[发明专利]基于书写运动学理论的笔迹鉴别方法

说明书

本发明属于笔迹鉴别技术领域，涉及一种基于书写运动学理论的笔迹鉴别方法，其包括：通过一动作采集设备获得认证书写者的真实签名序列；真实签名序列包含认证书写者完成真实签名时段中各时刻书写运动的高斯信号信息；使用真实签名序列创建若干合成签名序列；各个合成签名序列被分类后组成正样本集和负样本集；使用正样本集和负样本集对一深度学习网络系统实施训练；通过动作采集设备获得一真实签名序列，并使用完成训练的深度学习网络系统判断该真实签名序列的创建者是否为认证书写者。本发明通过对真实签名样本的数据增广并训练特定神经网络，以使用该神经网络对签名工具采集签名信息实施鉴定进而实现身份认证。

技术领域

本发明属于笔迹鉴别技术领域，具体的，本发明涉及一种利用有限伪造签名数据实现联机签名认证的方法。

背景技术

手写签名认证是社会认可度最高、应用最为广泛的身份认证方式，在行政管理、银行办公等应用场景中十分常见。通过手写签名进行身份认证的一个技术难点在于手写签名难以应对伪造签名攻击(Skilled Forgery Attacks)，即他人刻意伪造某一用户的签名以诈骗身份认证系统获得合法的认证结果。传统方法关注点在于利用专家系统在预处理步骤设定手写签名匹配的规则，形成固定化的模板，在进行验证签名时进行笔画的提取，在经过预先设定的特征工程(Feature Engineering)后，利用固定化的模板进行匹配。这种方法存在的不足之处首先在于穷举式的模板系统必然无法涵盖全部手写签名匹配的规则，其次，预处理步骤以及特征工程的性能对结果判定的扰动较大，系统鲁棒性比较差。

随着深度学习的发展，联机签名认证方法开始逐步从基于特征工程与模板匹配的方法向深度学习方法过渡，在降低伪造签名认证错误率方面取得了一定进展。然而，这些方法的新进展仍存在以下不足：首先，它们需要伪造签名作为训练数据。手写签名作为一种生物信息以及个人隐私数据，其采集存在困难；伪造签名的采集，更是需要书写者反复练习其需要仿造的签名，成本十分昂贵。因此，利用伪造签名作为训练数据不具备可拓展性。其次，这些方法缺乏一个合适的数据增广方式。常规的数据增广方式，例如仿射变换等，无法对联机签名的动态特性做出合理调整，也无法反映实际签名过程的固有变化。

发明内容

本发明目的在于提供一种以有限的伪造签名数据为实施前提的联机签名认证方法。克服真实签名数据难以获取的问题，同时，也提供一种针对签名的数据增广方式。

本发明提供的技术方案是一种基于书写运动学理论的笔迹鉴别方法，该方法包括：

通过一动作采集设备获得认证书写者的真实签名序列；所述真实签名序列包含认证书写者完成真实签名时段中各时刻书写运动的高斯信号向量；

使用所述真实签名序列创建若干合成签名序列；各个所述合成签名序列被分类后组成正样本集和负样本集；

使用所述正样本集和所述负样本集对一深度学习网络系统实施训练；

通过所述动作采集设备获得一真实签名序列，并使用完成训练的所述深度学习网络系统判断该真实签名序列的创建者是否为所述认证书写者。

上述技术方案一个方面的改进在于，通过所述动作采集设备获得真实签名序列的方法包括：在完成真实签名时段中，连续采集各时刻中签名工具的移动数据，根据预设的笔画信息将所述移动数据进行对数高斯分解以获得所述真实签名序列；所述移动数据包含所述签名工具的速度和角度。

该方面进一步的改进在于，所述移动数据包括提笔信息和落笔信息，所述提笔信息和落笔信息用于分隔真实签名中的笔画。

上述技术方案另一个方面的改进在于，所述真实签名序列被标准化为相同长度，以便根据所述真实签名序列创建的合成签名序列为同一长度。