基于非参数回归和卷积神经网络的在线手写签名身份认证模型研究

被引：11

作者：

王星 ^{[1
,2
]}

郑湙彬 ^{[1
,2
]}

朱枫怡 ^{[3
]}

罗超 ^{[4
]}

机构：

[1] 中国人民大学应用统计研究中心

[2] 中国人民大学统计学院

[3] 北京大学数学学院

[4] 霍尼韦尔(北京)技术研发实验有限公司

来源：

数理统计与管理 | 2018年 / 37卷 / 04期

关键词：

在线手写签名认证; CNN; k近邻回归; 轨迹复杂性度量; 样条回归;

D O I：

10.13860/j.cnki.sltj.20180605-001

中图分类号：

TP183 [人工神经网络与计算]; TP309 [安全保密];

学科分类号：

081206 [计算机网络与安全]; 140502 [人工智能];

摘要：

在线手写签名身份识别模型受训练签名的变异复杂性、签名数量有限、真伪签名不均、动态特征等实际因素影响,需要对签名轨迹数据曲线拟合与深度学习的图像特征提取的联合建模.文章设计了在三种签名变异复杂性情形下,比较了不同的非参数回归和卷积神经网络建模的试验效果.实验的主要发现如下:1.单独使用CNN可获得较高的签名鉴别率,其效果好于单独使用非参数回归的效果,代价是需用较为复杂的神经网络结构,训练时间可能过长;2.真伪签名轨迹样本方差和训练样本量不均衡都会不同程度地影响到CNN的学习效果;3.签名的动态特征相较于仅使用静态特征而言有助于提升模型的识别能力;4.当真假签名数量有限,只用样条回归或CNN的独立判定效果都不甚理想,选择合适自由度的样条回归与CNN联合建模在达到可用精度条件下,可有效降低训练时间,降低卷积神经网络的核个数,减小模型复杂性,达到较好的识别性能.

引用

页码：610 / 623

页数：14

共 10 条

[1]

基于统计方法的神经网络预测模型研究 [J].

张瀛 .

数理统计与管理, 2016, 35 (01) :89-97

[2]

基于Walsh平均的非参数回归模型的稳健估计 [J].

彭佳 ;

李长青 ;

王晓燕 .

数理统计与管理, 2015, 34 (04) :636-646

[3]

基于统计模型的DTW签名认证系统 [J].

鄢晨丹 ;

杨阳 ;

程久军 ;

邵剑雨 .

信息网络安全, 2015, (07) :64-70

[4]

12306网站信息泄露事件的法律对策探讨 [J].

杨力 .

信息安全与通信保密, 2015, (01) :46-49

[5]

基于人体生物特征的身份鉴别技术发展概况 [J].

包桂秋 ;

林喜荣 ;

苏晓生 ;

周兆英 .

清华大学学报(自然科学版), 2001, (自然科学版) :72-76

[6]

Learning features for offline handwritten signature verification using deep convolutional neural networks.[J].Luiz G. Hafemann;Robert Sabourin;Luiz S. Oliveira.Pattern Recognition.2017,

[7]

The effective use of the one-class SVM classifier for handwritten signature verification based on writer-independent parameters [J].