基于深度卷积神经网络的离线手写签名验证特征学习
计算机视觉与模式识别
2017-05-17 v1
摘要
使用手写签名验证个人身份在存在熟练伪造时具有挑战性，此时伪造者能够获取个人的签名并故意试图模仿它。在离线（静态）签名验证中，签名书写过程的动态信息丢失，并且难以设计能够区分真实签名与熟练伪造的良好特征提取器。这反映为相对较差的性能，文献中最佳系统的验证错误约为7%。为了解决获取良好特征的困难以及提升系统性能，我们提出使用卷积神经网络以写者无关的格式从签名图像中学习表示。特别地，我们提出了一种新颖的问题表述，在特征学习过程中纳入了来自部分用户的熟练伪造知识，旨在捕获区分真实签名与伪造的视觉线索，而与用户无关。我们在四个数据集上进行了大量实验：GPDS、MCYT、CEDAR和Brazilian PUC-PR数据集。在GPDS-160上，我们获得了最先进性能的大幅提升，实现了1.72%的等错误率，而文献中为6.97%。我们还验证了这些特征可泛化到GPDS数据集之外，在其他数据集上超越了最先进性能，且无需将表示微调到每个特定数据集。
引用
@article{arxiv.1705.05787,
title = {Learning Features for Offline Handwritten Signature Verification using Deep Convolutional Neural Networks},
author = {Luiz G. Hafemann and Robert Sabourin and Luiz S. Oliveira},
journal= {arXiv preprint arXiv:1705.05787},
year = {2017}
}