随着现代社会信息化的迅速发展，互联网也越来越普及，大量的金融贸易和信息的传递都通过网络来实现，对于网络的依赖是的网络信息安全成为一件极为重要的事情。如何准确，有效地对一个人的身份进行验证，成为信息安全中需要解决的大问题^[1]。

由于传统的身份鉴别方法已不能满足社会的安全需要，而且这些方法很容易被遗失或弄丢。相对于传统的身份认证方法，基于手写签名的身份认证具有一定的天然存在性和不可否认性。它由本人固有的生理行为特征和后天养成的书写习惯特征相融合的一种动态过程。因此手写签名验证是生物识别领域中的一个更快速更有效的身份认证技术^[2]。

手写签名身份认证是一种采集签名的轨迹坐标，速度，压力，加速度等签名人的行为信息对签名者身份进行认证的技术，具有方便，可靠以及容易为人们接受等特点。在手写签名认证中，通过提取签名中的有效特征或者采用函数分析的方法，已经有许多有效的方法进行识别认证，如统计分类，神经网络，支持向量机等方法就是利用签名特征进行识别^[3]。

在线签名验证的方法通常分为两组：一组基于全局参数特征，另一组通常称为基于函数的方法。在参数算法中，选择一组参数来描述签名模式，并且比较参考和测试签名的参数以确定签名是否是真实的。在这种方法中，签名可以以紧凑的形式描述，因此登记数据大小通常非常小且恒定。更重要的是，这种方法预计会对当地地区的变化更加稳定，这在签名中很常见。对于对隐私问题敏感的用户，仅注册参数也可以被认为是有利的，因为原始模式不能被重建。这种方法的主要局限在于辨别能力。在计算整个模式的参数时产生平均效果。尽管这种效果显然是上述稳定性的原因，但同样的效果不可避免地同时模糊了图案之间的区别。此外，张等人。表示难以提前描述不可预见的伪造品。也就是说，用一小组签名者选择的参数可能不适用于更大的签名者。另一方面，基于函数的方法将签名模式表示为时间的函数，并在点对点或段到段的基础上局部地比较签名的特征。与全局参数方法相比，这些方法保留了签名过程的更多信息。此外，如果没有平均效应，这种方法预计会更具辨别力。这种方法的主要困难是如何可靠地找到段之间的对应关系^[4]。

在线签名的研究可以追溯到上世纪60年代测^[6]，Manceri首先发表了“利用手写签名进行个人身份认证的可行性”研究报告，提出了利用手写签名作为个人身份认证标识的可能性。在线收些签名发展至今，很多学者都尝试着不同的方力求提高系统的性能，并取得了丰硕的成果，主要分为两大类：

一种是特征参数法。1983年，由Crane提取了44个统计特征并计算欧式距离拉进行签名匹配^[7]。1994年，Darwish和Auda用神经网络作为分类器，对前人提出的总共210个签名特征参数做了比较研究^[8]。要找到持续稳定而又高效的特征参数并不简单。首先提取签名特征参数，从中挑选适合签名认证的参数用一个多维特征向量表示，通过比较此多维特征向量之间的匹配度来判定是否为真实签名。2004年，M.Wirotius讨论了特征选择的方法^[9]。Yenwei Lee等人对特征进行优选，选出的个性化特征利用大多数投票法进行分类，获得了较好的分类效果^[10]。2009年，张大海等人提出个性化统计特征选择方法^[11]。D.S.Guru等人对提取的全局特征采用大多数投票法。得到了平均错误率为4.5%^[12]。

另一种是特征函数法。测试签名与模板签名的特征数据时间序列的对应点-点的特征进行比较，获得相似度的度量从而进行匹配^[13]。

提取一组签名统计特征建立特征集是特征提取的一种有效的方法。常见的统计特征有签名持续总时间、签名的宽高比、签名的平均速平均加速、笔尖空中运动时间与笔纸接触时间之比等。

2. 研究的基本内容与方案

本次研究的主要目标是通过实验室已有的签名数据进行在线签名的识别，利用C /MATLAB完成基于统计特征的在线签名验证系统。