CN115240279A - 基于节奏特征的仿写签名检测方法、设备及存储介质 - Google Patents
基于节奏特征的仿写签名检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115240279A CN115240279A CN202210904938.0A CN202210904938A CN115240279A CN 115240279 A CN115240279 A CN 115240279A CN 202210904938 A CN202210904938 A CN 202210904938A CN 115240279 A CN115240279 A CN 115240279A
- Authority
- CN
- China
- Prior art keywords
- signature
- stroke
- distance
- strokes
- characteristic
- 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
Links
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 83
- 230000014759 maintenance of location Effects 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 25
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 5
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000005070 sampling Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 4
- 238000013519 translation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/394—Matching; Classification
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/382—Preprocessing; Feature extraction
- G06V40/388—Sampling; Contour coding; Stroke extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开一种基于节奏特征的签名识别技术,获取留样签名离散轨迹点和验证签名离散轨迹点,采用速度对数分段得到留样签名笔划及与其对应的验证签名笔划,计算留样签名笔划和对应的验证签名笔划的节奏特征,根据节奏特征进行距离度量获得节奏特征总距离,由此确定验证签名是签署者本人签名还是仿写签名。本发明提出以笔划为基本粒度的节奏特征,不依赖大量的训练数据,也并不拘泥于任何语言文字或笔迹形式,处理任何类型的信号波,基于更科学合理的归一化方式和度量方式满足签名轨迹的平移拉伸,旋转和采样方式不变性,支持跨设备验证,能够高效准确的区分临摹仿写。
Description
技术领域
本发明涉及计算机信息处理技术领域,具体涉及仿写电子签名的识别检测,解决在线签名比对中难以鉴别高仿临摹签名的问题。
背景技术
在签名鉴别领域中,如何准确高效鉴别临摹的高仿签名一直是一个非常困难的问题。临摹仿写的签名一般在签名的图像上与原始的留样签名别无二致,甚至比本人的其他真实签名更为相似。对于这种高仿签名,用常规的笔画轮廓特征,结构布局特征和笔迹风貌特征就无法进行有效的正负样本区分。一般对于在线签名数据,常用签名的速度,加速度和压力的大小等动态特征来进行区分鉴别。但一方面因为这些特征的区分性十分有限,另一方面因为在移动端和跨设备等复杂验证场景下,由于设备的采样频率,分辨率以及压力感应方式的不统一,无法准确地比较绝对速度,加速度和压力大小。公开号CN 111310546A,名称“在线笔迹认证中一种书写节奏特征的提取及认证方法”的中国发明专利,对单个汉字的书写节奏速度快慢进行大数据统计,由此构建以单字为粒度的节奏特征概率密度函数。公开号CN 111259726 A,名称“在线笔迹认证中一种笔画动态特征的提取及认证方法”的中国发明专利申请则是需要事先人为定义好各种信号波的类型,并对笔迹签名的原始信号波进行分类和分布统计量度量(如均值,方差,最大值和最小值)。
上述现有技术进行签字识别的节奏特征是采用以单字为粒度,需要大量的训练,需要事先人为定义各种信号波类型,并需要进行大量的分类及统计工作,对于不同文字形式、笔画复杂的签名难以准确对比识别。
发明内容
本发明针对现有技术的上述缺陷,以笔划为基本粒度获取签名节奏特征,不依赖大量的训练数据,也并不拘泥于任何语言文字或笔迹形式,可以处理任何类型的信号波,基于更科学合理的归一化方式和度量方式满足签名轨迹的平移拉伸,旋转和采样方式不变性,支持跨设备验证。
本发明解决上述技术问题的技术方案是,提出一种基于节奏特征的仿写签名检测方法,对原始签名数据进行预处理,获取留样签名离散轨迹点和验证签名离散轨迹点,确定留样签名和验证签名的点位对齐路径,采用速度对数分段得到留样签名笔划及与其对应的验证签名笔划,以笔划为基本单位计算留样签名笔划和对应的验证签名笔划多个维度的节奏特征,对各维度节奏特征进行距离度量分别获取各维度节奏特征距离,根据各维度节奏特征距离中的一个或多个确定留样签名与验证签名间的节奏特征总距离,根据节奏特征总距离确定验证签名是签署者本人签名还是仿写签名。
进一步优选,所述节奏特征总距离包括:傅里叶变换特征距离、离散余弦变换特征距离、段落特征距离、时间分布特征距离、顿点特征距离中的某个特征距离作为节奏特征总距离,或对上述各维度特征距离中的全部或部分进行线性加权作为节奏特征总距离;采用欧式距离计算傅里叶特征距离,采用曼哈顿距离计算离散余弦变换特征距离,采用信息熵差计算段落特征距离,采用相对熵计算时间分布特征距离,采用对数距离计算顿点特征距离。
进一步优选,对各维度特征距离进行线性加权,根据公式:
D(S,T)=λfftDfft(S,T)(S,T)+λdctDdct(S,T)+λsegDseg(S,T)+λtimeDtime(S,T)+λholdDhold(S,T)
得到节奏特征总距离D(S,T)。
进一步优选,所述预处理具体包括:通过动态时间规划对齐留样签名轨迹S和验证签名轨迹T,根据速度对数将留样签名轨迹S切分为K段笔划,再根据对齐路径找到与留样签名切分笔划对应的验证签名切分笔划,其中,留样签名轨迹S={Si|i=0,1,...,K-1},留样签名第i段笔划Si={sij|j=0,1,...,mi-1},验证签名轨迹T={Ti|i=0,1,...,K-1},验证签名第i段笔划Ti={tij|j=0,1,...,ni-1},K为分段数,mi和ni分别为留样签名和验证签名第i段笔划的点位数。
进一步优选,获得傅里叶变换特征距离包括:对留样签名轨迹和验证签名轨迹切分后的每段笔划分别做快速傅里叶变换,得到傅里叶变换特征,对傅里叶变换特征进行标准化处理获得标准化后的傅里叶变换特征,根据标准化傅里叶变换特征采用欧氏距离计算留样签名和验证签名对应分段笔划间的傅里叶特征距离,笔划间特征距离的加权平均作为签名间的傅里叶特征距离Dfft(S,T)。
进一步优选,将每段笔划Si分别做快速傅里叶变换得到傅里叶变换特征Fi,
Si={sij|j=0,1,...,mi-1}→Fi={fik|k=0,1,...,mi-1},
计算标准化后留样签名和验证签名笔划间的傅里叶特征距离dfft(Si,Ti),根据公式:计算留样签名和验证签名间的傅里叶特征距离,其中,fik、gik为留样签名、验证签名轨迹切分第i段笔划k点傅里叶变换特征。
进一步优选,对留样签名笔划段Si作余弦变换并标准化得到标准化余弦特征对对应的验证签名笔划Ti作离散余弦变换并标准化得到标准化余弦特征采用曼哈顿距离调用公式:计算留样签名与验证签名笔划间的离散余弦特征距离,对余弦特征距离ddct(Si,Ti)加权平均,根据公式:得到留样签名与验证签名间的离散余弦特征距离Ddct(S,T)。
进一步优选,根据签名笔划轨迹特征的对数正态分布特征获取段落特征,对验证签名切分笔划Ti用速度对数再分段,计算每个速度对数分段Seg(Ti)的信息熵,该信息熵作为验证签名切分笔划Ti的段落特征距离dseg(Si,Ti),其中,Seg(Ti)={πij|j=0,1,...,ki-1},ki为分段数,πij为第i段签名笔划再分段中第j段的书写时长占比。
进一步优选,根据签名笔划段中连续重复点,获取顿点特征,将留样签名和验证签名分段笔划Si和Ti中连续重复的点分别进行合并,并记录每个非重复点连续重复的次数,根据公式:获取Si的顿点特征H(Si),获取Ti的顿点特征H(Ti),调用公式:dhold(Si,Ti)=H(Ti)-H(Si)计算留样签名和验证签名对应笔划间的顿点特征距离dhold(Si,Ti),对笔划间距离加权平均计算签名间的顿点特征距离,其中,li-s,li-t为留样签名、验证签名笔划段中非重复点数,δij-s、δij-t为留样签名、验证签名第i段笔划第j个非重复点的重复次数,α<1表示每段笔画的起始点的自然停顿率。
本发明还请求保护一种计算机可读存储介质,其上存储有计算机程序,该程序能够被处理器加载和运行以执行上述基于节奏特征的仿写签名检测方法。
本发明还请求保护一种电子设备,该电子设备包括:一个或多个处理器;存储器;一个或多个应用程序,其被存储在所述存储器中并被配置为由所述一个或多个处理器加载和运行以便执行上述基于节奏特征的仿写签名检测方法。
本发明利用在线签名笔迹的书写节奏特征去鉴别临摹仿写签名,提出以笔划为基本粒度的节奏特征,并给出了各维度特征不同的提取方式和度量方法。不依赖大量的训练数据,也并不拘泥于任何语言文字或笔迹形式,可以处理任何类型的信号波,基于更科学合理的归一化方式和度量方式满足签名轨迹的平移拉伸,旋转和采样方式不变性,支持跨设备验证。基于此类节奏特征的签名鉴别系统不仅能准确高效对高仿签名进行鉴别,还可以支持跨设备和跨笔迹类型等复杂场景的笔迹验证。因此,本发明可以通过分析签名笔迹动态信号的变化节奏和潜在的波动规律,提取签名笔迹的节奏特征来对高仿的临摹签名进行鉴别。
附图说明
图1本发明实施例基于节奏特征的签名比对方法流程图;
图2本发明实施例节奏特征提取流程图;
图3本发明实施例节奏特征度量流程图。
具体实施方式
本发明针对电子化签名中对临摹高仿签名的鉴别任务,提出在线签名轨迹中各个维度的书写节奏特征的提取方法和度量方式,并基于此类节奏特征对验证签名进行相似度计算和最终鉴别。
为了便于清楚地理解本发明,使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述,应当理解,实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示为本发明基于节奏特征的签名比对方法流程图,对原始签名数据进行预处理,获取留样签名离散轨迹点和验证签名离散轨迹点,采用DTW算法获取留样签名和验证签名的点位对齐路径,对留样签名采用速度对数分段得到留样签名笔划,根据留样签名笔划、对齐路径通过验证签名离散轨迹点获得与留样签名对应的验证签名笔划,对留样签名笔划和对应的验证签名笔划进行特征提取,获得留样签名节奏特征和验证签名节奏特征,根据节奏特征进行距离度量,得到签名间的节奏特征距离。具体包括:
预处理阶段,首先通过动态时间规划(DTW)对齐留样签名轨迹S和验证签名轨迹T,再根据速度对数将留样签名轨迹S切分为K段笔划,(可以以速度对数的波谷或波峰为分段点,也可以采用其他方式切分笔划),再根据DTW对齐路径找到验证签名与留样签名一一对应的笔划。其中,留样签名轨迹S={Si|i=0,1,...,K-1},留样签名第i段笔划Si={sij|j=0,1,...,mi-1},待验证签名轨迹T={Ti|i=0,1,...,K-1},验证签名第i段笔划Ti={tij|j=0,1,...,ni-1},K为分段数,其中,sij、tij为留样签名、验证签名第i段笔划j点位,mi和ni分别为留样签名和验证签名第i段笔划的点位数。
对留样签名和验证签名笔迹分别进行预处理切分为笔划后,以笔划为基本单位提取多个维度的节奏特征,并根据节奏特征进行签名之间的距离度量。节奏特征可包括:傅里叶变换特征、离散余弦变换特征、段落特征、时间分布特征、顿点特征等,根据节奏特征计算节奏特征距离确定验证签名与留样签名之间的节奏特征总距离,根据节奏特征总距离确定验证签名的真伪。
如图2所示为节奏特征提取流程图。根据获取的分段笔划轨迹,采用动态信号提取,获得分段笔划的速度、加速度、压力等笔划特征信号,对上述笔划特征信号进行处理,分别获得傅里叶变换特征、离散余弦变换特征、段落特征,对分段笔划轨迹进行笔划时间分布统计获得时间分布特征,对分段笔划轨迹进行连续重复点频率统计获得顿点特征,将通过分段笔划轨迹得到的上述部分或全部特征进行加权处理得到节奏特征。以下举例说明对分段笔划轨迹各维度特征获取方法,也可采用本领域技术人员熟知的其他方法获取相关特征。
傅里叶变换获得傅里叶变换特征。根据留样签名每段笔划轨迹坐标变换得到每段笔划傅里叶变换特征。对留样签名轨迹切分后的每段笔划分别做快速傅里叶变换(FFT),得到傅里叶变换特征。具体为:调用公式:
得到留样签名轨迹第i段笔划频率k的傅里叶变换特征fik,将每段笔划Si分别做快速傅里叶变换得到傅里叶变换特征Fi,
Si={sij|j=0,1,...,mi-1}→Fi={fik|k=0,1,...,mi-1}:
其中,sij表示笔划i轨迹点j的特征,sij=xij+iyij可表示第i段笔划第j个点横纵坐标(xij,yij)的复数形式,sij也可表示第i段笔划第j个点的压力、速度或加速度特征的复数形式,j表示笔划轨迹第j个点。傅里叶变换是时域到频域的变换,k表示频率。
对傅里叶变换特征进行标准化处理,首项fi0只表示轨迹坐标的量级,无意义,因此,可舍弃或者直接赋值为0。舍弃傅里叶变换特征复数域的角度,只保留其模长作为特征可保证旋转不变性,其余项用1范数做归一化,可保证放缩不变性和时间采样不变性。因此,对傅里叶变换特征进行标准化,标准化之后的傅里叶变换特征表示为:
其中,对于验证签名的每段笔划,重采样至与留样签名对应段笔划等长,再计算其傅里叶变换特征。如验证签名第i段笔划Ti重采样至与Si等长,再根据同上述留样签名同样的方法,计算得到其标准化后的傅里叶变换特征即
采用欧氏距离根据标准化傅里叶变换特征计算留样签名和验证签名笔划间的傅里叶特征距离,并用二范数标准化,具体为,根据公式:
计算标准化后留样签名和验证签名笔划间的傅里叶特征距离dfft(Si,Ti)。根据笔划间的傅里叶特征距离计算两签名间的傅里叶特征距离,可采用笔划间特征距离的加权平均作为签名间的傅里叶特征距离Dfft(S,T),即根据公式:计算留样签名和验证签名间的傅里叶特征距离。以上是以签名笔划采样的坐标为特征计算傅里叶特征距离,同样可采用签名速度,加速度和压力等等其他时域信号计算签名间的傅里叶特征距离。
对分段后每段笔划轨迹特征进行离散余弦变换获得离散余弦变换特征。对经过分段的每段签名笔划的xy分量(如分段笔划轨迹点横纵坐标分量)分别做离散余弦变换(DCT),具体为,对留样签名笔划段Si作余弦变换得到该笔划段的余弦特征(Pi,Qi),将该笔划段中任意坐标点方向轨迹特征点坐标作余弦变换得到对应第i笔划段第k点位的余弦变换特征(pik,qik),
Pi={pik|k=0,1,...,mi-1}
Qi={qik|k=0,1,...,mi-1}
其中:(xij,yij)为第i笔划段中坐标点j方向轨迹特征点坐标。
对于验证签名的任意段笔划Ti,先重采样至与对应段留样签名Si等长,再根据上述方法计算其离散余弦变换特征并标准化得到标准化离散余弦变换特征得到所有笔划段的离散余弦变换特征,根据离散余弦变换特征计算留样签名与验证签名笔划间的离散余弦特征距离。可采用曼哈顿距离计算留样签名与验证签名笔划间的离散余弦特征距离,具体为调用公式:
计算离散余弦特征距离ddct(Si,Ti)作为笔划间距离。
计算签名间的离散余弦特征距离Ddct(S,T)。
该特征可同样应用于签名速度,加速度和压力等其他时域信号。
根据签名笔划轨迹特征的对数正态分布特征获取段落特征。以下以笔划速度特征为例具体说明,该特征来源于笔划速度的对数正态分布特性。由于上述按速度对数的分段方式,可知Si的速度对数为一个近似正态分布,若验证签名T为仿写,根据其图像特征与第i段Si对齐的验证笔划Ti的速度对数,会因为书写不熟练或抑扬顿挫感不同,产生多个连续的正态分布。换句话说,真实签名和仿写签名的不同书写速度会产生完全不同的“段落感”。考虑对验证笔划Ti继续用速度对数分段,假设验证笔划Ti再分段结果Seg(Ti)为:
Seg(Ti)={πij|j=0,1,...,ki-1}
其中ki为第i段笔划分段的分段数,πij为第j段的书写时长占比。根据公式:
计算验证笔划Ti分段Seg(Ti)的信息熵,该信息熵可表示分段的混乱程度,作为验证笔划Ti的段落特征L(Ti)。信息熵表示不确定性程度,所以如果只有确定的唯一一段,信息熵为最小值0,由于Si只能分一段,所以其信息熵恒为0,因此笔划间的段落特征距离dseg(Si,Ti)即为L(Ti):dseg(Si,Ti)=L(Ti)
对笔划间距离进行加权平均得到段落特征距离,签名间的段落特征距离即为笔划间距离的加权平均:
该特征可同样应用于签名加速度和压力等其他时域信号,即可采用上述类似方法通过签名加速度、压力等轨迹特征信号,计算获取段落特征。
根据留样签名和验证签名分段笔划的点位数mi、ni,及分段数K确定留样签名和验证签名的时间分布特征Seg(S)、Seg(T)。通过时间分布特征计算留样签名和验证签名的每段笔画所花费时间比例的差异。若为仿写,会在熟悉简单的笔划花费时间较少,在陌生复杂的笔划花费时间较多。
沿用上述段落特征的分段表示方式,留样签名和验证签名的时间分布特征表示为:
Seg(S)={pi|i=0,1,...,K-1}
Seg(T)={qi|i=0,1,...,K-1}
其中,(pi,qi)分别为留样签名、验证签名的时间分布特征元素:
签名间的时间分布特征距离Dtime(S,T)可用相对熵计算,具体为根据公式:
计算留样签名和验证签名间的时间分布特征距离。
根据签名笔划段中连续重复点,获取顿点特征,计算留样签名和验证签名间的顿点特征距离。仿写者会由于不熟悉等因素,会在签名的某些点产生停顿。因此停顿点位越多,时间越长,越可能为仿写签名。首先将留样签名分段笔划Si中连续重复的点进行合并,并记录每个非重复点连续重复的次数Unique(Si):Unique(Si)={(∈ij,δij)|j=0,1,...,li-1}
其中,li为非重复点数,∈ij为第i段笔划第j个非重复点,δij为∈ij的重复次数。
根据公式:
获取Si的顿点特征H(Si),Si的顿点特征H(Si)表示其停顿程度。根据同样方法,对于验证签名的任意段笔划Ti,先重采样至与对应段留样签名Si等长,再根据上述方法计算每段笔划的顿点特征H(Ti)。根据公式:
获取Ti的顿点特征H(Ti),表示其停顿程度。其中,li-s,li-t为留样签名、验证签名笔划段中非重复点数,δij-s、δij-t为留样签名、验证签名第i段笔划第j个非重复点的重复次数,α<1表示每段笔画的起始点的自然停顿率,δi0为第i段笔划的首个非重复点的重复次数。
统计表明即使是真实签名,在每段笔画的落笔点处会产生自然的停顿,因此会对落笔点的停顿时长打一定折扣。根据留样签名某分段笔划顿点特征、对应验证签名分段笔划顿点特征,调用公式:
dhold(Si,Ti)=H(Ti)-H(Si)
计算留样签名和验证签名对应笔划间的顿点特征距离dhold(Si,Ti)。
签名间的顿点特征距离Dhold(S,T)为笔划间距离的加权平均:
如图3所示为本发明节奏特征度量流程图,根据上述获得的傅里叶变换特征、离散余弦变换特征、段落特征、时间分布特征、顿点特征,计算对应的特征距离,确定验证签名与留样签名之间的节奏特征总距离,具体为:采用相对熵获得时间分布特征距离,采用欧式距离计算傅里叶特征距离、采用信息熵差计算段落特征距离,采用曼哈顿距离计算离散余弦变换特征距离,采用对数距离计算顿点特征距离,可以直接采用某个特征距离作为节奏特征总距离,也可以对上述特征距离中的全部或部分进行线性加权,获得留样签名与验证签名的节奏特征总距离。
如采用各个维度特征距离的线性加权获得节奏特征总距离D(S,T),具体为:
D(S,T)=λfftDfft(S,T)(S,T)+λdctDdct(S,T)+λseg Dseg(S,T)+λtimeDtime(S,T)+λholdDhold(S,T)
其中,λfft、λdct、λseg、λtime、λhold分别表示傅里叶特征、离散余弦变换特征、段落特征、时间分布特征、顿点特征的重要程度,各特征的重要程度可根据实验和经验进行设置,满足,λfft+λdct+λseg+λtime+λhold=1。Dfft(S,T)(S,T)、Ddct(S,T)、Dseg(S,T)、Dtime(S,T)、Dhold(S,T)分别表示傅里叶变换特征距离、离散余弦变换特征距离、段落特征距离、时间分布特征距离、顿点特征距离。根据得到的节奏特征总距离进行签名验证的量化,当节奏特征总距离大于规定阈值,验证签名判定为仿写签名。
本发明通过分析签名笔迹动态信号的变化节奏和潜在的波动规律,提取签名笔迹的节奏特征来对高仿的临摹签名进行鉴别。由于仿写者难以获取留样签名的动态轨迹信息且模仿其书写的节奏十分困难,本发明采用该类特征作为节奏特征,能够为临摹仿写的区分识别提供强有力的保障手段。
Claims (10)
1.一种基于节奏特征的仿写签名检测方法,其特征在于,对原始签名数据进行预处理,获取留样签名离散轨迹点和验证签名离散轨迹点,确定留样签名和验证签名的点位对齐路径,采用速度对数分段得到留样签名笔划及与其对应的验证签名笔划,以笔划为基本单位计算留样签名笔划和对应的验证签名笔划多个维度的节奏特征,对各维度节奏特征进行距离度量分别获取各维度节奏特征距离,根据各维度节奏特征距离中的一个或多个确定留样签名与验证签名间的节奏特征总距离,根据节奏特征总距离确定验证签名是签署者本人签名还是仿写签名。
2.根据权利要求1所述的方法,其特征在于,所述节奏特征总距离包括:傅里叶变换特征距离、离散余弦变换特征距离、段落特征距离、时间分布特征距离、顿点特征距离中的某个特征距离作为节奏特征总距离,或对上述各维度特征距离中的全部或部分进行线性加权作为节奏特征总距离;采用欧式距离计算傅里叶变换特征距离,采用曼哈顿距离计算离散余弦变换特征距离,采用信息熵差计算段落特征距离,采用相对熵计算时间分布特征距离,采用对数距离计算顿点特征距离。
3.根据权利要求2所述的方法,其特征在于,对各维度特征距离进行线性加权,根据公式:
D(S,T)=λfftDfft(S,T)(S,T)+λdctDdct(S,T)+λsegDseg(S,T)+λtimeDtime(S,T)+λholdDhold(S,T)
得到节奏特征总距离D(S,T),其中,λfft、λdct、λseg、λtime、λhold分别表示傅里叶变换特征、离散余弦变换特征、段落特征、时间分布特征、顿点特征的重要程度,Dfft(S,T)(S,T)、Ddct(S,T)、Dseg(S,T)、Dtime(S,T)、Dhold(S,T)分别表示傅里叶变换特征距离、离散余弦变换特征距离、段落特征距离、时间分布特征距离、顿点特征距离。
4.根据权利要求1-3其中之一所述的方法,其特征在于,所述预处理具体包括:通过动态时间规划对齐留样签名轨迹S和验证签名轨迹T,根据速度对数将留样签名轨迹S切分为K段笔划,再根据对齐路径找到与留样签名切分笔划对应的验证签名切分笔划,其中,留样签名轨迹S={Si|i=0,1,...,K-1},留样签名第i段笔划Si={sij|j=0,1,...,mi-1},验证签名轨迹T={Ti|i=0,1,...,K-1},验证签名第i段笔划Ti={tij|j=0,1,...,ni-1},K为分段数,mi和ni分别为留样签名和验证签名第i段笔划的点位数。
5.根据权利要求2-4其中之一所述的方法,其特征在于,获得傅里叶变换特征距离包括:对留样签名轨迹和验证签名轨迹切分后的每段笔划分别做快速傅里叶变换,得到傅里叶变换特征,对傅里叶变换特征进行标准化处理获得标准化后的傅里叶变换特征,根据标准化傅里叶变换特征采用欧氏距离计算留样签名和验证签名对应分段笔划间的傅里叶特征距离,笔划间特征距离的加权平均作为签名间的傅里叶特征距离Dfft(S,T),具体为,将每段笔划分别做快速傅里叶变换得到傅里叶变换特征并标准化,获得留样签名笔划标准化傅里叶变换特征为:对于验证签名的每段笔划,重采样至与留样签名对应段笔划等长,确定其标准化傅里叶变换特征为:根据公式:
8.根据权利要求2-4其中之一所述的方法,其特征在于,根据签名笔划段中连续重复点,获取顿点特征,将留样签名和验证签名分段笔划Si和Ti中连续重复的点分别进行合并,并记录每个非重复点连续重复的次数,根据公式:
dhold(Si,Ti)=H(Ti)-H(Si)
计算留样签名和验证签名对应笔划间的顿点特征距离dhold(Si,Ti),对笔划间距离加权平均计算签名间的顿点特征距离,其中,li-s,li-t为留样签名、验证签名笔划段中非重复点数,δij-s、δij-t为留样签名、验证签名第i段笔划第j个非重复点的重复次数,α<1表示每段笔画的起始点的自然停顿率。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序能够被处理器加载和运行以执行权利要求1至8中任一项所述的基于节奏特征的仿写签名检测方法。
10.一种电子设备,其特征在于,该电子设备包括:一个或多个处理器;存储器;一个或多个应用程序,其被存储在所述存储器中并被配置为由所述一个或多个处理器加载和运行以便执行权利要求1至8中任一项所述的基于节奏特征的仿写签名检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904938.0A CN115240279A (zh) | 2022-07-29 | 2022-07-29 | 基于节奏特征的仿写签名检测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904938.0A CN115240279A (zh) | 2022-07-29 | 2022-07-29 | 基于节奏特征的仿写签名检测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115240279A true CN115240279A (zh) | 2022-10-25 |
Family
ID=83677884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210904938.0A Pending CN115240279A (zh) | 2022-07-29 | 2022-07-29 | 基于节奏特征的仿写签名检测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240279A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592125A (zh) * | 2024-01-19 | 2024-02-23 | 湖南省不动产登记中心 | 一种二手房交易无纸化办理系统的高可靠性电子签名方法 |
-
2022
- 2022-07-29 CN CN202210904938.0A patent/CN115240279A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592125A (zh) * | 2024-01-19 | 2024-02-23 | 湖南省不动产登记中心 | 一种二手房交易无纸化办理系统的高可靠性电子签名方法 |
CN117592125B (zh) * | 2024-01-19 | 2024-04-09 | 湖南省不动产登记中心 | 一种二手房交易无纸化办理系统的可靠性电子签名方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825524B (zh) | 目标跟踪方法和装置 | |
Xia et al. | Discriminative feature selection for on-line signature verification | |
Parodi et al. | Legendre polynomials based feature extraction for online signature verification. Consistency analysis of feature combinations | |
Lei et al. | A comparative study on the consistency of features in on-line signature verification | |
Calhoun et al. | Recognizing multi-stroke symbols | |
Kashi et al. | A Hidden Markov Model approach to online handwritten signature verification | |
Pirlo et al. | Multidomain verification of dynamic signatures using local stability analysis | |
CN108763897A (zh) | 身份合法性的校验方法、终端设备及介质 | |
Güler et al. | A different approach to off-line handwritten signature verification using the optimal dynamic time warping algorithm | |
US11823474B2 (en) | Handwritten text recognition method, apparatus and system, handwritten text search method and system, and computer-readable storage medium | |
CN110458145B (zh) | 一种基于二维动态特征的离线笔迹个体识别系统及方法 | |
Mohammed et al. | State-of-the-art in handwritten signature verification system | |
CN113361666B (zh) | 一种手写字符识别方法、系统及介质 | |
CN111613231A (zh) | 语音数据处理方法、装置、计算机设备和存储介质 | |
CN109190443A (zh) | 一种误识手势检测和纠错方法 | |
JPH08305798A (ja) | 同一人物の筆記による文字パターン要素集合を用いて基準文字要素を求める方法 | |
CN115240279A (zh) | 基于节奏特征的仿写签名检测方法、设备及存储介质 | |
Nathwani | Online signature verification using bidirectional recurrent neural network | |
CN111914822B (zh) | 文本图像标注方法、装置、计算机可读存储介质及设备 | |
Huang et al. | On-line signature verification based on dynamic segmentation and global and local matching | |
Yang et al. | Fast and robust key frame extraction method for gesture video based on high-level feature representation | |
Venugopal et al. | Modified sparse representation classification framework for online writer identification | |
JPH09128485A (ja) | 不変な特徴を使用する手書文を認識のための改良された方法および装置 | |
CN111259726B (zh) | 在线笔迹认证中一种笔画动态特征的提取及认证方法 | |
Wilkinghoff et al. | Two-dimensional embeddings for low-resource keyword spotting based on dynamic time warping |
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 |