基于特征选择和幻象残差网络的在线手写签名认证

为了解决当前在线手写签名认证(online signature verification, OSV)模型无法从有限的签名样本中提取稳定的签名特征以及模型参数量大问题，本文提出了基于特征选择和一维幻象残差网络(1D-GRNet)的在线手写签名认证方法。首先，采用随机森林特征选择算法对各个签名的全局特征集进行筛选，获得足够稳定的签名特征，以此来提高签名认证的准确率；然后，采用幻象模块对标准残差结构进行改进，构建一维幻象残差模块，降低整体网络模型的参数量，同时为签名小样本训练提供可能，提高了模型的实用性。最后，本文方法在数据集MYCT-DB1和SVC2004-task2上进行验证。当采用5个真伪签名进行小样本进行训练时，在两个数据集上的等错误率分别为3.21%和4.57%。当采用10个真伪签名进行训练时，在两个数据集上的等错误率分别为1.53%和2.93%。实验结果表明所提方法能够有效提高签名认证精度。

近年来，信息技术逐渐步入人们的生活中，但也带来了一些安全问题。因此，为了保护网络用户的个人隐私以及财产安全，生物特征识别技术开始扮演重要角色。在线手写签名认证(online signature veri-fication, OSV)作为生物特征识别技术的一种，已经在银行、政府机关、电信等领域得到了广泛的应用和研究。然而，由于签名在书写过程中极易受到书写者心理、生理以及周围环境的影响，这使得在线手写签名认证技术仍面临着巨大的挑战。因此，深入研究在线手写签名验证技术具有一定的科研意义和应用价值。

目前，在线手写签名认证的方法可以分为两个方向：基于全局特征和基于局部时序特征。

基于全局特征的签名认证方法是从签名整体或者部分采样点的时间序列特征数据从提取固定维度的签名全局特征来对签名进行认证， 此类方法的关键点在于提取的特征是否足够稳定。

Ibrahim 等人[1]提取了签名的最大签名速度，落笔次数，签名长宽比等35 个全局特征来对签名进行认证，该签名认证方法的整体性能尚可， 然而会出现部分签名认证精度不高的问题。

Babtia [2]提取了签名时长， 平均加速度，X-Y坐标标准差等13 个签名全局特征来对签名进行认证，减少了签名认证过程的计算量， 但认证精度有所下降。沈等人[3]首先提取签名的47 个全局特征作为备用集，之后使用稀疏自编码器将其降至16 维，再使用注意力机制Bi-GRU 模型从全局特征中提取8 维特征，最后将两者进行融合后再对签名进行认证。该方法在多样本训练条件下的签名认证精度较好。王等人[4]提出了一种基于DTW 的注意力机制BLSTM