[发明专利]一种基于样本合成以及排序学习的联机签名鉴定方法

说明书

本发明公开了一种基于样本合成以及排序学习的联机签名鉴定方法。所述方法包括以下步骤：采集签名序列并进行预处理；建立签名序列的Sigma Lognormal拟合模型；对拟合参数增加扰动采样合成真实签名以及伪造签名；进行排序学习优化平均精度损失训练神经网络模型参数；对于待鉴定签名序列，利用训练完成的神经网络模型提取特征并进行归一化，计算特征向量间欧式距离判断真伪。本发明解决了联机签名鉴别任务中伪造样本难以获取的困难，使用Sigma Lognormal模型生成样本，不再依赖于伪造签名数据的采集，并且进行排序学习以学习签名样本间的相关性和相似度信息，实现了高精度的联机签名鉴定方法，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，具体涉及一种基于样本合成以及排序学习的联机签名鉴定方法。

背景技术

手写签名作为身份认证的一种重要方式，在金融、司法、银行业务上都有着普遍应用，构建自动签名鉴别系统具有良好的现实应用场景和实用价值。签名鉴定分为联机签名鉴定和脱机签名鉴定；相比于脱机签名鉴定，联机签名可以采集到书写过程中的压力速度信息等，能够更好地反映出用户的书写习惯。随着联机书写采集设备的普及，联机签名鉴定任务也进一步得到广泛使用。

传统的联机签名鉴定方法往往采用手工设计特征，可分为基于整段序列提取的全局特征以及基于分段序列提取的局部特征。全局特征如签名持续总时间，签名分段数目，签名的宽高比，签名过程中的最大、平均速度等，局部特征有段长度，段内最大、平均速度等。或者是直接对签名序列相似度进行比较，采用如动态时间规整算法等。

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联机签名鉴定系统，成为一个热门的研究问题。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、泛化性能好等特点。然而以往方法大多基于真实签名和伪造签名数据比对学习来取得良好性能，实际应用中伪造签名数据的获取存在需要高昂的人工成本以及伪造效果难以衡量的问题，针对目前联机签名鉴别系统过度依赖伪造签名数据这一难点，还没有较为有效的解决方案。

发明内容

为了应对现有联机签名鉴定技术存在的困难和挑战，本发明充分利用SigmaLognormal模型合成数据解决实际应用中伪造样本难以获取的问题，然后通过优化平均精度损失排序学习方法以学习到更细粒度的特征，提供一种基于样本合成以及排序学习的联机签名鉴定方法。

本发明的目的至少通过如下技术方案之一实现。

一种基于样本合成以及排序学习的联机签名鉴定方法，包括以下步骤：

S1、采集签名序列并进行预处理；

S2、建立签名序列的Sigma Lognormal拟合模型；

S3、对拟合参数增加扰动采样合成真实签名以及伪造签名；

S4、进行排序学习优化平均精度损失训练神经网络模型参数；

S5、对于待鉴定签名序列，利用步骤S4中训练完成的神经网络模型提取特征并进行归一化，计算特征向量间欧式距离判断真伪。

进一步地，步骤S1中，预处理包括如下步骤：

S1.1、对签名序列进行尺寸归一化，处理过后的签名路径坐标都被归一化到-0.5到0.5之间，且保持原比例，具体如下：

其中，x和y是签名序列在水平和竖直方向上的坐标值，x_min和x_max是水平方向上坐标的最小值和最大值，y_min和y_max是竖直方向上的最小值和最大值，max{,}是取两个数中的最大值的函数；