1. 研究目的与意义（文献综述）

长期以来，人们习惯于在纸质文件上手写签名来表明身份并认可签署内容，然而随着计算机技术的飞速发展，人类已经步入了互联网时代，对个人而言，购物、学习、娱乐甚至吃饭都可以通过互联网完成；同样，在商业领域，合同或文件大都是以电子的形式表现和传递的，因此签名的方式也逐渐转而电子化、无纸化。从传统纸质签字到如今电子单据的无纸化签署，一方面《中华人民共和国电子签名法》的颁布实施，为这种无纸化的应用提供了有力的法律保障，另一方面可靠的电子签名技术作为核心驱动引擎，能够有效规避无纸化后的法律风险和安全隐患。

现代社会，因为计算机和网络的广泛应用，准确快速的身份认证成为一种迫切的需要。身份认证方法可分为三类：基于知识的方法，如口令、密码等；基于信物的方法，如ic卡、身份证等；基于生物特征识别的方法。其中，生物特征识别利用人与生俱来的生理特征如指纹、虹膜、视网膜、dna等，或长期生活形成的行为特征如笔迹、签名、声纹、步态等识别人的身份，被认为是最自然、最值得信任的一种身份认证方法。在所有的生物特征识别方法中，签名认证具有特别重要的意义，因为在长期的社会生活中，人们已经接受了签名作为标识身份和表明自己意愿的一种方式。在线手写签名因为采集了书写过程的动态信息，包含了丰富的个人特性，难以模仿，能有效标识签名者的身份，是签名认证的主要研究方向。在线签名认证研究迄今为止已有四十余年历史，期间大批科研人员投入到这一领域的研究，取得了丰硕的成果。

但是计算机与通信技术的飞速发展在给人们日常生活带来极大便利的同时,也使信息安全问题受到前所未有的挑战, 传统的身份认证基于密码、ic卡等方式,有其固有不足:密码可能被窃取、遗忘,ic卡可能遗失、被盗等。因此实时准确的个人身份认证突显重要。基于生物特征的身份识别克服了传统认证方法的大量缺陷而得到越来越广泛的应用。手写签名验证是众多基于生物特征的身份识别方法中的一种,该技术在模式识别、信号处理等领域都属前沿课题。签名作为人的一种行为特征,与其它生物特征相比,具有非侵犯性、易为人接受等特点。在线手写签名验证的主要依据则是各人签名所独有的空域和时域特性。

2. 研究的基本内容与方案

手写签名鉴别方法分为在线签名鉴定和离线签名鉴定俩种。前者是通过手写板等硬件设备采集人的签名样本，除了采集书写签名点的坐标外，有的系统还要采集压力，时间等数据；后者通过扫描仪输入签名样本。显然，离线签名容易伪造，识别难度也更大。而在线签名由于有动态信息，不易伪造，但技术难度较大。典型的在线手写签名认证系统包括四个主要的技术环节，首先是签名信息的数据获取，就是输入设备采集实时的手写签名信息，然后对数据进行预处理；接着就是特征提取，从预处理后的数据中提取出能充分反应个人书写风格同时相对稳定的特征；最后是匹配判决，得出最后的鉴别结果。

本文的主要研究内容是对带电磁屏或电容屏的安卓设备，设计一个手写签字板，能够实时记录轨迹数据，包括坐标、压感、时间等；使用jni方式，基于skia引擎实现签字板算法设计；并根据轨迹数据实现轨迹还原功能。拟采用的技术方案如下：

1.构建软硬件系统：搭建android sdk、ndk开发环境，完成环境变量配置，使用android studio或eclipse作为开发工具进行系统设计与实现。使用虚拟机，华为荣耀9，平板等硬件进行测试。

3. 研究计划与安排

第1-3周：查阅相关中、英文文献资料，明确研究内容。确定设计方案，完成开题报告。

第4-8周：完成论文开题工作；完成不少于2万字符的英文翻译任务；进行软硬件及算法设计，构建系统。

第9-13周：完成基于skia引擎的手写签名系统的设计与调试，并撰写部分论文初稿。

4. 参考文献（12篇以上）

[1]ooi s y, teoh a b j, pang y h, et al. image-based handwritten signature verification using hybrid methods of discrete radon transform, principal component analysis and probabilistic neural network[j]. applied soft computing, 2016, 40(c):274-282.

[2] guerbai y, chibani y, hadjadji b. the effective use of the one-class svm classifier for handwritten signature verification based on writer-independent parameters[j]. pattern recognition, 2015, 48(1):103-113.

[3]何梦, 吴仲城, 李芳. 基于在线手写签名的密钥生成方法[j]. 计算机工程, 2016, 42(10):164-168.

[4] 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.

[5] 李成华, 龚良慧, 江小平,等. 基于emd和svd的在线手写签名特征提取方法[j]. 中南民族大学学报(自然科学版),2016, 35(1):103-107.