CN106803082A - 一种基于条件式生成对抗网络的在线笔迹识别方法 - Google Patents

Abstract

本发明请求保护一种基于条件式生成对抗网络的在线笔迹识别方法，包括：101用户注册模块：用户的基本信息；102接收模块：接收到用户输入的一段文字信息，包括：书写文字的风格、书写文字的力度、书写文字的间距；103条件式生成对抗网络：在笔迹签名数据集上以类别标签为条件训练对抗网络，可以根据标签条件信息，生成对应的方向数字特征；104笔迹鉴定模块：通过条件生成对抗网络挖掘用户的个性化笔迹，鉴别是通过对抗网络签名判别模型，判别模型D是一个二分类器，判别输入是真实笔迹数据还是生成的样本；S105应用模块：将笔迹鉴定应用到门禁系统和多个用户签署文件场景下。本发明具有更高的稳定性、安全性、便捷性；同时结合了条件式生成对抗网络方法，对用户书写风格、力度和间距信息均可识别，避免对文字特征提取不全面的问题。

Description

一种基于条件式生成对抗网络的在线笔迹识别方法

技术领域

本发明涉及图像处理、模式识别等领域，一种基于条件式生成对抗网络的在线笔迹识别方法。

背景技术

目前国内物联网飞速发展，门禁系统、文件签名、支付和信用卡支付存在不安全的威胁，针对现有生物认证技术存在识别精度差、易模仿、易伪造等问题，提出了一种基于条件式生成对抗网络的在线笔迹识别方法。该方法旨在对门禁系统、文件签名涉及的安全问题进行研究开发，目的在于设计出一款便于在终端、手机和PC端上通过笔迹特征对个人身份信息进行鉴别的安全认证方法。

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。

人类的大脑非常善于预测。比如，笔掉了，我们知道它会掉在地上，无需计算就知道如何接球。本专利采用的条件式生成网络，是在对抗网络的基础上添加标签条件。对抗网络已经成为一个训练机器预测能力新方法，简单地通过观察就能进行预测。一个对抗网络带有一个发生器，从随机输入中生成某类数据(本例中为笔迹样本数据)。还带有一个判别器，它从发生器中获取输入，或者从一个真实数据组中获取输入，判别器必须区分来源不同的输入，判别真伪。两个神经网络能实现自身优化，从而生成更加真实的输入，以及世界观更为合理的网络。简单说来，在一个对抗网络中，判别器的输出就是：遇到真实字迹，输出1；如果是生成字迹，输出0。判别器想要做好这项工作，因此，它会优化自身，防止被生成器欺骗。反过来，生成器也正在优化自己，它想生成非常真实的字迹，尽可能地迷惑鉴别器，让其难辨真伪。最后，生成器开始生成非常真实的字迹：无论字迹是生成器生成的还是真实的，在长时间的训练里面，判别器的正确概率都是恒定的。

对抗训练过程与传统神经网络存在一个重要区别。一个神经网络需要有一个成本函数，评估网络性能如何。这个函数构成了神经网络学习内容以及学习情况的基础。传统神经网络需要一个人类科学家精心打造的成本函数。但是，对于生成式模型这样复杂的过程来说，构建一个好的成本函数绝非易事。这就是对抗性网络的闪光之处。对抗网络可以学习自己的成本函数即复杂的对错规则，而无须精心设计和建构一个成本函数。将用户平时写过的字迹放进输入层，然后生产虚假的字迹。训练之后，他就能识别哪些字迹是真实的，哪些是虚假的。

在实际应用中，笔迹的采集通常是移动终端和PC端，忽略后期算法的适应性，在采集过程中，因为大多数用户并不是很适应用手指触屏书写，硬件本身的抖动性、压力和重力感应均不同，导致个人笔迹特征的稳定性本身就很难确定，这就意味着需要提出算法去适应人的错误，因此很多现有机器学习方法的误纳率(他人仿冒笔迹签名，但被识别为是本人)和误拒率(是本人的笔迹签名，但是被判为他人)并不理想。因为本发明提出的基于条件式生成对抗网络方法，通过用户直接输入的一段文字直接去判别用户笔迹，是基于用户现有的书写习惯，容许个人笔迹存在一定的差异，测试的签名样本差异也是本人的训练签名所含差异性，方法本身具备小样本的泛化能力。

当然，目前也存在研究的难点，我们的目的是两个网络相互对抗，共同促进，但是实际过程中却有一丝的不理想。问题主要表现在：

1)收敛问题；

2)难以训练；

3)模型过于自由不可控；

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高门禁系统、文件签名和网上支付的安全性、高效性、以及便捷性的基于条件式生成对抗网络的在线笔迹识别方法。本发明的技术方案如下：

一种基于条件式生成对抗网络的在线笔迹识别方法，其包括步骤：101、预先接收用户输入的一段任意真实文字，并将其放入对抗网络做训练样本，通过条件生成对抗网络，将真实笔迹放入条件对抗网络做训练样本挖掘用户的个性化笔迹；对抗网络包含两部分：签名笔迹生成器，通过生成模型G捕捉已接收的一段文字样本数据的分布，在采集笔迹样本的时候，用户名也就是笔迹样本的标签，属于多分类问题，对于个人而言标签是本人、以及很多的他人的二分类。然后对文字样本加类别标签，通过有监督模型的判别器和生成器的共同改进指导笔迹数据样本生成，形成指定类别的笔迹数据样本；签名判别模型，通过判别模型判别输入是真实笔迹数据还是生成的样本，D是一个二分类器；

102、用实际签名和生成签名笔迹进行相似度比对，判别是否为该用户笔迹。

进一步的，所述训练用户输入的文字信息，包括：1)书写文字的风格；2)书写文字的力度；3)书写文字的间距。

进一步的，所述生成模型G通过捕捉已接收的一段文字样本数据的分布，在采集笔迹样本的时候，用户名也就是笔迹样本的标签，属于多分类问题，对于个人而言标签是本人、以及很多的他人的二分类。对文字样本加类别标签，通过有监督模型的判别器和生成器的共同改进指导笔迹数据样本生成，形成指定类别的笔迹数据样本，包括：

通过在训练鉴别器时，最小化鉴别误差。在训练生成器时，最大化鉴别误差。学习在真实笔迹签名数据集X上的生成分布P_(g)，输入一个noise变量z,输出一个伪笔迹数据G(z,θ_g)；θ_g表示笔迹生成器。

进一步所述签名判别模型，通过判别输入是真实笔迹数据还是生成的样本包括：判别模型D的输入时真实笔迹样本或者生成样本，D(x；Q(d))输出一个标量，表示输入样本来自训练样本而非生成样的概率。

进一步的，所述判别器的训练步骤包括：

1)优先从Pg(z)中获取与样本m匹配的噪声样本集{z⁽¹⁾,...,z^(m)}；

2)从生成数据分布P_data(x)中获取与样本m匹配的样本{x⁽¹⁾,...,x^(m)}；

3)通过生成对抗网络梯度下降法更新判别器

在训练鉴别器时，最小化鉴别误差。

进一步的，所述生成器的训练步骤包括：

优先从Pg(z)中获取与样本m匹配的噪声样本集{z⁽¹⁾,...,z^(m)}

通过生成对抗网络梯度下降法更新生成器

返回，直到p_g＝p_data，表示梯度下降法更新生成器在训练生成器时，最大化鉴别误差。

进一步的，所述在线笔迹识别方法应用于门禁系统和文件签署系统。

本发明的优点及有益效果如下：

本发明由于笔迹鉴定是生物识别技术中的一种，其具有易采集、普及性。采用生成对抗网络，因为生成对抗网络的两个网络相互对抗，共同促进，具有不易模仿性和唯一性。又因为本发明并不是使用单一签名作为真伪鉴定，而是使用生物个人笔迹作为真伪鉴定，所以具有不可窃取以及不易模仿性。同时通过条件式对抗网络可以识别用户书序风格、力度和间距，本发明能够提高所述笔迹签名样本的识别效率，以及较好的平衡误纳率和误拒率。

附图说明

图1是本发明提供优选实施例提供的笔迹真伪鉴定流程图；

图2为本发明实施例一提供的生成对抗网络过程；

图3为本发明实施例一提供的对抗网络生成器模型；

图4为本发明实施例一提供的对抗网络笔迹判别器；

图5为本发明实施例二提供的多用户文件签署流程。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是，

实施例一

本实施例提供的在线笔迹识别方法，主要是为了提供便捷式、个性化的开启门，同时可避免忘记带钥匙、钥匙丢失、忘记门禁密码等突发状况。假设现有一个三室一厅的房子，角色包含：父母和小孩。通常情况下，小孩的卧室和父母的卧室属于私人空间，小孩不希望父母进入自己的房间。而对于客厅、洗手间和厨房属于家人的公共区域。因此，我们需要设定不同的权限级别，通过对不同门录入不同人的笔迹签名，即输入不同的字，方可识别是谁的笔迹，同时是否为他人伪造签名。即本签名识别并不是识别某一个具体的字，而是依靠某一个人的书写风格来进行识别的。而在自己的房门的时候可以书写其他签名，也就是每次都能签不同的字，只要确保书写风格一样就可以了。

101：用户注册模块，用于用户的身份确认。

102：接受模块，预先接受用户输入的一段任意的文字，并将它们放入对抗网络做训练样本。

因为使用手写板的缘故，可能某些人不习惯使用它或者手受伤了。这时手写板上字迹就非常的别扭，以至于根本无法识别。

103若用户选择忘记密码功能，则用户可通过注册时绑定的手机号码，或者绑定的邮箱进行字迹密码提示。

104当使用的分类器精确度不够高的时候，可以进一步增加训练样本，即向对抗网络输入更多的文字加强训练。

实施例二

本实施例提供的在线笔迹识别方法，主要是为了解决同一份文件需要在不同地点的不同用户进行签署，时常会遇到用户因耽误不能到场的棘手问题。

201：用户注册模块，记录用户的身份确认。

202：接收模块，预先接受用户输入的一段任意的文字，并将它们放入对抗网络做训练样本。

该方法包括a)接受多个合同用户签署文件的请求；b)接收合同用户的标志和数量；c)生成与所签文件相关的标识符；d)将签署文件的邀请和文件标识符一起发送给每一个合同用户；e)为每个用户提供签署入口；f)接收每个用户的签名识别，签名时间戳和人脸图像时间戳；g)将手写签名，时间戳发送给每一个用户关联登记在签名登记数据库中。

通常，在用户发起多个合同方签署文件的过程，其中该用户指定他希望邀请来签署文件的合同方用户的数量和这些合同方用户的身份。用户签名发送给相应的安全服务器，安全服务器使用训练完成的对抗网络在鉴别这个签名是否为本人所签。然后将识别结果返回给每一个合同用户。为了进一步加强安全问题，我们采用同时拍摄人脸以及记录签名时间戳和人脸图像时间戳。人脸图片和时间戳的对比由安全服务器完成。然后安全服务器将识别结果发送给每一个用户，同时这些合同方可以访问安全服务器查看人脸图像和签名以及相应的时间戳。

当这些文件签署方不在同一个物理位置的时候，文件会以邮件的方式发送给他们，便于他们接收签名。在这种情况下，他们签署的文件为同一个文件。

该过程首先记录签名时间戳和人脸图像时间戳，加强安全性，防止篡改。随后使用对抗网络来鉴别是否为本人签名。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种基于条件式生成对抗网络的在线笔迹识别方法，其特征在于，包括步骤：101、预先接收用户输入的一段任意真实文字，并将其放入对抗网络做训练样本，通过条件生成对抗网络，挖掘用户的个性化笔迹；对抗网络包含两部分：1)签名笔迹生成器，通过生成模型G捕捉已接收的一段文字样本数据的分布，在采集笔迹样本的时候，用户名也就是笔迹样本的标签，属于多分类问题，对于个人而言标签是本人、以及很多的他人的二分类。然后对文字样本加类别标签，通过有监督模型的判别器和生成器的共同改进指导笔迹数据样本生成，形成指定类别的笔迹数据样本；2)签名判别模型，通过判别模型判别输入是真实笔迹数据还是生成的样本，D是一个二分类器；

102、用实际签名和生成签名笔迹进行相似度比对，判别是否为该用户笔迹。

2.根据权利要求1所述的基于条件式生成对抗网络的在线笔迹识别方法，其特征在于，所述训练用户输入的文字信息，包括：1)书写文字的风格；2)书写文字的力度；3)书写文字的间距。

3.根据权利要求1所述的基于条件式生成对抗网络的在线笔迹识别方法，其特征在于，所述生成模型G通过捕捉已接收的一段文字样本数据的分布，在采集笔迹样本的时候，用户名也就是笔迹样本的标签，属于多分类问题，对于个人而言标签是本人、以及很多的他人的二分类。对文字样本加类别标签，通过有监督模型的判别器和生成器的共同改进指导笔迹数据样本生成，形成指定类别的笔迹数据样本，包括：

通过在训练鉴别器时，最小化鉴别误差。在训练生成器时，最大化鉴别误差。学习在真实笔迹签名数据集X上的生成分布P_(g)，输入一个noise变量z,输出一个伪笔迹数据G(z,θ_g)；θ_g表示笔迹生成器。

4.根据权利要求3所述的基于条件式生成对抗网络的在线笔迹识别方法，其特征在于，所述签名判别模型，通过判别输入是真实笔迹数据还是生成的样本包括：判别模型D的输入时真实笔迹样本或者生成样本，D(x；Q(d))输出一个标量，表示输入样本来自训练样本而非生成样的概率。

5.根据权利要求4所述的基于条件式生成对抗网络的在线笔迹识别方法，其特征在于，所述判别器的训练步骤包括：

1)优先从Pg(z)中获取与样本m匹配的噪声样本集

2)从生成数据分布P_data(x)中获取与样本m匹配的样本

3)通过生成对抗网络梯度下降法更新判别器

在训练鉴别器时，最小化鉴别误差。

6.根据权利要求5所述的基于条件式生成对抗网络的在线笔迹识别方法，其特征在于，所述生成器的训练步骤包括：

1)优先从Pg(z)中获取与样本m匹配的噪声样本集

2)通过生成对抗网络梯度下降法更新生成器

${\▿}_{{\mathrm{\θ}}_g}\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}log(1-D(G\left(z^{\left(i\right)}\right)\left)\right)\]$

3)返回(1)(2)，直到p_g＝p_data，表示梯度下降法更新生成器在训练生成器时，最大化鉴别误差。

7.根据权利要求1-6之一所述的基于条件式生成对抗网络的在线笔迹识别方法，其特征在于，所述在线笔迹识别方法应用于门禁系统和文件签署系统。