CN113179156A - 基于深度学习的手写签名生物密钥生成方法 - Google Patents

Abstract

本发明公开一种基于深度学习的手写签名生物密钥生成方法。提取用户针对同一汉字在触摸屏上书写的签名笔迹向量以及签名的完整图片，通过深度神经网络处理方法，实现了手写签名的稳定特征提取、特征序列稳定等系列操作，获得具有较高稳定度的手写签名生物密钥序列，辅以模糊提取方法，可实现用户在触摸屏上进行正常手写签名的情况下，手写签名生物密钥的高强度提取，所生成的手写签名生物密钥长度可大于256bit。本发明不存在需记录的手写签名特征模板信息，大大降低了隐私泄露的风险，同时用户无需高强度的记忆即可生成高安全性的密钥，该密钥可用于现有的公私钥、对称加密等操作，提高了手写签名生物特征使用的安全性和灵活性。

Description

基于深度学习的手写签名生物密钥生成方法

技术领域

本发明属于信息安全技术领域，具体涉及一种基于深度学习的手写签名生物密钥生成方法。生成的密钥即可用于身份认证，也可用于加密运算，可以理解为网络安全中泛在加密技术的一种。

背景技术

签名识别是一种古老的身份认证技术，有悠久的历史。随着移动互联网的迅速发展，智能手机端的签名笔迹识别技术因其运算量小、使用灵活，受到研究人员的重视。现有的智能手机笔迹身份认证方法采用通用的生物特征认证模式。认证模式为：1)采集用户签名笔迹，获取用户签名笔迹模板，存储到远端网络认证服务器；2)当需进行用户身份认证时，在智能手机端采集用户签名笔迹，生成用户签名笔迹特征，传输到远端网络认证服务器；3)认证服务器将用户签名笔迹特征与存储的笔迹模板进行比对，一致则认证通过，不一致则认证失败。由于远端网络认证服务器并不都是可信第三方，使得存储的签名笔迹特征模板的安全性受到质疑，一般认为目前的认证系统存在较为严重的隐私安全问题。

现有的手写签名生物特征识别保护方案主要集中在手写签名特征模板保护方面。模板保护一般采用对特征模板进行函数运算产生新的特征模板的方法来保护生物特征原始信息，要求由新的特征模板一般难以推知原始特征信息。模板变形、模糊金库等方法均可以归入此类方法。模板保护方法在使用过程中存在识别准确率下降，原始特征信息依然存在被恢复的可能等问题。签名生物密钥技术直接从手写签名特征中获取高强度的稳定的签名密钥序列，可直接参与加密运算，亦可用于身份特征识别，可以扩展签名笔迹技术在信息安全领域的应用范围。

现有笔迹类生物密钥生成技术主要有：(1)中国专利号201410074389.4公开了“一种触摸屏用户笔迹生物密钥生成方法”，方法将用户针对同一汉字的笔迹向量经变换向高维空间中投影，在高维空间中将笔迹向量稳定到可接受的波动范围内，再对稳定后的笔迹向量提取数字序列，从数字序列中编码生物密钥。该方法可以对用户手写的笔迹特征序列起到一定的稳定效果，但由于笔迹特征序列的采样点自身不容易对齐，使得密钥生成的效果不理想。另外手写签名的字数有限，使得实际能提取的稳定比特序列长度不足(<256bit)，生成的密钥强度不够高。

发明内容

针对现有方法的不足，本发明提出了一种基于深度学习的手写签名生物密钥生成方法。

本发明包括包括以下步骤：

步骤(1)、获取书写轨迹以及书写完成后签名文字图片；

作为优选，书写在触摸屏。

步骤(2)、对上述书写轨迹与文字图片分别进行标准化处理；

作为优选，所述的文字图片的标准化处理具体如下：

1)对图片做平滑、降噪处理；

2)对平滑、降噪处理后图片进行确定签名文字边界的操作：

在图片中打出水平和垂直线段，将线段从上往下、从左往右移动，线段在未接触文字边界时，所含的所有像素点均为图片底色(一般为白色)，接触到文字边界时，所含像素点中会出现文字颜色(一般为黑色)；继续移动线段，当线段走到另一端的文字边界时，所含像素点会从包含文字颜色变为图片底色，根据线段所含像素点颜色的变化确定文字边界。

3)将文字图片沿上一步确定的边界切割并缩放为固定尺寸图片，可采用双线性插值等领域内通用的图像缩放方法对图片进行缩放。

作为优选，所述的书写轨迹标准化处理具体如下：

1)以第1个轨迹采样点为坐标原点，后续采样点与第1个采样点的差值为新坐标值，将采样结果转化为新坐标值，得到标准化处理一处理后的结果序列；

2)对采样结果序列轨迹采样点的长、宽乘以标准化比值得到标准化结果：

其中dlx,dsx表示采样结果序列任一轨迹采样点的长、宽值；

分别表示长、宽的标准化比值；dlmax、dsmax分别表示标准化处理一处理后的结果序列中长、宽的最大值；Dl、Ds分别表示预设的矩形长、宽值。

步骤(3)、将标准化后书写轨迹依据书写时的笔划进行初步分段，形成若干段签名笔迹向量；记签名笔迹向量的段数为m2，m2取值依选取的汉字和用户书写习惯的不同而不同，但同一个汉字、同一个用户，认为最初m2值波动范围在m2-1至m2+1之间，经过一段时间的适应，用户的m2值可以是确定的。对每一段笔迹向量中的轨迹点进行间隔均匀化处理；将经间隔均匀化处理后剩余轨迹点构成该笔划的签名轨迹向量Zi，1≤i≤m2；将m2段签名轨迹向量Zi按顺序进行前后拼接，形成签名轨迹向量ZL；

作为优选，所述笔划分段和轨迹点均匀化处理方法如下：

1)依据时间阈值进行笔划分割；

判断相邻两个书写轨迹采样点(简称轨迹点)之间的时间间隔是否大于TM，若是则判定为此处是两段笔划间的分割点；反之则判定为这两个书写轨迹采样点属于同一段笔划，并将这两个采样点保存至该笔划的轨迹点集合；其中TM表示依据不同个体书写习惯设定两段笔划间的间隔时间阈值，为经验值。

2)进行轨迹点间隔均匀化处理；

对3.1步骤处理后每个笔划的轨迹点集合，统计当前集合内该笔划轨迹点的总个数Ti，1≤i≤m2，m2为笔划段数；从该笔划的起始书写轨迹点开始，按照等时间间隔获取m3个轨迹点，其他删除，m3取值由用户根据经验设定。连接该笔划的剩余轨迹点构成该笔划的签名轨迹向量Zi，1≤i≤m2。将m2段签名轨迹向量Zi依据Z1、Z2、…的次序前后拼接，形成1个轨迹点个数为m2×m3个的签名轨迹向量ZL。

步骤(4)、将签名轨迹向量ZL与标准化处理后的文字图片矩阵进行拼接、转化，获得签名笔迹特征图像1；基于签名笔迹特征图像1构建训练集合L1。

作为优选，签名轨迹向量ZL与标准化处理后的文字图片矩阵进行拼接、转化具体如下：

1)由于每一个轨迹点包含横坐标、纵坐标2个坐标值，故签名轨迹向量Zl为元素个数为m2×m3×2的实数向量；将签名轨迹向量Zl的每一个元素值归一化为[0,255]的整数，归一化方法用领域内的通用方法即可，整数值对应到图片像素灰度值。

2)将标准化处理后的文字图片矩阵每一行前后顺次拼接为1维向量，并上述步骤1)灰度归一化处理后的向量ZL前后拼接，形成一个统一的特征向量Zk，其中特征向量Zk中每一个元素Zki∈[0,255]，i表示第i个元素。将特征向量Zk以m4个元素为一行，取m4行，转化为m4×m4的矩阵，Zk中多于m4×m4的元素舍去，m4取值由用户根据经验设定，，m4≤特征向量Zk的总元素个数。

步骤(5)、构造手写签名密钥深度神经网络，并利用训练集合L1进行训练

所述的手写签名密钥深度神经网络包括依次级联的手写签名稳定特征提取器、手写签名生物密钥稳定器、手写签名生物密钥提取器；

5-1手写签名稳定特征提取器M1，其输入为签名笔迹特征图像1，输出为签名笔迹特征图像2；

5-2构造手写签名生物密钥稳定器M2，其输入为手写签名稳定特征提取器M1输出的签名笔迹特征图像2，输出为手写签名生物特征序列L2；

5-3构造手写签名生物密钥提取器M3，其输入为手写签名生物密钥稳定器M2输出的手写签名生物特征序列L2，输出为手写签名生物密钥；

步骤(6)、利用训练好的手写签名深度神经网络，以实现手写签名生物密钥生成。

本发明提出了一种基于深度学习的手写签名生物密钥生成方法。方法提取用户针对同一汉字在触摸屏上书写的签名笔迹向量以及签名的完整图片，通过深度神经网络处理方法，实现了手写签名的稳定特征提取、特征序列稳定等系列操作，获得具有较高稳定度的手写签名生物密钥序列，辅以模糊提取方法，可实现用户在触摸屏上进行正常手写签名的情况下，手写签名生物密钥的高强度提取，所生成的手写签名生物密钥长度可大于256bit。本发明不存在需记录的手写签名特征模板信息，大大降低了隐私泄露的风险，同时用户无需高强度的记忆即可生成高安全性的密钥，该密钥可用于现有的公私钥、对称加密等操作，提高了手写签名生物特征使用的安全性和灵活性。

附图说明

图1为基于深度学习的手写签名生物密钥生成框图。

图2为用户触摸屏手写签名笔迹差异示意图。

图3为手写签名轨迹点间隔均匀化示意图。

图4为手写签名文字图片标准化示意图。

图5为手写签名稳定特征提取器M1结构图。

图6为手写签名生物密钥稳定器M2结构图。

具体实施方式

下面结合附图对本发明作进一步说明。

触摸屏手写签名输入与传统纸上手写签名输入相比，其文字输入的规则度不如纸上手写汉字，但触摸屏可以同时记录手写签名的笔划过程与完成后的文字图片，双通道签名笔迹信息可以。图1显示了不同用户写同一个‘张三’字的笔迹图样，直接看图用户书写有差异，但不明显，如果取得笔划过程，差异就比较明显。另一方面汉字为方块字，有很强的笔划性，且每一个用户的笔划书写习惯均有差异。以上特点使得将触摸屏上签名的笔划间位置关系与签名图像处理相结合，识别用户签名笔迹可以获得很高的准确率。基于以上原因，本发明采用触摸屏上记录手写签名，用签名轨迹和签名图像结合的策略提取用户手写签名生物密钥。

本发明提出的手写签名生物密钥生成方法包括两部分，第一部分为手写签名生物密钥训练部分，第二部分为手写签名生物密钥提取部分。手写签名生物密钥生成框图如图2所示。

手写签名生物密钥训练部分具体步骤为：

步骤(1)、用户在触摸屏上书写签名，重复书写m1次，m1由用户定义，一般可取>30，书写的大小无限制，笔划也没有限制，既可以连笔一笔写完，也可以分若干笔写完。用触摸屏数据采样函数记录用户书写轨迹，取得采样结果(具体采样函数视不同的触摸屏操作系统而异，如Android系统提供了如下采样函数android_server_KeyInputQueue_readEvent())；书写完成后保留签名文字图片，即一次采样同时保留书写轨迹与文字图片两组结果。

步骤(2)、将保留的书写轨迹与文字图片两组结果分别进行标准化处理。

文字图片的标准化处理如图3所示，步骤为：

1)对图片做平滑、降噪处理，可采用领域内通用方法，如高斯滤波做平滑处理，中值滤波做降噪处理等；高斯滤波、中值滤波是领域内通用方法。

2)对平滑、降噪处理后图片进行确定签名文字边界的操作，如图3所示，在图片中打出水平和垂直线段，将线段从上往下、从左往右移动，线段在未接触文字边界时，所含的所有像素点均为图片底色(一般为白色)，接触到文字边界时，所含像素点中会出现文字颜色(一般为黑色)；继续移动线段，当线段走到另一端的文字边界时，所含像素点会从包含文字颜色变为图片底色，根据线段所含像素点颜色的变化确定文字边界。

3)将文字图片沿上一步确定的边界切割并缩放为固定尺寸图片，可采用双线性插值等领域内通用的图像缩放方法对图片进行缩放，图片尺寸由用户根据经验设定，一般取150×100～300×200像素。完成文字图片标准化处理。

再进行用户书写轨迹的标准化处理，分两步进行，标准化处理一与标准化处理二。以第1个采样点为坐标原点，后续采样点与第1采样点的差值为新坐标值，将采样结果转化为新坐标值，完成标准化处理一；扫描经标准化处理一得到的结果序列，取出序列中长、宽的最大值做分母，预设的矩形长、宽值做分子，得到长、宽的标准化比值；将采样结果序列乘以标准化比值得到标准化结果，完成标准化处理二。用户书写汉字经过标准化处理二将尺寸规整到预定的一个矩形范围内，矩形大小由用户根据经验设定。

步骤(3)、将标准化后书写轨迹依据用户书写时的笔划进行分段，形成若干段签名笔迹向量；记签名笔迹向量的段数为m2，m2取值依选取的汉字和用户书写习惯的不同而不同，但同一个汉字、同一个用户，认为最初m2值波动范围在±1之间，经过一段时间的适应，用户的m2值可以是确定的。对每一段笔迹向量中的轨迹点进行间隔均匀化处理，如图4所示，具体如下。

3.1)依据时间阈值进行笔划分割；

用户依据自身签名书写习惯设定两段笔划间的间隔时间判定阈值TM，TM取值为经验值，对步骤2标准化处理后的书写轨迹进行笔划划分，方法为若2个书写轨迹采样点(简称轨迹点)之间的时间间隔>TM，则判定为此处是2段笔划间的分割点；若2个书写轨迹采样点之间的时间间隔≤TM，则判定为这2个轨迹点属于同一段笔划；

3.2)进行轨迹点间隔均匀化处理；

对3.1步骤处理后的笔划轨迹点集合，计算每一段笔划轨迹点的总个数Ti，1≤i≤m2，m2为笔划段数；从每段笔划的起始轨迹点开始，依据

的间隔进行取点，至取满m3个轨迹点结束，m3为用户预设的每一段笔划经间隔均匀化处理后所取的轨迹点个数；完成笔划轨迹点间隔均匀化处理。

以上取点方法对用户运笔的方向、长度变化有一定的缓冲作用，只要用户在书写汉字时保持相对稳定的书写习惯，均匀化处理可以消除轨迹点坐标在笔划转折处的错配、冗余等情况。

间隔均匀化处理的结果得到m2个m3×2维的矩阵，将m3×2维的矩阵转化为一维向量，将转化后的m2个一维向量前后拼接为一个一维向量，领域内的通用转化与拼接方法均可使用，结果记为签名轨迹向量ZL。

步骤(4)、将签名轨迹向量ZL与标准化处理后的文字图片矩阵进行拼接、转化，领域内通用的图像拼接方法均可使用，获得签名笔迹特征图像1；取N1类以上的不同签名，N1由用户根据经验确定，一般取>20；基于签名笔迹特征图像1构建手写签名密钥深度神经网络训练集合L1。

步骤(5)、构造手写签名密钥深度神经网络，并利用训练集合L1进行训练

所述的手写签名密钥深度神经网络包括串联的手写签名稳定特征提取器、手写签名生物密钥稳定器、手写签名生物密钥提取器；

5-1构造手写签名稳定特征提取器M1，其输入为签名笔迹特征图像1，输出为签名笔迹特征图像2；

手写签名稳定特征提取器M1由深度神经网络学习模型、手写签名稳定特征选择器组成；

所述的深度神经网络学习模型可采用现有成熟的ResNet、DenseNet等模型，在模型经训练集L1训练稳定后，移除全连接层，用手写签名稳定特征选择器替换全连接层，如图4所示；

所述的手写签名稳定特征选择器用于从深度神经网络学习模型输出的所有特征图，选择拼接为一张输出特征图。

将训练集L1中的训练图片经步骤5-1处理后得到的输出特征图组成集合U，其中图片集为U＝(U₁,U₂,...,U_i,...,U_n1)，U_i为单张输出特征图，n1为输出特征图的数量，所有图片大小均相同；像素点集

p_i,j表示第i张特征图中第j个位置的单个像素点，每张特征图有m1个像素点，共n1×m1个像素点；然后从像素点集P中选出取值更趋稳定的像素点集P'，由像素点集P'整理为签名笔迹特征图像2：

所述从像素点集P中选出取值更趋稳定的像素点集P'具体是：

a)根据以下公式(1)获得特征图X_i在j位置处的像素值p_i,j的绝对误差R(p_i,j)；如果R(p_i,j)＜β1则将像素位置(i,j)存入队列；如果R(p_i,j)≥β1则继续判断像素位置(i,j)是否已存在于队列中；若存在于队列中则执行步骤b)；若不存在于队列中，则将像素位置(i,j)加入队列，并计算队列中所有像素点值的方差δ；若δ≥β2，则将像素位置(i,j)从队列中删除，执行步骤b)；若δ＜β2则保留像素位置(i,j)，执行步骤b)；

b)继续遍历i、j，选择一个新的像素点位置，返回步骤a)；直至i＝n1,j＝m1时迭代结束，将队列中存放的所有像素位置对应的像素点组成像素点集P'；

其中

为像素点集P中j列的所有像素点的均值，p_i,j表示特征图X_i在j位置处的像素值，β1、β2均为人为定义的阈值。

5-2构造手写签名生物密钥稳定器M2，其输入为手写签名稳定特征提取器M1输出的签名笔迹特征图像2，输出为手写签名生物特征序列L2；

手写签名生物密钥稳定器M2以现有成熟的具备编码-解码(Encode-Decode)以及跳跃连接(Skip Connection)结构特点的Unet网络模型为基础，模型的基本构造为多层编码-解码模块的堆叠，编码采用卷积加下采样操作，解码采用上采样加卷积操作；

作为优选，Unet网络的跳跃连接采用神经连接控制(Neural connectioncontrol，NCC)结构；

NCC将流经该网络的原始数据的特征保留；保留的原始数据特征信息将参与到解码运算中。

NCC采用h层(h一般取1～3)神经元连接网络结构构成，原始数据作为NCC结构的输入数据，作为第一层神经元的输入，第一层神经元的输出作为连接到的下一层神经元的输入，最后一层神经元的输出为NCC结构的输出，即保留的特征信息。

单层神经元的计算过程如下：

X_i＝σ(W_i*X_i-1+b_i)

其中，i表示当前层为第i层神经连接网络，若i为1，则X_i-1即为原始数据，若1<i<h，则X_i-1为上一层神经元的输出结果，若i＝h，X_i为NCC结构的输出；W_i为第i层神经连接网络学到的权值，b_i为第i层神经连接网络的偏置值，σ为激活函数。

Unet网络处理后的输出为手写签名生物特征序列L2。

5-3构造手写签名生物密钥提取器M3，其输入为手写签名生物密钥稳定器M2输出的手写签名生物特征序列L2，输出为手写签名生物密钥。

经过手写签名特征稳定器M2处理后的序列向量L2一般依然有一定数量的数值是不稳定的，用手写签名密钥提取器M3提取稳定的手写签名密钥序列。M3的构造可以使用领域内通用的模糊提取器提取手写签名生物密钥。也可以采用Shamir门限秘密共享方法进行密钥的模糊提取，具体方法为：

生成阶段：设定参数n2，t1，B，其中参数n2表示从序列向量中选取的子序列的个数，B表示选取的子序列的长度，子序列为连续的数字序列；参数t1表示阈值，当有t1个子序列成功匹配时即可准确提取出密钥。

(1)构造一个多项式，使Output与多项式常数项a₀绑定，a₀视为密钥

F(x)＝a_t1-1x^t1-1+...+a₂x²+a₁x¹+a₀mod(p),a₀＝Output

其中p为素数，系数a_t1-1,...a₂,a₁随机选取，x∈Z_p，Z_p为模p剩余系域。

(2)从训练阶段的手写签名密钥稳定器M2处理后的序列向量L2中取n2块比特长为B的子序列1≤t1≤n2，将n2个子序列作为多项式的输入x，得到对应的F(M_i)，记录F(M_i)、p与loc_i(i＝1,2,...,n2)，其中loc_i表示选取的第i个子序列M_i的第一位在整个序列中的索引值。供密钥提取阶段使用。

提取阶段：

当x＝0时F(0)＝a₀＝Output，即可恢复出密钥。根据记录的n2个索引值选取n2块B比特长的子序列Q_i，将(Q_i,F(M_i))及x＝0代入下式，若其中有t1(1≤t1≤n2)块Q_i与M_i相等即可得到Output＝a0，即为手写签名生物密钥。

手写签名生物密钥训练完成。

手写签名生物密钥提取部分具体步骤为：

步骤(1)、用户在触摸屏上书写签名，用触摸屏数据采样函数记录用户书写轨迹，书写完成后保留签名文字图片。

步骤(2)、将记录的书写轨迹与文字图片分别进行标准化处理。处理方法与训练阶段步骤2相同。

步骤(3)、将标准化后书写轨迹依据用户书写时的笔划进行分段，形成m2段签名笔迹向量，对每一段笔迹向量中的轨迹点进行间隔均匀化处理，方法与训练阶段步骤3相同；得到m2个m3×2维的矩阵，m3为每一段笔迹向量经间隔均匀化处理后所取的轨迹点个数；将m3×2维的矩阵转化为一维向量，将转化后的m2个一维向量前后拼接为一个一维向量，转化与拼接方法与训练阶段步骤3相同，获得签名轨迹向量ZL。

步骤(4)、将签名轨迹向量ZL与标准化处理后的文字图片矩阵进行拼接、转化，转化与拼接方法与训练阶段步骤4相同，获得签名笔迹特征图像1。

步骤(5)、用训练完成的手写签名密钥深度神经网络处理签名笔迹特征图像1，生成手写签名生物密钥。

本技术领域中的普通技术人员应当认识到，以上实施例仅是用来说明本发明，而并非作为对本发明的限定，只要在本发明的实质范围内，对以上实施例的变化、变型都将落在本发明的保护范围。

Claims (10)

1.一种基于深度学习的手写签名生物密钥生成方法，其特征在于该方法包括以下步骤：

步骤(1)、获取书写轨迹以及书写完成后签名文字图片；

步骤(2)、对上述书写轨迹与文字图片分别进行标准化处理；

步骤(3)、将标准化后书写轨迹依据书写时的笔划进行初步分段，形成m2段签名笔迹向量；对每一段笔迹向量中的轨迹点进行间隔均匀化处理；将经间隔均匀化处理后剩余轨迹点构成该笔划的签名轨迹向量Z_i，1≤i≤m2；将m2段签名轨迹向量Zi按顺序进行前后拼接，形成签名轨迹向量ZL；

步骤(4)、将签名轨迹向量ZL与标准化处理后的文字图片矩阵进行拼接、转化，获得签名笔迹特征图像1；基于签名笔迹特征图像1构建训练集合L1；

步骤(5)、构造手写签名密钥深度神经网络，并利用训练集合L1进行训练

所述的手写签名密钥深度神经网络包括依次级联的手写签名稳定特征提取器、手写签名生物密钥稳定器、手写签名生物密钥提取器；

5-1手写签名稳定特征提取器M1，其输入为签名笔迹特征图像1，输出为签名笔迹特征图像2；

手写签名稳定特征提取器M1包括深度神经网络学习模型、手写签名稳定特征选择器；

所述的手写签名稳定特征选择器用于从深度神经网络学习模型中提取最后一层输出的所有特征图，拼接为一张输出特征图；

5-2构造手写签名生物密钥稳定器M2，其输入为手写签名稳定特征提取器M1输出的签名笔迹特征图像2，输出为手写签名生物特征序列L2；

5-3构造手写签名生物密钥提取器M3，其输入为手写签名生物密钥稳定器M2输出的手写签名生物特征序列L2，输出为手写签名生物密钥；

步骤(6)、利用训练好的手写签名深度神经网络，以实现手写签名生物密钥生成。

2.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于步骤(2)文字图片的标准化处理具体如下：

1)对文字图片做平滑、降噪处理；

2)对平滑、降噪处理后图片进行签名文字边界获取；

3)将文字图片沿上一步确定的签名文字边界切割并进行缩放。

3.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于步骤(2)书写轨迹标准化处理具体如下：

1)以第1个轨迹采样点为坐标原点，后续采样点与第1个采样点的差值为新坐标值，将采样结果转化为新坐标值，得到标准化处理一处理后的结果序列；

2)对采样结果序列轨迹采样点的长、宽乘以标准化比值得到标准化结果：

其中dlx,dsx表示采样结果序列任一轨迹采样点的长、宽值；

分别表示长、宽的标准化比值；dlmax、dsmax分别表示标准化处理一处理后的结果序列中长、宽的最大值；Dl、Ds分别表示预设的矩形长、宽值。

4.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于步骤(3)标准化后书写轨迹初步分段是依据时间阈值进行笔划分割；具体是：

判断相邻两个书写轨迹采样点之间的时间间隔是否大于TM，若是则判定为此处是两段笔划间的分割点；反之则判定为这两个书写轨迹采样点属于同一段笔划，并将这两个采样点保存至该笔划的轨迹点集合；其中TM表示依据不同个体书写习惯设定两段笔划间的间隔时间阈值。

5.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于步骤(3)每一段笔迹向量中的轨迹点间隔均匀化处理具体是：

对初步分段后每段笔划的轨迹点集合，统计当前集合内该笔划轨迹点的总个数Ti，1≤i≤m2，m2为笔划段数；从该笔划的起始书写轨迹点开始，保留等时间间隔的m3个轨迹点，其他删除。

6.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于步骤(4)所述的签名轨迹向量Zl与标准化处理后的文字图片矩阵进行拼接、转化具体是：

a、签名轨迹向量ZL为元素个数为m2×m3×2的实数向量，其中每一个轨迹点包含横坐标、纵坐标2个坐标值，将签名轨迹向量Zl的每一个元素值归一化为[0,255]的整数，整数值对应到图片像素灰度值；

b、将标准化处理后的文字图片矩阵每一行前后顺次拼接为1维向量，并与步骤a处理后的ZL前后拼接，形成一个统一的特征向量Zk；将特征向量Zk转化为m4×m4的矩阵，m4≤特征向量Zk的总元素个数。

7.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于步骤(5-1)将训练集L1中签名笔迹特征图像1经深度神经网络学习模型处理后得到的输出特征图组成集合X，其中图片集为X＝(X₁,X₂,...,X_i,...,X_n1)，X_i为单张输出特征图，n1为输出特征图的数量，所有图片大小均相同；像素点集

p_i,j表示第i张特征图中第j个位置的单个像素点，每张特征图有m1个像素点，共n1×m1个像素点；然后手写签名稳定特征选择器从像素点集P中选出取值更趋稳定的像素点集P'，由像素点集P'整理为签名笔迹特征图像2：

所述手写签名稳定特征选择器从像素点集P中选出取值更趋稳定的像素点集P'具体是：

a)根据以下公式(1)获得特征图X_i在j位置处的像素值p_i,j的绝对误差R(p_i,j)；如果R(p_i,j)＜β1则将像素位置(i,j)存入队列；如果R(p_i,j)≥β1则继续判断像素位置(i,j)是否已存在于队列中；若存在于队列中则执行步骤b)；若不存在于队列中，则将像素位置(i,j)加入队列，并计算队列中所有像素点值的方差δ；若δ≥β2，则将像素位置(i,j)从队列中删除，执行步骤b)；若δ＜β2则保留像素位置(i,j)，执行步骤b)；

b)继续遍历i、j，选择一个新的像素点位置，返回步骤a)；直至i＝n1,j＝m1时迭代结束，将队列中存放的所有像素位置对应的像素点组成像素点集P'；

其中

为像素点集P中j列的所有像素点的均值，p_i,j表示特征图X_i在j位置处的像素值，β1、β2均为人为定义的阈值。

8.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于手写签名生物密钥稳定器M2以具备编码-解码(Encode-Decode)以及跳跃连接(SkipConnection)结构特点的Unet网络模型为基础，模型的基本构造为多层编码-解码模块的堆叠，编码采用卷积加下采样操作，解码采用上采样加卷积操作。

9.根据权利要求8所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于Unet网络的跳跃连接处嵌入神经连接控制(Neural connection control，NCC)结构；

NCC将流经该网络的原始数据的特征保留；保留的原始数据特征信息将参与到解码运算中；

NCC采用h层神经元连接网络结构构成，原始数据作为NCC结构的输入数据，作为第一层神经元的输入，第一层神经元的输出作为连接到的下一层神经元的输入，最后一层神经元的输出为NCC结构的输出，即保留的特征信息；

单层神经元的计算过程如下：

Z_i＝σ(W_i*Z_i-1+b_i)

其中，i表示当前层为第i层神经连接网络，若i为1，则Z_i-1即为原始数据，若1<i<h，则Z_i-1为上一层神经元的输出结果，若i＝h，Z_i为NCC结构的输出；W_i为第i层神经连接网络学到的权值，b_i为第i层神经连接网络的偏置值，σ为激活函数；

Unet网络处理后的输出为手写签名生物特征序列L2。

10.根据权利要求1所述的一种基于深度学习的手写签名生物密钥生成方法，其特征在于手写签名密钥提取器M3采用Shamir门限秘密共享方法进行密钥的模糊提取，具体方法为：

生成阶段：设定参数n2，t1，B，其中参数n2表示从序列向量中选取的子序列的个数，B表示选取的子序列的长度，子序列为连续的数字序列；参数t1表示阈值，当有t1个子序列成功匹配时即可准确提取出密钥；

(1)构造一个多项式，使Outpyt与多项式常数项a₀绑定，a₀视为密钥

F(x)＝a_t1-1x^t1-1+...+a₂x²+a₁x¹+a₀mod(p),a₀＝Output

其中p为素数，系数a_t1-1,...a₂,a₁随机选取，x∈Z_p，Z_p为模p剩余系域；

(2)从训练阶段的手写签名密钥稳定器M2处理后的序列向量L2中取n2块比特长为B的子序列1≤t1≤n2，将n2个子序列作为多项式的输入x，得到对应的F(M_i)，记录F(M_i)、p与loc_i(i＝1,2,...,n2)，其中loc_i表示选取的第i个子序列M_i的第一位在整个序列中的索引值；

提取阶段：

当x＝0时F(0)＝a₀＝Output，即可恢复出密钥；根据记录的n2个索引值选取n2块B比特长的子序列Q_i，将(Q_i,F(M_i))及x＝0代入下式，若其中有t1(1≤t1≤n2)块Q_i与M_i相等即可得到Output＝a0，即为手写签名生物密钥；

Images