CN113065414A - 基于书写运动学理论的笔迹鉴别方法 - Google Patents

基于书写运动学理论的笔迹鉴别方法 Download PDF

Info

Publication number
CN113065414A
CN113065414A CN202110274548.5A CN202110274548A CN113065414A CN 113065414 A CN113065414 A CN 113065414A CN 202110274548 A CN202110274548 A CN 202110274548A CN 113065414 A CN113065414 A CN 113065414A
Authority
CN
China
Prior art keywords
signature
real
sequence
signature sequence
deep learning
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.)
Pending
Application number
CN202110274548.5A
Other languages
English (en)
Inventor
刘义江
陈蕾
侯栋梁
池建昆
范辉
阎鹏飞
魏明磊
李云超
姜琳琳
辛锐
陈曦
杨青
沈静文
吴彦巧
姜敬
檀小亚
师孜晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
State Grid Hebei Electric Power Co Ltd
Original Assignee
Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co, State Grid Hebei Electric Power Co Ltd filed Critical Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
Priority to CN202110274548.5A priority Critical patent/CN113065414A/zh
Publication of CN113065414A publication Critical patent/CN113065414A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于笔迹鉴别技术领域，涉及一种基于书写运动学理论的笔迹鉴别方法，其包括：通过一动作采集设备获得认证书写者的真实签名序列；真实签名序列包含认证书写者完成真实签名时段中各时刻书写运动的高斯信号信息；使用真实签名序列创建若干合成签名序列；各个合成签名序列被分类后组成正样本集和负样本集；使用正样本集和负样本集对一深度学习网络系统实施训练；通过动作采集设备获得一真实签名序列，并使用完成训练的深度学习网络系统判断该真实签名序列的创建者是否为认证书写者。本发明通过对真实签名样本的数据增广并训练特定神经网络，以使用该神经网络对签名工具采集签名信息实施鉴定进而实现身份认证。

Description

基于书写运动学理论的笔迹鉴别方法
技术领域
本发明属于笔迹鉴别技术领域，具体的，本发明涉及一种利用有限伪造签名数据实现联机签名认证的方法。
背景技术
手写签名认证是社会认可度最高、应用最为广泛的身份认证方式，在行政管理、银行办公等应用场景中十分常见。通过手写签名进行身份认证的一个技术难点在于手写签名难以应对伪造签名攻击(Skilled Forgery Attacks)，即他人刻意伪造某一用户的签名以诈骗身份认证系统获得合法的认证结果。传统方法关注点在于利用专家系统在预处理步骤设定手写签名匹配的规则，形成固定化的模板，在进行验证签名时进行笔画的提取，在经过预先设定的特征工程(Feature Engineering)后，利用固定化的模板进行匹配。这种方法存在的不足之处首先在于穷举式的模板系统必然无法涵盖全部手写签名匹配的规则，其次，预处理步骤以及特征工程的性能对结果判定的扰动较大，系统鲁棒性比较差。
随着深度学习的发展，联机签名认证方法开始逐步从基于特征工程与模板匹配的方法向深度学习方法过渡，在降低伪造签名认证错误率方面取得了一定进展。然而，这些方法的新进展仍存在以下不足：首先，它们需要伪造签名作为训练数据。手写签名作为一种生物信息以及个人隐私数据，其采集存在困难；伪造签名的采集，更是需要书写者反复练习其需要仿造的签名，成本十分昂贵。因此，利用伪造签名作为训练数据不具备可拓展性。其次，这些方法缺乏一个合适的数据增广方式。常规的数据增广方式，例如仿射变换等，无法对联机签名的动态特性做出合理调整，也无法反映实际签名过程的固有变化。
发明内容
本发明目的在于提供一种以有限的伪造签名数据为实施前提的联机签名认证方法。克服真实签名数据难以获取的问题，同时，也提供一种针对签名的数据增广方式。
本发明提供的技术方案是一种基于书写运动学理论的笔迹鉴别方法，该方法包括：
通过一动作采集设备获得认证书写者的真实签名序列；所述真实签名序列包含认证书写者完成真实签名时段中各时刻书写运动的高斯信号向量；
使用所述真实签名序列创建若干合成签名序列；各个所述合成签名序列被分类后组成正样本集和负样本集；
使用所述正样本集和所述负样本集对一深度学习网络系统实施训练；
通过所述动作采集设备获得一真实签名序列，并使用完成训练的所述深度学习网络系统判断该真实签名序列的创建者是否为所述认证书写者。
上述技术方案一个方面的改进在于，通过所述动作采集设备获得真实签名序列的方法包括：在完成真实签名时段中，连续采集各时刻中签名工具的移动数据，根据预设的笔画信息将所述移动数据进行对数高斯分解以获得所述真实签名序列；所述移动数据包含所述签名工具的速度和角度。
该方面进一步的改进在于，所述移动数据包括提笔信息和落笔信息，所述提笔信息和落笔信息用于分隔真实签名中的笔画。
上述技术方案另一个方面的改进在于，所述真实签名序列被标准化为相同长度，以便根据所述真实签名序列创建的合成签名序列为同一长度。
上述技术方案另一个方面的改进在于，使用所述真实签名序列创建合成签名序列的方法包括：创建若干组与所述对数高斯分解方法的分解参数对应的噪声，使用一组噪声更改真实签名序列各个高斯信号向量的分解参数，并重新生成各个高斯信号向量；所述重新生成的各个高斯向量组成所述真实序列在该组噪声中的合成签名序列。
该方面进一步的改进在于，根据预设的第一分类规则，所述噪声组被分别用于创建所述正样本或者所述负样本。
该方面进一步的改进还在于，根据预设的第二分类规则，用于创建负样本的所述噪声组被选择是否用于创建所述负样本的困难样本或简单样本。
上述技术方案另一个方面的改进在于，所述深度学习网络系统使用的特征提取模块包含多个一维卷积网络。
该方面进一步的改进还在于，所述特征提取模块包含5层一维卷积网络。
该方面进一步的改进还在于，所述深度学习网络系统在训练时使用基于分类交叉熵损失函数的排序分支以鼓励正样本的得分在负样本得分序列中尽可能靠前。
本发明主要思路是：使用书写运动学理论及其Sigma Lognormal模型实现一种联机签名的。本发明考虑，人的神经肌肉系统具有对数高斯脉冲响应；当人在进行快速书写的时候，笔尖的速度由一系列对数高斯信号叠加而成，其中每个信号由6个参数进行控制。一个联机签名的速度信号可以分解为多个对数高斯信号；通过算法获取对数高斯信号的参数之后，可以重构出原始的速度和轨迹信息。同时，通过对参数引入适当程度的噪声扰动，则可以实现签名的合成。参数的扰动范围通过视觉图灵测试和一些初步实验是可以确定。对于一个给定的真实签名序列样本，可以选取两个不同的参数扰动范围，从而生成两组不同形变程度的合成签名。显然地，高形变程度的合成签名序列(本发明称为G2)与原始的真实签名序列相似度较低，低形变程度的合成签名序列(本发明称为G1)与原始的真实签名序列相似度则较高，可以分别将其视为仿造签名(副样本)和数据增广后的真签名(正样本)。在本发明方法上述构思的基础上，还可以使用测度学习、孪生网络等神经网络学习方法。
容易理解的，现有技术中使用神经网络的笔迹鉴定在训练时的损失函数不能考虑细粒度的相似度信息，一般而言，这种细粒度的相似性体现在一些高度相似的伪造签名无法被争取的分辨，同时真正的签名可能会由于外观的差异比较大而被错误判定为伪造的签名，这种相对细微的差别制约着特征学习的有效性，仍然具有提升空间。为了充分利用细粒度的签名相似度信息，本发明的改进实施例中提出使用排序学习的方法进行特征学习，并优化签名相似度排序的AP指标。这么做的好处有两点，一是可以在排序列表中保留和利用相对的相似度信息，不易过拟合，二是AP指标与认证性能直接相关，优化AP指标能够提升认证性能。由此，本发明提供技术方案同时考虑了细粒度的相似度信息，所提供的联机笔迹鉴别算法提高了笔迹鉴定中特征学习的有效性。
附图说明
图1为本发明一个实施例中基于书写运动学理论的笔迹鉴别方法的实施流程示意图；
图2为本发明一个实施例中基于书写运动学理论的笔迹鉴别方法的训练过程的数据流示意图；
图3为本发明一个实施例中深度学习网络中特征提取模块的结构示意图。
具体实施方式
首先需要说明的是，现有技术中，如果采用真实来源的签名样本库对神经网络进行训练其困难在于，由于签名具有隐私性，签名的样本获取比较困难，尤其是负样本，即伪造签名的样本，其本身在真实来源的签名样本库中所占的比例非常低。同时，采取人工标注负样本也会存在标注不准，尤其是困难样本(高仿签名)的获取更是困难。
本发明的多个实施例中，通过一种方法实现签名合成，其首先将签名分解成为多个重叠的对数高斯信号，然后通过改变其中一个或者几个信号的值来控制生成高仿签名，从而解决真实样本不足的问题，进而实现签名的深度学习，并将训练好的深度学习网络用于实现基于笔记鉴别的身份认证系统。
其中，本发明实施例中每对高斯信号向量可以用以下公式描述对数高斯分解：
Figure BDA0002976057420000041
其中，
Figure BDA0002976057420000042
代表当前第i笔画的速度。Di代表当前第i笔画的振幅，
Figure BDA0002976057420000043
代表当前第i笔画落笔的时间，μi代表第i笔画的系统设备响应时延均值，σi代表第i笔画的系统设备响应方差，
Figure BDA0002976057420000044
代表当前第i笔画开始时的角度，
Figure BDA0002976057420000045
代表第i笔画结束时候的角度。φi(t)代表当前时间笔画的角度。
Figure BDA0002976057420000046
是速度函数
Figure BDA0002976057420000047
的积分表示。容易理解的，笔端速度信号
Figure BDA0002976057420000048
理论上为各方向速度矢量分量的和，在选择分解空间为维度为N时，可表示为：
Figure BDA0002976057420000049
容易理解的，公式(1)中各个高斯信号向量的对数高斯信号参数Di、
Figure BDA00029760574200000410
μi、σi、
Figure BDA00029760574200000411
和
Figure BDA00029760574200000412
即本发明实施例中的六个分解参数。通过为各个对数高斯信号参数引入一定程度噪声抖动，能够合成出不同形变程度的签名样本。抖动越大,形变程度越大。本发明的一个实施例中，加入噪声形成新的分解参数的方法为：
Figure BDA0002976057420000051
其中，
Figure BDA0002976057420000052
和
Figure BDA0002976057420000053
即为新的分解参数，用于重新生成新的各个高斯信号向量，同时通过控制RD、
Figure BDA0002976057420000054
Rμ、Rσ、
Figure BDA0002976057420000055
这六个变量组成的不同噪声组便可以形成不同形状的签名样本。本发明另一些实施例中，首先对笔画进行建模，得到一个模型可以控制RD、
Figure BDA0002976057420000056
Rμ、Rσ、
Figure BDA0002976057420000057
这6个变量来生成一个笔画，一个签名有n个笔画组成。因此对这6个参数加不同的噪声信号就可以生成不同的签名样本。本文的一些实施例提供了具体的各噪声的取值范围参考表。示范的，本发明一些实施例中可以根据以下公式来生成合成数据：
Figure BDA0002976057420000058
其中，n代表不同的笔画的序。本发明一些实施例中，一次落笔到停下来提笔定义为一个笔画，这些实施例中，将一次落笔到提笔的过程定义为一个笔画，不引入提笔落笔的动作变量以减小系统的建模的复杂度，同时，避免了数据采集设备对落笔、提笔动作的读取和处理，降低采集成本。在一些较为复杂的实施例中，一个笔画的动作数据也可以包含提笔和/或落笔动作，也可以将提笔、落笔的动作数据另行采集处理，视为签名过程整体动作的一个部分，也使用本发明提供的方式进行特征提取和处理。
容易理解，本发明的整个的笔迹鉴别过程更适用于判定困难样本的笔迹鉴别，一些实施例中，可以首先利用电子笔等动作采集设备中的签名工具对输入信号进行记录，记录之后的信号进行重新采样到固定大小的真实签名序列，然后这个固定大小的一维向量进入深度学习网络进行判定是模仿的轨迹序列还是真实签名的轨迹序列。示范的，参考图1，本发明一个实施例中的笔迹鉴别方法，包含以下步骤100至400：
步骤100，通过一动作采集设备获得认证书写者的真实签名序列；所述真实签名序列包含认证书写者完成真实签名时段中各时刻书写运动的高斯信号向量。
示范的，本实施例和通过联机签名的速度信号实现签名样本集的数据增广。联机签名的速度信号来自于认证书写者对动作采集设备中书写工具的操作，采集一个联机签名过程中速度信号，并对速度信号分解获得多个对数高斯信号；通过算法获得各个对数高斯信号的六个参数。优选的，本实施例中，动作采集设备可以直接获得，以便对采样到的信号(6个变量)按照时间顺序输入深度学习网络。本实施例中，深度学习网络要求固定大小的输入，采样信号进行插值操作重新固定到1×500大小。示范的，本实施例中，插值算法选用样条插值法。
在另一些实施例中，动作采集设备的输入可以是携带书写运动特征的图片，即，动作采集设备获得的作为真实样本的联机签名是图片，联机是指通过动作采集设备同步记录产生该图片时段中6个控制笔画的参数，这些图片用于获取大量笔画并对具体的笔画进行建模用以通过笔画分解动作数据，根据这些真实签名也可以得到不同形变的签名。这些实施例中，虽然图片二维的，但是由于本发明不考虑笔画的粗细，图片被动作采集设备处理为一维的真实签名序列，示范的，动作采集设备对一个笔画沿着图片x轴进行采样，可以得到笔画在y轴坐标[y1,y2,…yn])。当采样方式确定时，该一维的真实签名序列也必然包含了确定的高斯信号信息，我们用一维卷积来对这个一维序列进行特征提取，可以创建在该采样方式下的合成签名序列。在这实施例中，具体的采样方法被封装于动作采集设备，因此经过该样本训练的深度学习网络系统，仅能够适配获得真实签名序列的动作采集设备。容易理解，本发明的真实签名序列并不局限于具体的序列形式，通过任何对不过滤高斯信号信息可逆的反向过程，均可以创建对应具体动作采集设备的合成算法。
步骤200，使用所述真实签名序列创建若干合成签名序列；各个所述合成签名序列被分类后组成正样本集和负样本集。
本实施例中，通过对六个参数引入扰动噪声建立该真实签名的多个正样本和多个负样本。其中，高形变程度的签名样本(称为G2)与原始签名相似度较低，作为负样本；低形变程度的签名样本(称为G1)与原始签名相似度则较高，可以分别将其视为仿造签名和数据增广后的真签名。下表定义了一个预设的第一分类规则，根据该规则对噪声组的要求分别创建所述正样本或者所述负样本。
Figure BDA0002976057420000071
其中，第一列代表各个参数名，第3列代表正样本的一个噪声组的扰动范围，第四列代表负样本的一个噪声组扰动范围。可以看出，其中，高形变程度的签名样本(称为G2)与原始签名相似度较低，作为负样本；低形变程度的签名样本(称为G1)与原始签名相似度则较高，可以分别将其视为仿造签名和数据增广后的真签名。同样形式的，可以设置一个第二分类规则，以创建负样本中的困难样本或简单样本，噪声组的扰动范围是手动定义的，定义的标准是基于调查问卷的实验，首先通过真实样本生成不同形变的签名，交给专家进行评判，在评判结果的基础上统计得到合适的噪声扰动范围。
步骤300，使用所述正样本集和所述负样本集对一深度学习网络系统实施训练。
示范的，使用数据增广后的签名样本，即上述正样本和负样本，对一深度学习网络实施训练。参考图2，本实施例本实施例中深度学习网络系统使用一深度学习模块特征提取样本特征，并为其配置判别分支形成完整的深度学习网络，参考图3，深度学习模块包括由5层一维卷积网络组成的特征提取模块并由判别分支输出判别结果。网络层的设计本发明进行了大量实验，实验表明，5层网络即可得到较好的识别结果。这与本身笔画的变量的个数决定的，经过建模笔画可以被6个变量表示，5层卷积网络已经有能力表示这6个变量。本发明技术方案的应用中发现，采用本实施例的深度学习网络结构时，一些过大过深的网络较容易产生过拟合现象。
判别分支只在向前推理的时候，另外一个排序分支仅仅用来计算loss，以帮助深度学习网络的训练更快收敛，使得网络鲁棒性更好。示范的，判别分支使用简单的softmax函数通过对笔迹的6个信号的特征建模来实现对笔迹本身二分类，即判定携带笔迹信息的一个签名序列是真还是假。容易理解，为了模仿一个人签名，一个简单的解释是：往往会刻意变慢笔速。这种速度就能体现出这个笔迹本身可能就是模仿的。
本实施例中，在步骤100中真实签名序列已经被动作采集设备标准化为相同长度，因此后续根据真实签名序列创建的合成签名序列为同一长度，这些合成签名序列可以直接输入深度学习网络进行。另一些实施例中，动作采集设备不必分配过大的计算任务，其深度学习网络系统包含一个预处理单元，以兼容不同长度的签名序列的输入处理，预处理单元首先按照固定时间间隔(如0.001秒)对包含高斯信号信息的真实签名序列采样，每个采样点的信息为一个向量，假如得到N个向量，然后对这些向量进行插值到固定个数M作为后续深度学习模块的输入。这些实施例中，动作采集设备不必记录落笔、提笔的时间段的信息，不考虑提笔和落笔的动作。只采集笔画信息形成真实签名序列。
另一些实施中，特征提取模块能够从任意长度的联机签名序列提取定长的特征向量,联机签名序列指的是经过规范化处理的图片。因为本发明不考虑笔画的粗细，因此这些图片也可以被看作是一个一维度的序列信息。
本实施例中，获取签名样本需要电子笔来记录需要的6个参数，特征提取模块的卷积网络为5层，在训练中，除了优化AP指标，还优化了签名分类交叉熵损失函数。下式所示的签名分类交叉熵损失函数用来作为本发明方法训练中分类任务的损失函数。其中y代表样本真实值，
Figure BDA0002976057420000081
代表样本预测值。
Figure BDA0002976057420000082
本是实施中，AP指标(LAP,APloss)用排序后的序号来设计loss，核心思想在于鼓励正样本的得分在负样本得分序列中尽可能靠前。其公式为：
Figure BDA0002976057420000083
Figure BDA0002976057420000084
其中，|P|为正样本预测的数量，si,sj为第i、第j个得分。Ni为得分大于等于si的所有正、负样本的数量。容易理解的，LAP这种loss由于存在非凸性和不可微性，不能被直接优化。本文用到的排序分支仅仅用来计算loss，APloss的作用是鼓励正样本的得分在负样本中的得分序列中更加靠前。APloss仅仅用到排序后的图2中排序分支左边索引以及得分和正负分类来计算loss。本领域技术人员了解，其更具体的更新规则可以根据论文”TowardsAccurate One-Stage Object Detection with AP-Loss”中各个技术方案予以实现。
容易理解的，本实施例中，前者使用交叉熵损失函数进行签名分类，其目的在于提升对于仿造签名的认证性能，后者使用得分排序后的APloss部分索引计算loss，其目的则在于提升对于随机假签名的认证性能。
可见，上述排序分支实现了基于排序学习的特征学习。一般的特征学习方法例如Siamese方法或基于Triplet的度量学习方法虽然能够对签名的形变进行精细的控制，但是仍然具有提升的空间。本发明利用排序学习来自动学习这种精细的相似度信息，进而使得深度学习网络能够学习到更细节的东西。
本实施例中，每组噪声的扰动范围是手动定义的，定义的标准可以基于调查问卷的实验，首先通过真实样本生成不同形变的签名，交给专家进行评判，在评判结果的基础上统计得到合适的噪声扰动范围。因此，在相似度空间中，低变形样本排在高变形样本之前，通过优化相似度排序的AP指标辅助进行特征学习，以提高学习效率。
容易理解，本发明提出的这种方法只需要真实签名序列作为样本即可进行训练，解决了伪造签名样本不足的问题。真实样本是图片(之所以叫联机是因为我们需要电子设备来记录6个控制笔画的参数)，我们在大量笔画上已经对笔画进行了建模，根据真实签名可以得到不同形变的签名。得到真实签名样本之后，便不需要签名图片了。通过对6个参数加噪声便可得到不同形变程度的笔画。
在本实施例中，对于签名合成，为了加快训练速度，提前离线生成合成签名序列，为每个真实签名序列创建两个数据池P1(负样本)和P2(正样本)。然后，在训练期间，分别从P1和P2中提取G1和G2。设置|P1|＝|P2|＝20，|G1|＝5和|G2|＝10。训练的batch size为16，优化器选用ADADELTA来计算梯度并进行反向传播。合成的依据是本发明建立的笔画模型，我们用专业的电子设备首先收集大量签名，然后根据这些签名的6个控制参数，加上噪声，便可以得到合成数据。本文中，离线的意思是说我们在网络训练之前就得到了这些数据，可以直接用来训练。容易理解，在另一些配置有充分计算资源的深度学习网络系统，也可以在线完成样本合成和训练，并快速投入使用。
步骤400，通过所述动作采集设备获得一真实签名序列，并使用完成训练的所述深度学习网络系统判断该真实签名序列的创建者是否为所述认证书写者。具体的，完成步骤300的训练后，使用训练获得的深度学习网络对通过动作采集设备获得的真实签名序列实现鉴别创建者是否为步骤100中的那名认证书写者。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接囗，装置或单元的间接耦合或通信连接，如对外部神经网络单元的调用，可以是本地的，远程的或混合的资源配置形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理设备中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理设备中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM,Read-0nlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的一种笔迹鉴别方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于书写运动学理论的笔迹鉴别方法，其包含：
通过一动作采集设备获得认证书写者的真实签名序列；所述真实签名序列包含认证书写者完成真实签名时段中各时刻书写运动的高斯信号信息；
使用所述真实签名序列创建若干合成签名序列；各个所述合成签名序列被分类后组成正样本集和负样本集；
使用所述正样本集和所述负样本集对一深度学习网络系统实施训练；
通过所述动作采集设备获得一真实签名序列，并使用完成训练的所述深度学习网络系统判断该真实签名序列的创建者是否为所述认证书写者。
2.根据权利要求1所述的笔迹鉴别方法，其特征在于，通过所述动作采集设备获得真实签名序列的方法包括：在完成真实签名时段中，连续采集各时刻中签名工具的移动数据，根据预设的笔画信息将所述移动数据进行对数高斯分解以获得所述真实签名序列；所述移动数据包含所述签名工具的速度和角度。
3.根据权利要求1所述的笔迹鉴别方法，其特征在于，所述真实签名序列被标准化为相同长度，以便根据所述真实签名序列创建的合成签名序列为同一长度。
4.根据权利要求2所述的笔迹鉴别方法，其特征在于，使用所述真实签名序列创建合成签名序列的方法包括：所述高斯信号信息为高斯信号向量；创建若干组与所述对数高斯分解方法的分解参数对应的噪声，使用一组噪声更改真实签名序列各个高斯信号向量的分解参数，并重新生成各个高斯信号向量；所述重新生成的各个高斯向量组成所述真实序列在该组噪声中的合成签名序列。
5.根据权利要求4所述的笔迹鉴别方法，其特征在于：根据预设的第一分类规则，所述噪声组被分别用于创建所述正样本或者所述负样本。
6.根据权利要求5所述的笔迹鉴别方法，其特征在于：根据预设的第二分类规则，用于创建负样本的所述噪声组被选择是否用于创建所述负样本的困难样本或简单样本。
7.根据权利要求1所述的笔迹鉴别方法，其特征在于：所述深度学习网络系统使用的特征提取模块包含多个一维卷积网络。
8.根据权利要求7所述的笔迹鉴别方法，其特征在于：所述特征提取模块包含5层一维卷积网络。
9.根据权利要求7所述的笔迹鉴别方法，其特征在于：所述深度学习网络系统在训练时使用基于分类交叉熵损失函数的排序分支以鼓励正样本的得分在负样本得分序列中尽可能靠前。
10.根据权利要求2所述的笔迹鉴别方法，其特征在于：所述移动数据包括提笔信息和落笔信息，所述提笔信息和落笔信息用于分隔真实签名中的笔画。
CN202110274548.5A 2021-03-15 2021-03-15 基于书写运动学理论的笔迹鉴别方法 Pending CN113065414A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110274548.5A CN113065414A (zh) 2021-03-15 2021-03-15 基于书写运动学理论的笔迹鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110274548.5A CN113065414A (zh) 2021-03-15 2021-03-15 基于书写运动学理论的笔迹鉴别方法

Publications (1)

Publication Number Publication Date
CN113065414A true CN113065414A (zh) 2021-07-02

Family

ID=76561391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110274548.5A Pending CN113065414A (zh) 2021-03-15 2021-03-15 基于书写运动学理论的笔迹鉴别方法

Country Status (1)

Country Link
CN (1) CN113065414A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657241A (zh) * 2017-10-09 2018-02-02 河海大学常州校区 一种面向签字笔的签名真伪性鉴别系统
CN109344856A (zh) * 2018-08-10 2019-02-15 华南理工大学 一种基于多层判别式特征学习的脱机签名鉴别方法
CN110096977A (zh) * 2019-04-18 2019-08-06 中金金融认证中心有限公司 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质
CN111046774A (zh) * 2019-12-06 2020-04-21 国网湖北省电力有限公司电力科学研究院 一种基于卷积神经网络的中文签名笔迹鉴定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657241A (zh) * 2017-10-09 2018-02-02 河海大学常州校区 一种面向签字笔的签名真伪性鉴别系统
CN109344856A (zh) * 2018-08-10 2019-02-15 华南理工大学 一种基于多层判别式特征学习的脱机签名鉴别方法
CN110096977A (zh) * 2019-04-18 2019-08-06 中金金融认证中心有限公司 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质
CN111046774A (zh) * 2019-12-06 2020-04-21 国网湖北省电力有限公司电力科学研究院 一种基于卷积神经网络的中文签名笔迹鉴定方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ABHISHEK SHARMA等: "A Novel Online Signature Verification System Based on GMM Features in a DTW Framework", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 *
CHRISTIAN OREILLY等: "Development of a Sigma–Lognormal representation for on-line signatures", 《PATTERN RECOGNITION》 *
MOISES DIAZ等: "Dynamic Signature Verification System Based on One Real Signature", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
MOISES DIAZ等: "Towards an Automatic On-Line Signature Verifir Using Only One Reference Per Signer", 《2015 13TH INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION 》 *
SONGXUAN LAI等: "SynSig2Vec: Learning Representations from Synthetic Dynamic Signatures for Real-world Verification", 《ARXIV:1911.05358V2 [CS.CV]》 *
UJJWAL BHATTACHARYA等: "A sigma-lognormal model-based approach to generating large synthetic online handwriting sample databases", 《SPRINGER》 *
YECHENG ZHU等: "Point-to-Set Similarity Based Deep Metric Learning for Offline Signature Verification", 《2020 17TH INTERNATIONAL CONFERENCE ON FRONTIERS IN HANDWRITING RECOGNITION 》 *

Similar Documents

Publication Publication Date Title
Coetzer et al. Offline signature verification using the discrete radon transform and a hidden Markov model
Azmi et al. Biometric signature verification system based on freeman chain code and k-nearest neighbor
Malik et al. ICDAR2015 competition on signature verification and writer identification for on-and off-line skilled forgeries (SigWIcomp2015)
Malik et al. Evaluation of Local and Global Features for Offline Signature Verification.
CN106803098A (zh) 一种基于语音、表情与姿态的三模态情感识别方法
CN113537008B (zh) 基于自适应运动放大和卷积神经网络的微表情识别方法
KR100479338B1 (ko) 패턴 변환 기법을 이용한 온라인 서명인증 장치 및 그구현 방법
Avola et al. R-SigNet: Reduced space writer-independent feature learning for offline writer-dependent signature verification
Longjam et al. Writer independent handwritten signature verification on multi-scripted signatures using hybrid CNN-BiLSTM: A novel approach
Elkhayati et al. UnCNN: A new directed CNN model for isolated Arabic handwritten characters recognition
Zhang Application of artificial intelligence recognition technology in digital image processing
Jiang et al. Forgery-free signature verification with stroke-aware cycle-consistent generative adversarial network
Rezaei et al. Persian signature verification using fully convolutional networks
CN114944002B (zh) 文本描述辅助的姿势感知的人脸表情识别方法
CN113065414A (zh) 基于书写运动学理论的笔迹鉴别方法
Chen et al. A real-world online signature verification system based on correlation algorithm
CN113343898B (zh) 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备
CN111461015B (zh) 一种基于rnn模型的用户无关在线签名鉴定方法及装置
Singh et al. Survey on offline signature recognition and verification schemes
CN112070009B (zh) 基于改进的lbp算子的卷积神经网络表情识别方法
Ji et al. Content-independent online handwriting verification based on multi-modal fusion
Alobaidi et al. In-Air Signature Verification System Based on Beta-Elliptical Approach and Fuzzy Perceptual Detector
Shivthare et al. Multimodal Biometric in Computer Vision
Prathiba et al. Signature verification system based on wavelets
Shanmugam et al. Newton algorithm based DELM for enhancing offline tamil handwritten character 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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210702