[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

说明书

本发明公开了一种基于多层判别式特征学习的脱机签名鉴别方法，包括：采集签名图像并进行预处理；建立多层判别式特征学习神经网络模型并进行训练；进行签名图像的特征提取，并进行特征归一化；针对每位用户的签名数据，取其中的真签名特征作为正样本，除该用户之外的其他用户的真签名特征作为负样本，通过正样本加权，训练二分类SVM模型；对于待鉴定签名图像，进行特征提取并归一化，然后用SVM模型鉴定其真伪。本发明充分利用深度网络模型的特征学习能力，以及签名数据中不同层次、多尺度特征，基于深度网络模型和二分类SVM模型，实现了高精度的脱机签名鉴定方法，具有准确率高、适应性好等特点，具有较好的实用价值。

技术领域

本发明涉及深度学习和人工智能技术领域，具体涉及一种基于多层判别式特征学习的脱机签名鉴别方法。

背景技术

手写签名是个人身份认证与授权的重要方式，具有悠久的历史传统，在行政、银行、商业等领域有着重要的使用。因此，基于计算机的自动签名鉴定具有重要的应用价值。签名鉴定分为联机签名鉴定和脱机签名鉴定；相比于联机签名鉴定，脱机签名鉴定不需依赖于定制的采集设备，具有更广泛的应用场景。

传统的脱机签名鉴定方法主要采用人工选择的特征，例如几何特征、纹理特征等，对签名样本图像进行特征提取，鉴定性能往往依赖于设计者的先验知识，且推广性能也不理想。近年来，随着大规模签名样本数据库的出现、以及深度神经网络模型在特征学习中的成功应用，如何利用深度神经网络构建高性能脱机签名鉴定系统，开始受到人们的关注。基于深度网络的方法，可以从大量数据中自动地学习签名数据的有效描述特征，具有描述能力强、适应性好等特点。但是，如何结合签名数据自身的特点，设计有效的深度神经网络模型，以及基于深度网络模型的签名鉴定解决方案，目前还没有成熟的方法；特别是针对签名数据中不同层次、不同尺度特征的深度网络模型及其签名鉴定方法，目前还没有相应解决方案。

发明内容

为了克服现有脱机签名鉴定技术存在的不足，本发明充分利用深度网络模型的特征学习能力以及签名数据中的不同层次、多尺度的特征，基于深度网络模型和二分类SVM模型，提供一种基于多层级判别式特征学习的脱机签名鉴定方法，该方法具有准确率高、适应性好的特点，具有较好的实用价值。

为了实现上述任务，本发明采用以下技术方案：

一种基于多层判别式特征学习的脱机签名鉴别方法，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；

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。

进一步地，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。

进一步地，步骤2所述的建立多层判别式特征学习神经网络模型，包括：

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：