[论文解读] Handwritten Signature Verification Using Hand-Worn Devices

Ben Nassi, Alona Levy+2 more|arXiv (Cornell University)|Dec 19, 2016

Handwritten Text Recognition Techniques参考文献 15被引用 21

一句话总结

本文提出了一种新颖的在线手写签名验证系统，利用智能手表等可穿戴设备采集的运动数据（加速度计和陀螺仪读数），通过机器学习分类器进行训练。该方法在来自66名受试者的1,980个真实与伪造签名数据集上实现了高准确率——AUC为0.98，EER为0.05，证明了普适性可穿戴传感器能够实现安全、非侵入性的签名验证，而无需专用数字绘图板。

ABSTRACT

Online signature verification technologies, such as those available in banks and post offices, rely on dedicated digital devices such as tablets or smart pens to capture, analyze and verify signatures. In this paper, we suggest a novel method for online signature verification that relies on the increasingly available hand-worn devices, such as smartwatches or fitness trackers, instead of dedicated ad-hoc devices. Our method uses a set of known genuine and forged signatures, recorded using the motion sensors of a hand-worn device, to train a machine learning classifier. Then, given the recording of an unknown signature and a claimed identity, the classifier can determine whether the signature is genuine or forged. In order to validate our method, it was applied on 1980 recordings of genuine and forged signatures that we collected from 66 subjects in our institution. Using our method, we were able to successfully distinguish between genuine and forged signatures with a high degree of accuracy (0.98 AUC and 0.05 EER).

研究动机与目标

• 开发一种低成本、易访问的签名验证系统，无需依赖专用数字绘图板或平板设备。
• 探究可穿戴设备（如智能手表）的运动数据是否能可靠捕捉手写签名的动态特征，以实现生物特征认证。
• 在有限用户群体上训练单一全局机器学习模型，使其无需用户个性化调整即可在不同个体间有效泛化。
• 在不同参考签名数量及现实约束条件（如设备佩戴位置和用户行为）下评估系统的性能。

提出的方法

• 系统通过定制应用程序在纸上签名时，从佩戴在手上的设备采集运动数据（加速度计和陀螺仪），记录手部运动的时间序列。
• 该方法将签名验证问题建模为二分类任务：真实签名与伪造签名，利用提取的运动特征训练的机器学习分类器进行判断。
• 在66名参与者的真伪签名数据集上训练全局分类器，不针对每个用户进行个性化调整，以提升广泛适用性。
• 特征工程包括运动信号的时间域和频域表示，如均值、标准差和频谱能量，以捕捉动态签名行为。
• 系统采用逻辑回归分类器进行评估，性能通过AUC和等错误率（EER）衡量。
• 协议包含将加密的运动数据安全传输至可信第三方（TTP），由其使用存储的参考样本和全局模型完成签名验证。

实验结果

研究问题

• RQ1 智能手表等可穿戴设备的运动数据是否能可靠捕捉手写签名的动态特征，以实现生物特征验证？
• RQ2 在测试阶段使用不同数量的参考签名时，验证系统的性能如何变化？
• RQ3 在小规模用户群体上训练的单一全局机器学习模型，是否能在无需用户特定适配的情况下有效泛化至新个体？
• RQ4 设备佩戴位置（如惯用手与非惯用手）对系统准确率和可用性有何影响？

主要发现

• 所提方法在受试者与伪造签名之间的区分能力极强，AUC达到0.98。
• 等错误率（EER）为0.05，表明误接受率与误拒绝率之间达到良好平衡。
• 即使仅使用两个参考签名，系统仍实现AUC=0.969和EER=0.054，表现出对极少注册数据的鲁棒性。
• 随着参考签名数量增加，性能进一步提升：当使用七个参考签名时，AUC达0.983，EER降至0.036。
• 系统成功利用标准可穿戴设备采集的运动数据完成签名验证，无需专用数字绘图板或平板设备。
• 尽管存在设备佩戴位置相关挑战（如66%的用户未将其佩戴在惯用手上），系统在真实条件下依然有效。