一种数字笔签名笔迹鉴定方法及系统

本发明涉及图像识别，尤其涉及一种数字笔签名笔迹鉴定方法及系统。

背景技术：

1、现实生活中有很多情况下都需要进行身份验证——出入设施、解锁电子设备、进行交易等。比较常见的用于身份验证的方法有人脸识别、指纹识别和密码验证。但当使用大屏触摸设备时，大屏自带的软键盘输入起来并不方便快捷，且一般不具有指纹识别的工具。同时，大屏的面积极大，在其边缘处设置摄像头也很难找到合适的角度来获取用户面部正向视角的图像。此时，因大屏触摸设备本身在可触摸面积上相比于手机、平板电脑等有很大优势，书写起来较为方便，便可以使用手写签名进行身份验证。每个人书写的风格、连笔、速度等都具有个人化特色，因而很适合用来进行身份验证操作。

2、目前在签名认证方法方面，相比于其他算法，动态时间规整算法(dynamic timewarping，简称dtw)保持着较高的准确率。针对当前使用dtw对签名进行认证的问题，结合现实针对个别问题进行分析，具体为：

3、1、dtw对数据的噪声较为敏感，若将数据的特征不进行处理直接输入给dtw，很容易因噪声造成结果的误判。

4、2、神经网络在学习深层特征、过滤浅层特征中的噪声上有着很大的优势，但dtw本身的不可微性，从而不能将两者结合在一起。

5、3、在使用dtw对签名进行认证时，一般通过dtw在数据集上的表现来确定一个阈值，在阈值内的签名认定为真实签名，阈值外的认定为仿写签名。这种不变的阈值可以区分开大多数人的签名，但在鉴别少数极具个人特征的签名(例如笔画非常繁多或书写非常潦草等)时，表现不尽如人意。

技术实现思路

1、本发明的目的在于为了解决上述技术问题，提供一种基于soft-dtw与神经网络resrnn相结合的方法及系统，提高字笔签名笔迹识别准确率。

2、为实现上述目的，本发明提供如下技术方案：

3、一种数字笔签名笔迹鉴定方法，包括以下步骤：

4、制作训练数据集，该训练数据集包括一定数量用户的真实签名和仿写签名，其中真实签名作为正样本，仿写签名作为负样本；

5、基于resnet和rnn构建resrnn模型，并通过软动态时间规整算法soft-dtw构造该resrnn模型的loss函数；在训练数据集上使用正、负样本对resrnn模型进行训练，确定resrnn模型用于判断签名是否为仿写的静态阈值；

6、在训练数据集上使用正、负样本训练gan网络，对于刚注册用户，使用训练好的gan网络根据所述刚注册用户的真实签名生成仿写签名；

7、使用训练好的resrnn模型基于其静态阈值对所述刚注册用户的真实签名和仿写签名进行判断，通过搜索方法对静态阈值进行调整，生成属于所述刚注册用户的自己的签名识别阈值；所述刚注册用户之后再进行登录操作时，resrnn模型基于其签名识别阈值对其签名笔记进行真仿鉴定。

8、进一步地，制作训练数据集的步骤包括：

9、让一定数量用户书写多次自己的签名；

10、从这些用户中随机抽取多个用户仿写其他用户的签名；

11、对上述签名数据进行筛选，删除有笔误、涂改和错误的签名，最终得到真实签名和仿写签名，分别作为正样本和负样本。

12、进一步地，对训练数据集中的签名数据进行标准化处理，将签名位置调整至原点处，将签名的大小等比例缩放为统一高度。

13、进一步地，对签名数据进行标准化处理后，采用插值法对签名数据进行重采样。

14、进一步地，resrnn模型具体包括1个resnet中的basicblock的残差块结构和两层rnn中的garus结构。

15、进一步地，通过soft-dtw构造resrnn模型的loss函数的步骤包括：

16、基于动态时间规整算法dtw，并引入γ因子，构造以下soft-dtw算法：

17、

18、其中，a1,…,an表示n个笔迹时序序列；

19、使用元素是0和1的二值矩阵记录通过soft-dtw算法选择的路径；

20、基于soft-dtw算法构建以下loss函数：

21、

22、其中

23、其中表示第k个用户的模板签名，表示不包括模板签名的第i个真实签名，表示第j个仿写签名序列，l表示对于与的距离，ng表示真实签名的个数，nf表示仿写签名的个数，dtwγ(x,y)表示soft-dtw距离，β为常量；优化的目标是尽量小，尽量大。

24、进一步地，训练resrnn模型时当对正、负样本判断的准确率相等时，表示训练完成。

25、进一步地，对静态阈值进行调整的目标是resrnn模型判断所述刚注册用户真实签名和仿写签名的准确率相同，此时的阈值即为调整后的属于所述刚注册用户的自己的签名识别阈值。

26、进一步地，通过搜索方法对静态阈值进行调整的步骤包括：

27、resrnn模型以静态阈值对所述刚注册用户的真实签名和仿写签名进行测验，得到真实签名的误拒率与仿写签名的误纳率；

28、如果当前被试误拒率与误纳率的差距在10％以内，则不对当前被试进行阈值的调整；如果误拒率比误纳率高超过10％，则增大静态阈值；如果误纳率比误拒率高超过10％，则降低静态阈值；

29、循环执行上述两个步骤，直到真实签名的误拒率与仿写签名的误纳率相等时或相差在一定范围内时，此时的阈值即为所述刚注册用户的自己的签名识别阈值。

30、一种数字笔签名笔迹鉴定系统，包括存储器和处理器，在该存储器上存储有计算机程序，该处理器执行该程序时实现上述方法的步骤。

31、与现有技术相比，本发明的有益效果是：

32、1、本发明将目前在手写签名识别领域效果很好的两种方法——深度学习神经网络resrnn与soft-dtw相互结合，soft-dtw为在dtw基础上将原本离散不可微改造为连续可微，可以用于神经网络resrnn的损失函数中，resrnn与soft-dtw两者之间取长补短，利用深度学习提取签名的可靠特征，过滤噪声，之后由soft-dtw进行计算和真伪判断。

33、2、本发明在模型的深度学习部分加入了残差块结构。相比于图像识别，签名识别中可用来学习特征的只有行笔轨迹下的像素点，其数量远远少于图像的像素点，且没有色彩特征。这就导致神经网络能够学习到的特征非常有限。而对于签名，区别真实签名与仿写签名的关键在于区分两者的行笔轨迹、连笔、字体纵横比等直观的图像结构信息。残差块结构会将浅层的特征以一定的权重直接输入至深层网络中，并参与后续的学习和计算，这就可以一定程度上讲签名浅层的图像特征保留下来，留给dtw进行鉴别。否则dtw将只能够对网络学习出的深层特征进行计算，会丢失重要的签名信息。

34、3、手写签名的算法种类繁多，但每个算法都有其长处与短处，无法适应全部种类的签名。而本发明针对每个用户使用动态阈值，可以一定程度上改善算法的短处，提升识别较差签名的识别准确率。