1.一种基于条件式生成对抗网络的在线笔迹识别方法,其特征在于,包括步骤:101、预先接收用户输入的一段任意真实文字,并将其放入对抗网络做训练样本,通过条件生成对抗网络,挖掘用户的个性化笔迹;对抗网络包含两部分:1)签名笔迹生成器,通过生成模型G捕捉已接收的一段文字样本数据的分布,在采集笔迹样本的时候,用户名也就是笔迹样本的标签,属于多分类问题,对于个人而言标签是本人、以及很多的他人的二分类。然后对文字样本加类别标签,通过有监督模型的判别器和生成器的共同改进指导笔迹数据样本生成,形成指定类别的笔迹数据样本;2)签名判别模型,通过判别模型判别输入是真实笔迹数据还是生成的样本,D是一个二分类器;
102、用实际签名和生成签名笔迹进行相似度比对,判别是否为该用户笔迹。
2.根据权利要求1所述的基于条件式生成对抗网络的在线笔迹识别方法,其特征在于,所述训练用户输入的文字信息,包括:1)书写文字的风格;2)书写文字的力度;3)书写文字的间距。
3.根据权利要求1所述的基于条件式生成对抗网络的在线笔迹识别方法,其特征在于,所述生成模型G通过捕捉已接收的一段文字样本数据的分布,在采集笔迹样本的时候,用户名也就是笔迹样本的标签,属于多分类问题,对于个人而言标签是本人、以及很多的他人的二分类。对文字样本加类别标签,通过有监督模型的判别器和生成器的共同改进指导笔迹数据样本生成,形成指定类别的笔迹数据样本,包括:
通过在训练鉴别器时,最小化鉴别误差。在训练生成器时,最大化鉴别误差。学习在真实笔迹签名数据集X上的生成分布P(g),输入一个noise变量z,输出一个伪笔迹数据G(z,θg);θg表示笔迹生成器。
4.根据权利要求3所述的基于条件式生成对抗网络的在线笔迹识别方法,其特征在于,所述签名判别模型,通过判别输入是真实笔迹数据还是生成的样本包括:判别模型D的输入时真实笔迹样本或者生成样本,D(x;Q(d))输出一个标量,表示输入样本来自训练样本而非生成样的概率。
5.根据权利要求4所述的基于条件式生成对抗网络的在线笔迹识别方法,其特征在于,所述判别器的训练步骤包括:
1)优先从Pg(z)中获取与样本m匹配的噪声样本集
2)从生成数据分布Pdata(x)中获取与样本m匹配的样本
3)通过生成对抗网络梯度下降法更新判别器
在训练鉴别器时,最小化鉴别误差。
6.根据权利要求5所述的基于条件式生成对抗网络的在线笔迹识别方法,其特征在于,所述生成器的训练步骤包括:
1)优先从Pg(z)中获取与样本m匹配的噪声样本集
2)通过生成对抗网络梯度下降法更新生成器
3)返回(1)(2),直到pg=pdata,表示梯度下降法更新生成器在训练生成器时,最大化鉴别误差。
7.根据权利要求1-6之一所述的基于条件式生成对抗网络的在线笔迹识别方法,其特征在于,所述在线笔迹识别方法应用于门禁系统和文件签署系统。