臺灣博碩士論文加值系統

所謂生物特徵是指生物生理上或行為上特有的資訊，也是一種遺傳的生命現象，根據生物的型態、構造、生態等特徵，將生物分類並加以描述。而生物特徵廣泛的使用在身份辨識方面，「生物特徵識別」是目前熱門研究之主題，包括指紋、眼球、語音等辨識方法。即使資訊科技越來越發達，取得並分析個人之生物特徵已經不是困難的技術，但隨著人權與隱私意識抬頭，可達到高度辨識率又不至侵犯隱私權方面的問題更是重要的議題。
本論文提出一套可記錄個人簽名並分析筆跡特徵的系統，研究以最方便且自身最習慣之書寫方式做為辨識個人身分之可能性。此系統突破傳統紙筆閱卷者需具備有分析筆跡特徵的專業能力，且避免影響公平性與主觀上的誤差。本論文以數位化之方式記錄特徵，除了可免去評析者的事前訓練，更可良好的儲存與保存大量資料，最重要的是，不會有夾帶個人主觀因素之缺點而影響辨識準確率。
本論文研究分析採用機器學習的技術，使用貝氏分類法分析個人簽名，以數學機率統計的方式來計算並判斷使用者身分，令平常習慣之簽名的書寫動作即可達到辨識個人身分的作用，不僅保有隱私又不需額外記憶密碼，而且更有高度辨識率之優點。

The biometric is widespread used for recognizing the identification. The popular methods for identification, for example, fingerprints, iris, voice and so on, need to collect personal biometric information. However, with the rising awareness of human rights and privacy issues, researches must face the trade-off between the recognition rate and privacy.
This study proposed a system which records each signature and analyzes the characteristic of personal handwriting. Most of the on-line and off-line handwriting signatures were recorded in digital format at first. Then, the machine learning methodology of Bayesian Classifier is employed for identification automatically.
The results show that the average precision of recognizing personal signature by analyzing both on-line and off-line handwriting characters is 99.44%, and the recall is 13.33%, which is better than either considering the analysis of on-line characteristics or off-line characteristics.

1. 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究問題 4
1.4 論文架構 5
2. 相關研究 6
2.1. 生物特徵之識別系統的應用 6
2.1.1. 生物特徵 6
2.1.2. 生物認證 7
2.2. 筆跡研究 12
2.2.1. 筆跡 12
2.2.2. 筆跡學 13
2.2.3. 手寫簽名 14
2.2.4. 筆跡特徵 16
2.3. 機器學習 23
2.3.1. 貝氏分類法 24
3. 研究方法及研究工具 27
3.1. 研究流程 27
3.2. 研究對象及限制 28
3.3. 簽名測試樣本 28
3.4. 建構記錄數位筆跡之工具 28
3.5. 手寫簽名筆跡特徵擷取 42
4. 實驗結果與討論 44
4.1. 手寫簽名筆跡記錄系統 44
4.2. 貝氏分類法分析結果及應用 49
4.2.1. 貝氏分類法分析結果 50
4.2.2. 應用 62
4.3. 使用者介面 64
5. 結論與建議 67
5.1. 結論 67
5.2. 後續研究及建議 68
6. 參考文獻 69

1. 靳貴平 and 龐其昌, 紫外指紋檢測的研究. 2003, Optics and Precision Engineering. 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. 林怡均, 以機器學習分析個人筆跡特徵及身分辨識之研究, in 2009資訊科技與應用產學研討會. 2009.
4. 張家榮, et al., 以電子筆書寫特徵分析學生人格特質, in 2008資訊管理技術與實務應用發展研討會. 2008.
5. 陳建宏, 結合實筆與虛筆資訊特徵作中文簽名確認. 2005.
6. 詹焯然, 手寫數位簽名的生物特徵研究. 2006.
7. 廖哲賢, 指紋的應用沿革及其生理結構. 刑事科學, 2000. 49: p. 133-139.
8. 維基百科, 脫氧核糖核酸.
9. 陳順東, 虹膜辨識系統之研究與實作. 中央大學：台灣桃園: p. 69.
10. 吉田松一, 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. 鄭日昌, 一分鐘筆跡心理學. 台北：21世紀文化.
12. 林書聖, 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. 中原大學電子工程研究所碩士論文, 2005.
13. 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.
14. 賴丞澤, 利用虛筆資訊特徵作中文簽名確認. 國立中央大學資訊工程研究所碩士論文, 2001.
15. 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.
16. 張陽郎, et al., 利用GME演算法實作中文簽名辨識系統於PDA.
17. 陳曉紅, 賈玉文, and 劉建偉, 論簽名筆跡的頻譜分析方法. 中國司法鑑定2009年第5期, 2009: p. 59-62.
18. 曾憲雄, et al., 資料探勘(Data Mining). 旗標, 2006.
19. 張儀興 and 黃秀怡, 基於貝氏理論及本體論之自動化之文件分類系統. 台南科技大學資訊管理所.
20. L.Gong, Increasing Availability and Security of an Authentication Service. IEEE, 1993. 11: p. 657-662.
21. 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.
22. Plamondon, R. and N. Srihari, On-line and Off-line Handwriting Recognition - A Comprehensive Survey. IEEE TRANSACTIONS, 2000. 22(1): p. 63-84.
23. Zhang, B., S.N. Srihari, and C. Huang, Word image retrieval using binary features, in SPIE. 2003.
24. R.A.J, E. and P.W. McOwan, Java-Based Internet Biometric Authentication System. IEEE Transaction on Pattern Analysis and Machine Intelligence 2003. 25(9): p. 1166-1172.
25. Huang , Y.-S., Iintroduction to Biometrics Technology. CCL TECHNICAL, 2001. 96(6.25): p. 65-73.
26. Roddy, A. and J. Stosz, Fingerprint Features-Statistical Analysis and System Performance Estimates. Proceedings of the IEEE, 1997. 85(9): p. 1390-1422.
27. Galton, F., Finger Prints. 1892.
28. Flom, L.F. and A. Safir, Iris Recognition System. U.S Patent, 1987. 4641349.
29. Brewer, J.F., Graphology. Complementary Therapies in Nursing and Midwifery, 1999. 5(1): p. 6-14.
30. Handwriting Analysis May Be Put to Scientific Test. The Science News-Letter, 1942. 42(7): p. 111.
31. Read, J.C., A study of the usability of handwriting recognition for text entry by children. science direct, 2007(Interacting with Computers): p. 13.
32. Alston, J. and J. Taylor, Handwriting: Theory, Research and Practice New York: Croom Helm, 1987.
33. McNeal, J.U., Graphology:A New Marketing Research Technique. Journal of Marketing Research, 1967. 4(4): p. 363-367.
34. Hill, B., Graphology. Robert Hale, 1981.
35. Beyerstein, B.L. and D.F. Beyerstein, The write stuff: Evaluations of graphology, the study of handwriting analysis. Amherst,NY: Prometheus Books., 1992. 515.
36. Ramann, F., C. Vielhauer, and R. Steinmetz, Biometric Applications Based on Handwriting, in IEEE. 2002, COMPUTER SOCIETY. p. 573-576.
37. Kurtz, D.L., et al., CEOs: A handwriting analysis. Business Horizons, 1989. 32(1): p. 41.
38. Ian H., W. and E. Frank, Data Mining: Practical Machine Learning Tools and Techniques(Second Edition). 2005.
39. Alpaydin, E., Introduction to Machine Learning. 2004.