一种基于软动态时间规整的联机签名认证系统和方法技术方案

本申请公开了一种基于软动态时间规整的联机签名认证系统和方法，包括：数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块；通过采集待测试签名序列；基于所述签名序列进行预处理，获取预处理数据，并提取所述签名序列的时间函数；构建神经网络，基于所述签名序列的时间函数对所述神经网络进行训练，获得签名序列特征提取神经网络；基于所述预处理数据，通过所述签名序列特征提取神经网络，计算签名序列特征间的动态时间规整距离判断真伪。本申请实现了神经网络与经典动态时间规整算法的融合，使得神经网络可以进行端到端的训练，从而达到高精度的联机签名认证效果。机签名认证效果。机签名认证效果。

【技术实现步骤摘要】
一种基于软动态时间规整的联机签名认证系统和方法


[0001]本申请属于模式识别与人工智能
，具体涉及一种基于软动态时间规整的联机签名认证系统和方法。

技术介绍

[0002]签名认证是一种重要的身份认证技术，它的认证对象是书写者的签名或其简写，因经常书写而具有较强的个人风格。与人脸、虹膜、指纹、声纹等特征相比，手写签名能够通过非侵入式、更加用户友好的方式进行采集，因此签名认证已被广泛应用于商务活动、银行办公、安全认证等场景。进入信息时代以来，随着电子设备的普及，联机手写签名认证技术得到了广泛的发展，获取媒介从最初办公场景的专用设备演变到当前的智能手机、电子平板等移动终端。在这些场景中，书写者可以灵活地选择手写笔输入或者手指输入。然而，联机手写签名具有样本数量少、在跨时间和跨设备的场景下呈现出较大的类内差异、容易遭受仿冒签名攻击的特点，给联机签名认证任务带来了很大的挑战。
[0003]随着深度学习的发展，基于大数据和深度神经网络的自动签名认证方法逐渐发挥了重要作用，尤其是与经典的动态时间规整算法结合后，可以取得较为领先的结果，这表明动态时间规整对联机签名认证任务是至关重要的。然而，传统的动态时间规整算法对于输入是不可微分的，这会导致神经网络无法进行端到端的训练。

技术实现思路

[0004]本申请提出了一种基于软动态时间规整的联机签名认证系统和方法，通过数据归一化、重采样处理，构建神经网络，通过基于软动态时间规整距离的损失函数来训练网络，提取待认证签名的特征，计算动态时间规整距离判别真伪。r/>[0005]为实现上述目的，本申请提供了如下方案：
[0006]一种基于软动态时间规整的联机签名认证系统，
[0007]包括：数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块；
[0008]所述数据采集模块用于采集待测试签名序列；
[0009]所述数据预处理模块用于对所述签名序列进行预处理，获取预处理数据，并提取所述签名序列的时间函数；
[0010]所述签名序列特征提取神经网络模块用于构建神经网络，以及基于所述签名序列的时间函数对所述神经网络进行训练，获得签名序列特征提取神经网络；
[0011]所述签名序列特征认证模块用于基于所述预处理数据，通过所述签名序列特征提取神经网络，通过计算签名序列特征间的动态时间规整距离来判断真伪。
[0012]优选的，所述数据预处理模块中所述签名序列的时间函数包括：水平与竖直方向的速度v
x
、v
y
，角度θ及其函数cos(θ)、sin(θ)，压力p，速度v和角度θ的一阶差分对数曲率半径ρ，向心加速度c，总加速度α。
[0013]优选的，所述签名序列特征提取神经网络模块中所述神经网络由一维卷积层、循环层和全连接层构成，每个卷积层后使用ReLU激活函数，卷积层之间插入最大池化层。
[0014]优选的，所述签名序列特征提取神经网络模块中所述循环层由门控自回归单元构成，
[0015]记t时刻的输入为i
t
，输出为o
t
，所述门控自回归单元按如下方式更新其输出：
[0016]r
t
＝sigmoid(W
r
×
i
t
+U
r
×
o
t
‑1+b
r
)
[0017]o
t
＝tanh(W
o
×
i
t
+U
o
×
(r
t
⊙
o
t
‑1)+b
o
)
[0018]其中r
t
为重置门，W
r
、U
r
、W
o
、U
o
为参数矩阵，b
r
、b
o
为偏置项，所述门控自回归单元只采用重置门r
t
。
[0019]优选的，所述签名序列特征提取神经网络模块中对所述神经网络进行训练的方法包括：
[0020]计算签名对的软动态时间规整距离，记和和分别是长度为l和m的两个签名序列，x
i
和y
i
为d维的局部特征向量，序列X和Y的列向量之间的损失矩阵为其中定义为可行的二值对齐矩阵的集合，为二值对齐矩阵，满足边界条件[A]1×1＝[A]l
×
m
＝1，且具有单调性与递增性，签名序列对X和Y的软动态时间规整距离为：
[0021][0022]其中，<A，Δ(X，Y)>表示A和Δ(X，Y)的内积，min
γ
为带有平滑参数的广义min算子，定义如下：
[0023][0024]设所述神经网络为函数f(
·
)，对于签名序列对X和Y，在训练阶段使用如下基于所述软动态时间规整的距离：
[0025][0026]其中|
·
|表示签名序列的长度，
[0027]将签名对的软动态时间规整距离融入到三元组损失函数中，基于所述三元组损失函数来训练所述神经网络。
[0028]优选的，所述签名序列特征认证模块中计算所述签名序列特征间的动态时间规整距离判断真伪的方法包括：
[0029]基于所述预处理数据以及获取的所述神经网络提取特征，
[0030]计算签名序列特征间的基于动态时间规整的距离：
[0031][0032]其中，dtw(X,Y)是两个序列间的动态时间规整距离，计算如下：
[0033][0034]将d
test
(X,Y)与预设的阈值比较后，得到认证结果。
[0035]为了更好的实现上述技术效果，本申请还提供一种基于软动态时间规整的联机签名认证方法，具体包括以下内容：
[0036]采集待测试签名序列；
[0037]基于所述签名序列进行预处理，获取预处理数据，并提取所述签名序列的时间函数；
[0038]构建神经网络，基于所述签名序列的时间函数对所述神经网络进行训练，获得签名序列特征提取神经网络；
[0039]基于所述预处理数据，通过所述签名序列特征提取神经网络，计算签名序列特征间的动态时间规整距离判断真伪。
[0040]优选的，所述签名序列的时间函数包括：水平与竖直方向的速度v
x
、v
y
，角度θ及其函数cos(θ)、sin(θ)，压力p，速度v和角度θ的一阶差分对数曲率半径ρ，向心加速度c，总加速度α。
[0041]优选的，所述签名序列特征提取神经网络模块中所述神经网络由一维卷积层、循环层和全连接层构成，每个卷积层后使用ReLU激活函数，卷积层之间插入最大池化层。
[0042]优选的，所述签名序列特征提取神经网络模块中所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于软动态时间规整的联机签名认证系统，其特征在于，包括：数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块；所述数据采集模块用于采集待测试签名序列；所述数据预处理模块用于对所述签名序列进行预处理，获取预处理数据，并提取所述签名序列的时间函数；所述签名序列特征提取神经网络模块用于构建神经网络，以及基于所述签名序列的时间函数对所述神经网络进行训练，获得签名序列特征提取神经网络；所述签名序列特征认证模块用于基于所述预处理数据，通过所述签名序列特征提取神经网络，通过计算签名序列特征间的动态时间规整距离来判断真伪。2.如权利要求1所述基于软动态时间规整的联机签名认证系统，其特征在于，所述数据预处理模块中所述签名序列的时间函数包括：水平与竖直方向的速度v
x
、v
y
，角度θ及其函数cos(θ)、sin(θ)，压力p,速度v和角度θ的一阶差分对数曲率半径ρ，向心加速度c，总加速度α。3.如权利要求1所述基于软动态时间规整的联机签名认证系统其特征在于，所述签名序列特征提取神经网络模块中所述神经网络由一维卷积层、循环层和全连接层构成，每个卷积层后使用ReLU激活函数，卷积层之间插入最大池化层。4.如权利要求3所述基于软动态时间规整的联机签名认证系统，其特征在于，所述签名序列特征提取神经网络模块中所述循环层由门控自回归单元构成，记t时刻的输入为i
t
，输出为o
t
，所述门控自回归单元按如下方式更新其输出：r
t
＝sigmoid(W
r
×
i
t
+U
r
×
o
t
‑1+b
r
)o
t
＝tanh(W
o
×
i
t
+U
o
×
(r
t
⊙
o
t
‑1)+b
o
)其中r
t
为重置门，W
r
、U
r
、W
o
、U
o
为参数矩阵，b
r
、b
o
为偏置项，所述门控自回归单元只采用重置门r
t
。5.如权利要求1所述基于软动态时间规整的联机签名认证系统，其特征在于，所述签名序列特征提取神经网络模块中对所述神经网络进行训练的方法包括：计算签名对的软动态时间规整距离，记和分别是长度为l和m的两个签名序列，x
i
和y
i
为d维的局部特征向量，序列X和Y的列向量之间的损失矩阵为其中定义为可行的二值对齐矩阵的集合，为二值对齐矩阵，满足边界条件[A]1×1＝[A]
l
×
m
＝1，且具有单调性与递增性，签名序列对X和Y的软动态时间规整距离为：其中，<A,Δ(X,Y)>表示A和Δ(X,Y)...

【专利技术属性】
技术研发人员：金连文，江佳佳，赖松轩，朱业成，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：