离线手写签名认证是一种利用个人书写习惯中的特有规律进行身份认证的方法,具有方便、可靠且易于被人们接受等特点,在司法、金融、商务以及政务等领域具有广泛的应用前景。近年来,离线手写签名认证领域的研究取得了众多成果,但由于真实签名与熟练伪造签名之间的差异较小以及训练样本库规模受限等难点,离线手写签名认证算法研究仍具有较大的挑战性。本文针对熟练伪造签名与真实签名的认证进行了深入研究,在此基础上提出了一种基于区域度量融合的离线签名认证算法。具体而言,采用卷积神经网络实现签名图像的多区域特征提取,利用Siamese网络将特征提取与相似性度量相结合从而实现端到端的训练,提高了认证算法的性能。本文的主要工作如下:1.签名图像预处理。针对签名图像中包含的背景噪声、角度倾斜、笔迹颜色以及签名位置和大小差异,本文对签名图像进行了预处理。预处理包括背景消除、倾斜矫正、笔画灰度归一化以及图像矩归一化。2.基于卷积神经网络的签名特征提取算法。本文对经典的卷积神经网络结构进行了对比研究,选择了DenseNet结构;通过结合SE-Net结构,设计了一种适用于离线签名认证的特征提取网络。该特征提取网络充分利用了真伪签名之间的差异信息,并通过融合深层和浅层特征增强了特征的表达能力。3.基于Siamese网络的离线签名认证算法。本文构建了改进的Siamese网络,并通过将特征提取与相似性度量相结合,实现端到端的训练;针对熟练伪造签名与真实签名之间的主要差异在于签名中的笔画书写细节等,提出了基于区域度量融合的离线签名认证算法。该算法将签名图像划分为若干子区域、提取子区域特征,计算相似性度量之后,利用融合多个子区域的相似性度量实现签名认证,有效地提升了算法的性能。针对国际公开的GPDS数据集和CEDAR数据集,测试了算法性能,实验结果表明了本文提出算法的有效性。