一种提高电子签名识别准率的电子签名认证方法及设备技术

本发明专利技术涉及一种提高电子签名识别准率的电子签名认证方法，包括如下步骤：采集签名信息；预处理签名信息：新建签名轨迹图层，在所述签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹；新建签名压力图层，从压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值；合并签名轨迹图层和签名压力图层，生成一特征图；将特征图输入训练好的卷积神经网络，通过卷积神经网络将该特征图与该签名的签名模板图进行字迹比对，输出认证结果。本发明专利技术还提供一种提高电子签名识别准率的电子签名认证设备。本发明专利技术的优点：同时提取签名字迹特征和签名时笔迹压力值特征，并通过卷积神经网络识别，大大提高了识别准确率。

【技术实现步骤摘要】
一种提高电子签名识别准率的电子签名认证方法及设备
本专利技术涉及一种提高电子签名识别准率的电子签名认证方法及设备，属于信息安全领域。
技术介绍
目前，电子签名字迹认证的方式有使用DTW(动态时间规整，DynamicTimeWarping)对齐签名笔画，计算笔画的相似度。这就需要人工构造特征，例如签名耗时、签名笔画数、签名字迹大小等，然后使用分类器进行分类识别，因此需要进行大量实验组合特征，如果构造的特征不理想就会影响最终的准确率。现有的电子签名字迹认证方式还有使用卷积网络提取签名字迹的特征，计算特征的相似度，提升了识别准确率，但是对于临摹相似度较高的签名字迹仍然难以鉴别。
技术实现思路
为了解决上述技术问题，本专利技术提供一种提高电子签名识别准率的电子签名认证方法，从电子签名信息中还原签名轨迹，并结合书写时的压力信息，通过卷积神经网络进行识别，从而提升了电子签名字迹的识别准确率。本专利技术技术方案如下：一种提高电子签名识别准率的电子签名认证方法，包括如下步骤：通过能够采集电子签名的终端采集签名信息，所述签名信息包括电子签名轨迹的各像素点的时间戳、坐标信息和压力信息；预处理所述签名信息：新建签名轨迹图层，在所述签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹；新建签名压力图层，从所述压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值；合并所述签名轨迹图层和签名压力图层，生成一特征图；将所述特征图输入训练好的卷积神经网络，通过卷积神经网络将该特征图与该签名的签名模板图进行字迹比对，输出认证结果。更优地，所述在签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹，具体为：首先，预设签名轨迹的灰度值为A，非签名轨迹区域的灰度值为B，然后根据所述签名轨迹的坐标信息，在签名轨迹图层上设置该坐标信息所对应的像素点的灰度值为A，设置非签名轨迹区域各像素点的灰度值为B；所述从压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值，具体为：将各所述压力值信息进行等比例缩放，计算出压力值，所述压力值大小在灰度值范围内，然后根据所述签名轨迹的坐标信息，在所述签名压力图层上设置与该签名轨迹坐标信息相对应的像素点的灰度值，并使该灰度值＝压力值，设置所述签名压力图层上非签名轨迹区域的各像素点的灰度值为B。更优地，所述合并签名轨迹图层和签名压力图层，生成一特征图，具体为：根据签名轨迹的坐标信息，将签名轨迹图层和签名压力图层上与该坐标信息相对应的各像素点的灰度值作为所述特征图上该坐标信息相对应的像素点的两个属性值，非签名轨迹区域的各像素点的属性值为(B，B)。更优地，所述卷积神经网络的训练过程为：步骤1、创建签名信息数据集，遍历各个签名信息，执行所述预处理步骤；步骤2、从签名信息数据集种随机挑选两个签名信息所对应的特征图组成数据对，然后所述数据对进行标注，通过标注区分数据对中的两签名信息是否均为正确签名，最后，将签名信息数据集中分成训练集、验证集和测试集；步骤3、搭建卷积神经网络模型，其输入各组数据对，输出各签名信息对应的特征向量；所述卷积神经网络模型使用对比损失contrastiveloss作为损失函数，所述对比损失函数为：其中y表示标注标签、margin为超参数中的边界参数，d表示特征距离，N表示本次训练数据的总数量，L表示损失值；步骤4、设置卷积神经网络模型的超参数，所述超参数包括：margin的取值集合和初始学习率；所述margin的取值集合中包含多个margin值；步骤5、根据超参数配置所述训练集中的数据进行模型训练，且从margin的取值集合选择一个margin值用于计算所述对比损失函数；步骤6、使用所述验证集测试卷积神经网络的识别准确率；步骤7、使用所述测试集测试卷积神经网络的识别准确率；步骤8、判断是否遍历margin的取值集合，若是，则得到各margin值对应的识别准确率，执行步骤9，若否，从所述取值集合中重新选取margin值，返回步骤5开始训练；步骤9、判断当前的margin的取值集合中margin值的取值精度是否满足预期要求：若是，从所得到的多个识别准确率中确定最高识别准确率，然后根据最高识别准确率所对应的margin值，记录对应的最优比对阈值，结束训练；若否，根据最高的识别准确率所对应的margin值更新margin的取值集合，更新后的margin的取值集合的取值范围缩小且包含最高识别准确率所对应的margin值，然后返回步骤5，重新开始训练。更优地，所述步骤6和步骤7中，测试卷积神经网络识别准确率的步骤为：首先，以预设的步长遍历0到所述margin值之间的数值，得到一组待选的比对阈值Tm＝{T1,T2,T3,...,Tm}，m为自然数，其次，通过卷积神经网络模型计算输入的各组数据对中各签名信息的特征向量，接着计算各数据对中两特征向量的欧几里得距离，然后将所述欧几里得距离与比对阈值Tm进行比较，若所述欧几里得距离小于比对阈值Tm，则判定为相同样本，若所述欧几里得距离大于比对阈值Tm，则判定为不同样本，将各判定结果与标注结果进行比较，判定结果和标注结果一致的，记为比对正确，判定结果和标注结果不一致的，记为比对不正确，从而计算出比对阈值为Tm时对应的识别准确率；重复步骤6，遍历T1至Tm，得到m个识别准确率，将最优的识别准确率记录为当前margin值的识别准确率，同时将最优的识别准确率所对应的对比阈值对比，作为当前margin值所对应的最优对比阈值。本专利技术还提供一种提高电子签名识别准率的电子签名认证设备。本专利技术技术方案二如下：一种提高电子签名识别准率的电子签名认证设备，包括处理器和存储器，所述存储器存储有指令，所述指令适于由处理器加载并执行以下步骤：通过能够采集电子签名的终端采集签名信息，所述签名信息包括电子签名轨迹的各像素点的时间戳、坐标信息和压力信息；预处理所述签名信息：新建签名轨迹图层，在所述签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹；新建签名压力图层，从所述压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值；合并所述签名轨迹图层和签名压力图层，生成一特征图；将所述特征图输入训练好的卷积神经网络，通过卷积神经网络将该特征图与该签名的签名模板图进行字迹比对，输出认证结果。更优地，所述在签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹，具体为：首先，预设签名轨迹的灰度值为A，非签名轨迹区域的灰度值为B，然后根据所述签名轨迹的坐标信息，在签名轨迹图层上设置该坐标信息所对应的像素点的灰度值为A，设置非签名轨迹区域各像素点的灰度值为B；所述从压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值，具体为：将各所述压力值信息进行等比例缩放，计算出压力值，所述压力值大小在灰度值范围内，然后本文档来自技高网...

【技术保护点】
1.一种提高电子签名识别准率的电子签名认证方法，其特征在于：包括如下步骤：/n通过能够采集电子签名的终端采集签名信息，所述签名信息包括电子签名轨迹的各像素点的时间戳、坐标信息和压力信息；/n预处理所述签名信息：新建签名轨迹图层，在所述签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹；新建签名压力图层，从所述压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值；合并所述签名轨迹图层和签名压力图层，生成一特征图；/n将所述特征图输入训练好的卷积神经网络，通过卷积神经网络将该特征图与该签名的签名模板图进行字迹比对，输出认证结果。/n

【技术特征摘要】
1.一种提高电子签名识别准率的电子签名认证方法，其特征在于：包括如下步骤：
通过能够采集电子签名的终端采集签名信息，所述签名信息包括电子签名轨迹的各像素点的时间戳、坐标信息和压力信息；
预处理所述签名信息：新建签名轨迹图层，在所述签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹；新建签名压力图层，从所述压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值；合并所述签名轨迹图层和签名压力图层，生成一特征图；
将所述特征图输入训练好的卷积神经网络，通过卷积神经网络将该特征图与该签名的签名模板图进行字迹比对，输出认证结果。


2.根据权利要求1所述的一种提高电子签名识别准率的电子签名认证方法，其特征在于：
所述在签名轨迹图层上根据所述签名轨迹的坐标信息还原签名轨迹，具体为：首先，预设签名轨迹的灰度值为A，非签名轨迹区域的灰度值为B，然后根据所述签名轨迹的坐标信息，在签名轨迹图层上设置该坐标信息所对应的像素点的灰度值为A，设置非签名轨迹区域各像素点的灰度值为B；
所述从压力信息中获取压力值，然后在所述签名压力图层上，在与所述签名轨迹的坐标信息相对应的像素点上设置该压力值，具体为：将各所述压力值信息进行等比例缩放，计算出压力值，所述压力值大小在灰度值范围内，然后根据所述签名轨迹的坐标信息，在所述签名压力图层上设置与该签名轨迹坐标信息相对应的像素点的灰度值，并使该灰度值＝压力值，设置所述签名压力图层上非签名轨迹区域的各像素点的灰度值为B。


3.根据权利要求2所述的一种提高电子签名识别准率的电子签名认证方法，其特征在于：所述合并签名轨迹图层和签名压力图层，生成一特征图，具体为：根据签名轨迹的坐标信息，将签名轨迹图层和签名压力图层上与该坐标信息相对应的各像素点的灰度值作为所述特征图上该坐标信息相对应的像素点的两个属性值，非签名轨迹区域的各像素点的属性值为(B，B)。


4.根据权利要求1所述的一种提高电子签名识别准率的电子签名认证方法，其特征在于：所述卷积神经网络的训练过程为：
步骤1、创建签名信息数据集，遍历各个签名信息，执行所述预处理步骤；
步骤2、从签名信息数据集种随机挑选两个签名信息所对应的特征图组成数据对，然后所述数据对进行标注，通过标注区分数据对中的两签名信息是否均为正确签名，最后，将签名信息数据集中分成训练集、验证集和测试集；
步骤3、搭建卷积神经网络模型，其输入各组数据对，输出各签名信息对应的特征向量；所述卷积神经网络模型使用对比损失contrastiveloss作为损失函数，所述对比损失函数为：其中y表示标注标签、margin为超参数中的边界参数，d表示特征距离，N表示本次训练数据的总数量，L表示损失值；
步骤4、设置卷积神经网络模型的超参数，所述超参数包括：margin的取值集合和初始学习率；所述margin的取值集合中包含多个margin值；
步骤5、根据超参数配置所述训练集中的数据进行模型训练，且从margin的取值集合选择一个margin值用于计算所述对比损失函数；
步骤6、使用所述验证集测试卷积神经网络的识别准确率；
步骤7、使用所述测试集测试卷积神经网络的识别准确率；
步骤8、判断是否遍历margin的取值集合，若是，则得到各margin值对应的识别准确率，执行步骤9，若否，从所述取值集合中重新选取margin值，返回步骤5开始训练；
步骤9、判断当前的margin的取值集合中margin值的取值精度是否满足预期要求：若是，从所得到的多个识别准确率中确定最高识别准确率，然后根据最高识别准确率所对应的margin值，记录对应的最优比对阈值，结束训练；若否，根据最高的识别准确率所对应的margin值更新margin的取值集合，更新后的margin的取值集合的取值范围缩小且包含最高识别准确率所对应的margin值，然后返回步骤5，重新开始训练。


5.根据权利要求4所述的一种提高电子签名识别准率的电子签名认证方法，其特征在于：所述步骤6和步骤7中，测试卷积神经网络识别准确率的步骤为：首先，以预设的步长遍历0到所述margin值之间的数值，得到一组待选的比对阈值Tm＝{T1,T2,T3,...,Tm}，m为自然数，其次，通过卷积神经网络模型计算输入的各组数据对中各签名信息的特征向量，接着计算各数据对中两特征向量的欧几里得距离，然后将所述欧几里得距离与比对阈值Tm进行比较，若所述欧几里得距离小于比对阈值Tm，则判定为相同样本，若所述欧几里得距离大于比对阈值Tm，则判定为不同样本，将各判定结果与标注结果进行比较，判定结果和标注结果一致的，记为比对正确，判定结果和标注结果不一致的，记为比对不正确，从而计算出比对阈值为Tm时对应的识别准确率；重复步骤6，遍历T1至Tm，得到m个识别准确率，将最优的识别准确率记录为当前margin值的识别准确率，同时将最优的识别准确率所对应的对比阈值对比，作为当前margin值所对应的最优对比阈值。


6.一种提高电子签...

【专利技术属性】
技术研发人员：陈大添，黄招东，孙高海，陈炜，
申请(专利权)人：福建捷宇电脑科技有限公司，
类型：发明
国别省市：福建;35