CN115223178B - 签名真伪验证方法、系统、终端设备及存储介质 - Google Patents

签名真伪验证方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN115223178B
CN115223178B CN202210820006.8A CN202210820006A CN115223178B CN 115223178 B CN115223178 B CN 115223178B CN 202210820006 A CN202210820006 A CN 202210820006A CN 115223178 B CN115223178 B CN 115223178B
Authority
CN
China
Prior art keywords
signature
image
meta
authenticity
signature image
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
Application number
CN202210820006.8A
Other languages
English (en)
Other versions
CN115223178A (zh
Inventor
吴婧
张志远
洪镇宇
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.)
Xiamen International Bank Co ltd
Original Assignee
Xiamen International Bank 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 Xiamen International Bank Co ltd filed Critical Xiamen International Bank Co ltd
Priority to CN202210820006.8A priority Critical patent/CN115223178B/zh
Publication of CN115223178A publication Critical patent/CN115223178A/zh
Application granted granted Critical
Publication of CN115223178B publication Critical patent/CN115223178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V30/22—Character recognition characterised by the type of writing
    • G06V30/226—Character recognition characterised by the type of writing of cursive writing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • 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
    • G06V30/16—Image preprocessing
    • G06V30/162—Quantising the image signal
    • 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
    • G06V30/16—Image preprocessing
    • G06V30/164—Noise filtering
    • 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
    • G06V30/18—Extraction of features or characteristics of the image
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明提供了一种签名真伪验证方法、系统、终端设备及存储介质，该方法包括：根据元学习任务进行任务抽取，得到任务用户；根据各任务用户的影像数据和剩余用户的影像数据，生成模型训练数据，根据各模型训练数据对元学习器进行训练；根据各影像数据包分别对收敛后的元学习器进行参数调节，根据参数调节后的各元学习器的参数，分别构建签名真伪判别模型；将待验证签名图像输入对应签名真伪判别模型进行签名验证，得到签名真伪验证结果。本发明通过各目标用户的影像数据包分别对收敛后的元学习器进行参数调节，能有效地调整各元学习器的参数权重，使得签名真伪判别模型的权重能随任务用户的签名图像的特征进行调整，提高了签名真伪验证的准确性。

Description

签名真伪验证方法、系统、终端设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种签名真伪验证方法、系统、终端设备及存储介质。
背景技术
随着计算机及网络技术的高速发展，个人身份认证的安全性、准确性越来越得到重视，传统的基于口令、IC卡等身份认证方式，有其固有的不足：口令容易被遗忘、泄漏、丢失或被人窃取，而IC卡容易丢失或被盗。与传统的身份认证方式相比，生物认证方式具有唯一、不能复制、不会丢失等特性。生物特征是指唯一的、可以测量、可自动识别、可验证的生理特征或行为方式，生物特征分为身体特征和行为特征两类。身体特征包括：指纹、虹膜、手掌静脉、掌型、视网膜、人体气味、人脸、手指静脉、DNA等；行为特征包括：签名、语音、行走步态等。相对于其它生物特征，签名认证具有易获取、应用所需设备价格低廉及高可接受性等优点。
现有的签名真伪验证过程中，通常是将待验证签名与用户预先存储的标准签名进行特征的比对，通过计算特征相似度来待验证签名的真伪，然而，同一个用户在不同时期的签名往往都会有着较大的区别，仅仅通过提取待验证签名的特征并进行比对，难以将高度模仿的签名与用户本人的真实签名区分开，进而降低了签名真伪验证的准确性。
发明内容
本发明实施例的目的在于提供一种签名真伪验证方法、系统、终端设备及存储介质，旨在解决现有的签名真伪验证准确性较低的问题。
本发明实施例是这样实现的，一种签名真伪验证方法，所述方法包括：
获取本地存储的历史签名影像数据，并对所述历史签名影像数据进行数据划分，得到元训练集和元测试集，所述历史签名影像数据包括不同用户的影像数据，所述影像数据包括真实签名图像和伪造签名图像；
构建元学习任务，并根据所述元学习任务对所述元训练集中的用户进行任务抽取，得到任务用户；
根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，并根据各模型训练数据对元学习器进行训练，直至所述元学习器收敛；
根据各目标用户的影像数据包分别对收敛后的所述元学习器进行参数调节，并根据参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型；
若接收到任一所述目标用户的待验证签名图像，则将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果。
更进一步的，所述根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，包括：
针对各任务用户，将所述剩余用户的真实签名图确定为随机伪造图像，并分别对各任务用户对应的真实签名图像、伪造签名图像和所述随机伪造图像进行图像抽取，得到签名抽取图像集合；
对所述签名抽取图像集合中的真实签名图像和随机伪造图像进行图像抽取，并根据抽取到的图像构建模型训练集；
根据各签名抽取图像集合中剩余的真实签名图像、伪造签名图像和随机伪造图像构建模型测试集；
其中，所述模型训练数据包括模型训练集和所述模型测试集。
更进一步的，所述将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果之后，还包括：
若所述签名真伪验证结果是伪签名结果，则提示所述目标用户更新所述待验证签名图像；
将更新后的所述待验证签名图像输入对应所述签名真伪判别模型进行二次签名验证，得到签名二次验证结果；
若所述签名二次验证结果是伪签名结果，则向所述目标用户发送签名验证错误提示；
若所述签名真伪验证结果或所述签名二次验证结果是真签名结果，则查询所述目标用户的签名图像存储单元，并将所述待验证签名图像存储至所述签名图像存储单元。
更进一步的，所述将所述待验证签名图像存储至所述签名图像存储单元之后，还包括：
若所述签名图像存储单元在预设时长内添加的签名图像数量大于第一数量阈值，则根据所述预设时长内添加的签名图像对对应所述签名真伪判别模型进行参数更新。
更进一步的，所述将所述待验证签名图像存储至所述签名图像存储单元之后，还包括：
若所述签名图像存储单元中签名图像数量大于第二数量阈值，则分别计算所述签名图像存储单元中各签名图像与所述待验证签名图像之间的图像相似度；
分别获取所述签名图像存储单元中的各签名图像的图像存储时间，并根据所述图像存储时间确定各签名图像的相似度权重；
针对同一签名图像，根据所述相似度权重对所述图像相似度进行权重修正，并根据修正后的所述图像相似度对所述签名图像存储单元中的各签名图像进行排序，得到相似度排序表；
根据所述相似度排序表对所述签名图像存储单元中的各签名图像进行图像筛选。
更进一步的，所述获取本地存储的历史签名影像数据之后，还包括：
分别对所述历史签名影像数据中的各签名图像进行灰度转换，并分别对灰度转换后的各签名图像进行噪声过滤；
对噪声过滤后的各签名图像进行二值化处理，并对二值化处理后的各签名图像进行前景背景反转；
对前景背景反转后的各签名图像进行尺寸调节，并对尺寸调节口的各签名图像进行旋转对齐调节；
根据预设尺寸对旋转对齐调节后的各签名图像进行图像裁剪，并对图像裁剪后的各签名图像进行特征提取，得到签名特征；
根据所述签名特征对所述签名图像进行特征筛选。
更进一步的，所述对图像裁剪后的各签名图像进行特征提取，得到签名特征，包括：
分别获取各签名图像的图像特征，并将图像裁剪后的各签名图像输入预训练后的卷积神经网络进行特征提取，得到深度特征；
针对各签名图像，分别对所述图像特征和所述深度特征进行向量转换，并将向量转换后的所述图像特征和所述深度特征进行特征合并，得到所述签名特征。
本发明实施例的另一目的在于提供一种签名真伪验证系统，所述系统包括：
数据划分单元，用于获取本地存储的历史签名影像数据，并对所述历史签名影像数据进行数据划分，得到元训练集和元测试集，所述历史签名影像数据包括不同用户的影像数据，所述影像数据包括真实签名图像和伪造签名图像；
任务抽取单元，用于构建元学习任务，并根据所述元学习任务对所述元训练集中的用户进行任务抽取，得到任务用户；
元学习器训练单元，用于根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，并根据各模型训练数据对元学习器进行训练，直至所述元学习器收敛；
参数调节单元，用于根据各目标用户的影像数据包分别对收敛后的所述元学习器进行参数调节，并根据参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型；
签名验证单元，用于若接收到任一所述目标用户的待验证签名图像，则将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果。
本发明实施例的另一目的在于提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例，通过各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，通过各模型训练数据对元学习器进行训练，使得元学习器能有效地学习到各任务用户的签名特征，通过各目标用户的影像数据包分别对收敛后的元学习器进行参数调节，能有效地调整各元学习器的参数权重，基于参数调节后的各元学习器的参数，使得构建得到的签名真伪判别模型的权重，能有效地随任务用户的签名图像的特征进行调整，防止了由于用户不同时期的签名存在区别，所导致的签名真伪验证准确性低下的现象，提高了签名真伪验证的准确性，通过参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型，基于签名真伪判别模型能单独对对应用户进行签名真伪识别，进一步提高了签名真伪验证的准确性。
附图说明
图1是本发明第一实施例提供的签名真伪验证方法的流程图；
图2是本发明第二实施例提供的签名真伪验证方法的流程图；
图3是本发明第三实施例提供的签名真伪验证系统的结构示意图；
图4是本发明第四实施例提供的终端设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
元学习是深度学习的一个分支，又称“学会学习”。元学习能够利用以往的知识经验来指导模型在新的任务上进行学习，使模型具备学会学习的能力，使其能够对新的、数据不充足的任务进行快速而准确的学习。利用元学习的技术就可以很好的解决上述样本量不够、人力物力消耗量大问题。
实施例一
请参阅图1，是本发明第一实施例提供的签名真伪验证方法的流程图，该签名真伪验证方法可以应用于任一终端设备或系统，该签名真伪验证方法包括步骤：
步骤S10，获取本地存储的历史签名影像数据，并对所述历史签名影像数据进行数据划分，得到元训练集和元测试集；
其中，该历史签名影像数据包括不同用户的影像数据，影像数据包括真实签名图像和伪造签名图像，真实签名图像是对应用户所写，伪造签名图像为非对应用户所写，通过对历史签名影像数据中的用户进行数据划分，得到元训练集和元测试集，该元训练集与元测试集之间无用户重叠，该元训练集用于对元学习器进行模型训练，该元测试集用于元学习器指导模型建模效果的验证及测试；
可选的，该步骤中，所述获取本地存储的历史签名影像数据之后，还包括：
分别对所述历史签名影像数据中的各签名图像进行灰度转换，并分别对灰度转换后的各签名图像进行噪声过滤；其中，通过对历史签名影像数据中的各签名图像进行灰度转换，能有效地将各签名图像转换为灰度图像，并通过分别对灰度转换后的各签名图像进行噪声过滤，以达到去除各签名图像中背景噪声的效果，提高了各签名图像的准确性；
对噪声过滤后的各签名图像进行二值化处理，并对二值化处理后的各签名图像进行前景背景反转；其中，通过对噪声过滤后的各签名图像进行二值化处理，能有效地将各签名图像呈现出只有黑和白的视觉效果；
对前景背景反转后的各签名图像进行尺寸调节，并对尺寸调节口的各签名图像进行旋转对齐调节；其中，通过对前景背景反转后的各签名图像进行尺寸调节，能有效地保障各签名图像之间的尺寸的一致性，通过对尺寸调节口的各签名图像进行旋转对齐调节，有效地保障了各签名图像之间的对齐效果；
根据预设尺寸对旋转对齐调节后的各签名图像进行图像裁剪，并对图像裁剪后的各签名图像进行特征提取，得到签名特征；其中，通过对旋转对齐调节后的各签名图像进行图像裁剪，有效地保障了各签名图像之间尺寸和特征区域的一致性；
根据所述签名特征对所述签名图像进行特征筛选；其中，将签名特征的特征值未在预设特征范围内的签名图像进行删除，有效地保障了各签名图像的图像质量。
进一步地，该步骤中，所述对图像裁剪后的各签名图像进行特征提取，得到签名特征，包括：
分别获取各签名图像的图像特征，并将图像裁剪后的各签名图像输入预训练后的卷积神经网络进行特征提取，得到深度特征；其中，该图像特征包括结构特征、统计特征、纹理特征、几何特征、以及数学变换特征等，该深度特征包括轮廓特征和像素特征等；
针对各签名图像，分别对所述图像特征和所述深度特征进行向量转换，并将向量转换后的所述图像特征和所述深度特征进行特征合并，得到所述签名特征。
步骤S20，构建元学习任务，并根据所述元学习任务对所述元训练集中的用户进行任务抽取，得到任务用户；
其中，元学习任务是利用已有的N个相同结构的任务(Task,缩写T，N个任务即T1，...，TN)的数据集，训练得到元学习器，使得该元学习器面对新的任务T’时，能够指导模型快速适用于新的任务，即使新的任务提供的数据非常少，在签名真伪验证场景中，任务T是针对用户u(user,缩写u)的签名图像判断真伪；，该步骤中，从N个任务中随机抽选任务T，以根据元学习任务对元训练集中的用户进行任务抽取，得到任务用户；
步骤S30，根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，并根据各模型训练数据对元学习器进行训练，直至所述元学习器收敛；
其中，模型训练数据包括模型训练集和所述模型测试集，根据任务用户从元训练集中采样模型训练数据D，利用模型训练数据D的训练集(train)调整元学习器的权重，利用模型训练数据D的测试集(test)更新元学习器的权重，并且进行迭代训练，直到元学习器的迭代次数达到预设的轮数，输出收敛后的元学习器；
可选的，该步骤中，所述根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，包括：
针对各任务用户，将所述剩余用户的真实签名图确定为随机伪造图像，并分别对各任务用户对应的真实签名图像、伪造签名图像和所述随机伪造图像进行图像抽取，得到签名抽取图像集合；
对所述签名抽取图像集合中的真实签名图像和随机伪造图像进行图像抽取，并根据抽取到的图像构建模型训练集；
根据各签名抽取图像集合中剩余的真实签名图像、伪造签名图像和随机伪造图像构建模型测试集；
其中，从N个任务中随机抽选任务T，即，从元训练集随机抽选一个用户，得到任务用户，对任务用户进行签名真伪验证任务，具体地，从元训练集中，随机抽选一定量的该任务用户的真实签名图像(Genuine,缩写G)，随机抽选一定量剩余用户的真实签名图像作为该任务用户的随机伪造图像(Random Forgery,缩写RF)，如果元训练集中存在该任务用户的随机伪造图像，再随机抽选一定量的随机伪造图像(Skilled Forgery,缩写SF)，并将G、RF、SF共同组成任务T所需的模型训练数据D，并将模型训练数据D划分为训练集(train)和测试集(test)，其中，训练集包含一部分的G、RF，测试集包含剩余的G、RF、SF(如有)，然后，利用训练集计算元学习器的神经网络权重，最后，利用测试集更新元学习器的神经网络权重，训练完成后，得到收敛后的元学习器，即，得到神经网络Φ及其参数θ。在实践中，可以使用MetaOptNet算法对元学习器进行训练，使元学习器在对每个单独任务用户的最优化类元学习都基于最优化训练，从而能够在新的任务上能够更好更快的收敛，迅速适用于新任务上的应用。
步骤S40，根据各目标用户的影像数据包分别对收敛后的所述元学习器进行参数调节，并根据参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型；
其中，根据步骤S30中学习得到的元学习器Φ及其神经网络参数θ，能够根据各目标用户的影像数据分别对收敛后的元学习器进行参数调节，得到新的参数θ’，应用该参数θ’能分别构建各目标用户的签名真伪判别模型，使得构建得到的签名真伪判别模型能够有效地适用于对应的目标用户的签名特点，从而更好地判断其签名的真伪。
可选的，该步骤中，可以利用元测试集对元学习器的性能以交叉验证的方式进行测试，元测试集中包含与元训练集不重叠的用户，因此在元测试集上验证效果最好的元学习器，即有最好的模型泛用性，可将该元学习器应用于实际场景。
步骤S50，若接收到任一所述目标用户的待验证签名图像，则将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果；
其中，若接收到任一目标用户的待验证签名图像，通过将待验证签名图像输入对应签名真伪判别模型进行签名验证，以达到对待验证签名图像的签名真伪验证的效果，该步骤中，当任一用户在本地存储的真实签名图像大于预设数量时，则将该用户确定为目标用户，通过分别构建各目标用户的签名真伪判别模型，基于签名真伪判别模型能单独对对应用户进行签名真伪识别，进一步提高了签名真伪验证的准确性，可选的，随着目标用户的真实签名图像的逐渐增加，其对应的签名真伪判别模型可以自适应地根据目标用户的真实签名图像再次进行自身的迭代调整，不需要耗费大量的人力物力资源就可以快速完成模型的升级优化。
本实施例中，元学习可以利用所有用户构成的历史签名影像数据，或者其他外部签名影像数据集，学习得到元学习器(meta-learner)，利用元学习器指导模型针对每个用户自动调整自身网络权重，从而使每个用户拥有独立的签名真伪判别模型，并且每个用户仅需要少量的签名影像数据就能快速得到独立的、准确度高的模型，本实施例兼具准确性和安全性，克服了单一通用比对模型无法充分利用用户其他签名数据的问题，同时也解决了为每个用户建模数据需求量大、人力物力资源消耗量大的问题。
本实施例，通过各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，通过各模型训练数据对元学习器进行训练，使得元学习器能有效地学习到各任务用户的签名特征，通过各目标用户的影像数据包分别对收敛后的元学习器进行参数调节，能有效地调整各元学习器的参数权重，基于参数调节后的各元学习器的参数，使得构建得到的签名真伪判别模型的权重，能有效地随任务用户的签名图像的特征进行调整，防止了由于用户不同时期的签名存在区别，所导致的签名真伪验证准确性低下的现象，提高了签名真伪验证的准确性，通过参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型，基于签名真伪判别模型能单独对对应用户进行签名真伪识别，进一步提高了签名真伪验证的准确性。
实施例二
请参阅图2，是本发明第二实施例提供的签名真伪验证方法的流程图，该实施例用于对步骤S50之后的步骤作进一步细化，包括步骤：
步骤S60，若所述签名真伪验证结果是伪签名结果，则提示所述目标用户更新所述待验证签名图像；
其中，通过提示目标用户更新待验证签名图像，以达到提示目标用户重新进行手写签名；
步骤S70，将更新后的所述待验证签名图像输入对应所述签名真伪判别模型进行二次签名验证，得到签名二次验证结果；
其中，通过将更新后的待验证签名图像输入对应签名真伪判别模型进行二次签名验证，以达到对目标用户第二次手写的签名再次进行签名真伪验证；
步骤S80，若所述签名二次验证结果是伪签名结果，则向所述目标用户发送签名验证错误提示；
其中，若签名二次验证结果是伪签名结果，通过向目标用户发送签名验证错误提示，以提示用户的签名真伪验证错误；
步骤S90，若所述签名真伪验证结果或所述签名二次验证结果是真签名结果，则查询所述目标用户的签名图像存储单元，并将所述待验证签名图像存储至所述签名图像存储单元；
其中，若签名真伪验证结果或签名二次验证结果是真签名结果，则判定该待验证签名图像是真实签名图像，该步骤中，通过查询目标用户的签名图像存储单元，提高了待验证签名图像存储的准确性，通过将待验证签名图像存储至签名图像存储单元，有效地为后续签名真伪判别模型的迭代训练提供了数据基础；
可选的，该步骤中，所述将所述待验证签名图像存储至所述签名图像存储单元之后，还包括：
若所述签名图像存储单元在预设时长内添加的签名图像数量大于第一数量阈值，则根据所述预设时长内添加的签名图像对对应所述签名真伪判别模型进行参数更新；
其中，该预设时长和第一数量阈值均可以根据需求进行设置，例如，该预设时长可以设置为3个月、6个月或1年等，该第一数量阈值可以设置为3、4或5等，该步骤中，通过预设时长内添加的签名图像对对应签名真伪判别模型进行参数更新，以达到持续调整签名真伪判别模型的权重的效果，使得签名真伪判别模型能持续学习到不同时期目标用户的签名特征，进而提高了签名真伪判别模型对签名真伪识别的准确性；
进一步地，该步骤中，所述将所述待验证签名图像存储至所述签名图像存储单元之后，还包括：
若所述签名图像存储单元中签名图像数量大于第二数量阈值，则分别计算所述签名图像存储单元中各签名图像与所述待验证签名图像之间的图像相似度；
其中，该第二数量阈值可以根据需求进行设置，例如，该第二数量阈值可以设置为20、30或40等，若签名图像存储单元中签名图像数量大于第二数量阈值，则判定该签名图像存储单元中的签名数量超过存储数量；
分别获取所述签名图像存储单元中的各签名图像的图像存储时间，并根据所述图像存储时间确定各签名图像的相似度权重；
其中，通过分别获取签名图像存储单元中的各签名图像的图像存储时间，提高了相似度权重确定的准确性，该步骤中，通过将各签名图像的图像存储时间与预存储的权重查询表进行匹配，得到该相似度权重，该权重查询表中存储有不同图像存储时间与对应相似度权重之间的对应关系；
针对同一签名图像，根据所述相似度权重对所述图像相似度进行权重修正，并根据修正后的所述图像相似度对所述签名图像存储单元中的各签名图像进行排序，得到相似度排序表；其中，通过计算似度权重与图像相似度之间的乘积，得到修正后的图像相似度；
根据所述相似度排序表对所述签名图像存储单元中的各签名图像进行图像筛选；其中，修正后的图像相似度越小，则该图像相似度对应的签名图像与目标用户当前手写签名的特征之间相似度越低，即，该图像相似度对应的签名图像的特征有效性越低，具体地，该步骤中，将相似度排序表中倒数10张签名图像进行删除。
本实施例中，对于已离线存储有一定数量真实签名图像的目标用户，若签名真伪验证结果中存储的概率值大于概率阈值，则判定待验证签名图像是伪造签名，若签名真伪验证结果中存储的概率值小于或等于概率阈值，则判定待验证签名图像是真实签名，若签名真伪验证结果是伪签名结果，则提示目标用户再提供一份签名图像进行二次验证，通过将更新后的待验证签名图像输入对应签名真伪判别模型进行二次签名验证，以达到对目标用户第二次手写的签名再次进行签名真伪验证。
实施例三
请参阅图3，是本发明第三实施例提供的签名真伪验证系统100的结构示意图，包括：数据划分单元10、任务抽取单元11、元学习器训练单元12、参数调节单元13和签名验证单元14，其中：
数据划分单元10，用于获取本地存储的历史签名影像数据，并对所述历史签名影像数据进行数据划分，得到元训练集和元测试集，所述历史签名影像数据包括不同用户的影像数据，所述影像数据包括真实签名图像和伪造签名图像。
可选的，数据划分单元10还用于：分别对所述历史签名影像数据中的各签名图像进行灰度转换，并分别对灰度转换后的各签名图像进行噪声过滤；
对噪声过滤后的各签名图像进行二值化处理，并对二值化处理后的各签名图像进行前景背景反转；
对前景背景反转后的各签名图像进行尺寸调节，并对尺寸调节口的各签名图像进行旋转对齐调节；
根据预设尺寸对旋转对齐调节后的各签名图像进行图像裁剪，并对图像裁剪后的各签名图像进行特征提取，得到签名特征；
根据所述签名特征对所述签名图像进行特征筛选。
进一步地，数据划分单元10还用于：分别获取各签名图像的图像特征，并将图像裁剪后的各签名图像输入预训练后的卷积神经网络进行特征提取，得到深度特征；
针对各签名图像，分别对所述图像特征和所述深度特征进行向量转换，并将向量转换后的所述图像特征和所述深度特征进行特征合并，得到所述签名特征。
任务抽取单元11，用于构建元学习任务，并根据所述元学习任务对所述元训练集中的用户进行任务抽取，得到任务用户。
元学习器训练单元12，用于根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，并根据各模型训练数据对元学习器进行训练，直至所述元学习器收敛。
可选的，元学习器训练单元12还用于：针对各任务用户，将所述剩余用户的真实签名图确定为随机伪造图像，并分别对各任务用户对应的真实签名图像、伪造签名图像和所述随机伪造图像进行图像抽取，得到签名抽取图像集合；
对所述签名抽取图像集合中的真实签名图像和随机伪造图像进行图像抽取，并根据抽取到的图像构建模型训练集；
根据各签名抽取图像集合中剩余的真实签名图像、伪造签名图像和随机伪造图像构建模型测试集；
其中，所述模型训练数据包括模型训练集和所述模型测试集。
参数调节单元13，用于根据各目标用户的影像数据包分别对收敛后的所述元学习器进行参数调节，并根据参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型。
签名验证单元14，用于若接收到任一所述目标用户的待验证签名图像，则将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果。
可选的，签名验证单元14还用于：若所述签名真伪验证结果是伪签名结果，则提示所述目标用户更新所述待验证签名图像；
将更新后的所述待验证签名图像输入对应所述签名真伪判别模型进行二次签名验证，得到签名二次验证结果；
若所述签名二次验证结果是伪签名结果，则向所述目标用户发送签名验证错误提示；
若所述签名真伪验证结果或所述签名二次验证结果是真签名结果，则查询所述目标用户的签名图像存储单元，并将所述待验证签名图像存储至所述签名图像存储单元。
进一步地，签名验证单元14还用于：若所述签名图像存储单元在预设时长内添加的签名图像数量大于第一数量阈值，则根据所述预设时长内添加的签名图像对对应所述签名真伪判别模型进行参数更新。
更进一步地，签名验证单元14还用于：若所述签名图像存储单元中签名图像数量大于第二数量阈值，则分别计算所述签名图像存储单元中各签名图像与所述待验证签名图像之间的图像相似度；
分别获取所述签名图像存储单元中的各签名图像的图像存储时间，并根据所述图像存储时间确定各签名图像的相似度权重；
针对同一签名图像，根据所述相似度权重对所述图像相似度进行权重修正，并根据修正后的所述图像相似度对所述签名图像存储单元中的各签名图像进行排序，得到相似度排序表；
根据所述相似度排序表对所述签名图像存储单元中的各签名图像进行图像筛选。
本实施例，通过各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，通过各模型训练数据对元学习器进行训练，使得元学习器能有效地学习到各任务用户的签名特征，通过各目标用户的影像数据包分别对收敛后的元学习器进行参数调节，能有效地调整各元学习器的参数权重，基于参数调节后的各元学习器的参数，使得构建得到的签名真伪判别模型的权重，能有效地随任务用户的签名图像的特征进行调整，防止了由于用户不同时期的签名存在区别，所导致的签名真伪验证准确性低下的现象，提高了签名真伪验证的准确性，通过参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型，基于签名真伪判别模型能单独对对应用户进行签名真伪识别，进一步提高了签名真伪验证的准确性。
实施例四
图4是本申请第四实施例提供的一种终端设备2的结构框图。如图4所示，该实施例的终端设备2包括：处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22，例如签名真伪验证方法的程序。处理器20执行所述计算机程序22时实现上述各个签名真伪验证方法各实施例中的步骤，例如图1所示的S10至S50，或者图2所示的S60至S90。或者，所述处理器20执行所述计算机程序22时实现上述图3对应的实施例中各单元的功能，具体请参阅图3对应的实施例中的相关描述，此处不赘述。
示例性的，所述计算机程序22可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器21中，并由所述处理器20执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。例如，所述计算机程序22可以被分割成数据划分单元10、任务抽取单元11、元学习器训练单元12、参数调节单元13和签名验证单元14，各单元具体功能如上所述。
所述终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图3仅仅是终端设备2的示例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元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。
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存储介质中。其中，计算机可读存储介质可以是非易失性的，也可以是易失性的。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种签名真伪验证方法，其特征在于，所述方法包括：
获取本地存储的历史签名影像数据，并对所述历史签名影像数据进行数据划分，得到元训练集和元测试集，所述历史签名影像数据包括不同用户的影像数据，所述影像数据包括真实签名图像和伪造签名图像；
构建元学习任务，并根据所述元学习任务对所述元训练集中的用户进行任务抽取，得到任务用户；
根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，并根据各模型训练数据对元学习器进行训练，直至所述元学习器收敛；
根据各目标用户的影像数据包分别对收敛后的所述元学习器进行参数调节，并根据参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型；
若接收到任一所述目标用户的待验证签名图像，则将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果；
所述根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，包括：
针对各任务用户，将所述剩余用户的真实签名图确定为随机伪造图像，并分别对各任务用户对应的真实签名图像、伪造签名图像和所述随机伪造图像进行图像抽取，得到签名抽取图像集合；
对所述签名抽取图像集合中的真实签名图像和随机伪造图像进行图像抽取，并根据抽取到的图像构建模型训练集；
根据各签名抽取图像集合中剩余的真实签名图像、伪造签名图像和随机伪造图像构建模型测试集；
其中，所述模型训练数据包括模型训练集和所述模型测试集。
2.如权利要求1所述的签名真伪验证方法，其特征在于，所述将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果之后，还包括：
若所述签名真伪验证结果是伪签名结果，则提示所述目标用户更新所述待验证签名图像；
将更新后的所述待验证签名图像输入对应所述签名真伪判别模型进行二次签名验证，得到签名二次验证结果；
若所述签名二次验证结果是伪签名结果，则向所述目标用户发送签名验证错误提示；
若所述签名真伪验证结果或所述签名二次验证结果是真签名结果，则查询所述目标用户的签名图像存储单元，并将所述待验证签名图像存储至所述签名图像存储单元。
3.如权利要求2所述的签名真伪验证方法，其特征在于，所述将所述待验证签名图像存储至所述签名图像存储单元之后，还包括：
若所述签名图像存储单元在预设时长内添加的签名图像数量大于第一数量阈值，则根据所述预设时长内添加的签名图像对对应所述签名真伪判别模型进行参数更新。
4.如权利要求2所述的签名真伪验证方法，其特征在于，所述将所述待验证签名图像存储至所述签名图像存储单元之后，还包括：
若所述签名图像存储单元中签名图像数量大于第二数量阈值，则分别计算所述签名图像存储单元中各签名图像与所述待验证签名图像之间的图像相似度；
分别获取所述签名图像存储单元中的各签名图像的图像存储时间，并根据所述图像存储时间确定各签名图像的相似度权重；
针对同一签名图像，根据所述相似度权重对所述图像相似度进行权重修正，并根据修正后的所述图像相似度对所述签名图像存储单元中的各签名图像进行排序，得到相似度排序表；
根据所述相似度排序表对所述签名图像存储单元中的各签名图像进行图像筛选。
5.如权利要求1至4任一所述的签名真伪验证方法，其特征在于，所述获取本地存储的历史签名影像数据之后，还包括：
分别对所述历史签名影像数据中的各签名图像进行灰度转换，并分别对灰度转换后的各签名图像进行噪声过滤；
对噪声过滤后的各签名图像进行二值化处理，并对二值化处理后的各签名图像进行前景背景反转；
对前景背景反转后的各签名图像进行尺寸调节，并对尺寸调节口的各签名图像进行旋转对齐调节；
根据预设尺寸对旋转对齐调节后的各签名图像进行图像裁剪，并对图像裁剪后的各签名图像进行特征提取，得到签名特征；
根据所述签名特征对所述签名图像进行特征筛选。
6.如权利要求5所述的签名真伪验证方法，其特征在于，所述对图像裁剪后的各签名图像进行特征提取，得到签名特征，包括：
分别获取各签名图像的图像特征，并将图像裁剪后的各签名图像输入预训练后的卷积神经网络进行特征提取，得到深度特征；
针对各签名图像，分别对所述图像特征和所述深度特征进行向量转换，并将向量转换后的所述图像特征和所述深度特征进行特征合并，得到所述签名特征。
7.一种签名真伪验证系统，其特征在于，所述系统包括：
数据划分单元，用于获取本地存储的历史签名影像数据，并对所述历史签名影像数据进行数据划分，得到元训练集和元测试集，所述历史签名影像数据包括不同用户的影像数据，所述影像数据包括真实签名图像和伪造签名图像；
任务抽取单元，用于构建元学习任务，并根据所述元学习任务对所述元训练集中的用户进行任务抽取，得到任务用户；
元学习器训练单元，用于根据各任务用户的影像数据和剩余用户的影像数据，生成各任务用户的模型训练数据，并根据各模型训练数据对元学习器进行训练，直至所述元学习器收敛；
参数调节单元，用于根据各目标用户的影像数据包分别对收敛后的所述元学习器进行参数调节，并根据参数调节后的各元学习器的参数，分别构建各目标用户的签名真伪判别模型；
签名验证单元，用于若接收到任一所述目标用户的待验证签名图像，则将所述待验证签名图像输入对应所述签名真伪判别模型进行签名验证，得到签名真伪验证结果；
所述元学习器训练单元还用于：针对各任务用户，将所述剩余用户的真实签名图确定为随机伪造图像，并分别对各任务用户对应的真实签名图像、伪造签名图像和所述随机伪造图像进行图像抽取，得到签名抽取图像集合；
对所述签名抽取图像集合中的真实签名图像和随机伪造图像进行图像抽取，并根据抽取到的图像构建模型训练集；
根据各签名抽取图像集合中剩余的真实签名图像、伪造签名图像和随机伪造图像构建模型测试集；
其中，所述模型训练数据包括模型训练集和所述模型测试集。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN202210820006.8A 2022-07-13 2022-07-13 签名真伪验证方法、系统、终端设备及存储介质 Active CN115223178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210820006.8A CN115223178B (zh) 2022-07-13 2022-07-13 签名真伪验证方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210820006.8A CN115223178B (zh) 2022-07-13 2022-07-13 签名真伪验证方法、系统、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN115223178A CN115223178A (zh) 2022-10-21
CN115223178B true CN115223178B (zh) 2023-05-23

Family

ID=83612798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210820006.8A Active CN115223178B (zh) 2022-07-13 2022-07-13 签名真伪验证方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN115223178B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6687390B2 (en) * 2001-12-04 2004-02-03 Applied Neural Conputing Ltd. System for and method of web signature recognition system based on object map
CN110008670A (zh) * 2019-04-10 2019-07-12 深圳市能信安技术有限公司 基于手写密码的身份认证方法及装置
CN111401558B (zh) * 2020-06-05 2020-10-09 腾讯科技（深圳）有限公司 数据处理模型训练方法、数据处理方法、装置、电子设备
CN113158887A (zh) * 2021-04-19 2021-07-23 福建捷宇电脑科技有限公司 一种提高电子签名识别准率的电子签名认证方法及设备
CN114005184A (zh) * 2021-11-03 2022-02-01 中国银行股份有限公司 一种基于少量样本的手写签名真伪识别方法和装置
CN114648813A (zh) * 2022-04-01 2022-06-21 东云睿连(武汉)计算技术有限公司 一种基于深度学习的手写签名鉴别方法及装置

Also Published As

Publication number Publication date
CN115223178A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
Galbally et al. Iris image reconstruction from binary templates: An efficient probabilistic approach based on genetic algorithms
US8577091B2 (en) Method and apparatus for authenticating biometric scanners
WO2018082011A1 (zh) 活体指纹识别方法及装置
US20200125836A1 (en) Training Method for Descreening System, Descreening Method, Device, Apparatus and Medium
CN104036254A (zh) 一种人脸识别方法
WO2017192719A1 (en) User specific classifiers for biometric liveness detection
Impedovo et al. A comparative study of shallow learning and deep transfer learning techniques for accurate fingerprints vitality detection
Marrone et al. On the transferability of adversarial perturbation attacks against fingerprint based authentication systems
Cherifi et al. Performance evaluation of behavioral biometric systems
Kassem et al. An enhanced ATM security system using multimodal biometric strategy
CN115223178B (zh) 签名真伪验证方法、系统、终端设备及存储介质
Chatterjee et al. Fingerprint identification and verification system by minutiae extraction using artificial neural network
Rozsa et al. Genetic algorithm attack on minutiae-based fingerprint authentication and protected template fingerprint systems
Kaur et al. Minutiae extraction and variation of fast Fourier transform on fingerprint recognition
CN111639718B (zh) 分类器应用方法及装置
Szymkowski et al. A novel approach to fingerprint identification using method of sectorization
CN112272195B (zh) 一种动态检测认证系统及其方法
Kaur et al. Finger print Recognition Using Genetic Algorithm and Neural Network
CN113657197A (zh) 图像识别方法、图像识别模型的训练方法以及相关装置
Guerra-Casanova et al. A robustness verification system for mobile phone authentication based on gestures using Linear Discriminant Analysis
Shaker et al. Identification Based on Iris Detection Technique.
Jeffers et al. Entropy of feature point-based retina templates
CN111209567A (zh) 提高检测模型鲁棒性的可知性判断方法及装置
Indi et al. Person identification based on multi-biometric characteristics
Waryanto et al. Biometric Patterns Of Eye Iris By Using Hidden Markov Model

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