[发明专利]一种基于多层判别式特征学习的脱机签名鉴别方法

权利要求书

1.一种基于多层判别式特征学习的脱机签名鉴别方法，其特征在于，包括以下步骤：

步骤1，采集签名图像并进行预处理；

步骤2，建立多层判别式特征学习神经网络模型并进行训练；

所述的网络模型包括四个卷积层、一个多层级特征聚合层、一个softmax激活的全连接层以及一个鉴定网络，其中每个卷积层后默认接有BatchNorm层以及ReLu激活函数；其中：

所述的多层级特征聚合层包括依次连接的空间金字塔池化模块、L2归一化模块以及全连接层；所述的空间金字塔池化模块用于在不同尺度下对特征图进行分块和平均池化操作，得到多层级特征矩阵；L2归一化模块用于对所述多层级特征矩阵进行L2归一化处理，全连接层用于签名图像的分类，鉴定网络用于判定给定的两张签名图像是否都为同一书写者的真签名；

步骤3，利用训练好的神经网络模型进行签名图像的特征提取，并进行特征归一化，得到签名特征；

步骤4，将每位用户的签名特征作为正样本，除该用户之外的其他用户的签名特征作为负样本，通过正样本加权，训练二分类SVM模型；

步骤5，对于待鉴定签名图像，利用步骤3的方法提取签名特征，然后利用训练好的SVM模型鉴定其真伪。

2.如权利要求1所述的基于多层判别式特征学习的脱机签名鉴别方法，其特征在于，步骤1所述的预处理的步骤包括：

步骤1.1，对签名图像进行高斯平滑与OTSU二值化，使签名部分像素值为255，背景部分像素值为0；

步骤1.2，将签名图像嵌入到固定尺寸全零矩阵的中心，图像质心与矩阵中心对齐，并利用双线性插值法缩放至神经网络可以处理的合理尺寸。

3.如权利要求1所述的基于多层判别式特征学习的脱机签名鉴别方法，其特征在于，所述的鉴定网络对于多层级特征融合层输出的来自于同一类别的两个特征向量x₁、x₂来自于同一个用户签名的概率p：

d＝|x₁-x₂|/2 式1

q＝(x₁+x₂)/2 式2

d'＝L₂(max(0,W_dd+b_d)) 式3

q'＝L₂(max(0,W_qq+b_q)) 式4

p＝sigm(W_pc+b_p) 式6

上面的公式中，W_d、W_q、W_c、W_p为鉴定网络的权值参数，b_d、b_q、b_c、b_p分别为所述的权值参数对应的偏置参数；表示L2归一化，表示sigmoid激活函数。

4.如权利要求1所述的基于多层判别式特征学习的脱机签名鉴别方法，其特征在于，步骤3所述的进行特征归一化，包括：

步骤3.1，幂次方归一化

记签名图像的特征及归一化特征分别为x、x′，则有:x′＝x^0.5；

步骤3.2，有效特征标准归一化

记签名图像的特征的分量中大于0的数值为有效特征，计算各维度有效特征的标准差std，并利用该标准差进行归一化操作：x″＝x′./std，其中./为点除操作，x′为有效特征标准归一化前的特征，x″为归一化后的特征。

5.如权利要求1所述的基于多层判别式特征学习的脱机签名鉴别方法，其特征在于，步骤4中所述的SVM模型的目标函数为：

s.t:0≤α_i≤C⁺for y_i＝+1,

0≤α_i≤C^-for y_i＝-1,

其中，中k(·,·)为核函数，本发明中采用RBF核函数；α_i，α_j，α_k均为模型参数，通过训练得到；i,j,k＝1,2,...,t表示索引号，t为样本总数；x_j,x_k表示正样本或负样本，y_i＝+1表示当前样本为正样本，y_i＝-1表示当前样本为负样本；C⁺、C^-分别为正样本、负样本的gap惩罚系数。