44、基于深度学习的在线签名验证方法

基于深度学习的在线签名验证方法

1. 引言

随着认证系统的广泛应用和研究界兴趣的不断增加，生物识别系统成为提升安全需求的核心。手写签名验证是一种常见的行为生物识别技术，用于识别个人身份。签名可分为离线（静态）签名和在线（动态）签名。离线签名是写在纸上的，需扫描或拍照后作为图像输入计算机，仅包含签名的整体形状；而在线签名是在触摸屏或触摸敏感设备上绘制的动态信号，可直接输入计算机，除形状外，还包含起始点、结束点、速度、压力变化等动态信息，不易被模仿。

在线签名验证系统面临个体间差异（真实签名与伪造签名之间）和个体内差异（真实签名之间）的挑战。在签名识别问题中，有全局特征和局部特征两种类型。全局特征提取的数量固定预设，而局部特征提取的数量因签名长度和连笔情况而异。相比之下，全局特征更常用于签名识别。生物识别验证系统的一般分类方法分为模板匹配（基于欧几里得距离和动态时间规整）、统计方法（基于神经网络和隐马尔可夫模型）和结构方法（基于图或树匹配技术）。近年来，深度学习和卷积神经网络（CNN）模型在生物识别系统中取得了优异成果。

2. 相关工作回顾

在手写签名识别领域，研究人员从不同维度开展工作。例如，有研究针对中文、荷兰语和日语三种语言的签名，使用支持向量机（SVM）和随机森林树（RFC）分类器，实现了3.35%的等错误率（EER）；还有研究对梵文和孟加拉语签名进行实验，使用多种数据集和分类器，达到了0.27%的EER。另外，有研究基于CNN模型训练深度神经网络，对荷兰语、中文和波斯语签名进行识别，分别取得了100%、85%和96%的准确率。也有研究使用e - BioSign数据集，利用动态时间规整（DTW）识别在线签名，实现了0.1%的EER。