python笔迹识别_CVPR 2019笔迹识别论文：逆鉴别网络+八路Attention

论文链接： http://openaccess.thecvf.com/content_CVPR_2019/papers/Wei_Inverse_Discriminative_Networks_for_Handwritten_Signature_Verification_CVPR_2019_paper.pdf

复现源码：https://github.com/jeason353/IDN

※ 前言

个人签名属于人们的生物识别特征之一，在财务、商业、司法文件得以广泛使用，签名的真实性鉴别(笔迹鉴定)成为了一个具有现实应用场景的任务。

本文针对离线手写签名问题，引入了Attention模块以及对图片进行黑白翻转搭建多路结构来训练网络，聚焦在笔划信息上从而提取出更加鲁棒的特征，以适应于签名认证任务。

签名图片数据是比较稀疏的，经过二值化处理以后大部分区域都是背景，如何从稀疏的笔划像素部分提取有效信息是签名认证任务的关键点。

1. 签字数据集

论文列出的图片数据集

CEDAR

MCYT-75

BHSig

GPDS

数据类签名数据集

MCYT-100：该数据库是由马德里自治大学的BiDA实验室采集的签名数据库，通过电磁感应式手写板WACOM手写板采集到采样点的坐标、时刻和笔尖压力值，以及笔的水平偏角和垂直偏角等信息，该数据库包括100个签名，每个签名有25个真实样本和25个伪造样本，是目前数据量最大的常用数据库之一。

SVC2004：2004年由香港科技大学组织的第一届世界签名认证竞赛提供的比赛数据库，包含了中文和英文签名。任务1 仅提供签名的x、y 坐标轨迹特征，任务2提供了签名的轨迹、压力、签名时刻、提笔落笔标记以及笔的水平偏角和垂直偏角。该数据的数据量较少，每个任务仅有40个签名用户，每个包括20个真实签名和20个伪造签名。

SUSIG：数据库是由土耳其萨班哲大学生物特征识别研究组采集的签名数据库，数据包含智能笔采集的签名时笔的轨迹和压力感应屏记录的笔尖压力信息。该数据库包括了94个签名，每个签名有20个真实样本和10 个伪造样本，前十个真实签名和后十个真实签名的签名时间间隔为一周。

由于缺乏中文签名数据集，论文采集了包含749个用户约29,000张签字图片的中文签名数据集，每个姓名有20次不同时间点的真实签名(g