Rotation, Scaling and Translation Analysis of Biometric Signature Templates
Thadomal Shahani Engineering College（塔多马尔·沙阿哈尼工程学院）
使用签名验证方法的生物鉴别认证系统通常仅在有限和受限的条件下才能提供最佳性能。这种方法利用几个训练样本，以便实现高精度。此外，对最终用户施加了若干限制，以便系统可以按预期最佳地工作。例如，用户被要求在一个小框内签名，以便将他们的签名限制在一组预定义的维度上，从而消除缩放。此外，相对于参考签名的角旋转将作为人为错误被无意地引入，这阻碍了生物特征签名验证系统的性能。为了消除这种情况，传统上，要求用户在参考线的顶部准确签名。在本文中，我们提出了一个鲁棒的系统，该系统针对旋转-缩放-平移（RST）的大范围变化优化从用户获得的签名，并根据数据库中存储的参考签名解决用户签名中的这些错误参数。
2011-10-06 cs.CR cs.CV cs.IT
A Watermarking Technique Using Discrete Curvelet Transform for Security of Multiple Biometric Features
C. U. Shah University（C. U. Shah 大学）；Atmiya Institute of Technology & Science（Atmiya 科技学院）
通过使用多重水印，可以提高生物特征水印方法的鲁棒性和安全性。这种多重水印技术是为了提高生物特征和数据的安全性而提出的。当冒名顶替者试图创建欺骗的生物特征时，不可见的生物特征水印特征可以对多媒体数据提供适当的保护。本文提出了一种多生物特征水印技术，将指纹、人脸、虹膜和签名等生物特征嵌入到图像中。在嵌入前，利用Shen-Castan边缘检测和主成分分析提取指纹、虹膜、人脸和签名特征。将这些生物特征嵌入到宿主图像的各个中频曲波系数中。所有四个指纹特征，虹膜特征，面部特征和签名特征都是个人的生物特征，如果发生任何操纵，它们将用于交叉验证和版权保护。所提出的技术是脆弱的，当冒名顶替者试图非法删除水印特征时，无法从水印图像中提取特征。它可以用于多种版权认证和验证。
2017-01-16 cs.CR cs.CV cs.MM
Feature Representation for Online Signature Verification
Malek-Ashtar University of Technology（马利克-阿什塔尔技术大学）
生物测定系统已被用于广泛的应用中，并已改进了人员认证。签名验证是最常见的生物特征识别方法之一，其技术采用各种签名规范。近年来，深度学习在图像、声音和文本处理等领域取得了巨大的成功。本文将深度学习方法用于特征提取和特征选择。
2015-05-29 cs.AI cs.CV
A Novel data Pre-processing method for multi-dimensional and non-uniform data
Jamia Millia Islamia（贾米亚米利亚伊斯兰大学）
我们正处于数据分析和数据科学的时代，这是全面开花。有丰富的各种数据，例如基于生物识别的数据、卫星图像数据、芯片序列数据、社交网络数据、基于传感器的数据等。这种数据丰富是由于存储成本日益降低，因此人们以及几乎所有的商业或科学组织都在存储越来越多的数据。大多数真实数据都是多维的、非均匀的、数据量很大的，因此在分析之前需要进行独特的预处理。为了使数据对任何类型的分析都有用，预处理是非常重要的一步。本文提出了一种新颖的多维非均匀数据的预处理方法，目的是使其均匀化，并在不损失其价值的情况下减小其尺寸。我们选择了生物特征签名数据来证明所提出的方法，因为它有资格的属性是多维的，非均匀的，大的尺寸。生物特征签名数据不仅捕获签名的结构特征，而且捕获使用动态签名捕获设备捕获的其行为特征。这些特征，如笔压力、笔倾斜角度、在实时收集时签署文档所花费的时间，结果是具有不同的维度。该特征数据集连同结构数据需要被预处理，以便使用它来训练基于机器学习的模型以用于签名验证目的。我们证明了所提出的方法比其他方法使用生物特征签名数据的实验结果的成功，但同样可以实现任何其他数据具有类似的属性从不同的域。
2017-08-05 cs.CV
Block Induced Signature Generative Adversarial Network (BISGAN): Signature Spoofing Using GANs and Their Evaluation
TUD Dresden University of Technology（德累斯顿工业大学）；National University of Sciences and Technology (NUST)（国家科技大学）；National Center of Artificial Intelligence (NCAI)（国家人工智能中心）
提出BISGAN，使用融合注意力头的CycleGAN生成器和SigCNN变体判别器生成高质量伪造签名，实现80%至100%的欺骗成功率，并设计自定义评估指标衡量伪造质量。
2024-10-11 cs.AI cs.CV
Online Signature Recognition: A Biologically Inspired Feature Vector Splitting Approach
针对在线签名识别，本文提出受生物学启发的特征向量拆分策略，在MCYT100、MCYT300和SVC上结合VQ与DTW评估，揭示压力与坐标融合的稳定增益及角度特征的不一致影响。
2024-05-21 cs.CV
Towards Human Body-Part Learning for Model-Free Gait Recognition
Normandie Univ（诺曼底大学）；UNIROUEN（鲁昂大学）；UNIHAVRE（勒阿弗尔大学）；INSA Rouen（鲁昂国立应用科学学院）；LITIS（鲁昂信息处理科学实验室）
基于步态的生物识别旨在通过人们走路的方式或方式来区分他们。它代表了一种远距离的生物特征，与其他生物特征模式相比具有许多优势。最先进的方法需要个人的有限合作。因此，与其他模式相反，步态是一种非侵入性方法。步态作为一种行为分析，是很难回避的。此外，步态可以在主体没有意识到的情况下进行，因此，试图篡改自己的生物特征签名更加困难。在本文中，我们回顾了不同的特征和方法用于步态识别。提出了一种新的方法，能够学习有区别的人体部位，以提高识别精度。将在CASIA步态基准数据库上进行广泛的实验，并将结果与最先进的方法进行比较。
2019-04-02 cs.CV
Exploring Vision-Language Models for Online Signature Verification: A Zero-Shot Capability Study
BiometricsAI, School of Engineering, Universidad Autonoma de Madrid, Spain（生物识别AI，工程学院，马德里自治大学，西班牙）
本文研究了最新视觉-语言模型在在线签名验证任务中的零样本性能，发现信号质量和伪造类型对性能有显著影响，尤其在高难度伪造场景中，基于链式推理的模型表现下降。
2026-05-14 cs.CV
Biometrics Recognition Using Deep Learning: A Survey
Snapchat（Snapchat公司）；University of California, Riverside（加州大学河滨分校）；Facebook Research（脸书研究院）；The University of Western Australia（西澳大学）；Chinese University of Hong Kong（香港中文大学）
在过去的几年里，基于深度学习的模型在许多计算机视觉、语音识别和自然语言处理任务中取得了非常成功的结果。这些模型似乎很适合处理从手机认证到机场安全系统的日益增长的生物识别问题。近年来，越来越多地利用基于深度学习的模型来提高不同生物识别系统的准确性。在这项工作中，我们对生物识别领域（包括人脸、指纹、虹膜、掌纹、耳朵、语音、签名和步态识别）的120多个有前途的作品进行了全面调查，这些作品部署了深度学习模型，并展示了它们在不同应用中的优势和潜力。对于每种生物特征，我们首先介绍了文献中广泛使用的可用数据集及其特征。然后，我们将讨论几个有前途的深度学习工作开发的生物特征，并显示他们的表现在流行的公共基准。我们还将讨论使用这些模型进行生物识别时面临的一些主要挑战，以及该领域研究的未来可能方向。
2021-02-08 cs.CV cs.LG
K-nearest neighbour and dynamic time warping for online signature verification
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
在线签名是最常用的生物识别技术之一。在这一领域介绍了若干核查系统和公共数据库。本文提出了一种k-最近邻和动态时间规整算法的组合，作为使用最近发布的DeepSignDB数据库的验证系统。我们的算法应用于手指和手写笔输入签名，代表办公室和移动场景。该系统首先在数据库的开发集上进行了测试。对于手写笔输入签名，其实现了6.04%的出错率，对于手指输入签名，其实现了5.20%的错误率，并且对于两种类型的组合，其实现了6.00%的错误率。该系统也被应用到数据库的评估集，并取得了非常有前途的结果，特别是手指输入签名。
2021-11-29 cs.CV
A new scheme of signature extraction for iris authentication
National School of Sfax（斯法克斯国立学校）
虹膜识别是一种较新的生物特征识别技术，具有可变性、稳定性和安全性等优点，在高安全性环境中最有应用前景。本文提出了虹膜识别的方法。本文介绍了几种方法，第一种是基于灰度直方图提取瞳孔，第二种是基于椭圆和抛物线HOUGH变换确定虹膜和上下眼睑的边缘，第三种是利用二维Gabor小波对虹膜进行编码，最后利用汉明距离进行身份认证。
2013-02-17 cs.CV
Offline Signature Verification by Combining Graph Edit Distance and Triplet Networks
University of Fribourg（弗里堡大学）；University of Applied Sciences and Arts Northwestern Switzerland（瑞士西北应用科学与艺术大学）；University of Applied Sciences and Arts Western Switzerland（瑞士西部应用科学与艺术大学）
利用手写签名进行生物特征认证是一项具有挑战性的模式识别任务，其目的是从少量的真实签名中推断出作者的模式。为了使伪造者更难攻击验证系统，一个有前途的策略是组合不同的作者模型。在这项工作中，我们建议补充最近的结构性方法，离线签名验证的基础上，图编辑距离与统计方法的基础上度量学习与深度神经网络。在MCYT和GPDS基准数据集上，我们证明了将结构模型和统计模型相结合可以显著提高性能，并从其互补特性中获益。
2018-10-17 cs.CV
On-line signature verification system with failure to enroll managing
Escola Universitaria Politecnica de Mataro（马塔罗理工学院）
在本文中，我们模拟了一个真实的生物特征验证系统的基础上在线签名。为此，我们将MCYT签名数据库分成三个子集：一个用于分类器训练，另一个用于系统调整，第三个用于系统测试模拟注册和验证。此上下文对应于实际操作，其中新用户尝试注册现有系统，并且必须由系统自动引导以检测注册失败的情况。这项工作的主要贡献是管理失败的情况下，通过一个新的建议，称为智能注册，其中包括一致性检查，以自动拒绝低质量的样本。这种策略可以在忽略8%的用户时将验证错误提高到22%。在这种情况下，8%的人无法在系统中注册，必须通过其他生物识别技术或人类能力进行验证。这些人被识别为智能登记，因此可以管理这种情况。此外，我们还提出了一个基于DCT的阈值编码和判别准则的特征提取器。
2022-02-23 cs.CR cs.CV cs.LG
On handwriting pressure normalization for interoperability of different acquisition stylus
Tecnocampus, Universitat Pompeu Fabra（庞培法布拉大学Tecnocampus园区）；Polytechnique Montréal（蒙特利尔高等理工学院）
在本文中，我们提出了一个压力表征和规范化的在线手写采集过程。标准化过程中进行了测试，在生物识别实验（识别和验证）使用在线签名数据库MCYT，其中包括来自330个用户的签名。我们的目标是分析真实的不匹配场景，其中用户使用一支触针注册，然后，稍后，他们使用具有不同压力响应的不同触针模型产生一些测试样本。实验结果表明：1）压力信号中的饱和行为2）所研究的不同触笔中的不同动态范围3）借助于压力信号归一化以及失配条件下的性能降级来提高生物识别准确度4）借助于压力归一化可以获得不同触笔之间的互操作性。与不匹配的情况相比，归一化产生高于7%（绝对值）的签名识别率的改进。
2022-03-28 cs.CR cs.CV eess.SP
Online Signature Verification Based on Writer Specific Feature Selection and Fuzzy Similarity Measure
IIIT Sricity（斯里城印度信息技术学院）；Mysore University（迈索尔大学）
在线签名验证（OSV）是数字取证中广泛使用的用于用户行为特征验证的生物特征属性。在这篇手稿中，由于大的个体内的变异性，一种新的方法OSV的基础上的间隔符号表示和模糊相似性度量接地作家特定的参数选择提出。基于在使用训练签名样本的参数固定阶段期间获得的最小相等出错率（EER）来选择两个参数，即，写入者特定接受阈值和用于认证写入者的最佳特征集。这是对用于OSV的当前技术的变化，其主要是独立于写入器的，其中选择一组公共的特征和接受阈值。为了证明我们的系统的鲁棒性，我们已经详尽地评估了我们的系统与四个标准的数据集，即MCYT-100（DB 1），MCYT-330（DB2），SUSIG-Visual语料库和SVC-2004-Task 2。实验结果证实了有效性的模糊相似性度量为基础的作家相关的参数选择OSV实现较低的出错率相比，许多最近和国家的最先进的OSV模型。
2019-05-21 cs.CV
The effect of fatigue on the performance of online writer recognition
工作背景：基于受试者所做的事情的生物特征模态的性能，如签名和基于文本的识别，可能会受到受试者状态的影响。疲劳是可以显著影响手写任务结果的条件之一。最近的研究已经表明，身体疲劳会在从常见的写作和绘画任务中提取的一些特征中产生可测量的差异。重要的是要确定在何种程度上的身体疲劳有助于在这些生物识别方式中观察到的人内变异性，也要知道识别方法的性能是否受到疲劳的影响。目标：在本文中，我们评估疲劳的影响，用户内的变化和性能的签名为基础的和基于文本的作家识别方法，包括识别和验证。研究方法：几个签名和文本识别方法被认为是和应用于不同程度的诱导疲劳后收集的样本，测量代谢和机械评估，也通过主观感知。识别方法是动态时间规整和多段矢量量化，签名，和异写文本相关的识别大写字母的文本。对于每个疲劳水平，这些方法的识别和验证性能进行测量。结果：签名没有显示统计学上显著的用户内影响，但文本有。另一方面，基于签名的识别方法的性能受到疲劳的负面影响，而这种影响在基于文本的识别中并不明显，只要考虑足够长的序列。
2022-02-24 cs.CR cs.CV cs.LG
Persistent-homology-based gait recognition
Advance Technologies Application Center (CENATAV)（先进技术应用中心）；Universidad de Sevilla（塞维利亚大学）
步态识别是视频监控任务中一项重要的生物特征识别技术，因为它具有远距离使用的优势。在本文中，我们提出了一个持久的同源性为基础的方法来提取拓扑特征（所谓的{ \it拓扑步态签名}）从步态序列的身体轮廓。%它已被用于在人类识别，性别分类，进行目标检测和监测人类活动的距离相同的作者的几个会议论文。本文的创新之处在于研究了拓扑步态特征在小扰动下的稳定性和步态序列中包含的步态周期数。换句话说，我们表明，拓扑步态签名是鲁棒的存在下的噪声中的身体轮廓和步态周期的数量包含在一个给定的步态序列。我们还表明，计算我们的拓扑步态签名的身体轮廓的最低的第四部分，我们避免了上半身的运动，是无关的步态的自然动态，例如携带一个包或穿一件外套。
2017-07-21 cs.CV
Unrecognizable Yet Identifiable: Image Distortion with Preserved Embeddings
V.N. Karazin Kharkiv National University（V.N. 卡拉津哈尔科夫国立大学）；University of Macerata（马切拉塔大学）；eCampus University（eCampus大学）
提出一种图像变换技术，使面部图像肉眼不可识别但保持神经网络可识别性，在 LFW 和 MNIST 上改变图像内容超 70% 的同时维持相同识别准确率。
2024-08-28 cs.CR cs.CV
BIDO: A Biometric Identity Online Authentication Framework
CyberMACS Kadir Has University（凯德里哈大学CyberMACS）；DigitalFortress Private Limited & Indominus Labs Private Limited（DigitalFortress私人有限公司及Indominus Labs私人有限公司）；Centre of Excellence, Artificial Intelligence & Robotics (AIR), School of Computer Science and Engineering（卓越中心，人工智能与机器人（AIR），计算机科学与工程学院）；VIT-AP University, India（印度VIT-AP大学）；Centre of Excellence, Artificial Intelligence & Robotics (AIR), School of Electroncs and Communication Engineering（卓越中心，人工智能与机器人（AIR），电子与通信工程学院）
本文提出BIDO框架，通过动态生成非居民Web认证凭证，实现无需存储长期生物特征模板的设备无关身份验证，达到NIST SP 800-63B中的AAL2标准，同时在多个面部基准测试中表现出高准确率和低误报率。
2026-05-16 cs.CR cs.CV cs.ET
Attention-Guided Fusion of 1D and 2D CNNs for Robust ECG-Based Biometric Recognition
PIMIS Laboratory, Electronics and Telecommunications Department（PIMIS实验室，电子与电信系）；Université du 8 Mai 1945（8月1945大学）；Electrical Engineering Department, University of 20 August 1955（电子工程系，20 August 1955大学）；Department of Electrical Engineering, Faculty of Science and Applied Sciences（电子工程系，科学与应用科学学院）；Larbi Ben M'hidi University（拉比·本·迈迪大学）；Department of Electronics and Communications, University of Larbi Tebessi（电子与通信系，拉比·塔贝西大学）
本文提出了一种结合1D和2D CNN的混合框架，通过注意力引导融合机制提升ECG生物识别的鲁棒性和性能，实验表明该方法在多个数据集上均取得了较高的识别准确率。
2026-05-17 cs.AI cs.CR cs.CV
DeepSign: Deep On-Line Signature Verification
Universidad Autonoma de Madrid（马德里自治大学）
在过去的几年里，深度学习已经成为一项令人惊叹的技术，它克服了传统的手工方法，甚至在许多不同的任务中克服了人类。然而，在某些任务中，例如手写签名的验证，公开可用的数据量很少，这使得难以测试深度学习的真正限制。除了缺乏公共数据之外，由于通常考虑不同的数据库和实验方案，因此评估新方法的改进并不容易。本研究的主要贡献是：i）我们对在线签名验证的最先进的深度学习方法进行了深入分析，ii）我们介绍并描述了新的DeepSignDB在线手写签名生物特征公共数据库，（三）我们提出了一个标准的实验协议和基准，用于研究社区，以执行一个公平的比较新的方法与国家的iv）我们调整和评估了我们最近的深度学习方法，称为时间对齐递归神经网络（TA-RNN），用于在线手写签名验证任务。这种方法结合了动态时间规整和递归神经网络的潜力，以训练更鲁棒的系统来对抗干扰。我们提出的TA-RNN系统优于现有技术，当考虑熟练的伪造冒名顶替者和每个用户只有一个训练签名时，其结果甚至低于2.0%EER。
2021-01-22 cs.CV cs.HC
Characterizing and evaluating adversarial examples for Offline Handwritten Signature Verification
École de technologie supérieure, Université du Québec（魁北克大学高等技术学院）；Federal University of Parana（巴拉那联邦大学）
对抗示例现象正吸引着机器学习社区越来越多的兴趣，因为它对机器学习系统的安全性有着重要的影响。对抗性示例与数据分布中的样本相似（从相似性的感知概念来看），这“愚弄”了机器学习分类器。对于计算机视觉应用，这些图像具有精心制作但几乎无法察觉的变化，这些变化被错误分类。在这项工作中，我们根据现有的生物特征识别系统的威胁分类，特别是识别新的攻击离线手写签名验证系统的这种现象。我们在四个广泛使用的数据集上进行了一组广泛的实验：MCYT-75，CEDAR，GPDS-160和巴西PUC-PR，考虑了基于CNN的系统和使用手工特征提取器（CLBP）的系统。我们发现，即使在知识有限的情况下，即使攻击者无法访问经过训练的分类器，也无法访问用于训练的签名，旨在拒绝真实签名的攻击也很容易生成。使伪造品被接受的攻击更难产生，并且通常需要更高级别的噪声-在大多数情况下，不再像以前在对象识别中发现的那样“不可感知”。我们还评估了两种对策对攻击成功率和生成成功攻击所需的噪声量的影响。
2019-01-10 cs.CR cs.CV
Cross-Breed Pig Identification Using Auricular Vein Pattern Recognition: A Machine Learning Approach for Small-Scale Farming Applications
Carnegie Mellon University Africa（卡内基梅隆大学非洲分校）
针对小规模养殖中传统生猪识别方法成本高、可靠性差的问题，提出基于耳静脉模式的非侵入式杂交猪识别方法，通过多阶段视觉流水线提取特征并结合SVM实现98.12%识别精确率，为资源受限场景的精准养殖提供低成本方案。
2025-10-02 cs.CV cs.SE
