔段长度L_s。

由于在上述空间离散坐标点序列中存在噪声，因此，笔迹运动的速度序列特征采用二阶平微的方法：

$z^{\′}(n+a)=\underset{r=1}{\overset{N}{\mathrm{\Σ}}}{w}_r{z}_r;$

$W_r=\frac{1}{h}\{\frac{12(r-\stackrel{\‾}{r})}{n(n^2-1)}+\frac{180[{(r-\stackrel{\‾}{r})}^2-(n^2-1)/12]2(r_1-\stackrel{\‾}{r})}{n(n^2-1)(n^2-4)}\};$

$\stackrel{\‾}{r}=(n+1)/2;$

$\left\{\begin{array}{c}V\left(t\right)=\sqrt{V_X^2\left(t\right)+V_y^2\left(t\right)}\\ \mathrm{\θ}\left(t\right)\text{arctan[}\frac{V_y\left(t\right)}{V_X\left(t\right)}\text{]}\end{array}\right.;$

其中，

n为平微节点数；

n+a为平微求速点在速度序列中的位置；

r₁为平微分点的位置；

h为微分间隔；

W_r为权序列；

V_x（t）笔迹书写中直角坐标系x轴上的速度分量；

V_y（t）笔迹书写中直角坐标系y轴上的速度分量；

V(t)为速度序列的模值；

θ(t)为方向角。

在上述算法中，对笔迹运动的速度序列特征两端的数据进端点平滑，中间部分进行中心平滑，这样提高了数据处理的精度，有利于提高识别的准确性。当各笔段平滑时，则，

此时：

$W_r=\frac{1}{h}\frac{12(r-\stackrel{\‾}{r})}{n(n^2-1)}.$

判断模块判断所述识别特征与存储于笔迹样品库模块中的标准特征是否匹配采用如下算法：

G=g₁g₂…g_m；

X=x₁x₂…x_n；

$\left\{\begin{array}{c}D\left(\mathrm{1,1}\right)=d\left(\mathrm{1,1}\right)\\ D(i,j)=d(i,j)+\min \{D(i-j),D(i-1,j-1),D(i,j-1)\};\\ \mathrm{Dm}(G,X)=D(m,n)\end{array}\right.$

$d(i,j)=\sqrt{{(x_i^{g_i}-x_i^{x_j})}^2+{(y_i^{g_i}-y_i^{x_j})}^2}+\sqrt{{(x_e^{g_i}-x_e^{x_j})}^2+{(y_e^{g_i}-y_e^{x_j})}^2}+C_L|L_s^{g_i}-L_s^{x_j}|;$

D_T=λ₁D_S+λ₂D_d；

若D_T≤TH，则判断为身份合法，否则身份不合法；

其中，

g_m为待识别笔迹的笔段序列中的第m个笔段；

x_n为标准笔迹的笔段序列中的第n个笔段；

G为待识别笔迹的笔段序列；

X为标准笔迹的笔段序列;

D_m(G,X)为待识别笔迹的笔段序列与标准笔迹的笔段序列之间总的匹配距离；

D(i,j)为待识别笔迹的笔段序列中前i个笔段与标准笔迹的笔段序列中前j个笔段之间的匹配距离；

d(i,j)为待识别笔迹的笔段序列中第i个笔段与标准笔迹的笔段序列中第j个笔段之间的匹配距离；

d‘(i,j)为待识别笔迹的笔段序列中第i个笔段动态特征与标准笔迹的笔段序列中第j个笔段动态特征之间的匹配距离；

均为速度向量；

X_s,Y_s为笔段起点坐标；

X_e,Y_e为笔段终点坐标；

L_S为笔段的长度；

C_L为权重系数；

i=1,2,...,m；

j=1,2,...,n；

λ₁为标准笔迹的匹配距离的权重系数；

λ₂为待识别笔迹的匹配距离的权重系数；

D_s为标准笔迹总的匹配距离；

D_d为待识别笔迹总的匹配距离；

D_T为标准笔迹与待识别笔迹之间总的匹配距离；

TH为身份合法性判断标准值。

TH为一个定值，可以由具体的识别级别及识别的相似度来定。若需要的识别的等级、相似度越高则TH的值取得越小，反之越大。

如图4所示，本发明基于笔迹的身份识别的终端实施例的结构示意图，包括笔迹采集模块1、特征提取模块2、笔迹样品库模块3和判断模块4。

具体地，笔迹采集模块1用于采集待识别笔迹；特征提取模块2用于提取所述待识别笔迹的识别特征，所述识别特征用于表征笔迹的特异性；笔迹样品库模块3用于存储标准笔迹；判断模块4用于判断所述识别特征与存储于笔迹样品库模块中的标准笔迹的标准特征是否匹配，若判断获知所述识别特征与所述标准特征相匹配，则身份合法；否则身份不合法，所述标准特征用于表征所述标准笔迹的特异性。

本发明实施例提供的基于笔迹的身份识别的终端的功能和处理流程，可以参见上述方法实施例，此处不再赘述。

本发明基于笔迹的身份识别的终端实施例中，以用户手写的笔迹来进行用户身份合法性与否的判断，由于，每个人的笔迹都具有独特性，且在较长的一段时期（比如几年）内是不会随意改变，因此保证了身份识别的稳定性。另外，由于笔迹不易被模仿，因此采用笔迹进行身份识别具有较高的安全性。

基于上述实施例，如图5所示，本发明基于笔迹的身份识别的终端的另一实施例，除了包括上述实施例的笔迹采集模块1、特征提取模块2、笔迹样品库模块3和判断模块4，还包括预处理模块5.

预处理模块5用于对所述待识别笔迹进行中值滤波和/或归一化处理。

通过对待识别笔迹进行中值滤波可以消除噪点、冗余等信息，有利于提高笔迹匹配识别的准确度。通过归一化处理有利于提高识别特征与标准特征匹配与否的判断效率。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于笔迹的身份识别的方法，其特征在于，包括以下步骤：

笔迹采集模块采集待识别笔迹；

特征提取模块提取所述待识别笔迹的识别特征，所述识别特征用于表征待识别笔迹的特异性；

判断模块判断所述识别特征与存储于笔迹样品库模块中的标准笔迹的标准特征是否匹配，若判断获知所述识别特征与所述标准特征相匹配，则身份合法；否则身份不合法，所述标准特征用于表征所述标准笔迹的特异性；

所述识别特征包括结构特征和动态特征，所述结构特征用于表征待识别笔迹离散形成的笔段序列特征，所述动态特征用于表征笔迹运动的速度序列特征；

所述动态特征的算法为：

$z^{\′}(n+a)=\underset{r=1}{\overset{N}{\mathrm{\Σ}}}{w}_r{z}_r;$

$W_r=\frac{1}{h}\{\frac{12(r-\stackrel{\‾}{r})}{n(n^2-1)}+\frac{180[{(r-\stackrel{\‾}{r})}^2-(n^2-1)/12]2(r_1-\stackrel{\‾}{r})}{n(n^2-1)(n^2-4)}\};$

$\stackrel{\‾}{r}=(n+1)/2;$

$\left\{\begin{array}{c}V\left(t\right)=\sqrt{V_X^2\left(t\right)+V_y^2\left(t\right)}\\ \mathrm{\θ}\left(t\right)\text{arctan[}\frac{V_y\left(t\right)}{V_X\left(t\right)}\text{]}\end{array}\right.;$

其中，

n为平微节点数；

n+a为平微求速点在速度序列中的位置；

W_r为权序列；

r₁为平微分点的位置；

h为微分间隔；

V_x（t）笔迹书写中直角坐标系x轴上的速度分量；

V_y（t）笔迹书写中直角坐标系y轴上的速度分量；

V(t)为速度序列的模值；

θ(t)为方向角。

2.根据权利要求1所述的基于笔迹的身份识别的方法，其特征在于，在所述特征提取模块提取所述识别特征前，还包括：

预处理模块对所述待识别笔迹进行中值滤波。

3.根据权利要求1所述的基于笔迹的身份识别的方法，其特征在于，在所述特征提取模块提取所述识别特征前，还包括：

预处理模块对所述待识别笔迹进行归一化处理。

4.根据权利要求1所述的基于笔迹的身份识别的方法，其特征在于，待识别笔迹离散形成笔段序列特征的方法为：

所述特征提取模块将待识别笔迹等时间间隔离散为空间离散坐标点序列，并判断各空间离散坐标点处的曲率是否大于切分阈值，若判断获知所述曲率大于切分阈值，则与大于所述切分阈值的所述曲率相对应的空间离散坐标点为拐点，依所述拐点将所述待识别笔迹切分为笔段序列。

5.根据权利要求4所述的基于笔迹的身份识别的方法，其特征在于，所述笔段序列中的各笔段至少包括以下三个特征：笔段起点坐标、笔段终点坐标和笔段长度。

6.一种基于笔迹的身份识别的终端，其特征在于，包括：

笔迹采集模块，用于采集待识别笔迹；

特征提取模块，用于提取所述待识别笔迹的识别特征，所述识别特征用于表征笔迹的特异性；

笔迹样品库模块，用于存储标准笔迹；

判断模块，用于判断所述识别特征与存储于笔迹样品库模块中的标准笔迹的标准特征是否匹配，若判断获知所述识别特征与所述标准特征相匹配，则身份合法；否则身份不合法，所述标准特征用于表征所述标准笔迹的特异性；

所述识别特征包括结构特征和动态特征，所述结构特征用于表征待识别笔迹离散形成的笔段序列特征，所述动态特征用于表征笔迹运动的速度序列特征；

所述特征提取模块提取所述动态特征的算法为：

$z^{\′}(n+a)=\underset{r=1}{\overset{N}{\mathrm{\Σ}}}{w}_r{z}_r;$

$W_r=\frac{1}{h}\{\frac{12(r-\stackrel{\‾}{r})}{n(n^2-1)}+\frac{180[{(r-\stackrel{\‾}{r})}^2-(n^2-1)/12]2(r_1-\stackrel{\‾}{r})}{n(n^2-1)(n^2-4)}\};$

$\stackrel{\‾}{r}=(n+1)/2;$

$\left\{\begin{array}{c}V\left(t\right)=\sqrt{V_X^2\left(t\right)+V_y^2\left(t\right)}\\ \mathrm{\θ}\left(t\right)\text{arctan[}\frac{V_y\left(t\right)}{V_X\left(t\right)}\text{]}\end{array}\right.;$

其中，

n为平微节点数；

n+a为平微求速点在速度序列中的位置；

W_r为权序列；

r₁为平微分点的位置；

h为微分间隔；

V_x（t）笔迹书写中直角坐标系x轴上的速度分量；

V_y（t）笔迹书写中直角坐标系y轴上的速度分量；

V(t)为速度序列的模值；

θ(t)为方向角。

7.根据权利要求6所述的基于笔迹的身份识别的终端，其特征在于，还包括：

预处理模块，用于对所述待识别笔迹进行中值滤波和/或归一化处理。

Images