[发明专利]基于书写运动学理论的笔迹鉴别方法

权利要求书

1.一种基于书写运动学理论的笔迹鉴别方法，其包含：

通过一动作采集设备获得认证书写者的真实签名序列；所述真实签名序列包含认证书写者完成真实签名时段中各时刻书写运动的高斯信号信息；

使用所述真实签名序列创建若干合成签名序列；各个所述合成签名序列被分类后组成正样本集和负样本集；

使用所述正样本集和所述负样本集对一深度学习网络系统实施训练；

通过所述动作采集设备获得一真实签名序列，并使用完成训练的所述深度学习网络系统判断该真实签名序列的创建者是否为所述认证书写者。

2.根据权利要求1所述的笔迹鉴别方法，其特征在于，通过所述动作采集设备获得真实签名序列的方法包括：在完成真实签名时段中，连续采集各时刻中签名工具的移动数据，根据预设的笔画信息将所述移动数据进行对数高斯分解以获得所述真实签名序列；所述移动数据包含所述签名工具的速度和角度。

3.根据权利要求1所述的笔迹鉴别方法，其特征在于，所述真实签名序列被标准化为相同长度，以便根据所述真实签名序列创建的合成签名序列为同一长度。

4.根据权利要求2所述的笔迹鉴别方法，其特征在于，使用所述真实签名序列创建合成签名序列的方法包括：所述高斯信号信息为高斯信号向量；创建若干组与所述对数高斯分解方法的分解参数对应的噪声，使用一组噪声更改真实签名序列各个高斯信号向量的分解参数，并重新生成各个高斯信号向量；所述重新生成的各个高斯向量组成所述真实序列在该组噪声中的合成签名序列。

5.根据权利要求4所述的笔迹鉴别方法，其特征在于：根据预设的第一分类规则，所述噪声组被分别用于创建所述正样本或者所述负样本。

6.根据权利要求5所述的笔迹鉴别方法，其特征在于：根据预设的第二分类规则，用于创建负样本的所述噪声组被选择是否用于创建所述负样本的困难样本或简单样本。

7.根据权利要求1所述的笔迹鉴别方法，其特征在于：所述深度学习网络系统使用的特征提取模块包含多个一维卷积网络。

8.根据权利要求7所述的笔迹鉴别方法，其特征在于：所述特征提取模块包含5层一维卷积网络。

9.根据权利要求7所述的笔迹鉴别方法，其特征在于：所述深度学习网络系统在训练时使用基于分类交叉熵损失函数的排序分支以鼓励正样本的得分在负样本得分序列中尽可能靠前。

10.根据权利要求2所述的笔迹鉴别方法，其特征在于：所述移动数据包括提笔信息和落笔信息，所述提笔信息和落笔信息用于分隔真实签名中的笔画。