论文部分内容阅读
在移动互联网时代的大背景下,随着各行各业办公模式的升级,现今很多企业办公环境都会配备电脑、平板、智能手机等设备,通过互联网实现了无纸化办公。在无纸化办公流程中文件定稿签名不再是纸质签名而是电子手写签名,如果没有一种快速安全可靠的自动化签名鉴定技术,对办公效率和个人信息安全都会产生重大影响。笔迹鉴定作为生物特征识别技术的重要分支,许多学者使用传统的模式识别技术建模在这一领域取得了不俗的成就,但仍然存在特征选择和防模仿签名等问题。近年来深度学习技术的风靡和快速发展,解决了很多困扰当前人脸识别、语音识别和自然语言处理等研究方面的难题,然而在签名鉴定领域几乎没有这方面的研究。本文将一种基于长短期记忆(Long Short-Term Memory,LSTM)单元的时间循环神经网络(RecurrentNeural Network,RNN)应用到在线签名鉴定领域中,并尝试设计开发了一套具有实际应用价值的签名鉴定系统。本论文的主要工作如下:(1)参考了目前国内外存在的相关的笔迹数据集,建立了适合本文研究的手写签名数据库,设计并开发了基于Android平台的动态签名数据采集系统,通过使用App可以同时采集静态签名数据和动态签名数据,为以后的签名鉴定研究提供了丰富的样本素材和基础平台。(2)在对签名采集系统中采集到的动态签名数据做预处理时,设计算法解决了由于签名汉字复杂程度的差异性和个人书写习惯导致采集的数据集在时间轴上数量分布不一致的问题,并且还设计了初始特征集提取算法从预处理后的原始数据中抽取出用于实验模型的输入样本集。(3)建立了一种基于LSTM单元的多层栈式循环神经网络模型,用于提取表达能力更强且能防模仿的动态签名数据特征,针对模型训练过程中纵向堆叠LSTM单元可能遇到的梯度纵向传播受阻问题,在各隐层之间增加一条保证梯度顺畅传播的新路径。(4)设计了基于LSTM模型的手写签名鉴定实验,通过大量的实验对本文实验模型进行改进,探索不同网络参数对实验结果的影响,选择了适合本文实验模型的最优网络参数。