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。

脱机手写签名鉴别研究

本文主要研究了脱机手写签名的特征提取,提出了一种结合静态特征与动态特征的新的鉴别方法。提取静态特征时,利用伪Zernike矩的尺度及位移不变性,在细化的签名图像上计算10阶伪Zernike不变矩来组成特征向量。提取动态特征时,则首先从灰度图像得到签名的全局及局部高密区域,利用高密区域与原签名图像对应部分的面积之比得到全局和局部HDF。另外在全局高密区域的基础上,计算其相对重心,并将其作为另一个特征。结合两类特征形成16维特征向量后,建立一个系统,在系统中采用290个真伪签名进行验证。实验结果表明,系统的FAR和FRR分别可以达到7·25%、9·30%。

Contourlet域手写签名鉴别特征提取(英文)

手写签名验证是一种根据手写笔迹判断书写人身份的一门科学和技术。与联机签名鉴定相比,脱机签名鉴别受设备约束少,具有更广的实用范围。然而,由于脱机签名鉴定丢失了书写过程中的动态信息,鉴定难度大。本文针对脱机手写签名鉴定的特点,提出了基于Contourlet和分形维的特征选取方法,将传统的结构特征与统计特征有机结合起来。运用K-L变换对已提取的特征向量进行降维,最后输入支持向量机进行真伪鉴别。实验结果表明了本文算法的高识别性。

基于极角特征匹配的动态签名鉴别算法

基于签名质心和黄金分割质心建立极坐标系,并提取签名极角特征中相对稳定的极值点序列作为笔段分隔点给出一种签名鉴别算法.提出了改进的动态时间规整(DTW)算法,通过该算法将待测样本和签名模板依分隔点的对应关系按段进行动态匹配,得到最优匹配方案和最佳相似度,从而降低了误拒率.算法经JLU-DHSDB2.0签名数据库测试,识别等错率达到4.25%.

基于集成神经网络的离线手写签名鉴别方法

离线手写签名鉴别是一种基于生物特征的身份识别技术,利用集成神经网络对手写签名进行自动鉴别。该集成神经网络由特征分配网络、神经网络认证主体和决策融合识别网络三部分构成。通过为每个签名者构造独立的分类器,并分别为每个分类器构造认证、识别训练集,解决了离线签名的认证和识别问题。基于此方法的签名鉴别实验获得了比较满意的结果,可以用来辅助人类专家进行签名鉴别。

基于空间曲线弹性匹配的在线手写签名鉴别

论述了将手写签名笔划轨迹视为空间曲线，并采用点－点加权弹性匹配对其进行鉴别的方法．该方法强调签名在形状和签名压力的动态特征上都具有相似性．算法中权重系数根据签名样本的稳定度来确定，加权的匹配算法考虑了局部相似性不同的特点，有利于认证指标的改善．

一种新的联机签名鉴别方法

联机签名技术是基于人体特征的身份鉴别领域的重要技术之一。该文采用改进的方向链码方法对签名特征作了十分有效的提取,并应用支持向量机(SVM)模型进行身份鉴别。实验结果显示,在只有少量真样本进行训练的情况下,对于非专业模仿签名取得了错误拒绝率(FFR)2.22%,错误接受率(FAR)1.91%的较好鉴别效果。这充分表明这种方法具有很好的使用和推广价值。

基于小波变换和不变矩的脱机签名鉴别

在以前研究的基础上,本文针对脱机中文签名的特点,提出利用小波变换及特征不变矩相结合的方案进行鉴别。与通常的小波变换提取细节信息不同,本文提取的是近似信息,反映了签名灰度图像灰度分布的走势。另外再结合利用伪Zernike不变矩计算的静态特征与在高密区域(HDR)基础上计算的其他动态特征,组成17维特征向量,构建脱机签名鉴别系统,并利用290个签名进行实验,实验结果表明FAR(错误接受率)和FRR(错误拒绝率)可分别达到7.83%、6.88%。

基于Bandelet和分形维的手写签名鉴别系统

签名鉴别分为联机鉴别和脱机鉴别.脱机鉴别丢失了手写过程中的动态信息,鉴别难度大.利用Bandlet小波分解,提取分解后图像的网格特征,借助分形维,得到了签名图像的特征向量.运用K—L变换,将特征向量降维之后,输入支持向量机进行分类鉴别.实验表明,本文算法是有效的.

基于图像处理技术的离线手写签名鉴别方法

由于手写签名具有高度的唯一性、不遗忘性、自然性与可靠性已成为身份识别的研究热点。文中对手写签名识别技术主要是离线手写签名识别技术进行了详细分析,在研究手写签名的特点和在身份认证中实用性的基础上,提出了一种基于图像处理技术的手写签名鉴别方案,该方案利用了图像的缩放和膨胀细化技术对图像进行处理,然后利用均方差和峰值信噪比来评价签名图像的相似度。试验数据表明该鉴别方法简单可行且高效,能获得较好的验证率和鉴别率。

脱机手写签名鉴别中的预处理技术研究

签名作为普遍接受的一种同意或授权的方式在社会生活中发挥了重要作用。论述了预处理在脱机手写签名鉴别中的作用,以实例阐述了脱机手写签名鉴别中预处理的过程。

基于伪Zernike矩和Hough变换的脱机中文签名鉴别

利用伪Zernike矩和Hough变换提取了脱机中文签名图像的静态特征和动态特征,采用加权欧氏距离分类器完成签名鉴别。在690个真伪签名的较大规模样本库上进行测试,系统最高正确识别率为87.0%。利用签名图像不同特征能提供信息互补的特点,在决策层上进行了特征融合识别。系统在保持对伪样本拒绝率为71%的情况下,对真实签名的正确识别率仍可达80.4%。实验结果表明,多特征信息融合方法能较好地提高签名鉴别系统的识别性能。

一种改进的面向分析法的在线手写签名鉴别方法

手写签名分为离线和在线手写签名,本文主要研究在线手写签名的鉴别。利用Android系统的平台采集手写签名的XY坐标、T时间和P笔压等动态属性,将面向分析法进行改进,计算签名平均相似度,再利用欧几里德距离,计算签名相似度的范围。如果待鉴别的签名在此范围,则接受并且更新相似度训练资料集;反之,就是伪签。实验结果显示,本方法的错误拒绝率和接受率较低,对签名鉴别、防止伪签,具有一定的实用价值。

基于特征不变矩的签名鉴别方案

脱机手写签名鉴别的主要困难在于有效特征的提取，因此本文主要围绕提取能反映签名本质的特征进行了相关研究。在具体解决签名鉴别时，一方面要考虑签名的静态特征，另一方面寻找动态特征。重点研究了静态特征。提取静态特征时，利用伪Zernike矩的尺度及位移不变性，计算签名图像的0～10阶伪Zernike矩来组成特征向量。在此基础上，对基于上述两种不同特征的加权欧氏距离分类器进行性能比较，并找到了一个有效的数据融合方案。

基于机器学习的手写签名鉴别技术综述

手写签名鉴别是应用最广泛的生物认证技术之一,由于其具备的高效性、可靠性和低成本等优点,该技术在行政、金融以及刑事司法鉴定等领域中都扮演着重要的角色。本文在阐述手写签名鉴别技术基本概念的基础上,对该领域常用的公开数据集和评估指标进行简介,对多种主流基于机器学习的手写签名鉴别方法进行分析和讨论,并提出该领域的挑战与发展方向。

基于小波包分析和SVM的在线手写签名鉴别

针对在线手写签名难以提取有效特征的实际情况,提出用小波包分解和单支重构来构造能量特征向量的方法,直接利用各频段成分能量的变化来反映签名的动态特征。给出了衡量各特征识别能力的Fisher准则,并且基于该准则剔除了识别能力差的特征,优化了特征空间。用该方法构造的特征向量能突出反映签名的动态特征。然后采用SVM对签名进行识别。实验证明:采用本文方法识别的正确率高达99.38%,错误拒绝率FRR=0.25%,错误接受率FAR=1.0%,其性能令人满意。

基于改进SIFT的离线签名鉴别方法

针对高质量模仿签名和签名图像的尺度变化对鉴别效果影响较大的问题,提出了一种基于改进SIFT的离线签名鉴别方法。该方法首先改进尺度空间的建立,减少尺度空间的层数和组数,然后检测签名图像的SIFT特征点和提取特征描述子,根据特征描述子间的欧氏距离进行匹配,通过邻近距离之比和特征点角度差筛选匹配对,并对匹配对特征点的角度差进行直方图统计构成ODH(orientation difference histogram)特征向量。最终根据匹配对的数量和ODH特征向量的相似度完成鉴别工作。该方法在本地数据库上的等误率为6.7%,在4NSig Comp2010公共数据库上的等误率为20%。实验结果表明,该方法与现有方法相比有效地提高了鉴别正确率。

数据场思想及其在联机签名鉴别中的应用

签名鉴别是通过分析手写签名的书写风格来判断签字人身份的一门技术。该文提出了一种新的特征数据处理方法—数据场,并且介绍了描述数据场的函数—势函数。笔者把这一思想引入签名鉴别中,把鉴名所形成的四个时序序列(压力、压力变化率、速度和加速度)点作为场中的数据点来看待,形成四类数据场,再从场中提取特征,由于这些特征既考虑了静态的位置信息,又采用了压力、压力变化率等动态特性。在对中文签名的初步实验中得到了很好的实验结果。

基于小波变换的汉字签名鉴别

汉字签名鉴别是通过对手写人的笔迹进行分析从而得出签名是否由某特定人书写的结论。不同人的签名特征是不相同的，可以从其签名信息中抽取出最有效的签名特征来区分真假签名。该文采用新的数学工具——Wavelet 变换方法，利用复信号小波变换的优良特性抽取了一些新的具有旋转、平移及尺度不变性的签名特征，经验证这种特征具有很好的稳定性与可靠性。

基于神经网络的脱机中文签名鉴别系统的研究

将神经网络与签名识别相结合,利用前向多层神经网络的反向传播算法(即BP算法),采用Matlab神经网络工具箱构建用于特征识别的三层前向神经网络,同时使用了基于Gabor和Zernike相结合的特征提取方法,最终识别出待识别的手写签名。实验结果证明识别率可达到93.70%以上,证明了该方法的有效性。