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。
超级会员免费看
订阅专栏 解锁全文
2578

被折叠的 条评论
为什么被折叠?



