一种性格个性化辅助的手写签名验证方法及装置制造方法及图纸

本发明专利技术公开了一种性格个性化辅助的手写签名验证方法及装置，属于人机交互领域。所述方法针对采集到的用户手写签名样本，使用不同的特征选择不同的分类器进行分类，由于图像特征、轨迹特征和用户性格特征所提供的信息是各异的，利用不同特征的多样性，可以提升判别精度，同时可以根据用户的手写签名轨迹信息来预测用户的性格，将用户签名个性化。通过带有正负样本标签和性格标签的数据有监督地训练了支持向量机分类器，可以达到96％的验证准确率。率。率。

【技术实现步骤摘要】
Verification,"in Biometric Recognition.vol.7098,Z.Sun,J.Lai,X.Chen,and T.Tan,Eds.,ed:Springer Berlin Heidelberg,2011,pp.141
‑
149.)。事实上在用户的手写签名样本中，签名的图像、签名的坐标点和时间信息、签名的压力信息都是可以利用的手写信息，另外已有研究表明签名者的性格和签字的轨迹特征之间存在明显的联系(参考文献：Miguel
‑
Hurtado O,Guest R,Stevenage S V,et al.The relationship between handwritten signature production and personality traits[C]//IEEE International Joint Conference on Biometrics.IEEE,2014:1
‑
8.)，也有相关研究使用用户的手写签名来预测用户性格(Aulia M R,Djamal E C,Bon A T.Personality Identification Based on Handwritten Signature Using Convolutional Neural Networks[C]Proceedings of the 5th NA International Conference on Industrial Engineering and Operations Management Detroit.2020.)。因此在验证用户手写签名时，通过轨迹预测出的性格也是一个非常重要的特征，可以用来对用户的性格进行个性化的描摹。

技术实现思路

[0005]为了克服现有技术的不足,本专利技术提供一种性格个性化辅助的手写签名验证方法及装置。本专利技术可利用用户在触控屏下的手写签名坐标和时间戳信息来复现签名轨迹并预测用户的性格，结合触控屏的手写签名图像信息和签名轨迹信息来验证用户是否是真实的合法用户。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]一种性格个性化辅助的手写签名验证方法，其步骤包括：
[0008]构建手写签名列表，所述手写签名列表包括：目标用户的手写签名和性格类型；
[0009]针对所述目标用户的待验证手写签名，分别获取签名图像与签名轨迹；
[0010]基于所述签名图像进行图像分类，并结合所述手写签名，获取第一预测结果；
[0011]通过计算所述签名轨迹与所述手写签名中的目标签名轨迹之间的距离，获取第二预测结果；
[0012]基于所述签名轨迹进行性格类型分类，并结合所述性格类型，获取第三预测结果；
[0013]对所述第一预测结果、第二预测结果与第三预测结果进行加权计算，得到所述待验证手写签名的验证结果。
[0014]进一步地，所述基于所述签名图像进行图像分类，并结合所述手写签名，获取第一预测结果，包括：
[0015]对所述签名图像进行标准化处理；
[0016]提取标准化图像的特征，以获取特征向量；
[0017]将所述特征向量输入图像分类模型，得到所述签名图像的图像分类结果，其中，所述图像分类模型基于有监督机器学习算法构建；
[0018]判断图像分类结果是否为所述手写签名的标签，以得到第一预测结果。
[0019]进一步地，所述对所述签名图像进行标准化处理，包括：
[0020]对于所述签名图像，提取签名的最小外接矩形，以进行位置标准化；
[0021]和，
[0022]基于所述签名图像中的水平坐标的方差、垂直坐标的方差及水平坐标分量与垂直坐标分量之间的协方差，计算正交回归的不变旋转角，以进行方向标准化；
[0023]和，
[0024]对所述签名图像中的签名进行归一化处理，以进行大小标准化。
[0025]进一步地，所述提取标准化图像的特征，包括：
[0026]对所述标准化图像进行轮廓特征提取，其中所述轮廓特征包括：图像轮廓信息、图像拓扑信息和图像的点偏移信息；
[0027]和，
[0028]对所述标准化图像的尺度空间进行极值检测和特征点定位，并对得到的关键点聚类，以得到根据关键点数目组成的特征。
[0029]进一步地，所述有监督机器学习算法包括：SVM、神经网络或决策树模型。
[0030]进一步地，所述通过计算所述签名轨迹与所述手写签名中的目标签名轨迹之间的距离，获取第二预测结果，包括：
[0031]分别提取所述签名轨迹的轨迹特征与所述目标签名轨迹的目标轨迹特征；
[0032]基于所述签名轨迹与目标签名轨迹，分别构建签名轨迹序列与目标签名轨迹序列；
[0033]根据所述轨迹特征与目标轨迹特征，使用DTW算法和动态规划的思想，计算签名轨迹序列与目标签名轨迹序列之间的最短匹配距离长度；
[0034]将所述最短匹配距离长度与一阈值进行比较，得到所述第二预测结果。
[0035]进一步地，所述根据所述轨迹特征与目标轨迹特征，使用DTW算法和动态规划的思想，计算签名轨迹序列与目标签名轨迹序列之间的最短匹配距离长度，包括：
[0036]计算签名轨迹序列与目标签名轨迹序列之间各个点的距离矩阵；
[0037]基于所述距离矩阵，获取最短匹配路径，其中所述最短匹配路径上的元素之和最小；
[0038]获取所述最短匹配路径的距离长度。
[0039]进一步地，所述基于所述签名轨迹进行性格类型分类，并结合所述性格类型，获取第三预测结果，包括：
[0040]提取所述签名轨迹的轨迹特征；
[0041]将所述轨迹特征输入性格预测模型，得到性格类型预测结果，其中，通过以下步骤构建所述性格预测模型：
[0042]通过大五人格量表对被试者的性格心理特征进行定量建模，获取被试者的人格维度，所述人格维度包括：开放性、外倾性、宜人性、责任心或情绪稳定性；
[0043]将被试者签名轨迹的轨迹特征作为输入，所述人格维度作为标签，并使用ResNet
‑
18卷积神经网络进行五分类训练，得到所述性格预测模型；
[0044]判断所述性格类型预测结果是否为所述性格类型的标签，以得到第三预测结果。
[0045]一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一所述方法。
[0046]一种电子装置，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一所述方法。
[0047]本专利技术的优点和有益效果如下：
[0048]1)该专利技术的创新之处在于针对手写身份识别考虑不同类型特征的特点及优势，不同类型特征可以体现出特定的用户特点，用于用户的个人身份识别。例如笔迹可以反映出个人签名性格，图像轮廓和关键点可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种性格个性化辅助的手写签名验证方法，其步骤包括：构建手写签名列表，所述手写签名列表包括：目标用户的手写签名和性格类型；针对所述目标用户的待验证手写签名，分别获取签名图像与签名轨迹；基于所述签名图像进行图像分类，并结合所述手写签名，获取第一预测结果；通过计算所述签名轨迹与所述手写签名中的目标签名轨迹之间的距离，获取第二预测结果；基于所述签名轨迹进行性格类型分类，并结合所述性格类型，获取第三预测结果；对所述第一预测结果、第二预测结果与第三预测结果进行加权计算，得到所述待验证手写签名的验证结果。2.如权利要求1所述的方法，其特征在于，所述基于所述签名图像进行图像分类，并结合所述手写签名，获取第一预测结果，包括：对所述签名图像进行标准化处理；提取标准化图像的特征，以获取特征向量；将所述特征向量输入图像分类模型，得到所述签名图像的图像分类结果，其中，所述图像分类模型基于有监督机器学习算法构建；判断图像分类结果是否为所述手写签名的标签，以得到第一预测结果。3.如权利要求2所述的方法，其特征在于，所述对所述签名图像进行标准化处理，包括：对于所述签名图像，提取签名的最小外接矩形，以进行位置标准化；和，基于所述签名图像中的水平坐标的方差、垂直坐标的方差及水平坐标分量与垂直坐标分量之间的协方差，计算正交回归的不变旋转角，以进行方向标准化；和，对所述签名图像中的签名进行归一化处理，以进行大小标准化。4.如权利要求2所述的方法，其特征在于，所述提取标准化图像的特征，包括：对所述标准化图像进行轮廓特征提取，其中所述轮廓特征包括：图像轮廓信息、图像拓扑信息和图像的点偏移信息；和，对所述标准化图像的尺度空间进行极值检测和特征点定位，并对得到的关键点聚类，以得到根据关键点数目组成的特征。5.如权利要求2所述的方法，其特征在于，所述有监督机器学习算法包括：SVM、神经网络或决策树模型。6.如权利要求1所述的方法，其特征在于，所述通过计算所述签名轨迹与所述手写签名中的目...

【专利技术属性】
技术研发人员：田丰，姚文卿，黄进，李俊峰，
申请(专利权)人：北京鸿合爱学教育科技有限公司，
类型：发明
国别省市：