基于人工智能实现离线手写签名验证的方法技术

基于人工智能实现离线手写签名验证的方法，针对离线场景下的手写签名验证问题，使用SVM以及孪生神经网络框架进行特征提取与结果分类，同时使用逆鉴别网络思想，对输入的签名图片进行像素反转，得到多组数据同时进行验证；本发明专利技术方法不仅使用了深度学习的方法，而且同时结合了机器学习的方法，使得本发明专利技术的方法可靠性和准确率更高。法可靠性和准确率更高。法可靠性和准确率更高。

【技术实现步骤摘要】
基于人工智能实现离线手写签名验证的方法


[0001]本专利技术涉及基于人工智能实现离线手写签名验证的方法，属于信息
，特别是属于手写签名验证


技术介绍

[0002]随着现在网络技术的发展，人们越来越关注自己的隐私安全。在很多工作领域中，身份验证都是不可或缺的环节。签名验证作为身份验证的一种，在很多时候可以辅助验证个人身份，且具有简单快捷的优势。相比于指纹等生物特征，签名更容易获取。
[0003]虽然目前已有很多签名验证方案，但仍存在很多问题。比如：申请号为CN201680028530.4的中国专利实现了一种签名认证方法、终端、手写笔及系统。该方法包括当用户通过手写笔在终端的触摸面板上进行签名时，终端检测第一签名数据，第一签名数据包括手写笔与触摸面板的接触点的坐标信息和接触点处手写笔对触摸面板的压力信息；以及终端接收手写笔发送的第二签名数据，第二签名数据包括手写笔检测的当用户通过手写笔在触摸面板上进行签名时手写笔的运动轨迹信息及用户对手写笔的压力信息。将第一签名数据和第二签名数据与预存的签名模板数据匹配对比，得到匹配率。当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能实现离线手写签名验证的方法，其特征在于：所述方法包括下列操作步骤：(1)将待验证签名图片M1按照第一特征提取方法进行预处理，获得待验证签名图片M1的纹理特征F1；将真实签名图片M2按照第一特征提取方法进行预处理，获得真实签名图片M2的纹理特征F2；所述的第一特征提取方法的具体内容是：对签名图片依次进行灰度化、去背景、直方图位移、尺寸调整、插值和量化、计算灰度共生矩阵和计算纹理特征等操作；(2)将所述的纹理特征F1和F2输入到第一判决器，获得第一判决结果D0；所述第一判决结果D0取值只能是0或1，0表示不是同一个人的签名，1表示是同一个人的签名；所述的第一判决器是SVM分类器；(3)将待验证签名图片M1按照第二特征提取方法进行预处理，获得待验证签名图片M1的深度特征P1；将待验证签名图片M1的翻转图片IM1按照第二特征提取方法进行预处理，获得待验证签名图片M1的翻转图片IM1的深度特征IP1；将真实签名图片M2按照第二特征提取方法进行预处理，获得真实签名图片M2的深度特征P2；将真实签名图片M2的翻转图片IM2按照第二特征提取方法进行预处理，获得真实签名图片M2的翻转图片IM2的深度特征IP2；所述的第二特征提取方法是通过骨干网络和注意网络来提取图片的深度特征的方法；(4)将所述的深度特征P1和P2组成融合特征FP1，输入到第二判决器，获得第二判决结果D1；所述第二判决结果D1取值只能是0或1，0表示不是同一个人的签名，1表示是同一个人的签名；将所述的深度特征P1和IP2组成融合特征FP2，输入到第三判决器，获得第三判决结果D2；所述第三判决结果D2取值只能是0或1，0表示不是同一个人的签名，1表示是同一个人的签名；将所述的深度特征IP1和P2组成融合特征FP3，输入到第四判决器，获得第四判决结果D3；所述第四判决结果D3取值只能是0或1，0表示不是同一个人的签名，1表示是同一个人的签名；将所述的深度特征IP1和IP2组成融合特征FP4，输入到第五判决器，获得第五判决结果D4；所述第五判决结果D4取值只能是0或1，0表示不是同一个人的签名，1表示是同一个人的签名；所述的第二、三、四、五判决器由结构和参数完全相同的孪生神经网络构成；(5)按照下式计算最终验证结果D，D＝D0+...

【专利技术属性】
技术研发人员：王玉龙，魏文虎，王晶，赵海秀，徐童，张乐剑，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：