一种基于CNN和SR的具有轮廓损伤和光畸变的签名认证移动计算方法

摘要

签名是我们社会中有用的人类特征，并确定签名的真实性非常重要。通常为其真实性分类分析签名图像;然而，难以降低计算时间的同时增加分类准确性。许多因素影响图像质量和真实性分类，如轮廓损坏和光畸变或分类算法。为此，我们提出了一种具有改进的识别精度和减少计算时间的签名图像认证（SIA）的移动计算方法。从理论上和实验证明，与平均滤波，中滤波和高斯滤波的方法相比，所提出的金色全球局部（G-L）算法具有最佳的滤波结果。与最大熵和迭代分割的方法相比，显影的最小概率阈值（MPT）算法与最小误差相比，产生最佳分割结果。另外，设计的卷积神经网络（CNN）解决了签名图像的详细帧特征提取的光失真问题。最后，与CNN和稀疏表示相比，所提出的SIA算法最佳签名认证精度，并且计算时间是竞争力的。因此，所提出的SIA算法可以在移动电话中容易地实现。

1.介绍

人工智能影响当今世界发展的信息技术。人们几乎在任何地方使用人工智能数字信息技术。这支持日常社会生活和经济活动，为经济的可持续增长提供了大大贡献，解决了各种社会问题[1]．签名是身份认证的常用人类功能[2-4.]．签名认证的人工智能方法一直从离线方法中发展，以满足现代需求。

关于离线方法，研究人员使用涉及距离和质心取向的融合算法开发了签名识别方法[5.]．另外，已经提出了单一优化的去吸收方法来估计大气光并从图像中取出雾度[6.]，并提出了确保签名验证一致性的方法[7.-10.]．也开发了不同的标准化，形状特征和复杂的网络谱来帮助签名验证[11.-14.]．此外，科学家介绍了一种多任务度量学习识别方法，它使用真假样本来计算签名的相似性和不相似性[15.]．利用网格模板对精细几何结构进行编码，分割特征子集的区域以分析和验证签名[16.那17.]．

关于在线方法，科学家们已经使用了快速傅里叶变换(FFT) [18.]及动态时间翘曲(DTW) [19.基于视频的空中签名验证方法，导致在线签名验证开发的离散余弦变换[20.]．研究人员还开发了一种签名对准验证方法，以基于高斯混合算法获得最佳匹配效果[21.]．科学家们进一步开发了各种图像处理方法，如图像散射、颜色恢复和支持签名验证活动的图像质量评估。

目前的最先进的方法包括深度学习和人工智能。最近，卷积神经网络（CNN）方法已成为许多应用中的流行研究主题。此外，研究人员提出了深度概率的神经网络和由粒子群优化（PSO）确定的最佳参数作为签名方法设计。在更现代的应用中，传统的模板签名已被隐藏的签名所取代，以最大限度地减少均值的错位。科学家们应用CNN建立一个快速级别集合算法来解决卷绕图像强度校正和分割处理的颜色失真问题，可以具有签名验证中的应用[22.]．

深度CNN最初是为了对象分类而开发的，而强化学习则是为了检测异常信息[23.]．对于签名图像认证(SIA)，科学家们提出了改进的CNN方法来处理失真的样本，减少失真[24.那25.]．稀疏表示(SR)被提出作为一个单独的特征级融合来整合多个特征表示[26.]．此外，提出了本地SR，以改善视觉跟踪中部分闭塞，变形和旋转的情况下的鲁棒性[27.]．为合成孔径雷达图像分类开发了分层SR [28.]．此外，研究人员制定了概率类结构[29.和稀疏指数批处理方法[30.]结合人工智能方法进行签名验证。

同时，移动系统已经迅速发展，上述方法不考虑移动系统，尤其是移动电话的签名认证应用。基于缺乏此类研究，本文解决了轮廓损坏和光畸变的问题以及签名图像的分类准确性。CNN和SR的组合被提出为移动电话的潜在签名认证方法。

本文的组织如下：部分2presents the basic design for the signature authentication system, the golden global-local (G-L) filtering algorithm to solve the contour damage problem, the minimum probability threshold (MPT) segmentation algorithm to obtain the minimum error result, the CNN design for decreasing the light distortion, and the SIA algorithm to increase the recognition accuracy and obtain better speed performance. Section3.讨论实验和比较。最后，部分4.总结本文。

2。材料和方法

该系统使用手机自带的CamScanner应用程序采集签名图像样本，然后使用ACDSee软件进行图像切割，生成64 × 128像素的图像。利用MATLAB进行CNN训练和SR方法设计。最后，得到SIA结果并作为输出。

我们设计的签名认证系统方案如图所示1．首先，手机采集真实的签名图像。然后，在推导出的golden G-L滤波算法、提出的MPT算法和提出的SIA算法的基础上，应用签名验证系统。最后，将SIA的应用程序安装到手机中。

2.1。轮廓损伤修复的Golden G-L滤波算法的推导

为了修复轮廓损坏，删除噪声，并顺畅签名图像，首先需要过滤过程。过滤是具有核心的输入签名图像的卷积过程。常用的过滤方法是高斯滤波和平均滤波。

但高斯滤波效果有待提高，而均值滤波在方差和旋转对称性方面缺乏尺度特性。因此，我们开发了下面的golden G-L滤波算法。

原始签名图像， ，占据总面积 ．全局平均灰度值的图像是 在哪里灰度值是一个像素和 是像素的坐标，和和是原始签名图像的行号和列数 那分别。

灰色值方差原始签名图像 是 在哪里是全球均衡图像的灰色价值 那 是像素的本地均值灰度值，和和以前定义了。

为了获得更好的滤波效果，我们定义了G-L均值参数通过具有金色截面数的平均滤波方法的组合 ．

本地邻居区域一个像素被选择为五行五列，所以它占据了局部区域 ．局部均值灰色值的图像然后 像素坐标在哪里 和是像素的灰度值。

根据我们进行的实验，提出了一个新的参数G-L平均灰度值在下面定义。 在哪里 那 那是金段号码（ )，和是全球区域和像素的局部区域，以及 那 ， 和 代表像素坐标。

g-l意味着被定义为全局均值灰度值的加权和和局部均值灰度值黄金分割 那和局部均值灰度值G-L均值的主要组成部分是什么 ．

因此，我们确定像素位置 灰度值等于什么 ． 在哪里 是原始签名图像的像素的坐标 那 是像素的灰度值，是全球均衡图像的灰色价值 那和 是灰度值等于的像素坐标 ．

然后，我们设计改进的高斯模板 如下。 最后，根据所定义的参数来描述G-L滤波算法和改进的高斯模板 如表所示1．

请注意，盐和辣椒噪声被添加到原始签名图像中在步骤5中，该操作用于修补签名中的任何轮廓损坏。

推导出的金G-L滤波算法在方差和旋转对称性方面具有尺度优势，并具有轮廓损伤修复效果。这是由于对全局和局部信息进行均值滤波、高斯滤波和黄金分割的结合，以及分别使用盐噪声和胡椒噪声进行的修复操作。

2.2。提出的MPT算法最小错误分段

为了实现签名图像的最小误差二进制分割，我们在签名图像分析的基础上提出了MPT算法，并为二进制分割的开发的最佳阈值提出。

图像分割将所有像素值设置为0或1，而像素位置保持不变。此操作简化了后处理。使用该技术，二进制阈值大大影响结果。例如，图2展示了灰度签名图像和直方图以及阈值对分割结果的影响。

对于签名图像，灰度直方图有两个峰。一个是签名的背景，另一个是签名本身。在这两个峰值之间，必须有一个最小值点，即灰度值对应最小直方图值。我们选择这个最小的灰度值是滤波图像的二进制分割的阈值 ．为了确保签名图像的最小误差分割，所提出的MPT算法在表中描述2．

2.3。CNN设计用于降低光畸变

为了忽略光失真，提取签名的框架结构和特殊细节，设计了CNN结构，如图所示3.．CNN具有局部感测，层级结构和特征提取的集成以及分类的明显优点。如果发生位移，缩放和其他形式的失真，则主要用于验证二维图不变性。该CNN结构专门用于解决任何光畸变问题。

首先，真正的64×128签名图像用作CNN训练的输入。其次，我们设计了六个卷积内核（9×9），为真实签名的特征提取的第一阶段。卷积层c₁由六个图像（56×120）组成。第三，采样内核₁，大小为2 × 2，得到池化层P₁作为SR分类器输入的第一部分。然后，我们设计了3个5 × 5的卷积核进行第二阶段的特征提取。

汇集层映射到卷积层提取第二级功能 那它是sr的第二部分输入，在池化层中和 那不同的图像聚焦于不同类型的特征。有的关注签名的框架，有的关注签名的关键点，还有的关注签名的变化区域。设计的CNN从原始签名特征中提取相对完整的特征。在这个签名认证系统中，图像的特征和一起工作并作为SR的输入。该CNN被应用于提取帧构造和签名的特殊细节，并消除签名图像中的任何光失真问题。

2.4。提出的SIA算法增加了识别准确性

在本节中，我们根据CNN和SR设计SIA算法，以进行签名认证。SIA算法在表中描述3.．

该算法使用最少的合适特征来重建最完整的信息。因此，SR分类器的速度相对较高。SR方法的难点在于确定最优目标函数的解。因此，我们必须解决两个问题:获得稀疏系数的超完备字典和非平凡解。

重构真实签名图像模板SR后，如果测试签名图像之间的差异为真，则测试签名为真津并且重建的真实签名图像模板SR小于错误参数 ．否则，测试签名被归类为False。

3.实验和分析

在本节中，我们将演示G-L算法、MPT算法和SIA算法的三个实验，然后进行比较和讨论。采集了300名学生的签名训练和测试数据集。其中男生150人，女生150人。真签名号为300，假签名号也是300。

3.1。G-L算法和MPT算法实验

在部分2.1，提出了一种新的滤波算法G-L，并在章节中提出了新的分割算法MPT2.2．数字4.显示真签名和假签名的原始签名图像。数字5.将G-L滤波算法和MPT分割算法与传统方法进行了比较。

与传统的平均过滤，中等过滤器和高斯滤波相比，具有添加盐和辣椒噪声的开发的G-L过滤算法具有最佳的过滤效果。开发的G-L滤波算法降低了签名轮廓损伤的影响。

所提出的MPT分段算法产生比传统的最大熵和迭代分割方法的细分效果，并且具有最小分割误差。

3．2．新航算法实验

对于新的SIA签名认证算法，考虑了90个真正的签名图像和72个错误签名图像。用于CNN训练的True和假图像样本的三分之二，并且剩余的三分之一样本用于CNN测试。然后，和选取从CNN获得的数据作为sr图的输入6.显示签名特征和 ． 那和保留签名的框架特征和特殊细节特征，忽略签名图像的任何光失真。

对于SIA的SR，超完备字典和稀疏系数是必不可少的。它们如图所示7.和8.， 分别。

签名识别系统的过程和结果界面如图所示9.．首先，使用训练样本和测试样品进行CNN培训。然后，六个签名框架功能以及18个细节特征获得，并且总24个图像特征（避免光失真问题）用作SR的输入。

最后，字典和稀疏系数N计算真实签名的值，重构真实签名模板SR。在图9.，通过所提出的SIA算法将签名输入到系统被判断为真或假。右侧部分显示了第8次凿子的稀疏系数SR.，中央部分是SIZE的前36个字典，左边显示签名验证结果。

3.3。比较和讨论

基于理论分析和实验，在表中给出了传统过滤方法和发达的金色G-L滤波算法的比较4.，在表中给出了传统分割方法和开发的MPT分段算法的比较5.，以及传统签名认证方法和所提出的SIA算法的性能比较6.．性能比较显示在表中7.．

从表4.，与传统的均值滤波、中值滤波、高斯滤波方法相比，所提出的golden G-L滤波算法具有最好的签名轮廓损伤修复和滤波效果。从表5.，开发的MPT分段算法具有最小分割误差，并与传统的最大熵和迭代方法相比产生最佳签名分段。从表6.，性能对比结果表明，与传统的单一CNN方法和单一SR方法相比，所提出的SIA算法具有最高的签名认证精度和可接受的时间消耗性能。

4。结论

理论上和实验验证了所提出的Golden G-L算法具有最佳的滤波结果，与传统的平均滤波，中滤波和高斯滤波中的传统方法相比，在原始签名轮廓损坏的情况下。同时，与最大熵和迭代分割方法相比，开发的MPT算法具有最低误差的最佳分割结果。另外，设计的CNN可以解决帧特征的特征提取的光失真问题和签名图像的详细特征。最后，所提出的SIA算法实现了97％的最高平均签名认证准确度。相反，单个CNN方法和单个SR方法的平均精度分别为95％和94％。消耗量为0.8,1.0和0.7 s，相应于所提出的SIA，CNN和SR。未来的工作将专注于平衡和/或提高签名认证准确性与所提出的SIA算法的计算时间之间的性能。

的利益冲突

作者声明他们没有利益冲突。

致谢

基金资助:国家自然科学基金项目(61300179);陕西省重点科技项目(2016GY-040);西安科技大学科学基金项目(104-6319900001)。我们也感谢李欢和孙敏两位硕士研究生对数据集收集工作的支持。

参考文献

1. H. Lu，Y. Li，Y. Zhang，M. Chen，S. Serikawa和H. Kim，“水下光学图像处理：全面审查”移动网络及应用，卷。2017年，第1-12,2017。查看在：谷歌学者
2. A. Singh，P. Singh，A.Amini和F.Marvasti，“双树层次结构：正规化的方法来构建签名矩阵的超载CDMA，”无线通讯与移动计算，第16卷，第2期。17，页3070-3088,2016。查看在：出版商网站|谷歌学者
3. L.元，Q..RAN和T. Zhao，基于双重图像加密的图像认证，非分解分数傅立叶域中的分离分数解密，“光学与激光技术，第88卷，第111-120页，2017。查看在：出版商网站|谷歌学者
4. 王慧，秦勇，黄勇，王振中，张勇，“基于空间复用的多图像加密与认证方案”，计算机科学与技术，vol . 34, no . 1, no . 3, no . 3, no . 4，光学与激光技术，卷。95，pp。63-71。查看在：谷歌学者
5. K. S. Manjunatha, S. Manjunath, D. S. Guru，和M. T. Somashekara，“基于作者依赖特征和分类器的在线签名验证”，模式识别的字母，第80卷，129-136页，2016。查看在：出版商网站|谷歌学者
6. S. Serikawa和H. Lu，“使用联合三边形过滤器的水下图像去吸附”，计算机与电气工程，卷。40，不。1，pp。41-50,2014。查看在：出版商网站|谷歌学者
7. 赖s，金磊，杨伟，“面向高性能在线HCCR:一种基于DropDistortion，路径签名和空间随机最大池的CNN方法，”模式识别的字母，卷。89，pp。60-66,2017。查看在：出版商网站|谷歌学者
8. E. N. Zois, L. Alewijnse和G. Economou，“使用面向位置的网格特征的离线签名验证和质量表征”，模式识别，第54卷，162-177页，2016。查看在：出版商网站|谷歌学者
9. A. Sharma和S. Sundaram，“使用矢量量化的在线签名验证的基于增强的上下文DTW系统，”模式识别的字母，卷。84，pp。22-28,2016。查看在：出版商网站|谷歌学者
10. y. fang，w. kang，q.wu和l. tang，“一种用于空中签名验证的新型视频系统”，计算机与电气工程，第57卷，第1-14页，2017。查看在：谷歌学者
11. M. Wang，W.-Y.陈和X. D. Li，“使用谷圈特征和Hu的机器人运动控制的手势识别，”测量，第94卷，第734-744页，2016。查看在：出版商网站|谷歌学者
12. B. Kovari和H. Charaf，“离线签名验证中地方特征的一致性和重要性研究”，模式识别的字母第34卷，没有。3，页247-255,2013。查看在：出版商网站|谷歌学者
13. J. Canuto，B. Dorizzi，J.Montalvão和L. Matos，“关于手写签名的无限剪裁，”模式识别的字母，卷。79，pp。38-43,2016。查看在：出版商网站|谷歌学者
14. R.Plamondon，C. O'Reilly，J. Galbally，A. Almaksour和é。Quetil，“近期发展与运动理论的快速人体运动的发展：应用于手写和签名合成的应用，”模式识别的字母，卷。35，不。1，pp。225-235,2014。查看在：出版商网站|谷歌学者
15. A. Soleimani, B. N. Araabi, K. Fouladi，“深度多任务度量学习用于离线签名验证”，模式识别的字母，第80卷，第84-90页，2016。查看在：出版商网站|谷歌学者
16. A. B. De Oliveira, P. R. Da Silva，和D. A. C. Barone，“一种基于复杂网络谱的二维形状签名方法，”模式识别的字母，卷。63，物品号。6248，第43-49,2015。查看在：出版商网站|谷歌学者
17. M. Wang，L. Guo和W.-Y.陈，“使用Adaboost和轮廓圈进行疲劳识别的眨眼检测”，计算机与电气工程，卷。58，pp。502-512,2017。查看在：出版商网站|谷歌学者
18. 王敏，曲伟，王文英。使用pad phone进行混合传感和编码的家庭机器人控制多媒体工具和应用程序，pp。1-14,2017。查看在：出版商网站|谷歌学者
19. 王敏，张淑娟，吕勇，“基于脑机接口的矿工智能头盔焦虑水平检测”，移动网络和应用， 2017年1-8页。查看在：出版商网站|谷歌学者
20. Y.刘，Z.杨和L. Yang，“基于DCT和稀疏表示的在线签名验证”Cyebericics上的IEEE交易，卷。45，不。11，pp。2498-2511,2015。查看在：出版商网站|谷歌学者
21. P. Porwik，R. Doroz和T. Orczyk，“基于PNN分类器的PNN分类器的签名验证，”模式识别，卷。60，pp。998-1014,2016。查看在：出版商网站|谷歌学者
22. H. Lu，Y.Li，T. Uemura等，“FDCNet：过滤深度卷积网络进行海洋生物分类，”多媒体工具和应用程序，pp。1-14,2017。查看在：出版商网站|谷歌学者
23. N. kaaothanthong, J. Chun, and T. Tokuyama，“距离内比值:一种新的二维形状检索特征”，模式识别的字母，卷。78，pp。14-21,2016。查看在：出版商网站|谷歌学者
24. 夏晓，陈振中，栾峰，宋晓峰，“基于GMM的签名对齐在线签名验证”，模式识别，第65卷，第188-196页，2017。查看在：出版商网站|谷歌学者
25. S. MA，G. Chen，W.Wu，L.歌曲，X. Tian和X. Wang，签署奥斯人的有效启动人：从光谱半径的角度来看，“无线通讯与移动计算，第16卷，第2期。18，pp。3340-3359,2016。查看在：出版商网站|谷歌学者
26. G. Goswami, P. Mittal, A. Majumdar, M. Vatsa, R. Singh，“基于群体稀疏表示的多特征多模式生物特征分类”，信息融合，卷。32，不。1，pp。3-12,2016。查看在：出版商网站|谷歌学者
27. Liu h, Li S.， Fang L.，“基于主成分分析和局部稀疏表示的鲁棒目标跟踪”，IEEE仪表和测量交易(第64卷)11，页2863-2875,2015。查看在：出版商网站|谷歌学者
28. 侯波，任波，鞠刚，李慧，焦磊，赵杰，“基于层次稀疏表示和多尺度斑块特征的SAR图像分类方法”，计算机集成制造系统，vol . 32, no . 4，IEEE地球科学与遥感快报第13卷，没有。1，页33-37,2016。查看在：出版商网站|谷歌学者
29. Y. Shao，N. Sang，C. gao和L. ma，“概率类结构正规化稀疏表示图半监督高光谱图像分类”模式识别，卷。63，pp。102-114,2017。查看在：出版商网站|谷歌学者
30. J. H. Cheon和M.-k.李，“使用广义稀疏指数改进了批量验证签名，”计算机标准与接口，第40卷，42-52页，2015。查看在：出版商网站|谷歌学者

版权

版权所有:王梅等这是一篇开放获取的文章创意公共归因许可证，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。