[发明专利]基于预训练技术的签名笔迹识别系统、方法及存储介质

权利要求书

1.一种基于预训练技术的电子签名笔迹识别系统，其特征在于，包括：数据采集模块、数据预处理模块、签名笔迹预训练模块、签名笔迹特征识别模块，数据采集模块采集电子签名笔划的签名横坐标、签名纵坐标、签名压力、签名时间、角速度多个特征的序列数据；数据预处理模块对采集到的正样本数据进行重采样、归一化、离散化处理，获取固定长度特征数据序列，增加高斯随机噪声生成用于电子签名笔迹预训练的负样本数据；将签名笔迹的原始特征序列采用随机掩码掩盖部分数据序列，输入神经网络模型预训练，神经网络模型输出的签名笔迹预训练特征序列逼近原始特征序列时预训练完成，完成预训练后的神经网络模型作为签名笔迹预训练模块的编码器；签名笔迹预训练模块分别使用分类损失函数结合正样本数据、使用噪声回归函数结合负样本数据训练，得到两个相同结构的样本编码器1和样本编码器2，对接收负样本数据的样本编码器，采用基于噪声回归函数更新编码器权重系数，获得签名样本数据与签名检测数据的差异特征，对接收正样本数据的样本编码器，采用分类损失函数更新编码器权重系数，获得签名样本数据与签名检测数据的共性特征，以梯度下降或加和同步方法更新上述权重系数，获得的收敛权重作为样本编码器1和样本编码器2的共享权重，构建包含两个相同结构且共享权重样本编码器的孪生网络模型作为签名笔迹特征识别模块。

2.根据权利要求1所述的系统，其特征在于，签名笔迹特征识别模块的输入层1和输入层2分别获取数据采集模块采集的签名笔迹正样本集合，及来自不同签名者的两次签名、或同一签名者的不同次签名构成的负样本集合，上述集合的数据序列转化为向量分别送入样本编码器1和样本编码器2中编码输出特征向量y和y’，根据噪声的不同取值，建立不同的训练任务，当噪声为0时，根据样本编码器1输出特征向量y和样本编码器2输出特征向量y’，利用余弦距离，构建分类损失函数：，当噪声不为零时，构建噪声回归函数：，其中，μ表示噪声的一个值。

3.根据权利要求1或2所述的系统，其特征在于，利用分类损失函数调用公式对样本编码器1当前权重系数w求偏导，通过预先设置的学习率lr调用公式 更新样本编码器1权重系数，直至收敛，其中，y、y’为样本编码器1、样本编码器2输出特征向量。

4.根据权利要求1或2所述的系统，其特征在于，利用噪声回归函数调用公式对样本编码器2当前权重系数W求偏导，通过预先设置的学习率lr调用公式 更新样本编码器2权重系数，直至收敛，其中，μ表示噪声的一个值，y、y’为样本编码器1、样本编码器2输出特征向量。

5.一种基于预训练技术的电子签名笔迹识别方法，其特征在于，数据采集模块采集电子签名笔划的签名横坐标、签名纵坐标、签名压力、签名时间、角速度多个特征的序列数据，获取签名样本数据和签名待检测数据；数据预处理模块进行重采样、归一化、离散化处理，得到固定长度的签名样本数据序列，增加高斯随机噪声生成用于电子签名笔迹预训练的负样本数据；将签名笔迹的原始特征序列采用随机掩码掩盖部分数据序列，输入神经网络模型预训练，神经网络模型输出的签名笔迹预训练特征序列逼近原始特征序列时预训练完成得到签名笔迹预训练模块的编码器，签名笔迹预训练模块分别使用分类损失函数结合正样本数据、使用噪声回归函数结合负样本数据训练，得到两个相同结构的样本编码器1和样本编码器2；对接收负样本数据输入的编码器，采用基于噪声回归函数训练更新编码器权重系数，对接收正样本数据的编码器，采用分类损失函数更新编码器权重系数，以梯度下降或加和同步方法更新编码器的权重系数，获得的收敛权重作为样本编码器1和样本编码器2的共享权重，将签名样本数据和待检测签名数据输入签名识别模块，样本编码器1和样本编码器2分别利用分类损失函数和噪声回归函数确定签名样本数据与签名待检测数据的共性特征和差异特征，识别签名样本数据与签名待检测数据来自同一签名者或不同签名者。