身份认证是社会安全稳定的一个保证。个体的身份认证可以保证个体乃至集体的利益，维护社会的稳定。随着科技的不断发展，信物凭证、密码口令等传统的身份认证方式的可靠性正在降低。信物伪造、口令泄露等事件屡次出现。进入21世纪后，计算机和互联网的发展让人类社会进入到一个快捷的信息化时代，各个学科也得到了长足的发展。生物特征识别技术随之发展起来。离线签名作为一种重要的生物特征，能够有效地用于身份认证，在社会生活中扮演着非常重要的角色，在商务、司法、金融、保险等众多领域中都有着广泛的应用。因此，研究离线状态下使用计算机对手写签名进行自动识别的技术具有重要的意义。

国外研究机构和学者很早就在签名识别上开展了研究。一些科技公司的加入，使得国外的研究较为系统和全面，技术较为成熟先进。日本就专门成立过一家“日本电子签名系统公司”，美国也有一家CIC (智通)公司，这些科技公司都专注于签名系统的研究，其中就包括离线签名系统。签名识别系统主要分为在线签名识别系统和离线签名识别系统。在线签名识别需要借助签名输入设备，在用户输入签名时，签名设备不仅能得到签名，而且能够获得用户签名的动态信息，因此在线签名识别效果好，尤其国外在这方面的技术已经相当成熟。离线签名识别是对手写签名的静态图像进行分析处理，很多的法律文件和金融文件都采用的是离线的签名。

2011年的国际文件分析识别会议( ICDAR，International Conference on Document Analysis and Recognition)举办了国际离线签名识别竞赛。Minal-Tomar等人使用定向网络特征和能量密度结合作为同一网络的输入，并使用神经网络作为分类器。这种识别方法对于较少的训练样本也有着不错的实现效果。Indrajt-Bhattacharya等人使用了PMT (Pixel Matching Technique，像素匹配技术)的方法，将签名图像的像素作为特征，而不是提取具有稳定性的某部分特征做分类识别。该方法还同时实现了ANN和SVM两种分类，最后证明PMT方法是可行的。

国内对于离线签名识别的研究相对国外起步较晚，而且因为离线签名识别的难度和科研信息获取渠道的不畅，离线签名识别只有一些大学的研究生做过一定的研究。这也导致了国内关于离线签名识别的论文比较少。陈刚在离线签名识别研究中采用滤波、归一化二值图像和归一化细化图像的方法对签名进行预处理，并提取了伪动态特征、形状特征、纹理特征和网格特征，最后分别采用K近邻分类法和ANN的方法识别签名。蔡锋在图像预处理阶段采用了比较系统比较常用的方法，即去噪、二值化、细化、归一化和轮廓提取，经过这些处理的图像可以很方便地提取任何想要的作为分类用的特征。傅仰汉将HTM (Hierarchical Temporal Memory，层次时间记忆)方法应用到离线签名的分类识别上，该方法是在ANN的基础上提出的一种更加完善的神经网络方法，能够结合时间和反馈从而使算法更加完善，是在离线中文签名分类方法上做出的新尝试。

传统的离线中文签名识别通过提取签名图像特征，然后采用分类方法分类签名特征，特征工程工作量大，而且提取到的特征也不一定满足实际要求。特征提取方法近年来发展不大，提取到的签名特征识别结果并未有很大的提高，离线中文签名识别目前还未取得比较大的发展和实际应用。

2. 研究的基本内容与方案

离线签名识别，实质上等同于对字符进行识别。本课题拟采用的核心技术为OCR字符识别技术，通过采用某些OCR模型将图片中的的签名字符转换为文本。本课题初步拟定有以下几个基本步骤：

（1）图像预处理：输入到离线签名识别系统里的是一张张手写体汉字的图像。进行签名识别之前，首先要对图像进行预处理。这些图片基本来自于人们在工作生活中签署的各类文件。由于是纯手工书写，难免出现噪声干扰，如签名旁边孤立的点以及笔画上的毛刺等，还有利用打印机扫描数据形成图片的过程中也难免出现模糊不清的现象，这些都是噪声干扰，都需要经过预处理。预处理操作一般包括平滑去噪、二值化和归一化处理等。经过预处理后，签名图像变得清晰简单且易于处理。

（2）行列切割：进行预处理后，我们还需对图像中的字符每一行进行行分割，把每一行的文字切割下来，最后再对每一行文本进行列分割，切割出每个字符。

（3）字符识别：该步骤是指将字符送入训练好的OCR识别模型进行字符识别，将相匹配的字符打印在屏幕上，进而能够将签名内容识别出来。拟采用的OCR识别工具有：(1)谷歌开源OCR引擎Tesseract； (2)大公司的OCR开放平台（比如百度），使用他们的字符识别API；(3)传统方法做字符的特征提取，输入分类器，得出OCR模型。

[1] 蔡锋. 离线手写签名识别技术研究[D]. 上海交通大学, 2007.
[2]马小晴,桑庆兵. 基于LBP和深度学习的手写签名识别算法[J]. 量子电子学报, 2017, 34(1):23-31.
[3]尹宝才,王文通,王立春. 深度学习研究综述[J]. 北京工业大学学报, 2015(1):48-59.