CN114996688B - 一种基于软动态时间规整的联机签名认证系统和方法 - Google Patents
一种基于软动态时间规整的联机签名认证系统和方法 Download PDFInfo
- Publication number
- CN114996688B CN114996688B CN202210582665.2A CN202210582665A CN114996688B CN 114996688 B CN114996688 B CN 114996688B CN 202210582665 A CN202210582665 A CN 202210582665A CN 114996688 B CN114996688 B CN 114996688B
- Authority
- CN
- China
- Prior art keywords
- signature sequence
- neural network
- signature
- time warping
- dynamic time
- 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 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 81
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 52
- 230000001133 acceleration Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/091—Active learning
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioethics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请公开了一种基于软动态时间规整的联机签名认证系统和方法,包括:数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块;通过采集待测试签名序列;基于所述签名序列进行预处理,获取预处理数据,并提取所述签名序列的时间函数;构建神经网络,基于所述签名序列的时间函数对所述神经网络进行训练,获得签名序列特征提取神经网络;基于所述预处理数据,通过所述签名序列特征提取神经网络,计算签名序列特征间的动态时间规整距离判断真伪。本申请实现了神经网络与经典动态时间规整算法的融合,使得神经网络可以进行端到端的训练,从而达到高精度的联机签名认证效果。
Description
技术领域
本申请属于模式识别与人工智能技术领域,具体涉及一种基于软动态时间规整的联机签名认证系统和方法。
背景技术
签名认证是一种重要的身份认证技术,它的认证对象是书写者的签名或其简写,因经常书写而具有较强的个人风格。与人脸、虹膜、指纹、声纹等特征相比,手写签名能够通过非侵入式、更加用户友好的方式进行采集,因此签名认证已被广泛应用于商务活动、银行办公、安全认证等场景。进入信息时代以来,随着电子设备的普及,联机手写签名认证技术得到了广泛的发展,获取媒介从最初办公场景的专用设备演变到当前的智能手机、电子平板等移动终端。在这些场景中,书写者可以灵活地选择手写笔输入或者手指输入。然而,联机手写签名具有样本数量少、在跨时间和跨设备的场景下呈现出较大的类内差异、容易遭受仿冒签名攻击的特点,给联机签名认证任务带来了很大的挑战。
随着深度学习的发展,基于大数据和深度神经网络的自动签名认证方法逐渐发挥了重要作用,尤其是与经典的动态时间规整算法结合后,可以取得较为领先的结果,这表明动态时间规整对联机签名认证任务是至关重要的。然而,传统的动态时间规整算法对于输入是不可微分的,这会导致神经网络无法进行端到端的训练。
发明内容
本申请提出了一种基于软动态时间规整的联机签名认证系统和方法,通过数据归一化、重采样处理,构建神经网络,通过基于软动态时间规整距离的损失函数来训练网络,提取待认证签名的特征,计算动态时间规整距离判别真伪。
为实现上述目的,本申请提供了如下方案:
一种基于软动态时间规整的联机签名认证系统,
包括:数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块;
所述数据采集模块用于采集待测试签名序列;
所述数据预处理模块用于对所述签名序列进行预处理,获取预处理数据,并提取所述签名序列的时间函数;
所述签名序列特征提取神经网络模块用于构建神经网络,以及基于所述签名序列的时间函数对所述神经网络进行训练,获得签名序列特征提取神经网络;
所述签名序列特征认证模块用于基于所述预处理数据,通过所述签名序列特征提取神经网络,通过计算签名序列特征间的动态时间规整距离来判断真伪。
优选的,所述数据预处理模块中所述签名序列的时间函数包括:水平与竖直方向的速度vx、vy,角度θ及其函数cos(θ)、sin(θ),压力p,速度v和角度θ的一阶差分对数曲率半径ρ,向心加速度c,总加速度α。
优选的,所述签名序列特征提取神经网络模块中所述神经网络由一维卷积层、循环层和全连接层构成,每个卷积层后使用ReLU激活函数,卷积层之间插入最大池化层。
优选的,所述签名序列特征提取神经网络模块中所述循环层由门控自回归单元构成,
记t时刻的输入为it,输出为ot,所述门控自回归单元按如下方式更新其输出:
rt=sigmoid(Wr×it+Ur×ot-1+br)
ot=tanh(Wo×it+Uo×(rt⊙ot-1)+bo)
其中rt为重置门,Wr、Ur、Wo、Uo为参数矩阵,br、bo为偏置项,所述门控自回归单元只采用重置门rt。
优选的,所述签名序列特征提取神经网络模块中对所述神经网络进行训练的方法包括:
计算签名对的软动态时间规整距离,记和/> 分别是长度为l和m的两个签名序列,xi和yi为d维的局部特征向量,序列X和Y的列向量之间的损失矩阵为/>其中定义/>为可行的二值对齐矩阵的集合,为二值对齐矩阵,满足边界条件[A]1×1=[A]l×m=1,且具有单调性与递增性,签名序列对X和Y的软动态时间规整距离为:
其中,<A,Δ(X,Y)>表示A和Δ(X,Y)的内积,minγ为带有平滑参数的广义min算子,定义如下:
设所述神经网络为函数f(·),对于签名序列对X和Y,在训练阶段使用如下基于所述软动态时间规整的距离:
其中|·|表示签名序列的长度,
将签名对的软动态时间规整距离融入到三元组损失函数中,基于所述三元组损失函数来训练所述神经网络。
优选的,所述签名序列特征认证模块中计算所述签名序列特征间的动态时间规整距离判断真伪的方法包括:
基于所述预处理数据以及获取的所述神经网络提取特征,
计算签名序列特征间的基于动态时间规整的距离:
其中,dtw(X,Y)是两个序列间的动态时间规整距离,计算如下:
将dtest(X,Y)与预设的阈值比较后,得到认证结果。
为了更好的实现上述技术效果,本申请还提供一种基于软动态时间规整的联机签名认证方法,具体包括以下内容:
采集待测试签名序列;
基于所述签名序列进行预处理,获取预处理数据,并提取所述签名序列的时间函数;
构建神经网络,基于所述签名序列的时间函数对所述神经网络进行训练,获得签名序列特征提取神经网络;
基于所述预处理数据,通过所述签名序列特征提取神经网络,计算签名序列特征间的动态时间规整距离判断真伪。
优选的,所述签名序列的时间函数包括:水平与竖直方向的速度vx、vy,角度θ及其函数cos(θ)、sin(θ),压力p,速度v和角度θ的一阶差分对数曲率半径ρ,向心加速度c,总加速度α。
优选的,所述签名序列特征提取神经网络模块中所述神经网络由一维卷积层、循环层和全连接层构成,每个卷积层后使用ReLU激活函数,卷积层之间插入最大池化层。
优选的,所述签名序列特征提取神经网络模块中所述循环层由门控自回归单元构成,具体机制如下,
记t时刻的输入为it,输出为ot,所述门控自回归单元按如下方式更新其输出:
rt=sigmoid(Wr×it+Ur×ot-1+br)
ot=tanh(Wo×it+Uo×(rt⊙ot-1)+bo),
其中rt为重置门,Wr、Ur、Wo、Uo为参数矩阵,br、bo为偏置项,所述门控自回归单元只采用重置门rt,而移除了更新门。
本申请的有益效果为:本申请公开了一种基于软动态时间规整的联机签名认证系统和方法,通过引入可微的软动态时间规整算法,实现了神经网络与经典动态时间规整算法的融合,使得神经网络可以进行端到端的训练,从而达到高精度的联机签名认证效果,本申请具有准确率高、泛化性强的特点,具有较高的应用价值。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例系统组成示意图;
图2为本申请实施例联机签名认证实例示意图;
图3为本申请实施例方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例1
如图1所示,一种基于软动态时间规整的联机签名认证系统,具体包括以下内容:
数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块;
数据采集模块用于采集待测试签名序列;
数据预处理模块用于基于签名序列进行预处理,获取预处理数据,并提取签名序列的时间函数;
签名序列特征提取神经网络模块用于构建神经网络,基于签名序列的时间函数对神经网络进行训练,获得签名序列特征提取神经网络;
签名序列特征认证模块用于基于预处理数据,通过签名序列特征提取神经网络,计算签名序列特征间的动态时间规整距离判断真伪。
其中,数据预处理模块中签名序列的时间函数计算方法包括:水平与竖直方向的速度vx、vy,角度θ及其函数cos(θ)、sin(θ),压力p,速度v和角度θ的一阶差分对数曲率半径ρ,向心加速度c,总加速度α。
在本实施例中,为了更好的实现上述技术效果,具体包括以下内容:
采用智能手机、电子手写平板等设备作为数据采集模块,采集签名序列。
然后由数据预处理模块对签名序列进行预处理,具体的,数据预处理模块进行预处理的步骤包括:
步骤2.1,以原坐标统计中值为中心,对签名序列进行尺寸归一化;
步骤2.2,将签名序重采样至100Hz。
预处理后的签名序列中计算时间函数,包括水平与竖直方向的速度vx、vy,角度θ及其函数cos(θ)、sin(θ),压力p,速度v和角度θ的一阶差分对数曲率半径ρ,向心加速度c,总加速度α:
vx=xt+1-xt 1
vy=yt+1-yt 2
θ=arctan(vy/vx)4
其中t为采样点的采样时刻。所述时间函数都归一化至均值为0,方差为1。
在本实施例中,签名序列特征提取神经网络模块中构建用于提取签名序列特征的神经网络的步骤包括:
步骤3.1计算的时间函数作为神经网络的输入,神经网络由两个一维卷积层、两个循环层和一个全连接层构成,每个卷积层后使用ReLU激活函数,两个卷积层之间插入最大池化层,对签名序列进行两倍下采样,具体使用的网络结构如表1所示:
表1
层数 | 结构 | 设置 |
1 | 卷积层 | 64通道,核尺寸7,步长1,补边3 |
2 | 最大池化层 | 核尺寸2,步长2 |
3 | 卷积层 | 128通道,核尺寸3,步长1,补边1 |
4 | 随机丢弃 | 概率0.1 |
5 | 循环层 | 128个门控自回归单元 |
6 | 随机丢弃 | 概率0.1 |
7 | 循环层 | 128个门控自回归单元 |
8 | 全连接层 | 64通道 |
所述循环层由门控自回归单元构成,具体机制如下。记t时刻的输入为it,输出为ot,所述门控自回归单元按如下方式更新其输出:
rt=sigmoid(Wr×it+Ur×ot-1+br) 8
ot=tanh(Wo×it+Uo×(rt⊙ot-1)+bo) 9
其中rt为重置门,Wr、Ur、Wo、Uo为参数矩阵,br、bo为偏置项。所述门控自回归单元只采用重置门rt,而移除了更新门。
步骤3.2,按照三元组的采样方式,把签名时间函数输入网络,将签名对的软动态时间规整距离融入到三元组损失函数中,通过优化损失函数来训练神经网络,包含以下步骤:
步骤3.2.1,计算签名对的软动态时间规整距离。记 和/>分别是长度为l和m的两个签名序列,xi和yi为d维的局部特征向量,序列X和Y的列向量之间的损失矩阵为/>其中定义/>为可行的二值对齐矩阵的集合,为二值对齐矩阵,满足边界条件[A]1×1=[A]l×m=1,且具有单调性与递增性。则签名序列对X和Y的软动态时间规整距离为:
其中,<A,Δ(X,Y)>表示A和Δ(X,Y)的内积,minγ为带有平滑参数的广义min算子,定义如下:
记签名序列特征提取神经网络模块中步骤3.1所述的神经网络为函数f(·),对于签名序列对X和Y,在训练阶段使用如下基于所述软动态时间规整的距离:
其中|·|表示签名序列的长度。
步骤3.2.2,将签名对的软动态时间规整距离融入到三元组损失函数中。记每个数据批采样nw位不同用户,对于第k位用户(k=1,...,nw),采样一个真实签名作为锚点,另外ng个真实签名/>作为正样本,以及nf个随机伪造签名或熟练伪造签名作为负样本。因此,对于每位用户,共有ng×nf个三元组。将步骤4.1所述的软动态时间规整距离融入到所述第k位用户的三元组损失函数中,计算如下:
其中ξ为非负间隔参数。所述用于训练神经网路的总体损失函数为:
其中,第二项表示真实签名的类内差异,其强度由参数λ控制。
步骤3.3,通过优化步骤3.2计算的损失函数来训练神经网络,使用随机梯度下降优化器,每次训练迭代20次,初始学习率设为0.01,每次迭代学习率按指数0.9衰减。所述采样用户数nw为4,所述真实签名数量ng为5,所述伪造签名数量nf为10,包括5个熟练伪造签名和5个随机伪造签名。式13的ξ设为1.0,式14的λ设为0.9。
在本实施例中,签名序列特征测试模块中签名序列特征,进行测试的方式是:
在签名序列特征认证模块中对于待认证的签名序列和所声称身份的模板签名序列,经过数据采集和数据预处理后,利用签名序列特征提取神经网络模块中训练完成的神经网络提取特征,计算签名序列特征间的动态时间规整距离判断真伪,包含以下步骤:
步骤4.1,对于待认证的签名序列和所声称身份的模板签名序列,经过数据预处理模块进行处理;
步骤4.2,利用签名序列特征提取神经网络模块中训练完成的神经网络提取特征,计算签名序列特征间的如下基于动态时间规整的距离:
其中,dtw(X,Y)是两个序列间的动态时间规整距离,计算如下:
将dtest(X,Y)与预设的阈值比较后,得到认证结果。
在图2所示的实例中,显示了联机签名精确认证结果。
实施例2:
如图3所示,一种基于软动态时间规整的联机签名认证方法,具体包括以下内容:
步骤一.采集待测试签名序列;
步骤二.基于签名序列进行预处理,获取预处理数据,并提取签名序列的时间函数;签名序列的时间函数包括:水平与竖直方向的速度vx、vy,角度θ及其函数cos(θ)、sin(θ),压力p,速度v和角度θ的一阶差分对数曲率半径ρ,向心加速度c,总加速度α。
步骤三.构建神经网络,基于签名序列的时间函数对神经网络进行训练,获得签名序列特征提取神经网络;神经网络由一维卷积层、循环层和全连接层构成,每个卷积层后使用ReLU激活函数,卷积层之间插入最大池化层;
循环层由门控自回归单元构成,具体机制如下,
记t时刻的输入为it,输出为ot,门控自回归单元按如下方式更新其输出:
rt=sigmoid(Wr×it+Ur×ot-1+br) 17
ot=tanh(Wo×it+Uo×(rt⊙ot-1)+bo) 18,
其中rt为重置门,Wr、Ur、Wo、Uo为参数矩阵,br、bo为偏置项,门控自回归单元只采用重置门rt,而移除了更新门。
步骤四.基于预处理数据,通过签名序列特征提取神经网络,计算签名序列特征间的动态时间规整距离判断真伪。
与已有的基于动态时间规整的深度签名认证方法相比,本发明具有以下优点:
本发明引入了可微的软动态时间规整距离,使得神经网络可以进行端到端的训练,从而学习到更有效的签名表征;
本发明在训练阶段使用软动态时间规整距离,综合考虑多条路径,使得神经网络在训练时可以有更好的损失情况;在测试阶段使用动态时间规整距离,给出明确的最优路径。该策略可以有效提升签名认证性能;
本发明方法认证精度高,对手写笔输入、手指输入、熟练伪造场景、随机伪造场景均有较强的适应性,对开集数据也具有较好的泛化性能;
本发明方法可以应用于其他的联机手写分析任务上,如基于联机手写字母的书写者识别和基于联机手写数字的身份认证。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (3)
1.一种基于软动态时间规整的联机签名认证系统,其特征在于,
包括:数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块;
所述数据采集模块用于采集待测试签名序列;
所述数据预处理模块用于对所述签名序列进行预处理,获取预处理数据,并提取所述签名序列的时间函数;
所述签名序列特征提取神经网络模块用于构建神经网络,以及基于所述签名序列的时间函数对所述神经网络进行训练,获得签名序列特征提取神经网络;
所述签名序列特征认证模块用于基于所述预处理数据,通过所述签名序列特征提取神经网络,通过计算签名序列特征间的动态时间规整距离来判断真伪;
所述签名序列特征提取神经网络模块中所述神经网络由一维卷积层、循环层和全连接层构成,每个卷积层后使用ReLU激活函数,卷积层之间插入最大池化层;
所述签名序列特征提取神经网络模块中所述循环层由门控自回归单元构成,
记时刻的输入为/>,输出为/>,所述门控自回归单元按如下方式更新其输出:
其中/>为重置门,/>、/>、/>、/>为参数矩阵,/>、/>为偏置项,所述门控自回归单元只采用重置门/>;
所述签名序列特征认证模块中计算所述签名序列特征间的动态时间规整距离判断真伪的方法包括:
基于所述预处理数据以及获取的所述神经网络提取特征,
计算签名序列特征间的基于动态时间规整的距离:
其中,X和Y分别是长度为/>和/>的签名序列,/>是神经网络,/>是签名序列的长度,/>是两个序列间的动态时间规整距离,计算如下:
其中,/>是签名序列X和Y的列向量之间的损失矩阵,/>是可行的二值对齐矩阵的集合,/>是二值对齐矩阵,满足边界条件,且具有单调性与递增性;
将与预设的阈值比较后,得到认证结果;所述签名序列特征提取神经网络模块中对所述神经网络进行训练的方法包括:
计算签名对的软动态时间规整距离,记和分别是长度为/>和/>的两个签名序列,/>和/>为/>维的局部特征向量,序列/>和/>的列向量之间的损失矩阵为/>,其中,定义/>为可行的二值对齐矩阵的集合,/>为二值对齐矩阵,满足边界条件/>,且具有单调性与递增性,签名序列对/>和/>的软动态时间规整距离为:
其中,/>表示/>和的内积,/>为带有平滑参数的广义/>算子,定义如下:
设所述神经网络为函数/>,对于签名序列对和/>,在训练阶段使用如下基于所述软动态时间规整的距离:
其中/>表示签名序列的长度,
将签名对的软动态时间规整距离融入到三元组损失函数中,基于所述三元组损失函数来训练所述神经网络;
所述数据预处理模块中所述签名序列的时间函数包括:水平与竖直方向的速度、,角度/>及其函数/>、/>,压力p,速度/>和角度/>的一阶差分/>、/>,对数曲率半径/>,向心加速度/>,总加速度/>;
按照三元组的采样方式,把签名时间函数输入网络,将签名对的软动态时间规整距离融入到三元组损失函数中,通过优化损失函数来训练神经网络,包含以下步骤:
记每个数据批采样位不同用户,对于第/>位用户(/>),采样一个真实签名/>作为锚点,另外/>个真实签名/>作为正样本,以及/>个随机伪造签名或熟练伪造签名/>作为负样本;因此,对于每位用户,共有/>个三元组;将所述软动态时间规整距离融入到所述第/>位用户的三元组损失函数中,计算如下:
其中/>为非负间隔参数;用于训练神经网路的总体损失函数为:
;
其中,为控制真实签名类内差异强度的参数。
2.如权利要求1所述的基于软动态时间规整的联机签名认证系统的认证方法,其特征在于,
采集待测试签名序列;
基于所述签名序列进行预处理,获取预处理数据,并提取所述签名序列的时间函数;
构建神经网络,基于所述签名序列的时间函数对所述神经网络进行训练,获得签名序列特征提取神经网络;
基于所述预处理数据,通过所述签名序列特征提取神经网络,计算签名序列特征间的动态时间规整距离判断真伪;
所述神经网络由一维卷积层、循环层和全连接层构成,每个卷积层后使用ReLU激活函数,卷积层之间插入最大池化层;
所述签名序列特征提取神经网络模块中所述循环层由门控自回归单元构成,具体机制如下,
记时刻的输入为/>,输出为/>,所述门控自回归单元按如下方式更新其输出:
,
其中为重置门,/>、/>、/>、/>为参数矩阵,/>、/>为偏置项,所述门控自回归单元只采用重置门/>,而移除了更新门。
3.如权利要求2所述基于软动态时间规整的联机签名认证方法,其特征在于,
所述签名序列的时间函数包括:水平与竖直方向的速度、/>,角度/>及其函数、/>,压力p,速度/>和角度/>的一阶差分/>、/>,对数曲率半径/>,向心加速度/>,总加速度/>。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582665.2A CN114996688B (zh) | 2022-05-26 | 2022-05-26 | 一种基于软动态时间规整的联机签名认证系统和方法 |
US18/319,571 US20230385394A1 (en) | 2022-05-26 | 2023-05-18 | Online signature authentication system and method based on soft dynamic time warping |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582665.2A CN114996688B (zh) | 2022-05-26 | 2022-05-26 | 一种基于软动态时间规整的联机签名认证系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114996688A CN114996688A (zh) | 2022-09-02 |
CN114996688B true CN114996688B (zh) | 2023-11-21 |
Family
ID=83028732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582665.2A Active CN114996688B (zh) | 2022-05-26 | 2022-05-26 | 一种基于软动态时间规整的联机签名认证系统和方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230385394A1 (zh) |
CN (1) | CN114996688B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200020107A (ko) * | 2018-08-16 | 2020-02-26 | 한국과학기술원 | 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템 |
JP2020177318A (ja) * | 2019-04-16 | 2020-10-29 | 日本電信電話株式会社 | 照合装置、学習装置、方法、及びプログラム |
CN112699349A (zh) * | 2020-12-25 | 2021-04-23 | 华南理工大学 | 一种基于样本合成以及排序学习的联机签名鉴定方法 |
WO2021148692A1 (es) * | 2020-01-24 | 2021-07-29 | Universidad Autónoma de Madrid | Método y sistema de verificación de firmas y escrituras manuscritas dinámicas mediante aprendizaje profundo |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971365A (zh) * | 2020-07-23 | 2022-01-25 | 郑芳田 | 使用卷积神经网络的虚拟量测方法 |
-
2022
- 2022-05-26 CN CN202210582665.2A patent/CN114996688B/zh active Active
-
2023
- 2023-05-18 US US18/319,571 patent/US20230385394A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200020107A (ko) * | 2018-08-16 | 2020-02-26 | 한국과학기술원 | 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템 |
JP2020177318A (ja) * | 2019-04-16 | 2020-10-29 | 日本電信電話株式会社 | 照合装置、学習装置、方法、及びプログラム |
WO2021148692A1 (es) * | 2020-01-24 | 2021-07-29 | Universidad Autónoma de Madrid | Método y sistema de verificación de firmas y escrituras manuscritas dinámicas mediante aprendizaje profundo |
EP4095749A1 (en) * | 2020-01-24 | 2022-11-30 | Universidad Autónoma de Madrid | Method and system for verifying dynamic handwriting and signatures by means of deep learning |
CN112699349A (zh) * | 2020-12-25 | 2021-04-23 | 华南理工大学 | 一种基于样本合成以及排序学习的联机签名鉴定方法 |
Non-Patent Citations (4)
Title |
---|
"Recurrent Adaptation Networks for Online Signature Verification";Songxuan Lai 等;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;第14卷(第6期);第1624-1637页 * |
"Soft-DTW: a Differentiable Loss Function for Time-Series";Marco Cuturi 等;《arXiv:1703.01541v2》;第1-23页 * |
"Soft-DTW: a Differentiable Loss Function for Time-Series";Ruben Tolosana 等;《arXiv:2108.06090v2》;第1-14页 * |
"SVC-onGoing: Signature Verification Competition","SVC-onGoing: Signature Verification Competition";Ruben Tolosana 等;《arXiv:2108.06090v2》;第1-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114996688A (zh) | 2022-09-02 |
US20230385394A1 (en) | 2023-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
CN107392082B (zh) | 一种基于深度学习的小面积指纹比对方法 | |
CN106156702A (zh) | 身份认证方法及设备 | |
Bharadi et al. | Off-line signature recognition systems | |
US20190147218A1 (en) | User specific classifiers for biometric liveness detection | |
Ali et al. | Keystroke biometric user verification using Hidden Markov Model | |
Rai et al. | Automated biometric personal identification-techniques and applications | |
CN113515988A (zh) | 掌纹识别方法、特征提取模型训练方法、设备及介质 | |
CN109145704A (zh) | 一种基于人脸属性的人脸画像识别方法 | |
WO2022268183A1 (zh) | 一种基于视频的随机手势认证方法及系统 | |
Kim et al. | Reconstruction of fingerprints from minutiae using conditional adversarial networks | |
Ebrahimpour | Iris recognition using mobilenet for biometric authentication | |
Fallahi et al. | BrainNet: Improving Brainwave-based Biometric Recognition with Siamese Networks | |
CN111062345B (zh) | 静脉识别模型的训练方法、装置和静脉图像识别装置 | |
CN114996688B (zh) | 一种基于软动态时间规整的联机签名认证系统和方法 | |
Neha et al. | Biometric re-authentication: An approach towards achieving transparency in user authentication | |
Bansal et al. | Multimodal biometrics by fusion for security using genetic algorithm | |
Latha et al. | A novel method for person authentication using retinal images | |
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 | |
CN114840834A (zh) | 一种基于步态特征的隐式身份认证方法 | |
Memon | Multi-layered multimodal biometric authentication for smartphone devices | |
Shaker et al. | Identification Based on Iris Detection Technique. | |
Yan et al. | Design and implementation of a lightweight deep CNN-based plant biometric authentication system | |
Guerra-Casanova et al. | A robustness verification system for mobile phone authentication based on gestures using Linear Discriminant Analysis | |
Wu et al. | Multibiometric fusion authentication in wireless multimedia environment using dynamic Bayesian method |
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 |