CN111950333B - 一种基于神经网络电子手写签名识别的方法 - Google Patents
一种基于神经网络电子手写签名识别的方法 Download PDFInfo
- Publication number
- CN111950333B CN111950333B CN201910414055.XA CN201910414055A CN111950333B CN 111950333 B CN111950333 B CN 111950333B CN 201910414055 A CN201910414055 A CN 201910414055A CN 111950333 B CN111950333 B CN 111950333B
- Authority
- CN
- China
- Prior art keywords
- signature
- user
- data
- layer
- source file
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 3
- 238000007781 pre-processing Methods 0.000 claims 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/394—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于神经网络电子手写签名识别的方法，包括对用户的签名注册和认证，签名注册时，用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的签名轨迹的横、纵坐标以及签名时的压力值；提交签字源文件保存至签名数据库中，并与用户进行绑定；对签名库中的用户按用户进行标签绑定，将归一化的特征值、笔迹图形带入深层神经网络中进行映射数据，经过多层计算得到训练模型；训练完成后，将用户的待识别数据输入网络中进行计算得到结果值，根据结果判定待识别用户的用户身份。本发明采用神经网络进行训练，通过用户的特征值进行识别的工作，实现了小样本对用户的判断，其效率高，准确性也较好。
Description
技术领域
本发明涉及一种基于神经网络电子手写签名识别的方法，尤其涉及一种电子手写签名的识别是否是本人的解决方法。
背景技术
随着对社会安全和身份认证的准确性和可靠性要求的日益提高，传统的身份认证方式已不能满足社会的需要，生物认证技术也随之而生，每个人的生物特征具有与其他人不同的唯一性和在一定时期内的稳定性，不易伪造和假冒，所以利用生物特征进行身份认证，安全、可靠、准确。
电子手写签名识别技术是电子签名和传统手写签名的高度融合，它可以克服传统墨水签名易被模范的缺点，不改变现有的签名习惯，更容易被大众接受。
发明内容
为了解决上述问题，本发明提出一种基于神经网络电子手写签名识别方法，包括下述步骤：
用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的三维信息{xt,yt,pt},其中xt,yt分别为签名轨迹的横、纵坐标，pt为签名时的压力值。
用户提交签字源文件保存至签名数据库中，并与用户进行绑定。
同一用户的签字源文件统一进行预处理，减少噪声和平化信号，去掉无效数据，对x,y分别进行数据进行大小归一化：以xt代表横坐标点，yt为纵坐标点，数据大小归一化的方法为
其中，x′t为签字源文件中每个轨迹的横坐标点，x′max为整个轨迹横坐标的最大值，x′min为整个轨迹横坐标的最小值，M为归一化的标准矩形框的大小。
y′t为签字源文件中每个轨迹的纵坐标点，y′min为整个轨迹纵坐标的最大值，y′min为整个轨迹纵坐标的最小值。在使用时，各坐标点的分别取x,y坐标，M 的长宽一般取1，计算结果x"t和y"t代表为每个坐标点在坐标轨迹中的比例位置。此公式的目的为把签字源文件中的点映射到统一的标准矩形框中，消除每次签名时的大小差异。
对预处理后的数据进行特征值提取。
对特征值集合通过主成分分析法(PCA)提取主成分特征值，降低无效特征值对结果分析的干扰。
对选取后的数据利用前述归一化公式进行数据归一化处理：
把数据统一在[0,1]区间内，避免数值范围变化过大，并保存数据归一化的模型。
根据签字源文件生成用户书写的笔迹图形。
将归一化的特征值、笔迹图形带入深层神经网络中进行映射数据，经过多层计算得到训练模型。
训练完成后，将用户的待识别数据输入网络中进行计算得到结果值。
本发明采用神经网络进行训练，通过用户的特征值进行识别的工作，实现了小样本对用户的判断，其效率高，准确性也较好。
附图说明
图1为本发明电子手写签名识别的流程图。
图2为PCA的特征提取流程图。
具体实施方式
深层神经网络(DNN,DeepNeural Network)，通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。
如图1所示，本发明所述的基于ANN神经网络电子手写签名识别的方法是针对签字数据采集终端的采集数据进行分析计算，采集终端采集的数据按时间顺序记录笔迹的轨迹信息即{xt,yt,pt}集合，采集电子签字数据的读取速率达到200 点/秒或以上的都可以结合本方案中的方法来进行使用。
在用户注册时，需要收集用户的唯一用户标识，不限于身份证件号码等确认用户的唯一身份，在识别时才能调取该用户的训练模型。
对用户特征值提取主要包含下述几方面的特征值：
对坐标及时间通过公式计算数据及加速度的特征值。
对压力及时间通过公式计算压力的特征值。
对坐标通过公式计算手写样式的特征值。
详细介绍一种典型特征：平均加速度提取方法
速度矢量的变化和所经时间Δt的比，称为Δt时间内的平均加速度。
根据主成分分析算法(PCA)选取主成分的步骤包含下述几步：
对特征集集合进行计算，计算出协方差矩阵。
计算协方差矩阵的特征值及特征向量，按照从大到小进行排列。
特征值有m个，按照从大到小进行排列，为λ1≥λ2≥...≥λm,特征向量为 p1,p2,...pm。
计算各个主成分的贡献率和累计贡献率。
贡献率
累计贡献率
计算主元向量。
Y＝XP
元素yh为：
根据主元向量对主成分选取，选取累计贡献率>85％,及主成分包含的信息占原始信息量85％以上的。
不同签名者不同累计贡献率的主元个数(表一)
选取主成分特征值后记录选取的特征值类型，对识别时的特征值选取相同的特征值进行计算。
深度学习首先利用无监督学习对每一层进行逐层预训练去学习特征；每次单独训练一层，并将训练结果作为更高一层的输入；然后到最上层改用监督学习从上到下进行微调去学习模型。
1)使用自下上升非监督学习:先用无标定数据训练第一层，训练时先学习第一层的参数(这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层)，由于模型的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。
2)自顶向下的监督学习:基于第一步得到的各层参数进一步整个多层模型的参数，这一步是一个有监督训练过程；第一步类似神经网络的随机初始化初值过程，由于DL的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。
首先用大规模的签名数据作为模型训练集，训练出一个通用三层网络，其中前两层为非线性层，最后一层为线性层。
采用有监督的邻近元分析方法，通过降低相同个体的距离，增大不同个体的距离以优化网络模型，提高识别正确率。
邻近元分析是一种距离度量学习方法，用一个平方欧式距离来定义新的转换空间中单一数据与其余数据的距离：
xi,xj,xk分别为第I,j,k位笔迹数据对应的映射数据，A为映射空间，表示为神经网络的某一层。
定义损失函数为
Ci为个体i对应的签字数据。
通过求出损失函数f对于每层网络A的梯度，使用连续梯度下降算法迭代优化网络模型。
本实施例实施时，先大量采集用户的签字样本数据，然后对所有的签名样本进行预处理，特征值计算，再进行主成分分析筛选出主成本特征值，处理后使得无效数据及不稳定的特征值被过滤，带入深度神经网络进行训练，生成数据模型，再然后对待识别的签字数据带入神经网络进行识别。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于神经网络电子手写签名识别的方法，包括对用户的签名注册和认证，其特征在于:
用户在注册时多次在签字终端形成签字源文件,签字源文件中记录书写的签名轨迹的横、纵坐标以及签名时的压力值；
提交签字源文件保存至签名数据库中，并与用户进行绑定；
对签名数据库中的用户按用户进行标签绑定；
对签字源文件统一进行预处理；
对预处理后的数据进行主成分特征值提取，即根据特征集集合计算协方差矩阵的特征值及特征向量，根据特征值和特征向量计算各个主成分的贡献率、累计贡献率及主元向量，根据主元向量选取主成分，记录选取的特征值类型，所述特征值包括签字笔划加速度的特征值、压力的特征值、手写样式的特征值；
对选取后的数据进行归一化处理，把签字源文件中的点映射到统一的标准矩形框中，保存数据归一化模型；
认证时，对采集的签名数据进行预处理和大小归一化，选取主成分的特征值组成待认证的集合，使用数据归一化模型进行数据归一化；根据签字源文件生成用户书写的笔迹图形；
将归一化的特征值、笔迹图形带入深层神经网络中进行映射数据，经过多层计算得到训练模型；训练完成后，将用户的待识别数据输入神经网络中进行计算得到结果值，根据结果判定待识别用户的用户身份；
所述经过多层计算得到训练模型进一步包括：利用无监督学习对每一层进行逐层预训练学习特征，每次单独训练一层，并将训练结果作为更高一层的输入，到最上层改用监督学习从上到下微调神经网络模型；
所述无监督学习训练进一步包括：用无标定数据训练第一层，并学习第一层的参数，学习得到第n-1层后，将n-1层的输出作为第n层的输入训练第n层，由此得到神经网络各层的参数；
所述监督学习进一步包括，采用邻近元分析方法，降低相同个体的距离，增大不同个体的距离，使用连续梯度下降算法优化神经网络模型；
所述邻近元分析方法进一步包括：根据神经网络模型某一层中笔迹数据对应的单个映射数据与其余数据的平方欧式距离，求出损失函数对于每层网络的梯度。
2.如权利要求1所述的基于神经网络电子手写签名识别的方法，其特征在于：数据大小归一化的方法为，根据公式：
进行数据归一化处理，把数据统一在[0,1]区间内，其中，x′t为签字源文件中每个轨迹的横坐标点，x′max为整个轨迹横坐标的最大值，x′min为整个轨迹横坐标的最小值，M为归一化的标准矩形框的大小，值为1；y′t为签字源文件中每个轨迹的纵坐标点，y`max为整个轨迹横坐标的最大值，y′min为整个轨迹横坐标的最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910414055.XA CN111950333B (zh) | 2019-05-17 | 2019-05-17 | 一种基于神经网络电子手写签名识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910414055.XA CN111950333B (zh) | 2019-05-17 | 2019-05-17 | 一种基于神经网络电子手写签名识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950333A CN111950333A (zh) | 2020-11-17 |
| CN111950333B true CN111950333B (zh) | 2022-06-28 |
Family
ID=73335494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910414055.XA Active CN111950333B (zh) | 2019-05-17 | 2019-05-17 | 一种基于神经网络电子手写签名识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950333B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435398B (zh) * | 2021-07-13 | 2022-07-01 | 重庆傲雄在线信息技术有限公司 | 基于掩码预训练模型的签名特征识别方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5995953A (en) * | 1993-02-19 | 1999-11-30 | International Business Machines Corporation | Method for verification of signatures and handwriting based on comparison of extracted features |
| CN102254196A (zh) * | 2011-06-22 | 2011-11-23 | 江苏奥博洋信息技术有限公司 | 计算机鉴别手写汉字的方法 |
| CN104517094A (zh) * | 2013-09-30 | 2015-04-15 | 阿里巴巴集团控股有限公司 | 一种身份验证方法和身份验证装置 |
| CN106934362A (zh) * | 2017-03-06 | 2017-07-07 | 西安电子科技大学 | 基于动态特征分区的在线手写签名验证方法 |
-
2019
- 2019-05-17 CN CN201910414055.XA patent/CN111950333B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5995953A (en) * | 1993-02-19 | 1999-11-30 | International Business Machines Corporation | Method for verification of signatures and handwriting based on comparison of extracted features |
| CN102254196A (zh) * | 2011-06-22 | 2011-11-23 | 江苏奥博洋信息技术有限公司 | 计算机鉴别手写汉字的方法 |
| CN104517094A (zh) * | 2013-09-30 | 2015-04-15 | 阿里巴巴集团控股有限公司 | 一种身份验证方法和身份验证装置 |
| CN106934362A (zh) * | 2017-03-06 | 2017-07-07 | 西安电子科技大学 | 基于动态特征分区的在线手写签名验证方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《一个基于神经网络的动态手写签名验证模型》;李媛 等;《计算机科学》;20051231;第32卷(第5期);第181-184页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950333A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
| CN107403084B (zh) | 一种基于步态数据的身份识别方法 | |
| CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
| CN109903774A (zh) | 一种基于角度间隔损失函数的声纹识别方法 | |
| CN102867191A (zh) | 一种基于流形子空间学习的降维方法 | |
| CN107066951A (zh) | 一种人脸自发表情的识别方法及系统 | |
| CN116110089A (zh) | 一种基于深度自适应度量学习的面部表情识别方法 | |
| Nguyen et al. | Automatic identification fingerprint based on machine learning method | |
| Mondal et al. | Secure and hassle-free EVM through deep learning based face recognition | |
| CN111950333B (zh) | 一种基于神经网络电子手写签名识别的方法 | |
| Garhawal et al. | A study on handwritten signature verification approaches | |
| Coetzer | Off-line signature verification | |
| CN112102135A (zh) | 基于lstm神经网络的高校贫困生精准资助模型 | |
| Kamarajugadda et al. | Stride towards aging problem in face recognition by applying hybrid local feature descriptors | |
| CN115795394A (zh) | 层级多模态和高级增量学习的生物特征融合身份识别方法 | |
| CN111950334A (zh) | 一种基于svm电子手写签名识别的方法 | |
| CN111950331A (zh) | 一种基于ocsvm电子手写签名识别的方法 | |
| JP7347750B2 (ja) | 照合装置、学習装置、方法、及びプログラム | |
| Hast | Age-invariant face recognition using face feature vectors and embedded prototype subspace classifiers | |
| Dong et al. | On-line Signature Verification Based on GA-SVM. | |
| CN113128296B (zh) | 一种电子手写签字模糊标签化识别系统 | |
| Singh et al. | A survey of latent fingerprint indexing and segmentation based matching | |
| Jaiswal et al. | Off-line signature verification using global & local features with neural networks | |
| Russell et al. | Dynamic signature verification using discriminative training | |
| US20230409644A1 (en) | Systems and method for generating labelled datasets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 401121 no.17-1, building 13, No.106, west section of Jinkai Avenue, Yubei District, Chongqing Patentee after: Chongqing Sign Digital Technology Co.,Ltd. Country or region after: China Address before: 401121 no.17-1, building 13, No.106, west section of Jinkai Avenue, Yubei District, Chongqing Patentee before: CHONGQING AOS ONLINE INFORMATION TECHNOLOGY CO.,LTD. Country or region before: China |
|
| CP03 | Change of name, title or address |