一种基于笔迹鉴定的网上安全支付系统的制作方法
【技术领域】
[0001] 本发明涉及图像处理、模式识别等领域，尤其涉及一种基于笔迹鉴定的网上安全 支付方法。
【背景技术】
[0002] 随着计算机技术和电子商务的飞速发展，也使信息安全成为人们越来越关注的重 点，因此实时性准确的个人身份认证越发重要，对个人身份认证的准确性、安全性、实用性 都提出了更高的要求。
[0003] 身份认证技术是计算机网络中确认操作者身份的过程而产生的有效解决方法，身 份认证通过标识和鉴别用户的身份，提供一种判别和确认用户身份的机制。目前常用的身 份认证方式主要有静态密码、动态口令、生物识别技术等，而静态密码存在着许多安全隐 患，极易造成密码泄露或被监听设备截获；动态口令采用一次一密的方法，虽保证了用户身 份的安全性，但有可能发生合法用户无法登录的问题，且使用不方便；而生物识别技术主要 是利用生物特征认证来代替密码认证，具有普遍性、唯一性、稳定性、易采集性、可接受性等 优点。目前常见的生物识别技术主要有指纹认证、虹膜认证、人脸认证、声音认证等。尽管 上述的生物识别技术已有部分实用产品，但其必须要求有专门的设备，成本高，不易普及使 用。因此在这种背景下，提出了笔迹鉴定技术。
[0004] 笔迹鉴定技术作为生物识别技术的一个重要分支，其具有难模仿，易接受，易采集 等特点，其主要是采集用户签名的笔迹、拐点、位置和建立的时间序列等信息，通过比较用 户笔迹的相似度来判别笔迹的真伪。与其他生物识别技术相比，笔迹鉴定具有成本低、对设 备要求不高、不易丢失、易普及等特点。由此可见，笔迹鉴定是一种安全、高效、便捷的个人 身份认证技术，极大程度上削弱了用户对记忆密码的依赖性。
【发明内容】
[0005] 针对上述问题，本发明提供一种基于笔迹鉴定的网上安全支付系统，旨在提高网 上支付的安全性、高效性、以及便捷性。
[0006] 本发明的技术方案如下：
[0007] -种基于笔迹鉴定的网上安全支付系统，其包括：
[0008] 101用户注册模块，用于对用户网上支付进行安全身份认证；
[0009] 102接收模块，用于接收用户输入的任一待笔迹签名样本；所述接收模块是预先 提取待识别签名样本特征集，接收用户输入的任一待识别签名样本，并提取所述待识别签 名样本的时间序列特征、位置属性特征和笔顺特征，挖掘各个属性值对正确识别本人签名 贡献程度，降序排序，按照贡献值排序找一组最优权值融合多种特征，将融合后的多特征作 为识别签名样本特征集；
[0010] 103学习、训练模块，根据预设融合后的识别签名样本特征集的空间近邻关系建立 模型，根据样本点的近邻信息对样本进行分类，首先，通过样本的邻域来粒化训练集论域， 将每个样本的邻域看成基本信息粒子；其次，将属于同一邻域的样本点映射到超网络超边 的顶点，通过演化学习，超边获取局部空间样本分布到邻域类别的映射关系，从而构建邻域 超网络模型；最后，将融合后的多种属性特征值（即识别签名样本特征集）转化为1到8的 数据后作为邻域超网络模型的输入，用户本人前书写的签名样本作为训练样本集，将训练 样本进行超边随机初始化、采用超边替代超网络分类器，将所述超边进行学习分类后，得到 训练集超边库。
[0011] 104鉴定模块，进行网上支付环节时，输入签名，匹配特征库中的必要特征，当满足 必要特征之后再进行识别，在训练集超边库中搜索，如果达成搜索结果则成功识别，否则不 识别为任何人的签名。其中特征库不是前面将签名识别样本集进行方向向量处理后的特征 集，也就是将综合后的多特征集转化为1到8的数据的特征集。
[0012]105支付模块：将笔迹鉴定应用到网上安全支付。
[0013]所述接收模块预先提取的待识别签名样本特征集包括：
[0014]提取所述待识别签名样本时间序列特征：用户在信用卡支付和移动终端/PC机 上的手写区域上书写签名的过程中，在每个拐点处记录一个书写时长，记为，累计和 为整个签名的书写时长，由于用户在不同的书写过程中可能对自己签名的拐点数目不尽相 同，因此取其多次书写均存在的拐点；
[0015]提取所述待识别签名样本位置属性特征：在签名样本特征里面加入位置属性，即 将类似于九宫格解锁的位置信息加入到签名样本属性中，分布如下：
[0016] (1)若用户书写的签名位于区域中心，样本中心点的特征就不明显，位置属性的权 值相对较低；
[0017] (2)若用户书写的签名位于屏幕边缘的话，特征则明显，辨识度较高；
[0018]提取所述待识别签名样本笔顺特征：从落笔点开始，采集签名样本点，量化并对其 分段，通过最小二乘法拟合得出方程的斜率后进行反正切计算得到角度，根据角度即可得 到对应的方向向量。
[0019]邻域超网络分类模型：基于前面提取到的签名特征集，本人签名的样本数可以由 书写次数来控制，但是模仿签名不可预计，因此存在不平衡数据分类问题。针对在不平衡 数据分类中，邻域超网络模型在学习和表达上容易偏向多类样本而忽略少类样本信息的问 题，对邻域超网络模型进行优化，设种加权邻域超网络模型（Weighted Neighborhood-Hypernetwork, W-N-HN)。首先，在确定邻域类别阶段，考虑训练集的不平衡度，为邻域内的少 类样本赋予较大的权重；其次，在演化学习阶段，基于少类样本与多类样本被误分的代价不 同，为少类和多类超边分别赋予不同的权值，降低学习的偏向性；在分类阶段：为少类类域 赋予较大权重，避免了多类类域对少类类域的覆盖。
[0020] 所述综合后的多特征集转化为1到8的数据后作为所述基于邻域超网络分类器的 输入，进行训练和测试，将所述待识别超边与所述超边库中的超边进行对比来鉴定用户笔 迹的真伪。
[0021] 从以上技术方案可以看出，本发明具有以下优点：由于笔迹鉴定是生物识别技术 中的一种，其具有易采集性、唯一性、普及性和不可窃取以及不易模仿性，因此使得网上支 付具有更高的稳定性、安全性、便捷性；同时结合了多特征融合技术，本发明能够提高所述 签名样本的识别效率，以及准确性。
【附图说明】
[0022] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其 他的附图。
[0023] 图1为本发明实施例一提供的笔迹真伪鉴定流程图；
[0024] 图2为本发明实施例一提供的邻域超网络分类过程；
[0025] 图3为本发明实施例二提供的笔迹鉴定的网上安全支付流程图；
[0026] 图4为本发明实施例二提供的签名宝注册界面；
[0027] 图5为本发明实施例二提供的签名宝注册功能；
[0028] 图6为本发明实施例二提供的签名宝登陆界面；
[0029] 图7为本发明实施例二提供的签名宝功能界面；
[0030]图8为本发明实施例二提供的创建新签名功能；
[0031] 图9为本发明实施例二提供的新的签名书写功能；
[0032] 图10为本发明实施例二提供的签名宝主界面；
[0033] 图11为本发明实施例二提供的支付界面；
[0034] 图12为本发明实施例二提供的本人签名付款；
[0035] 图13为本发明实施例二提供的支付成功界面；
[0036] 图14为本发明实施例二提供的模仿者签名付款失败；
[0037] 图15为本发明实施例二提供的模仿签名支付失败。
【具体实施方式】
[0038] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于 本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本申请保护的范围。
[0039] 实施例一
[0040]参考图1，图1为本实施例提供的一种基于笔迹鉴定的网上安全支付方法流程图， 具体包括：
[0041] 101:用户注册模块，用于对用户网上支付的一个安全身份认证。
[0042] 102:接收模块，预先接收用户输入的任一待识别签名样本，并将所述待识别签名 样本进行相应的处理得到待识别签名样本特征集。
[0043] 由于和内容无关的笔迹鉴定技术是将所述待识别签名和预先设定存储的签名样 本的特征信息进行比对的过程。所述签名样本特征信息包括字迹、拐点、位置，以及建立的 时间序列等特征信息。
[0044] 实际应用中，任意一个用户使用信用卡支付和移动终端/PC机上的手写区域进行 签名，在网上支付的同时，必定是一个用户对应一个账号和一个签名样本作为密码。因此操 作是首先接收用户输入的任意一个待识别签名样本，并将所述待识别签名样本进行相应的 处理得到待识别签名样本特征集。
[0045] 其中，本实施例提取所述待识别签名样本特征集包括：
[0046] 1)建立时间序列：用户在手机屏幕上书写签名的过程中，在每个拐点处记录一个 书写时长，记为，累计和为整个签名的书写时长，由于用户在不同的书写过程中可能 对自己签名的拐点数目不尽相同，因此取其多次书写均存在的拐点；
[0047] 2)建立位置属性：将所述点集数量的数组通过中心位置特征提取，得到所述待识 别签名样本中心位置特征；
[0048] 3)建立笔顺特征：从落笔点开始，采集签名样本点，量化并对其分段，通过最小二 乘法拟合得出方程的斜率后进行反正切计算得到角度，根据角度即可得到对应的方向向 量。
[0049] 与现有技术相比，本实施例对用户的签名特征提取较为完善，更加符合人们的真 实书写规范，提取具有决策能力的最佳的签名样本特征集。
[0050] 具体的，本实施例可以利用超网络具备挖掘特征属性之间的高阶关联性，因此融 合方法是将多种属性特征值作为样本的特征值，挖掘各个属性值对正确识别本人签名贡献 程度，降序排序，按照贡献值排序找一组最优权值融合多种特征。
[0051] 103:学习和训练模块，构造用于笔迹鉴定的邻域超网络模型，预先