近年來資訊網路發達，許多消費即使在沒有實體店舖的環境下，仍然可以透過網際網路完成交易，尤其在線上使用信用卡付費，已經成為電子商務網站交易的一種常態。然而，由於信用卡線上交易僅需要信用卡號、有效日期以及安全碼等基本資訊，難以在線上進行簽名驗證，所以容易被有心人士盜用，無法保證交易的安全性。由於手寫簽名圖案的外觀形狀是屬於是肉眼可見的靜態(Off-line)特徵，有心人士經由多次的練習後很有可能將其模仿造假，仍然存在身分辨識的問題；相較於靜態特徵，動態特徵包含每個人完成簽名時特有的簽名時間以及速度等動能資訊，無法輕易被觀察仿冒，故能提高簽名驗證的安全性。
考量手寫簽名身分辨識具備個人「唯一性」以及「永久性」之特徵，並且以機器學習方法進行電腦判斷分類辨識身分，使得身分辨識更加即時準確，因此本論文將手寫簽名特徵分出動態(On-line)特徵以及靜態(Off-line)特徵，分別使用決策樹、貝氏分類法以及支持向量機等機器學習方法，探討簽名時的動態特徵對於線上簽名驗證準確度及安全性的影響。
本論文將31人的中文手寫簽名共1550種簽名特徵訓練後並分析各別分析簽名筆跡靜態特徵、動態特徵以及整體特徵之準確度，實驗結果發現，靜態特徵在本研究中所採用的機器學習方法預測準確度皆可達80%以上，同時考量靜態與動態特徵時的整體特徵預測準確度皆可達86%以上，動態特徵將使得辨識效能改善倍率為6%。對於辨識安全性，本論文以仿冒方式，對於書寫字跡工整以及潦草的中文手寫簽名做比較，實驗結果發現，靜態特徵會被誤判，對於潦草的字跡，更容易被系統誤判。將靜態特徵與動態特徵結合不具任何誤判，安全性可提升為100%。因此對於中文手寫簽名安全辨識，動態特徵能夠確保安全性萬無一失。

Identification plays an important role in the P2B environment. However, digital documents of online transactions can easily be forged by fake identities. Therefore, the commercial websites may have difficulty in guaranteeing the information security of all transactions. In contrast, banks have employed the off-line handwritten signatures many years when identifying the credit card owner. Therefore, developing a method for identifying the handwritten signatures on-line is the key to improve the information security of on-line commercial transactions.
The on-line signature patterns and off-line signature patterns were extracted automatically when users were signing in the digital pen. At the same time, the machine learning methodology such as the Decision Tree, Bayesian Classifier and Support Vector Machine were employed for identification and detecting the forged signatures, which can improve the information security of on-line Chinese handwritten signatures.
The goal of the study is to analysis the accuracy and security of identification using On-line Chinese handwriting characters. According to the experiment results, identifying the characteristics of the on-line Chinese handwriting characters recognition improved recognition accuracy by 6%, hence the use of on-line Chinese handwriting characters can fully identify forged signatures, which results in the improved safety of the user.

參考文獻
王旭正，柯永瀚 (2007). 電腦鑑識與數位證據：資安技術、科技犯罪. 台灣, 博
碩文化股份有限公司.
吉田松一 (2003). 筆跡印文鑑定, 內政部警政署刑事警察局刑事鑑識中心.
何姿燕 (2009). 以貝氏分類法為基礎之即時手寫簽名辨識系統. 資訊科學研究
所. 新竹市, 國立新竹教育大學. 碩士: 79.
林怡均 (2009). 以機器學習分析個人筆跡特徵及身分辨識之研究. 資訊科技與
應用產學研討會.
林書聖 (2005). 已一個隱藏式馬可夫模型與模糊理論用於手寫筆跡心理學的文
件處理與分析. 電子工程研究所, 中原大學.
林筱榮 (2008). 使用支持向量機進行文字偵測. 資訊工程學系. 台灣桃園, 元智
大學. 碩士: 64.
林碧峰, 楊. a. (1964). "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 6: 39-62.
張家榮 (2008). 以電子筆書寫之特徵分析學生人格特質及輔助教師調整國中數
學適性化教學策略之研究. 應用數學系碩士班. 新竹市, 國立新竹教育大
學.
張陽郎、方志鵬、許威烈、梁文耀、楊任傑、陳佳輝 (2006). 利用GME 演算法
實作中文簽名辨識系統於PDA. 2006 北商學術論壇－資訊管理與實務研
討會.
許耀東, 黃., 林宜樺 (2007). 結合類神經網路與基因演算法應用於手寫簽名身
分辨識系統. 南臺灣資訊科技與應用研討會: 110-115.
陳孟琪 (2005). 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. 94: 75-101.
陳雅芬 (2005). "音樂訊號的數位化工作-淺談DSP 音訊處理的觀念與應用." from
http://www.ctimes.com.tw/art/print.asp?O=HJP319YGY8YAR-STDD.
曾憲雄 (2006). 資料探勘(Data Mining), 旗標.
詹焯然 (2006). 手寫數位簽名的生物特徵研究.
鄭日昌 (2002). 一分鐘筆跡心理學. 台北, 21 世紀文化.
蕭仁惠 (2010). 利用階層式支持向量機演算法建立應用於行動化視覺搜尋之影
像字彙樹. 資訊學院碩士在職專班資訊組. 台灣新竹, 國立交通大學. 碩
士: 57.
賴丞澤 (2001). 利用虛筆資訊特徵作中文簽名確認. 資訊工程研究所, 國立中央
大學.
羅育仁 (2009). 運用支持向量機在特定語句語者驗證之研究. 資訊工程學系. 台
灣高雄, 樹德科技大學. 碩士: 63.
龐其昌, 靳. a. (2003). "紫外指紋檢測的研究." Optics and Precision Engineering: 5.
78
(1942). "Handwriting Analysis May Be Put to Scientific Test." The Science
News-Letter 42(7): 111.
Alpaydin, E. (2004). Introduction to Machine Learning.
Alston, J. a. J. T. (1987). Handwriting: Theory, Research and Practice New York:
Croom Helm.
Beyerstein, B. L. a. D. F. B. (1992). The write stuff: Evaluations of graphology, the
study of handwriting analysis. New York, Amherst,NY: Prometheus Books.
Brewer, J. F. (1999). "Complementary Therapies in Nursing and Midwifery."
Graphology 5(1): 6-14.
Chih-Wei Hsu, C., Chih-Chung,Lin, Chih-Jen (2003). A Practical Guide to Support
Vector Classication.
Corinna Cortes, V. V. (1995). "Support-Vector Networks." Machine Learning 20(3):
273-297.
Deepika Wadhwa, K. V. (2012). "Online Handwriting Recognition of Hindi Numerals
using Svm." Computer Applications 48(11): 888-975.
Dykstra, D. (1993). A Comparison of Heuristic Evaluation and Usability Testing: The
Efficacy of a Domain-Specific Heuristic Checklist. Industrial Engineering,
Texas A&M University.
E. Ozgunduz, T. S., M. E. Karsligil (2005). Off-Line Signature Verification And
Recognition By Support Vector Machine. EUSIPCO.
Edson J.R. Justino, Fla´vio Bortolozzi, Robert Sabourin (2004). "A comparison of
SVM and HMM classifiers in the off-line signature verification." Pattern
Recognition Letters 26(9): 1377-1385.
Hairong Lv *, W. W., Chong Wang, Qing Zhuo (2005). "Off-line Chinese signature
verification based on support vector machines." Pattern Recognition Letters
26(15): 2390-2339.
Hill, B. (1981). Graphology. , Robert Hale.
Ian H., W. a. E. F. (2005). Data Mining: Practical Machine Learning Tools and
Techniques.
Kurtz, D. L., et al. (1989). CEOs: A handwriting analysis. Business Horizons.
McNeal, J. U. (1967). "Graphology:A New Marketing Research Technique." Journal
of Marketing Research 4(4): 363-367.
Mutalib S. , R. R., Rahman S.A. , Yusoff M. , Mohamed A. (2008). Towards
emotional control recognition through handwriting using fuzzy inference.
Information Technology, International Symposium. 2.
Ramann, F., C. Vielhauer, and R. Steinmetz (2002). "Biometric Applications Based on
Handwriting." COMPUTER SOCIETY: 573-576.
RapidMiner (2010). "RapidMiner Studio." from
79
http://sourceforge.net/projects/rapidminer/.
Read, J. C. (2007). " A study of the usability of handwriting recognition for text entry
by children." Interacting with Computers: 13.
Tett, R. P. a. C. A. P. (1997). "The validity of handwriting elements in relation to
self-report personality trait measures." Pwson. indkirl. Oiff 22(1): 11-18.
Van Rijsbergen, C. J. (1979). Information Retrieval. London, Butterworths.