CASIA OpenIR  > 毕业生  > 硕士学位论文
脱机手写签名验证方法研究
幸子健1,2
学位类型工学硕士
导师刘成林
2018-05-23
学位授予单位中国科学院研究生院
学位授予地点北京
关键词脱机手写签名验证 Siamese网络 特征提取 度量学习
其他摘要

手写签名作为一种重要的身份认证手段已经被用于许多行业,如各类文书、合同、银行票据等。目前脱机签名验证的方法,主要分为两类,即书写者相关和书写者无关。考虑到实际应用部署的条件,本文基于书写者无关的策略,对脱机手写签名验证的问题进行了研究。本文使用Siamese卷积神经网络解决脱机签名验证的问题。与现有的方法将特征提取和度量学习作为两个独立阶段的策略不同,我们采用深度学习的框架,将两个模块统一到一起,并可以进行端到端训练。在两个脱机签名验证公开数据集(GPDSsynthetic和CEDAR)上的实验结果证明了我们的方法在脱机手写签名验证问题上的优越性。本文主要工作和结果如下:
(1)对传统的基于特征提取和度量学习的签名验证方法进行了实验评价。本文详细介绍了轮廓波变换(Contourlet transform),Local Binary Pattern(LBP)特征,以及Histogram of Orientation Gradient(HOG)特征,并用支持向量机做书写者无关度量,在CEDAR和GPDSsynthetic这两个数据集进行实验,在大型数据集GPDSsynthetic上的结果可以作为传统特征的benchmark。
(2)基于Siamese网络的方法,将特征提取和度量学习结合到一起,参考近年来经典的网络结构的设计理念,重新设计了网络结构,在GPDSsynthetic和CEDAR这两个数据集上均取得了不错的性能。

 

;

Handwritten signatures have been used popularly in daily life as an important means of identity authentication, for various types of documents, contracts, and bank checks. There are two main approaches for signature verification: writer-dependent and writer-independent. Considering the requirements of practical applications, we study into methods for writer-independent offline handwritten signature verification. We present an offline signature verification method using Siamese convolution neural network. Unlike the existing methods which design feature extraction and metric learning in two independent stages, we adopt a deep-leaning based framework which combines the two stages together and can be trained end-to-end. Our experimental results on two public datasets (GPDSsynthetic and CEDAR) demonstrate the superiority of our method on the offline handwritten signature verification problem. The main work and results of this thesis are as follows:
(1)
We evaluate some representative traditional signature verification methods based on feature extraction and metric learning. This thesis introduces the Contourlet transform, Local Binary Pattern(LBP) features, and Histogram of Orientation Gradient(HOG) features in detail, and uses the support vector machine as a writer-independent metric method to perform experiments on two public datasets, CEDAR and GPDSsynthetic. The results on the largest dataset GPDSsynthetic can be used as benchmarks for traditional features.
(2)
Based on the Siamese network , we combine feature extraction and metric learning in a unified framework. We design neural network architecture based on some classic network structures. Our method achieve good performance on the GPDSsynthetic and CEDAR datasets.

文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/21187
专题毕业生_硕士学位论文
作者单位1.中国科学院自动化研究所
2.中国科学院大学
推荐引用方式
GB/T 7714
幸子健. 脱机手写签名验证方法研究[D]. 北京. 中国科学院研究生院,2018.
条目包含的文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
Thesis_openir.pdf(6539KB)学位论文 暂不开放CC BY-NC-SA请求全文
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[幸子健]的文章
百度学术
百度学术中相似的文章
[幸子健]的文章
必应学术
必应学术中相似的文章
[幸子健]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。