簡易檢索 / 詳目顯示

回結果列表
研究生： 林怡均
論文名稱： 以機器學習即時分析筆跡特徵及進行個人身份辨識之研究
A Study of Machine Learning Approach for Analyzing Personal Handwriting Features and Identity Identification
指導教授： 區國良
口試委員:
學位類別： 碩士
Master
系所名稱： 電機資訊學院 - 資訊工程學系
Computer Science
論文出版年： 2009
畢業學年度： 97
語文別： 中文
中文關鍵詞： 生物特徵 、生物認證 、筆跡學 、機器學習
外文關鍵詞： biometrics, biometric authentication, graphology, machine learning
相關次數： 點閱：3  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 所謂的生物特徵是根據生物的型態、構造、生理及生態等特徵，將生物分門別類能夠加以描述。而「生物認證」，簡單的說就是以使用者身上與生俱來的特徵，如眼球、臉型、指紋等，來辨識身分。即便科技發達，取得並分析生物特徵已非難事，但人權與隱私意識高漲的現在，個人特徵更應保密，因此提出不致侵擾個人資料且可達到準確辨識身分的方法更是刻不容緩。
    本論文建立一套可以記錄手寫文字並分析文字特徵的系統，討論以手寫文字做為辨識身分之工具之可能性。此系統突破傳統以傳統紙筆作為測試的媒介時，需要訓練評析者先備有分析筆跡特徵的能力。本論文實驗結果顯示，建構文字的方法、時間、工具與一般書寫文字無異，卻可免去傳統式人工分析的冗長時間以及評析者的事前訓練，不但有統一的分析標準，並可減輕評析者的負擔，不夾帶個人主觀因素等優點，可得更有參考價值的結果。
    本論文分析研究採用機器學習的技術，使用數學統計的方式分析並判斷使用者的筆跡特徵屬性，並以決策樹判斷使用者身分，令簡單的書寫動作即可達到身分辨識的作用，不僅省時方便，既保有隱私又無需記憶密碼的優點。

    The human biometric is an advanced research area for categorizing different people by recognizing human morphology, physiology and ecology. The recent results of biometric authentication researches are successfully employed in the area of identification with the personal unique characteristic, such as iris, faces, and fingerprints. However, some human rights and privacy issues are widely discussed with the development of biometric data analysis and retrieve at the same time. Thus, a whole new method of authentication without violating personal data is on demand.
    In this thesis, a system is constructed which is capable of recording hand writing text and analyzing the characteristics. People are writing in the pen-paper based environment without change any writing habits when identifying. An innovative digital handwriting device is used to avoid traditional long-time human analysis and subjective factors. Furthermore, it provides a unified standard to collected graphology data. After writing 95 specified words, the machine learning technology is used for analyzing the writing characteristics and construct personal unique hand-writing model, which is used to identify this person when re-writing another 10 words. The average accuracy rate of the hand-writing model is 86.93%, and the average accuracy rate of users’ identification is 93.33%, meanwhile, only 0.02 second is required for identifying each person. This thesis proposed a hand-writing identify system which is time-saving, high accuracy, without password required, nor privacy problems need to be considered.

    目錄 1. 緒論 1 1.1. 研究背景與動機 1 1.2. 研究目的 2 1.3. 研究問題 3 2. 相關研究 5 2.1. 生物特徵應用於身分辨識 5 2.2. 筆跡學及其應用 9 2.2.1. 筆跡 10 2.2.2. 筆跡學 11 2.2.3. 筆跡測量 12 2.2.4. 筆跡特徵 12 2.3. 機器學習 20 3. 研究方法及研究工具 25 3.1. 研究流程 25 3.2. 研究對象及限制 26 3.3. 筆跡測試樣本 26 3.4. 建構記錄數位筆跡之工具 27 3.4.1. 一般特徵 29 3.4.2. 結構特徵 40 3.5. 分析筆跡特徵 45 4. 實驗結果 47 4.1. 筆跡紀錄系統 47 4.2. 筆跡結構特徵擷取工具 52 4.3. 決策樹分析結果及應用 54 4.3.1. 決策樹分析結果 55 4.3.2. 應用 63 4.3.3. 應用實測正確率偏低之探討 65 5. 結論與建議 70 5.1. 結論 70 5.2. 未來展望 70 參考文獻 72 表格目錄 表格 1 楊國樞與林碧峰採用之筆跡變項分類與定義 13 表格 2 王建平採用之字體變項分類 15 表格 3 陳孟琪採用之筆跡變項分類與定義 16 表格 4 馮文堯之全部觀察及局部觀察兩種類型筆跡特徵 16 表格 5 Robert P. Tett使用Bunker建議之特徵 17 表格 6 Jane F. Brewer採用之筆跡變項分類與定義 18 表格 7 決策樹分類規則表 22 表格 8 本系統各類即時自動計算特徵列表 29 表格 9 整體偏位方向之說明表格 37 表格 10 判別線條方向之說明表格 39 表格 11 本系統結構特徵選字列表 40 表格 12 具代表性筆跡特徵列表 46 表格 13 測驗者之性別、身分列表 55 表格 14 依使用者9410218之決策樹之判斷結果 56 表格 15 使用者9410218之整體資料完全訓練前後對照表 57 表格 16 使用者9610218之交叉驗證十次分類前後對照表 57 表格 17 依使用者9725506之決策樹之判斷結果 59 表格 18 使用者9725506之整體資料完全訓練前後對照表 59 表格 19 使用者9725506之交叉驗證十次分類前後對照表 60 表格 20 依使用者9725510之決策樹之判斷結果 61 表格 21 使用者9725510之整體資料完全訓練前後對照表 62 表格 22 使用者9725510之決策樹分類結果 62 表格 23 使用實作系統之正確率 64 表格 24 使用者9725510之前後次書寫筆跡特徵差異表 67 圖目錄 圖 1 決策樹之範例說明 22 圖 2 說明資訊獲利之例 24 圖 3 本論文研究流程圖 25 圖 4 擷取筆跡的下筆、書寫、起筆部分程式碼 28 圖 5 整體寬長圖例說明 31 圖 6 整體高長圖例說明 31 圖 7 整體到左邊、右邊、上緣、下緣距離舉例說明圖 32 圖 8 以「永」字作單字寬及單字高說明圖例 32 圖 9 整體高及整體寬之說明圖例 33 圖 10 整體留白率舉例說明圖 34 圖 11 單字絕對面積舉例說明圖 35 圖 12 單字絕對面積總合之舉例說明圖 35 圖 13 線條方向之舉例說明圖 38 圖 14 十字標記意示圖 40 圖 15 以圖 10之例的整齊程度統計圖 40 圖 16 直彎比例之舉例說明 41 圖 17 圖左為直勾夾角之勾點選擇，圖右為直勾夾角之圖舉例說明 42 圖 18 橫捺斜角之舉例說明 42 圖 19 人部外角以「人」之相交與否圖例 43 圖 20 人部外角之舉例說明 43 圖 21 長橫斜度之舉例說明 44 圖 22 撇腹幅度之舉例說明 45 圖 23 NAVInote之接收台及電子筆圖 47 圖 24 本系統記錄筆跡使用流程圖 48 圖 25 筆粗選擇之介面 48 圖 26 筆色選擇之介面 49 圖 27 書寫介面與功能鍵 49 圖 28 橡皮擦使用說明之圖示 51 圖 29 測試者寫完最後指定字「乏」 51 圖 30 筆跡結構特徵擷取工具之介面 52 圖 31 筆跡結構特徵擷取工具使用流程圖 53 圖 32 直勾夾角之使用範例 54 圖 33 使用者9410218之決策樹分類圖 56 圖 34 使用者9725506之決策樹分類圖 58 圖 35 使用者9725510之決策樹分類圖 61 圖 36 左為系統判別為帳號本人，右為系統判別非帳號本人 63 圖 37 使用者9410218之95字完成圖 64 圖 38 模仿使用者9410218之字跡使用身分辨識應用軟體 64 圖 39 使用者9725506之95字完成圖 65 圖 40 模仿使用者9725506之字跡使用身分辨識應用軟體 65 圖 41 使用者9725510之首次書寫完成圖 66 圖 42 使用者9725510之再次書寫完成圖 67 圖 43 使用者9725510再次使用筆跡紀錄工具之結果決策樹 68

    1. 靳貴平 and 龐其昌, 紫外指紋檢測的研究. Optics and Precision Engineering, 2003. 11(2): p. 5.
    2. 楊國樞 and 林碧峰, 中文筆跡與人格：一項探索性研究. 國立台灣大學心理學系研究報告, 1964. 6: p. 39-62.
    3. Zhang, B., S.N. Srihari, and C. Huang, Word image retrieval using binary features, in SPIE. 2003.
    4. handwritingcenter.com. HANDWRITING ANALYSIS SOFTWARE 6.3. [cited; Available from: http://www.handwritingcenter.com/software.htm.
    5. Huang, Y.-S., Introduction to Biometrics Technology. CCL TECHNICAL, 2001. 96(6.25): p. 65-73.
    6. 刑事警察局. 指紋科學小百科. [cited; Available from: http://www.cib.gov.tw/science/science0305.aspx.
    7. Galton, F., Finger Prints. 1892.
    8. 陳順東, 虹膜辨識系統之研究與實作. 2004, 中央大學: 台灣桃園. p. 69.
    9. Flom, L. and A. Safir, Iris recognition system. U.S.Patent, 1987. 4641349.
    10. 吉田公一, 筆跡印文鑑定. 內政部警政署刑事警察局刑事鑑識中心, 2003.
    11. 楨田仁, 看筆跡在說話. 2001.
    12. 張星海. 筆跡分析真能洞察性格？. 2004 [cited; Available from: http://www.people.com.cn/BIG5/keji/1058/2978300.html.
    13. Brewer, J.F., Graphology. Complementary Therapies in Nursing and Midwifery, 1999. 5(1): p. 6-14.
    14. Tett, R.P. and C.A. Palmer, The validity of handwriting elements in relation to self-report personality trait measures. Pwson. indkirl. Oiff, 1997. 22(1): p. 11-18.
    15. Read, J.C., A study of the usability of handwriting recognition for text entry by children. science direct, 2007(Interacting with Computers): p. 13.
    16. Bradley, N., Users of Graphology. Graphology, the Journal of the British Academy of Graphology, 2005(69): p. 55-57.
    17. Ward, The Graphologist. Graphology enhances edcuation, 1985. 1.10(3): p. 10-17.
    18. 許耀東, 黃英軒, and 林宜樺, 結合類神經網路與基因演算法應用於手寫簽名身份辨識系統, in 南臺灣資訊科技與應用研討會. 2007. p. 110-115.
    19. 王建平 and 王曉雪, 基於字型特徵的手寫體漢字多分類識別研究. 計算機應用, 2007. 27(12): p. 5.
    20. 王正群, et al., 基於筆畫平面和模糊隸屬度的手寫體漢字識別. 揚州大學學報, 2008. 11(4): p. 5.
    21. 陳孟琪, 國民中學情緒障礙學生書寫筆跡特徵之研究. 中華民國特殊教育學會年刊, 2005. 94: p. 75-101.
    22. 馮文堯, 刑事警察科學知識全書. 1948, 上海.
    23. Turing, A.M., Computing Machinery and Intelligence. Mind. 58: p. 433-460.
    24. Friedman-Hill, E., Jess in Action Rule-Based Systems in Java. 2003: Manning Publications Co. All rights reserved.
    25. Ian H. Witten and E. Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition). 2005.
    26. Alpaydin, E., Introduction to Machine Learning. 2004.

    無法下載圖示 全文公開日期 本全文未授權公開 (校內網路)
    全文公開日期 本全文未授權公開 (校外網路)
    全文公開日期 本全文未授權公開 (國家圖書館：臺灣博碩士論文系統)
    QR CODE