手写口令系统的设计与实现.docVIP

手写口令系统的设计与实现 　　摘 要：本文主要描述了在android平台上对手写口令登陆系统的设计与实现，采用CAPTCHA图片验证码提高系统的安全性。 　　关键词：Android；手写口令；CAPTCHA验证码；支持向量机 　　中图分类号：TP391.41 　　目前主要的手势识别技术有：模板匹配技术、神经网络技术以及统计分析技术等。 　　模板匹配技术需要预先储存手势模板，将经传感器输入的手势与模板手势进行匹配，通过一定的算法计算手势之间的相似度来进行识别；神经网络技术中广泛使用的BP神经网络技术是一种俺误差逆传播算法训练的多层前馈网络，能够学习和存储大量的输入-输出模式映射关系，而无需事前解释描述这种映射关系的数学方程。它的学习规则是使用最快速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小；统计分析技术，例如：统计模式识别，就是用给定的有限数量的样本集，在已知研究对象统计模型或已知判别函数类条件下根据一定的准则通过学习算法把d维特征空间划分为c个区域，每一个区域与每一个类别对应。模式识别系统在进行工作时只要判断被识别的对象落在哪一个区域，就能确定出它所属的类别。[1] 　　随着互联网的普及，各种网络服务日益成为人们日常生活的一部分，如免费的电子邮箱服务、在线投票及推荐系统、网络聊天室等等。这些面向人类用户的服务时常被一些恶意计算机程序滥用，它们占用服务资源，产生大量的网络垃圾，影响用户的网络体验，对网络服务的安全性造成极大威胁。应运而生的全自动开放式人机区分图灵测试CAPTCHA是解决此类网络安全问题的一种机制，即通常所说的“验证码”技术。根据不同的表现载体和内容，CAPTCHA分为文本、图像和声音3种类型。[2] 　　Android手写口令采用的是模板匹配技术，为了提高口令识别的准确性和系统的安全性，本文采用支持向量机与模板匹配相结合的方法以及CAPTCHA图片验证码实现登陆系统。 　　1 原理 　　Android 手势识别采用的是模板匹配技术。[1]主要包括手势图像的获取，提取后图像的预处理（包括灰度化和二值化处理），图像几何矩的提取，SVM模型的训练以及最后的匹对。[3] 　　1.1 手势图像的获取 　　首先要定义一个手势并获取其特征数据，再将其数据存储起来等待比对。要在屏幕上画出一个图形，并获取该图形数据，将图形数据转化为特征值数据，并为图形数据定义出一个系统名称标识存储到指定的“手势仓库”中。[4] 　　简单的手势能够通过有方向和大小向量来构造。输入手势的每一个点代表触屏设备识别到的触屏点，并根据录入的顺序依次储存在点数组里。随后对手势点数组进行遍历，求出相邻点的方向，方向由前面的点指向后面的点，将方向值转换为与图1最相近的方向值，并存为方向数组。 对方向数组中连续的相同方向上点进行合并，计算连续方向点的距离同时将距离过短的向量作为噪点去除。[1] 　　图1 　　1.2 SVM 模型的训练以及最后的匹对 　　汉字识别一直是模式识别最重要的研究领域之一。经过多年的研究，已经取得了大量成果。但是，无约束的非特定人手写汉字识别仍然被认为是文字识别领域最困难的问题之一，其原因可以归结为：（1）汉字规模大（2）相似汉字较多，且有些相似字差别极其细微（3）存在大量的不规则书写变形。由于（2）、（3）的存在，导致手写汉字，特别是相似字在特征空间中的距离变小，使得普通的距离分类器的推广能力变弱。因此，如何补偿手写汉字的书写变形，提高分类器的泛化和推广能力，就成为汉字识别研究的关键问题之一。 　　支持向量机是ATTBell实验室的V.Vapnik等人根据统计学习理论提出的一种新的机器学习方法，已经在模式识别、回归分析和特征选择等方面得到了较好的效果。支持向量机可以看作一种新的训练多项式、径向基分类器或神经网络分类器的方法。根据结构风险最小化准则，在使训练样本分类误差极小化的前提下，尽量提高分类器的泛化推广能力。从实施的角度，训练支持向量机等价于解一个线性约束的二次规划问题，使得分隔特征空间中两类模式点的两个超平面之间距离最大，而且它能保证得到的解为全局最优点，使得基于支持向量机的手写汉字分类器能够吸收书写的变形，从而具有较好的泛化和推广能力。[5] 　　支持向量机可以有效提高手写口令识别的准确度，以下为分类器的具体实现： 　　1.2.1 计算特征手势 　　设手势图像f（x，y）为二维n×m灰度图像，用nm维向量R表示。手势图像训练集为{Ri|i=1，2，…，p}，其中p为训练集中图像总数。这p幅图像的平均向量为： 　　_ p 　　R=1/p∑Ri 　　i=1 　　对训练样本规范化，即每个手势Ri与平均手势R的差值向量： 　　_ 　　Ai=Ri-R i=