基于孪生网络与多重通道融合的脱机笔迹鉴别

脱机签名验证模型因其具有判断签名是否伪造的能力而备受关注.当今大多数脱机签名验证模型可分为深度度量学习方法和双通道判别方法.大部分深度度量学习方法利用孪生网络生成每张图片的细节特征向量,采用欧氏距离法判断相似度,但是欧氏距离仅考虑两个点之间的绝对距离,而容易忽视点的方向、缩放的信息,不会考虑数据之间的相关性,因此无法捕获特征向量内部之间的关系;而双通道判别方法在网络训练前就进行特征的判别,更能判断不同图像的相似性,但此时图像的细节特征不够清晰,大量特征丢失.针对双通道判别方法中特征消失过多的问题,提出了一种面向独立于书写者场景的手写签名离线验证模型MCFFN(Multi-channel feature fusion network).在CEDAR、BHSig-B、BHSig-H和ChiSig四个不同语言的签名数据集上测试了所提出的方法,实验证明了所提方法的优势和潜力.