CN112395919B - 一种基于多特征度量学习的离线签名鉴伪方法和系统 - Google Patents
一种基于多特征度量学习的离线签名鉴伪方法和系统 Download PDFInfo
- Publication number
- CN112395919B CN112395919B CN201910756598.XA CN201910756598A CN112395919B CN 112395919 B CN112395919 B CN 112395919B CN 201910756598 A CN201910756598 A CN 201910756598A CN 112395919 B CN112395919 B CN 112395919B
- Authority
- CN
- China
- Prior art keywords
- signature
- image
- feature
- features
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 238000000926 separation method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000005484 gravity Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000000691 measurement method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
- G06V30/347—Sampling; Contour coding; Stroke extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征度量学习的离线签名鉴伪方法和系统,包括数据库模块、图像采集模块、签名预处理模块、签名特征提取模块、分类决策模块。其中图像采集模块负责采集用户的个人信息及签名图像;签名预处理模块负责对录入系统的待检测图像进行预处理;签名特征提取模块负责对经过预处理后的图像进行动态特征和静态特征的提取,并对得到的特征值进行归一化处理,最后得到按序连接的图像特征数组;分类决策模块负责运用深度多特征度量方法将待测样本与共享层及分离层进行欧式距离计算,将结果作为衡量两个个体间差异大小的度量。本文提出的离线签名鉴伪系统在鉴伪过程中具有良好的鲁棒性和有效性,且鉴伪结果更稳定,误差更小。
Description
技术领域
本发明涉及一种基于多特征度量学习的离线签名鉴伪方法和系统,属于数字图像处理与笔迹鉴定技术领域。
技术背景
随着信息科学的飞速发展,计算机的普及和网络信息时代的到来使人们的生活越来越便利,但是信息安全问题却愈来愈突出,几乎每天都有用户的存折或者卡号密码被盗,每年都会发生大量的信用卡密码盗窃事件,给我们的生活带来了很多不方便和不安全的同时也带来了不少的经济损失。此外,在信用卡签字、银行存款、商场刷卡购物、网上交易、保险等领域都需要快速、安全的个人身份鉴别系统。这样一来,传统的身份认证方式比如身份证、电子口令、密码等已经不能再满足人们对生活中安全性的需求,指纹等又具有采集处理繁琐且隐私性高等缺点。因此需要一种新型的更加安全、方便、快捷的身份认证方式。
因此签名认证应运而生,为了使签名认证更具有安全性,离线签名鉴伪系统便必不可少。不同人书写的签名之间存在的差异为类间差异,而同一个人书写活动随意性较大、且受不同介质等因素的影响,使得个人签名会因各种原因产生一定的差异,即类内差异;允许正常范围内的类内差异,又能很好区分类间差异,是签名鉴伪的主要目的。
签名鉴别技术与其他生物鉴别技术相比,具有难模仿、区分姓高、尊重隐私以及易采集等优点,在签名特征的可搜集性、人体伤害可接受程度方面很突出。但是当前离线签名鉴伪系统存在准确度较差、特征采集繁琐的现象。因此对签名笔迹进行有效、准确、快速的鉴别具有重要的社会价值和实用意义。
发明内容
本发明针对当前离线签名鉴伪系统准确度较差的问题,提出了一种基于多特征度量学习的离线签名鉴伪系统,旨在对签名笔迹进行有效、准确、快速的鉴别。
在一方面,本发明提供了一种基于多特征度量学习的离线签名鉴伪方法,包括如下步骤:
对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理;
对预处理后的图像进行动态特征和静态特征的提取,并对得到的特征值进行归一化处理,得到按序连接的图像特征数组;所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征;所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征;
运用多特征度量学习的方法训练鉴伪模型,将待测签名图像与调用的样本签名数据库中共享层的签名图像进行一次多特征度量,随后再将待检测签名图像与调用的数据库中分离层的图像进行二次多特征度量,如果待测签名的所有特征值度量距离中至少有一个度量距离低于阈值,则判定待测签名就是真实签名。
进一步地,多特征度量采用的度量距离公式如下:
其中:
为参考样本对共享层进行欧式距离计算的输出,为待测样本对共享层进行一次欧氏距离计算的输出;W(1)为共享层数据库的权重;b(1)为共享层的偏差;为参考样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出,为待测样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出;为第k个子集分离层的权重;为第k个子集分离层的偏差,s为非线性算子。
进一步地,步骤1中对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理的方法包括:
首先对图像进行灰度化,运用中值滤波对图像进行去噪,运用最大类间法进行图像二值化,随后进行签名分割,再运用基于手写签名多边轮廓的骨架化方法对签名图像进行细化。
再进一步的,所述签名分割的方法包括:
对签名图像进行二值化操作后,找到二值图像非背景点的上下左右边缘:ymin,ymax,xmin,xmax,根据边缘坐标对图像进行裁剪,去除其空白边缘;裁剪之后签名图像的高度H=ymax-ymin,图像的宽度W=xmax-xmin。
进一步地,所述几何特征具体包括签名骨架字长比、外接矩形长宽比、凸包面积与外接矩形面积比;
所述纹理特征具体为8维灰度共生矩阵,包括能量、对比度、相关、熵、逆差矩、中值、协方差和同质差,在灰度图像中,灰度共生矩阵中所有元素只有最大像素值与最小像素值,统计像素点分布规律,以分辨出字符不同的内容;
所述矩特征具体为7维图像矩,利用二阶和三阶中心距构造七个不变矩;
所述代表性笔画的曲率特征具体为横竖撇捺四个方向的4维曲率特征,选取每个方向上最具代表性的笔画,利用数学形态圆检测计算该类笔画的曲率特征值即为纹理笔画特征。
进一步地,所述高密区域特征具体为签名区域中灰度低于预设值得区域,所述全局高密区域相对重心特征具体为提取高密区域在原图中的相对重心来作为特征;
所述小波变换特征具体为首先计算最大值对应的灰度值以内的像素之和占除背景像素以外的全部签名灰度图像像素和之比,再计算此灰度值与最小灰度值之差与除背景灰度值以外的最大灰度值与最小灰度值之差的比值,将两个比值再相除得到一个最终的比值。
在另一方面,本发明提供了一种基于多特征度量学习的离线签名鉴伪方法,其特征在于,其包括:
数据库模块、图像采集模块、签名预处理模块、签名特征提取模块以及分类决策模块。
所述数据库模块:用于存储样本签名数据库;
所述图像采集模块:用于采集作为待测样本的手写签名图像;
所述签名预处理模块:用于对样本签名数据库和作为待测样本的手写签名图像进行预处理;
所述签名特征提取模块:用于对预处理后的图像进行动态特征和静态特征的提取,并对得到的特征值进行归一化处理,最后得到按序连接的图像特征数组;所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征;所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征分类决策模块:
所述分类决策模块,用于运用多特征度量学习的方法训练鉴伪模型,将待测签名图像与调用的样本签名数据库中共享层的签名图像进行一次多特征度量,随后再将待检测签名图像与调用的数据库中分离层的图像进行二次多特征度量,如果待测签名的所有特征值度量距离中至少有一个度量距离低于阈值,则判定待测签名就是真实签名。
本发明所取得的有益技术效果:
1.本发明提取的特征值包括了动态特征和静态特征,本文提出的离线签名鉴伪系统在鉴伪过程中具有良好的鲁棒性和有效性,且鉴伪结果更稳定,误差更小;
2.本发明运用多特征度量法度量与样本的相似度,作为衡量两个个体间差异大小的度量,构造训练集的时候对待检测签名进行两次多特征度量计算,相较于现有技术的一次欧氏距离,本发明进一步提高了准确度;
3.本发明对待测签名提取了27维特征值,考虑的比较周全,基于这些特征的离线签名鉴伪的方法准确率更高。
附图说明
图1为本发明具体实施例系统模块结构图;
图2为本发明具体实施例鉴伪方法流程图;
图3为本发明具体实施例骨架三角形分类;
图4为本发明具体实施例骨架图像中的节点三角形;
图5为本发明具体实施例基于三角剖分的骨架化效果图;
图6为本发明具体实施例基于多特征度量学习模型图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例,一种基于多特征度量学习的离线签名鉴伪系统,本系统采用了模块化的设计方法,整个系统主要由数据库模块、图像采集模块、签名预处理模块、签名特征提取模块以及分类决策模块五大模块组成(如图1所示),具体方案如下:
数据库模块:预先存储用户的手写签名图像、个人信息(如姓名、性别、身份证号)等数据化信息,后续的鉴伪过程中调用这些信息来核实待鉴定的签名图像的真伪;
图像采集模块:利用设备采集用户的个人信息及签名图像,例如500万像素的自对焦高拍仪,通过软件操作系统控制其完成样本笔迹的资料进行签名图像的录入工作;
签名预处理模块:对录入系统的待检测图像及从数据库中调用的签名图像进行预处理;
签名特征提取模块:对经过预处理的图像进行动态特征和静态特征的提取,并对得到的特征值进行归一化处理,最后得到按序连接的图像特征数组;所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征;所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征
分类决策模块:运用深度多特征度量方法将待测样本与共享层及分离层进行欧式距离计算,将结果作为衡量两个个体间差异大小的度量。
实施例2:一种基于多特征度量学习的离线签名鉴伪方法。
本发明实施例的鉴伪方法流程图如图2所示:
在具体实施例中采用的数据库包括样本签名数据库和采集的作为待测样本的手写签名图像。本实施例当系统进行签名鉴伪时,首先通过高拍仪对待测签名进行采集成像。同时根据用户的个人信息从信息数据库模块中调用预留的真实签名图像3张,并调用数据库中除用户以外的签名图像,每人次真实图像和伪造图像各3张。
步骤一:分别对待检测样本图像和调用的签名图像进行预处理,预处理包括灰度化、图像去噪、二值化、签名分割和图像骨架化的预处理等处理步骤。二值化具体为:采用最大类间方法,即otsu算法,将背景图像的像素统一变成255,而目标签名图像仍保持灰度图像,最终将背景与签名分离出来;
基于手写字符多边轮廓的骨架化方法具体包括:轮廓提取、多边形轮廓逼近、基于Delaunay三角网格生成和多线骨架估计等步骤。其中轮廓提取和多边形轮廓估计部分引用Dilip K.Prasad的参数无关的线拟合方法,使用户不需要制定控制参数线拟合方法可以根据签名曲线本身自动选择最优阈值,该方法具有良好的鲁棒性和可重复性,并具有较低的性能标准差。其中三角网格生成部分运用了基于Delaunay的三角剖分的方法,是一种将一组笛卡尔坐标转化成三角网格的方法,将圆周映射到顶点,使每个圆与边界相交于三个顶点,这些定点相互连接成一个三角形,前提是圆内没有其他顶点。一组点的二维Delaunay三角剖分确保与每个三角形相关的圆周在其内部不包含其他点。其中多线骨架估计部分首先将三角形分为终端三角形、连接三角形和节点三角形。终端三角形包含多边形边界上两条边,该三角形包含一个作为检测连接三角形的边界边;交叉三角形是不包含任何边界边的三角形。三角形分类示意图如图3所示,骨架图像的节点三角形如图4所示,估计的骨架是一条折线,包括每个三角形估计的线段,粗线表示多边形边界的边缘。随后进行终端三角形和连接三角形的估计,认为终端三角形是伪线段,应被排除在骨架之外,若是相邻的,则被用来估计连接三角形上的线段,对于连接三角形,线段估计为移动平均值。最后进行节点三角形骨架估计,手写签名通常有两行相交的现象,也可能出现三行、四行或多行相交的情形。对于两行相交的情形,搜索方向变化最小的线段的最佳对,这两个线段的连接就是估计线段,其余的线向前延伸到估计的线段。进行超过两条线的节点三角形的线段估计时,因为许多节点三角形是相邻的,因此寻找包含这些节点三角形的凸多边形,然后提取凸多边形的圆心,估计出的线段是凸多边形每条边的中心到圆心的连接。基于三角剖分的骨架效果图如图5所示。
分割签名图像具体为:对签名图像进行二值化操作后,找到二值图像非背景点的上下左右边缘:ymin,ymax,xmin,xmax,根据边缘坐标对图像进行裁剪,去除其空白边缘。裁剪之后签名图像的高度H=ymax-ymin,图像的宽度W=xmax-xmin;
步骤二:然后对各签名图像进行动态特征和静态特征的多特征提取。在本实施例中具体为:其中静态特征包括3维几何特征、8维灰度共生矩阵纹理特征、7维图像矩即hu矩特征、4维曲率特征;动态特征包括1维高密区域特征、2维全局高密区域相对重心、2维基于小波变换特征。
本实施例中几何特征具体为签名骨架字长比、外接矩形长宽比、凸包面积与外接矩形面积比;签名骨架字长比为签名骨架像的每一个笔画的像素点个数与整个签名骨架像的像素点个数之比;外接矩形长宽比为签名骨架像的最小外接矩形的长宽比;对于给定二维平面上的点集,凸包就是将最外层的点连接起来构成的凸多边形,它能包含点集中所有的点,凸包面积与外接矩形面积比即为签名签名骨架像凸包面积与外接矩形的面积之比,得到特征值a1-a3。
纹理特征具体为8维灰度共生矩阵GLCM,包括能量、对比度、相关、熵、逆差矩、中值、协方差和同质差,在灰度图像中,灰度共生矩阵中所有元素只有最大像素值与最小像素值,统计像素点分布规律,以分辨出字符不同的内容;得到特征值a4-a11。
矩特征具体为7维hu矩,利用二阶和三阶中心距构造了七个不变矩,它们在连续图像条件下可保持平移、缩放和旋转不变。得到特征值a12-a18。具体7维hu矩的实现方法采用现有技术,以下作简单介绍:
区域f(x,y)的(p+q)阶矩定义为:
其中p和q表示阶,取值为大于等于0的整数。
其相应的中心距定义为:
通过一阶矩计算质心/重心,表达式如下:
f(x,y)的归一化(p+q)阶中心距矩定义为
其中r,p,q为中间变量;
下列7个二维不变矩是由归一化的二阶和三阶中心距得到的:
I1=η20+η02
I2=(η20+η02)2+4η11 2
I3=(η30+3η)2+(3η21-η03)2
I4=(η30+η12)2+(η21+η03)2
I5=(η30-η12)(η30+η12)+[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η30)
[3(η30+η12)2-(η21+η03)2]
I6=(η20-y02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
I7=(3η21+η03)(η30+η12)+[(η30+η12)2-3(η21+η03)2]+(η30-3η12)(η21+η30)
[3(η30+η12)2-(η21+η03)2]
上式为现有技术,式中参数为公知常识,这里不赘述。
代表性笔画的曲率特征具体为横竖撇捺四个方向的4维曲率特征,选取每个方向上最具代表性的笔画,利用数学形态圆检测计算该类笔画的曲率特征值即为纹理笔画特征;得到特征值a19-a22。
高密区域特征具体为签名笔画中书写用力较大的区域,如重笔、顿笔及笔画交叉重叠的部分,这些签名区域中灰度较低,可以间接地反应一个人在签名时动态压力特征;得到特征值a23。将灰度图像中灰度值最大值与最小值的均值作为阈值T,高密区域特征HDF定义为低灰度图像的像素点总数与二值图像的黑点总数之比,公式如下:
其中M为图像宽度,N为图像高度,Shd[i,j]代表只包含灰度值大于阈值T的像素,即为低灰度图像,Sb[i,j]代表二值图像。
全局高密区域相对重心特征具体为提取全局高密区域HDR(High-DensityRegion)在原图像中的相对重心来作为特征,得到特征值a24、a25。
相对重心特征的公式如下:
Shdv代表x轴方向上灰度值大于阈值T的像素;Shdh代表y轴方向上大于阈值T的像素;小波变换特征具体为首先计算重建系数中最大值对应的灰度值以内的像素之和占全部签名灰度图像像素和(背景像素除外)之比,再计算此灰度值与最小灰度值之差与最大灰度值(除背景灰度值)与最小灰度值之差的比值,将两个比值再相除得到一个最终的比值。公式如下:
其中,r1=重建系数中最大值对应的灰度值以内的像素之和/全部签名灰度图像像素和(背景像素除外),r2=对应灰度值与最小灰度值之差/最大灰度值(除背景灰度值)与最小灰度值之差。
对得到的27维特征值进行数据归一化处理,数据归一化公式为:
其中:xmin和xmax是原始特征属性的最小值和最大值,ymin和ymax是映射的范围,可调节。令ymin=-1,ymax=1使其映射到(-1,1)的区间范围内,最后得到按序连接的27维图像特征数组I=[a1 a2 a3 … a27]。
步骤三:对得到的27维特征值进行数据归一化处理,得到按序连接的图像特征数组;
步骤四:根据匹配好的训练子集和设置好的阈值,对待测签名的27维特征值进行深度多任务度量,若待测签名至少有一个度量距离低于阈值,则待测签名就是真实签名。
根据多特征度量学习的结果,将鉴伪结果输出。
为了评估系统,对于每一个训练子集,我们建立(xi,k,xj,k)作为测试对,xi,k是第k个训练集中真实样本,xj,k是来源于第k个训练集的待测样本。在第k个训练集中,有c3=p2*(p1-p2)个相似签名对,有c4=p2*q1个刻意伪造签名对,有c5=p2*q2*p2个随机伪造签名对。
为了确定待测样本的真实性,系统对p2个参考样本对应的27维特征值计算度量,如果待测签名至少有一个度量距离低于阈值,表达式如下:
那么待测签名就是真实签名;τ为给定的阈值,在具体实施例中令τ=2。
而度量距离的公式如下:
其中h,W,b分别为输出,权重和偏差,s为一种类似于tanh函数的非线性算子
为参考样本对共享层进行欧式距离计算的输出,为待测样本对共享层进行一次欧氏距离计算的输出;W(1)为共享层数据库的权重;b(1)为共享层的偏差;为参考样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出,为待测样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出;为第k个子集分离层的权重;为第k个子集分离层的偏差。本发明运用多特征度量法度量与样本的相似度,作为衡量两个个体间差异大小的度量,构造训练集的时候对待检测签名进行两次多特征度量计算,相较于现有技术的一次欧氏距离,本发明进一步提高了准确度。
多特征度量学习模型如图6所示。对于P签名数据集,将作为对应第k个真实个体的第k个训练集,gi,k和fi,k分别是第i个真实图像和伪造图像提取的n维特征向量。对于第k个子集对应真实样本Gk,(gi,k,i=1,2,...,GK)和伪造样本Fk,(fi,k,i=1,2,...,Fk)。伪造样本可以为其他用户的刻意伪造签名和随机伪造签名。如图6所示,鉴伪系统所用的方法是基于多任务度量学习的方法,在通过共享层之后,第k个子集的签名对构造了第二层的和有k个分离的单元。共享层作为Writer-independent方法,分离层作为Writer-dependent方法。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。上述说明已公开了本发明的技术手段,凡在此基础上进行同等变换或者替换的技术方案均落在本发明保护范围内。
Claims (7)
1.一种基于多特征度量学习的离线签名鉴伪方法,其特征在于,包括如下步骤:
对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理;
对预处理后的图像进行动态特征和静态特征的提取,并对得到的特征值进行归一化处理,得到按序连接的图像特征数组;所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征;所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征;
运用多特征度量学习的方法训练鉴伪模型,将待测签名图像与调用的样本签名数据库中共享层的签名图像进行一次多特征度量,随后再将待检测签名图像与调用的数据库中分离层的图像进行二次多特征度量,如果待测签名的所有特征值度量距离中至少有一个度量距离低于阈值,则判定待测签名就是真实签名。
3.根据权利要求1所述的一种基于多特征度量学习的离线签名鉴伪方法,其特征在于,步骤1中对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理的方法包括:
首先对图像进行灰度化,运用中值滤波对图像进行去噪,运用最大类间法进行图像二值化,随后进行签名分割,再运用基于手写签名多边轮廓的骨架化方法对签名图像进行细化。
4.根据权利要求3所述的一种基于多特征度量学习的离线签名鉴伪方法,其特征在于,所述签名分割的方法包括:
对签名图像进行二值化操作后,找到二值图像非背景点的上下左右边缘:ymin,ymax,xmin,xmax,根据边缘坐标对图像进行裁剪,去除其空白边缘;裁剪之后签名图像的高度H=ymax-ymin,图像的宽度W=xmax-xmin。
5.根据权利要求1所述的一种基于多特征度量学习的离线签名鉴伪方法,其特征在于,所述几何特征具体包括签名骨架字长比、外接矩形长宽比、凸包面积与外接矩形面积比;
所述纹理特征具体为8维灰度共生矩阵,包括能量、对比度、相关、熵、逆差矩、中值、协方差和同质差,在灰度图像中,灰度共生矩阵中所有元素只有最大像素值与最小像素值,统计像素点分布规律,以分辨出字符不同的内容;
所述矩特征具体为7维图像矩,利用二阶和三阶中心距构造七个不变矩;
所述代表性笔画的曲率特征具体为横竖撇捺四个方向的4维曲率特征,选取每个方向上最具代表性的笔画,利用数学形态圆检测计算笔画的曲率特征值就为纹理笔画特征。
6.根据权利要求1所述的一种基于多特征度量学习的离线签名鉴伪方法,其特征在于,
所述高密区域特征具体为签名区域中灰度低于预设值得区域,
所述全局高密区域相对重心特征具体为提取高密区域在原图中的相对重心来作为特征;
所述小波变换特征具体为首先计算重建系数中最大值对应的灰度值以内的像素之和占除背景像素以外的全部签名灰度图像像素和之比,再计算此灰度值与最小灰度值之差与除背景灰度值以外的最大灰度值与最小灰度值之差的比值,将两个比值再相除得到一个最终的比值。
7.一种基于多特征度量学习的离线签名鉴伪系统,其特征在于,其包括:
数据库模块、图像采集模块、签名预处理模块、签名特征提取模块以及分类决策模块;
所述数据库模块:用于存储样本签名数据库;
所述图像采集模块:用于采集作为待测样本的手写签名图像;
所述签名预处理模块:用于对样本签名数据库和作为待测样本的手写签名图像进行预处理;
所述签名特征提取模块:用于对预处理后的图像进行动态特征和静态特征的提取,并对得到的特征值进行归一化处理,最后得到按序连接的图像特征数组;所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征;所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征分类决策模块:
所述分类决策模块,用于运用多特征度量学习的方法训练鉴伪模型,将待测签名图像与调用的样本签名数据库中共享层的签名图像进行一次多特征度量,随后再将待检测签名图像与调用的数据库中分离层的图像进行二次多特征度量,如果待测签名的所有特征值度量距离中至少有一个度量距离低于阈值,则判定待测签名就是真实签名。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910756598.XA CN112395919B (zh) | 2019-08-16 | 2019-08-16 | 一种基于多特征度量学习的离线签名鉴伪方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910756598.XA CN112395919B (zh) | 2019-08-16 | 2019-08-16 | 一种基于多特征度量学习的离线签名鉴伪方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395919A CN112395919A (zh) | 2021-02-23 |
CN112395919B true CN112395919B (zh) | 2022-09-13 |
Family
ID=74601902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910756598.XA Active CN112395919B (zh) | 2019-08-16 | 2019-08-16 | 一种基于多特征度量学习的离线签名鉴伪方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395919B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853378A (zh) * | 2024-03-07 | 2024-04-09 | 湖南董因信息技术有限公司 | 基于度量学习的文字笔迹显示方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7599528B1 (en) * | 2008-04-30 | 2009-10-06 | International Business Machines Corporation | Offline signature verification using high pressure regions |
CN106778586B (zh) * | 2016-12-08 | 2020-11-17 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
-
2019
- 2019-08-16 CN CN201910756598.XA patent/CN112395919B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112395919A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778586B (zh) | 离线手写签名鉴别方法及系统 | |
CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
CN107392136B (zh) | 一种基于特征自适应震荡衰减的签名真伪性鉴别系统 | |
Kaewkongka et al. | Off-line signature recognition using parameterized Hough transform | |
Avola et al. | R-SigNet: Reduced space writer-independent feature learning for offline writer-dependent signature verification | |
Bansal et al. | Offline signature verification using critical region matching | |
Prashanth et al. | Off-line signature verification based on angular features | |
CN112395919B (zh) | 一种基于多特征度量学习的离线签名鉴伪方法和系统 | |
Prashanth et al. | DWT based offline signature verification using angular features | |
Jain et al. | Online signature verification using energy, angle and directional gradient feature with neural network | |
Harb et al. | Palm print recognition | |
Kumar | Signature verification using neural network | |
Vohra | Signature verification using support vector machine and convolution neural network | |
Karki et al. | Off-line signature recognition and verification using neural network | |
Singh et al. | Off-Line signature verification using sub uniform local binary patterns and support vector machine | |
Sharma et al. | An Offline Signature Verification System Using Neural Network Based on Angle Feature and Energy Density | |
Arora et al. | GMM for offline signature forgery detection | |
Blessy et al. | Deep Learning Approach to Offline Signature Forgery Prevention | |
Kekre et al. | Off-line signature recognition using morphological pixel variance analysis | |
Karanjkar et al. | Signature recognition on bank cheques using ANN | |
Joshi et al. | Offline handwritten signature verification using low level stroke features | |
Rahman et al. | A statistical approach for offline signature verification using local gradient features | |
Azzopardi | Offline handwritten signature verification using radial basis function neural networks | |
Abdulhussien et al. | One-class arabic signature verification: A progressive fusion of optimal | |
Kanawade et al. | Offline signature verification and recognition |
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 |