基于孪生网络的离线手写签名鉴别算法

针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特征图的降维,并防止网络过拟合;最后,采取一种自动确定阈值的方法来确定真伪手写签名鉴别时的最佳阈值。以SigNet为基础作出以上改进,并以CEDAR(the Center of Excellence for Document Analysisand Recognition)、Bangla和Hindi这3个手写签名数据集为例,对所提算法的准确率和泛化性能进行了实验验证。实验结果表明,与改进前算法SigNet相比,所提算法在数据集CEDAR上维持了100%的准确率,并在数据集Hindi和Bangla的鉴别准确率上分别提高了1.68个百分点和6.73个百分点,验证了所提算法的有效性。

手写签名认证技术研究发展概述

随着科学技术的飞速发展,通过信息技术进行个人身份认证变得日益重要.手写签名是一种稳定且易获取的生物特征,对其进行认证别被广泛应用于金融、司法、行政等多个领域.目前通过获取方式不同,手写签名分为在线签名和离线签名.现对国内外各语种手写签名的认证技术研究现状进行分析,总结现阶段签名认证技术所面临的挑战,并提出关于手写签名认证技术研究的新的发展方向.

区间模糊相似性度量的离线签名验证

为优化离线手写签名验证,提出了一种基于区间符号表示和模糊相似性度量的高效离线签名验证方法。在特征提取步骤中,从签名图像及其欠采样位图计算一组基于改进局部二值模式(LBP)与灰度共生矩阵(GLCM)相融合的特征。然后获得每个签名类中每个要素的区间值符号数据。为每个人的手写签名类创建由一组间隔值(对应于特征的数量)组成的签名模型。为了验证测试样本,还提出了一种新的模糊相似性度量来计算测试样本签名和相应的区间值符号模型之间的相似度。为了评估所提出的验证方法,使用了不同类型的中文手写签名笔迹图片进行测试与比对,识别率可以达到92.75%。实验结果表明当训练样本的数目是10或更多时,有效提高了识别率,所提出的方法优点在于当向系统添加新类时不需要被重新训练,并在内存使用和计算时间方面与神经网络比较是廉价的。