一种基于多特征度量学习的离线签名鉴伪方法和系统技术方案

本发明专利技术公开了一种基于多特征度量学习的离线签名鉴伪方法和系统，包括数据库模块、图像采集模块、签名预处理模块、签名特征提取模块、分类决策模块。其中图像采集模块负责采集用户的个人信息及签名图像；签名预处理模块负责对录入系统的待检测图像进行预处理；签名特征提取模块负责对经过预处理后的图像进行动态特征和静态特征的提取，并对得到的特征值进行归一化处理，最后得到按序连接的图像特征数组；分类决策模块负责运用深度多特征度量方法将待测样本与共享层及分离层进行欧式距离计算，将结果作为衡量两个个体间差异大小的度量。本文提出的离线签名鉴伪系统在鉴伪过程中具有良好的鲁棒性和有效性，且鉴伪结果更稳定，误差更小。误差更小。误差更小。

【技术实现步骤摘要】
一种基于多特征度量学习的离线签名鉴伪方法和系统


[0001]本专利技术涉及一种基于多特征度量学习的离线签名鉴伪方法和系统，属于数字图像处理与笔迹鉴定

技术背景
[0002]随着信息科学的飞速发展，计算机的普及和网络信息时代的到来使人们的生活越来越便利，但是信息安全问题却愈来愈突出，几乎每天都有用户的存折或者卡号密码被盗，每年都会发生大量的信用卡密码盗窃事件，给我们的生活带来了很多不方便和不安全的同时也带来了不少的经济损失。此外，在信用卡签字、银行存款、商场刷卡购物、网上交易、保险等领域都需要快速、安全的个人身份鉴别系统。这样一来，传统的身份认证方式比如身份证、电子口令、密码等已经不能再满足人们对生活中安全性的需求，指纹等又具有采集处理繁琐且隐私性高等缺点。因此需要一种新型的更加安全、方便、快捷的身份认证方式。
[0003]因此签名认证应运而生，为了使签名认证更具有安全性，离线签名鉴伪系统便必不可少。不同人书写的签名之间存在的差异为类间差异，而同一个人书写活动随意性较大、且受不同介质等因素的影响，使得个人签名会因各种原因产生一定的差异，即类内差异；允许正常范围内的类内差异，又能很好区分类间差异，是签名鉴伪的主要目的。
[0004]签名鉴别技术与其他生物鉴别技术相比，具有难模仿、区分姓高、尊重隐私以及易采集等优点，在签名特征的可搜集性、人体伤害可接受程度方面很突出。但是当前离线签名鉴伪系统存在准确度较差、特征采集繁琐的现象。因此对签名笔迹进行有效、准确、快速的鉴别具有重要的社会价值和实用意义。<br/>
技术实现思路

[0005]本专利技术针对当前离线签名鉴伪系统准确度较差的问题，提出了一种基于多特征度量学习的离线签名鉴伪系统，旨在对签名笔迹进行有效、准确、快速的鉴别。
[0006]在一方面，本专利技术提供了一种基于多特征度量学习的离线签名鉴伪方法，包括如下步骤：
[0007]对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理；
[0008]对预处理后的图像进行动态特征和静态特征的提取，并对得到的特征值进行归一化处理，得到按序连接的图像特征数组；所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征；所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征；
[0009]运用多特征度量学习的方法训练鉴伪模型，将待测签名图像与调用的样本签名数据库中共享层的签名图像进行一次多特征度量，随后再将待检测签名图像与调用的数据库中分离层的图像进行二次多特征度量，如果待测签名的所有特征值度量距离中至少有一个度量距离低于阈值，则判定待测签名就是真实签名。
[0010]进一步地，多特征度量采用的度量距离公式如下：
[0011][0012]其中：
[0013][0014]为参考样本对共享层进行欧式距离计算的输出，为待测样本对共享层进行一次欧氏距离计算的输出；W
(1)
为共享层数据库的权重；b
(1)
为共享层的偏差；为参考样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出，为待测样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出；为第k个子集分离层的权重；为第k个子集分离层的偏差，s为非线性算子。
[0015]进一步地，步骤1中对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理的方法包括：
[0016]首先对图像进行灰度化，运用中值滤波对图像进行去噪，运用最大类间法进行图像二值化，随后进行签名分割，再运用基于手写签名多边轮廓的骨架化方法对签名图像进行细化。
[0017]再进一步的，所述签名分割的方法包括：
[0018]对签名图像进行二值化操作后，找到二值图像非背景点的上下左右边缘：y
min
，y
max
，x
min
，x
max
，根据边缘坐标对图像进行裁剪，去除其空白边缘；裁剪之后签名图像的高度H＝y
max-y
min
，图像的宽度W＝x
max-x
min
。
[0019]进一步地，所述几何特征具体包括签名骨架字长比、外接矩形长宽比、凸包面积与外接矩形面积比；
[0020]所述纹理特征具体为8维灰度共生矩阵，包括能量、对比度、相关、熵、逆差矩、中值、协方差和同质差，在灰度图像中，灰度共生矩阵中所有元素只有最大像素值与最小像素值，统计像素点分布规律，以分辨出字符不同的内容；
[0021]所述矩特征具体为7维图像矩，利用二阶和三阶中心距构造七个不变矩；
[0022]所述代表性笔画的曲率特征具体为横竖撇捺四个方向的4维曲率特征，选取每个方向上最具代表性的笔画，利用数学形态圆检测计算该类笔画的曲率特征值即为纹理笔画特征。
[0023]进一步地，所述高密区域特征具体为签名区域中灰度低于预设值得区域，所述全局高密区域相对重心特征具体为提取高密区域在原图中的相对重心来作为特征；
[0024]所述小波变换特征具体为首先计算最大值对应的灰度值以内的像素之和占除背景像素以外的全部签名灰度图像像素和之比，再计算此灰度值与最小灰度值之差与除背景灰度值以外的最大灰度值与最小灰度值之差的比值，将两个比值再相除得到一个最终的比值。
[0025]在另一方面，本专利技术提供了一种基于多特征度量学习的离线签名鉴伪方法，其特征在于，其包括：
[0026]数据库模块、图像采集模块、签名预处理模块、签名特征提取模块以及分类决策模
块。
[0027]所述数据库模块：用于存储样本签名数据库；
[0028]所述图像采集模块：用于采集作为待测样本的手写签名图像；
[0029]所述签名预处理模块：用于对样本签名数据库和作为待测样本的手写签名图像进行预处理；
[0030]所述签名特征提取模块：用于对预处理后的图像进行动态特征和静态特征的提取，并对得到的特征值进行归一化处理，最后得到按序连接的图像特征数组；所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征；所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征分类决策模块：
[0031]所述分类决策模块，用于运用多特征度量学习的方法训练鉴伪模型，将待测签名图像与调用的样本签名数据库中共享层的签名图像进行一次多特征度量，随后再将待检测签名图像与调用的数据库中分离层的图像进行二次多特征度量，如果待测签名的所有特征值度量距离中至少有一个度量距离低于阈值，则判定待测签名就是真实签名。
[0032]本专利技术所取得的有益技术效果：
[0033]1.本专利技术提取的特征值包括了动态特征和静态特征，本文提出的离线签名鉴伪系统在鉴伪过程中具有良好的鲁棒性和有效性，且鉴伪结果更稳定，误差更小；
[0034]2.本专利技术运用多特征度量法度量与样本的相似度，作为衡量两个个体间差异大小的度量，构造训练集的时候对待检测签名进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征度量学习的离线签名鉴伪方法，其特征在于，包括如下步骤：对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理；对预处理后的图像进行动态特征和静态特征的提取，并对得到的特征值进行归一化处理，得到按序连接的图像特征数组；所述静态特征包括几何特征、纹理特征、矩特征以及代表性笔画的曲线特征；所述动态特征包括高密区域特征、全局高密区域相对重心特征以及小波变换特征；运用多特征度量学习的方法训练鉴伪模型，将待测签名图像与调用的样本签名数据库中共享层的签名图像进行一次多特征度量，随后再将待检测签名图像与调用的数据库中分离层的图像进行二次多特征度量，如果待测签名的所有特征值度量距离中至少有一个度量距离低于阈值，则判定待测签名就是真实签名。2.根据权利要求1所述的一种基于多特征度量学习的离线签名鉴伪方法，其特征在于，多特征度量采用的度量距离公式如下：其中：其中：其中：为参考样本对共享层进行欧式距离计算的输出，为待测样本对共享层进行一次欧氏距离计算的输出；W
(1)
为共享层数据库的权重；b
(1)
为共享层的偏差；为参考样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出，为待测样本对第二层即第k个子集分离层进行二次欧氏距离计算的输出；为第k个子集分离层的权重；为第k个子集分离层的偏差，s为非线性算子。3.根据权利要求1所述的一种基于多特征度量学习的离线签名鉴伪方法，其特征在于，步骤1中对样本签名数据库和预先采集的作为待测样本的手写签名图像进行预处理的方法包括：首先对图像进行灰度化，运用中值滤波对图像进行去噪，运用最大类间法进行图像二值化，随后进行签名分割，再运用基于手写签名多边轮廓的骨架化方法对签名图像进行细化。4.根据权利要求3所述的一种基于多特征度量学习的离线签名鉴伪方法，其特征在于，所述签名分割的方法包括：对签名图像进行二值化操作后，找到二值图像非背景点的上下左右边缘：y
min
，y
max
，x
min
，x
max
，根据边缘坐标对图像进行裁剪，去除其空白边缘；裁剪之后签名图像的高度H＝y
max-y
min
，图像的宽度W＝x
max-...

【专利技术属性】
技术研发人员：王遥，王纯款，李庆武，柯静，马云鹏，周亚琴，储露露，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：