本发明公开了一种基于注意力机制的离线签名认证方法及系统，所述方法包括以下步骤：（1）获取中文手写签名数据集，将数据集划分为训练集、验证集与测试集；（2）搭建离线签名认证网络，并使用训练集训练网络，使用验证集判断网络的拟合情况；（3）获取待认证签名，并在数据库中找到其一张真实签名，将待认证签名与真实签名放入网络中进行预测。本发明将样本对的训练方式应用于离线签名认证问题，能够准确、高效地实现离线签名认证任务，能够尽可能少地减少卷积层在提取特征过程中丢失的信息，强化编码器特征提取的效果，提高离线签名认证任务的准确性，为金融、银行与法律业务等行业的安全性提供保障。
1.一种基于注意力机制的离线签名认证方法，其特征在于，包括以下步骤：（1）获取中文手写签名数据集，将数据集划分为训练集、验证集与测试集；
（2）搭建离线签名认证网络，并使用训练集训练网络，使用验证集判断网络的拟合情况；
所述离线签名认证网络，以一张黑白翻转后的真实签名图像与一张黑白翻转后的待认证签名图像作为输入，包含了两个编码器与两个解码器，以及六个二维注意力机制：首先将一张真实签名图像与待认证签名图像分别输入到两个权值共享的编码器中，得到两个特征图；编码过程如下述公式所示：；
其中Encoder为编码器； 为一张黑白翻转后的真实签名图像的像素值，为当输入为黑白翻转后的真实签名图像时，编码器中的第个卷积层的计算结果； 是黑白翻转后的真实签名图像的特征图，为编码器中的最后一个最大池化层的计算结果； 为一张黑白翻转后的待认证签名图像的像素值； 为当输入为黑白翻转后的待认证签名图像时，编码器中的第 个卷积层的计算结果； 是黑白翻转后的待认证签名图像的特征图，为编码器中的最后一个最大池化层的计算结果；
接着将两个特征图分别输入到两个权值共享的解码器中，得到两个长度为32的向量，解码过程如下述公式所示：；
其中Decoder为解码器； 为当黑白翻转后的真实签名图像的特征图输入到解码器后，解码器输出的长度为32的向量；为当黑白翻转后的待认证签名图像的特征图输入到解码器后，解码器输出的长度为32的向量；
最后将两个长度为32的向量进行拼接，将一个隐藏神经元个数为1的全连接层作为输出层，将拼接后的向量送入到输出层中，并且经过Sigmoid激活函数，得到待认证签名为真实签名和伪造签名的概率，公式如下：；
其中Concat为两个向量的拼接操作，为两个长度为32的向量拼接后的长度为64向量，为输出层的权重，为输出层的偏置，为Sigmoid函数的输入；
（2.1）搭建由五个卷积层与四个池化层组成的编码器；
（2.2）搭建由三个全连接层与三个二维注意力机制模块组成的解码器；
（2.3）使用二维注意力机制模块连接编码器的前三个卷积层与解码器的三个全连接层，从而完成网络的搭建；
（2.5）每次从训练集抽出一个批次的样本对放入网络中进行训练，再将网络编码器的输出与标签放入损失函数计算损失，并通过反向传播来更新网络参数；
（2.6）当训练集最后一个批次被抽出时，将每一批次的验证集放入网络；
（2.7）重复执行步骤（2.5）、（2.6），直到训练集中的最后一个批次被网络训练 次，其中为网络的训练时期数；
（3）获取待认证签名，并在数据库中找到其一张真实签名，将待认证签名与真实签名放入网络中进行预测。
2.根据权利要求1所述基于注意力机制的离线签名认证方法，其特征在于，所述步骤（1）包括：（1.1）对中文手写签名图像进行灰度化处理；
（1.2）对灰度化中文手写签名图像进行黑白翻转处理；
（1.5）对所有样本按照预设比例拆分为训练集、验证集与测试集。
3.根据权利要求2所述基于注意力机制的离线签名认证方法，其特征在于，所述步骤（1.4）包括：（1.4.1）对于同一个签名者的真实签名，组合每两张不同的真实签名图像作为正样本对，标签赋值为1；
（1.4.2）对于同一个签名者的伪造签名，组合每两张不同的真实签名图像与伪造签名图像作为负样本对，标签赋值为0；
（1.4.3）在负样本对中随机选取出与正样本对数量相同的样本。
4.根据权利要求3所述基于注意力机制的离线签名认证方法，其特征在于，所述步骤（1.4.1）具体为：正样本对数量的计算公式如下：
5.根据权利要求1所述基于注意力机制的离线签名认证方法，其特征在于，所述步骤（2.5）具体为：网络使用二值交叉熵函数作为损失函数，公式如下：；
其中 是指数据集的样本容量， 和 分别指样本对的真实类别与预测类别。
6.根据权利要求1所述基于注意力机制的离线签名认证方法，其特征在于，所述步骤（3）包括：（3.1）对待认证签名图像进行灰度化处理；
（3.2）对灰度化待认证签名图像进行黑白翻转处理；
（3.3）在数据库中找到签名者此前留下的一张真实签名；
（3.4）将待认证签名与真实签名构成一个样本对，将样本对放入网络中进行预测。
7.根据权利要求6所述基于注意力机制的离线签名认证方法，其特征在于，所述步骤（3.4）具体为：若网络预测的输出值大于等于0.5，则待认证签名为真实签名；否则，待认证签名为伪造签名。
8.一种基于注意力机制的离线签名认证系统，其特征在于，用于实现如权利要求1‑7任一项所述基于注意力机制的离线签名认证方法；包括预处理模块、训练模块和预测模块；其中：预处理模块，用于获取中文手写签名数据集，将数据集划分为训练集、验证集与测试集；
训练模块，用于搭建离线签名认证网络，并使用训练集训练网络，使用验证集判断网络的拟合情况；
预测模块，用于获取待认证签名，并在数据库中找到其一张真实签名，将待认证签名与真实签名放入网络中进行预测。
9.一种服务器，其特征在于：所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现如权利要求1‑7任一项所述基于注意力机制的离线签名认证方法。
10.一种计算机可读存储介质，其特征在于：所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现如权利要求1‑7任一项所述基于注意力机制的离线签名认证方法。
一种基于注意力机制的离线签名认证方法及系统
技术领域
[0001] 本发明涉及计算机视觉与模式识别领域，特别涉及一种基于注意力机制的离线签名认证方法及系统。
背景技术
[0002] 当今全世界每天都有大量重要的金融、商业和法医文件签署时，核实签名的真实性是一个重要的难题。由于利益驱动导致冒用签名的事件时有发生，这给金融、银行和政府机构带来了严重的违规风险。同时，随着商业文件越来越多，人工鉴定的速度和准确率很难得到保证。因此，开发一种自动、准确、高效的签名验证技术正变得越来越重要。
[0003] 尽管过去几十年的时间见证了签名验证方面的发展和进步，但是签名验证在中文领域还存在着以下挑战：
[0004] 第一，没有合适并且公开的中文手写签名数据集，阻碍了中文离线签名验证的研究和应用。
[0005] 第二，中文笔画相较于其他语言更为复杂，对网络的特征提取要求更高。
[0006] 第三，大多数人群的签名风格比较随意，这使得在不同场合的同一个人签名风格明显不同，并且，一些有意伪造的签名与真实签名极为相似。
[0007] 对于上述问题，目前常规的离线签名认证方法取得了较好的效果，但是忽略了卷积层对特征信息的丢失，这可能会阻碍网络学习有效的轨迹特征，并导致网络的性能降低。
发明内容
[0008] 本发明的目的在于克服现有技术的缺点与不足，提供一种基于注意力机制的离线签名认证方法，本发明的网络是根据离线中文手写签名数据集进行搭建，而不是在线手写签名数据集，同时本发明的网络也可以用于在线签名认证的场景。
[0009] 本发明的另一目的是提供一种基于注意力机制的离线签名认证系统。
[0010] 本发明的目的通过以下的技术方案实现：
[0011] 一种基于注意力机制的离线签名认证方法，包括以下步骤：
[0012] （1）获取中文手写签名数据集，将数据集划分为训练集、验证集与测试集；
[0013] （2）搭建离线签名认证网络，并使用训练集训练网络，使用验证集判断网络的拟合情况；
[0014] 所述步骤（2）包括：
[0015] （2.1）搭建由五个卷积层与四个池化层组成的编码器；
[0016] （2.2）搭建由三个全连接层与三个二维注意力机制模块组成的解码器；
[0017] （2.3）使用二维注意力机制模块连接编码器的前三个卷积层与解码器的三个全连接层，从而完成网络的搭建；
[0018] （2.4）加载网络，设置网络参数进行训练；
[0019] （2.5）每次从训练集抽出一个批次的样本对放入网络中进行训练，再将网络编码器的输出与标签放入损失函数计算损失，并通过反向传播来更新网络参数；
[0020] （2.6）当训练集最后一个批次被抽出时，将每一批次的验证集放入网络；
[0021] （2.7）重复执行步骤（2.5）、（2.6），直到训练集中的最后一个批次被网络训练 次，其中 为网络的训练时期数；
[0022] （3）获取待认证签名，并在数据库中找到其一张真实签名，将待认证签名与真实签名放入网络中进行预测。
[0023] 所述步骤（1）包括：
[0024] （1.1）对中文手写签名图像进行灰度化处理；
[0025] （1.2）对灰度化中文手写签名图像进行黑白翻转处理；
[0026] （1.3）对伪造签名使用随机弹性形变；
[0027] （1.4）对处理后的图像进行正负样本对的构造；
[0028] （1.5）对所有样本按照预设比例拆分为训练集、验证集与测试集。
[0029] 所述步骤（1.4）包括：
[0030] （1.4.1）对于同一个签名者的真实签名，组合每两张不同的真实签名图像作为正样本对，标签赋值为1；
[0031] （1.4.2）对于同一个签名者的伪造签名，组合每两张不同的真实签名图像与伪造签名图像作为负样本对，标签赋值为0；
[0032] （1.4.3）在负样本对中随机选取出与正样本对数量相同的样本。
[0033] 所述步骤（1.4.1）具体为：
[0034] 正样本对数量的计算公式如下：
[0035] ；
[0036] 其中 为正样本对数量， 为签名者的个数；
[0037] 所述步骤（1.4.2）具体为：
[0038] 负样本对数量的计算公式如下：
[0039] ；
[0040] 其中 为负样本对数量， 为签名者的个数。
[0041] 所述步骤（2.5）具体为：
[0042] 网络使用二值交叉熵函数作为损失函数，公式如下：
[0043] ；
[0044] 其中 是指数据集的样本容量，和 分别指样本对的真实类别与预测类别。
[0045] 所述步骤（3）包括：
[0046] （3.1）对待认证签名图像进行灰度化处理；
[0047] （3.2）对灰度化待认证签名图像进行黑白翻转处理；
[0048] （3.3）在数据库中找到签名者此前留下的一张真实签名；
[0049] （3.4）将待认证签名与真实签名构成一个样本对，将样本对放入网络中进[0050] 行预测。
[0051] 所述步骤（3.4）具体为：
[0052] 若网络预测的输出值大于等于0.5，则待认证签名为真实签名；否则，待认证签名为伪造签名。
[0053] 本发明的另一目的通过以下的技术方案实现：
[0054] 一种基于注意力机制的离线签名认证系统，包括预处理模块、训练模块和预测模块；其中：
[0055] 预处理模块，用于获取中文手写签名数据集，将数据集划分为训练集、验证集与测试集；
[0056] 训练模块，用于搭建离线签名认证网络，并使用训练集训练网络，使用验证集判断网络的拟合情况；
[0057] 预测模块，用于获取待认证签名，并在数据库中找到其一张真实签名，将待认证签名与真实签名放入网络中进行预测。
[0058] 一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现所述基于注意力机制的离线签名认证方法。
[0059] 一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现所述基于注意力机制的离线签名认证方法。
[0060] 本发明与现有技术相比，具有如下优点和有益效果：
[0061] 1、本发明将样本对的训练方式应用于离线签名认证任务，使用待认证签名、真实签名构造为样本对，以此放入网络中进行训练，从而预测待认证签名是否为本人签名。
[0062] 2、本发明提出了一个基于注意力机制的离线签名认证网络（att‑OfSVNet），用二维注意力机制对编码器与解码器所提取的特征进行融合，尽可能少地减少卷积层在提取特征过程中丢失的信息，强化编码器特征提取的效果，提高离线签名认证任务的准确性。
[0063] 3、本发明提出了一套离线签名认证流程，并搭建离线签名认证系统，为金融、银行与法律业务等行业的业务安全提供了保障。
附图说明
[0064] 图1为中文手写签名图像示例；
[0065] 图2为随机弹性形变示例；
[0066] 图3为本发明att‑OfSVNet的网络结构图；
[0067] 图4为二维注意力机制模块结构图。
具体实施方式
[0068] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0069] 一种基于注意力机制的离线签名认证方法，包括以下步骤：
[0070] （1）获取中文手写签名数据集，将数据集划分为训练集、验证集与测试集。
[0071] 在本实例中，采用了OpenCV技术对图像进行处理，使用PyTorch深度学习框架搭建离线签名认证网络，结合Python语言进行编程实验。
[0072] 对中文手写签名图像进行灰度化处理。
[0073] 本实例使用OpenCV技术将中文手写签名图像由RGB图像转为灰度图像，公式如下：
[0074] ；
[0075] 其中，Gray为灰度化后的中文手写签名图像的像素值，B为RGB图像中蓝色通道的像素值，G为RGB图像中绿色通道的像素值，R为RGB图像中红色通道的像素值。灰度化的结果如图1所示。
[0076] 对灰度化中文手写签名图像进行黑白翻转处理。
[0077] 本实例用255减去灰度化后的中文手写签名图像像素值，公式如下：
[0078] ；
[0079] 其中，Inverse为黑白翻转后的中文手写签名图像的像素值。从而实现对中文手写签名图像的黑白翻转。
[0080] 对伪造签名使用随机弹性形变。
[0081] 由于伪造签名的多样性还不够充分，因此我们对伪造签名进行了随机弹性形变，从而增大伪造签名的多样性，提高网络的性能。本实例对于每个签名者的伪造签名图像，使用较小的尺寸高宽均为3来进行随机的弹性形变，如图2所示。弹性形变常用于非固定性质的图像场景，简单而言是可能收到外界的小因素而图像部分区域发生了简单变化的场景，例如在室外花的识别等等。在签名认证领域弹性形变的使用并不普遍，但是本发明采取的小范围弹性形变是非常符合离线签名认证的场景，因为一个的不同时刻的签名并不会完全一样，可能会存在小部分的不同，但是这并不影响这些签名都是真实签名。本发明采用弹性形变对改变这种情况产生了重要作用。
[0082] 对处理后的图像进行正负样本对的构造。
[0083] 本实例所使用的签名图像数据为自己收集的CNSig中文手写签名数据集，该数据集包括836个签名者。对于真实签名，每个签名者有10个真实签名图像。对于伪造签名，每个签名者有10个真实签名图像。CNSig数据集共包括8360张真实签名图像与8360张伪造签名图像。对于同一个签名者的真实签名，组合每两张不同的真实签名图像作为正样本对，标签赋值为1，共有836*45=37620对。对于同一个签名者的伪造签名，组合每两张不同的真实签名图像与伪造签名图像作为负样本对，标签赋值为0。然后为了避免网络学习到错误的先验信息，平衡了正样本对和负样本对的样本量，在10*10=100对负样本对中随机选取出与正样本对数量相同的45对样本，作为负样本对，共有836*45=37620对。
[0084] 对所有样本对按照8:1:1的比例拆分训练集、验证集与测试集。
[0085] 本实例对所有构造出来的对样本，按照8:1:1的比例拆分训练集、验证集与测试集，共得到60192对训练集、7524对验证集与7524对测试集。
[0086] （2）本发明搭建离线签名认证网络，称为att‑OfSVNet。
[0087] att‑OfSVNet的结构如图3所示。att‑OfSVNet是本发明自定义的一个新网络，它以一张黑白翻转后的真实签名图像与一张黑白翻转后的待认证签名图像作为输入，包含了两个编码器与两个解码器，以及六个二维注意力机制。它首先将一张真实签名图像与待认证签名图像分别输入到两个权值共享的编码器中，得到两个特征图。编码过程如下述公式所示：
[0088] ；
[0089] ；
[0090] 其中Encoder为编码器。 为一张黑白翻转后的真实签名图像的像素值，为当输入为黑白翻转后的真实签名图像时，编码器中的第 个卷积层的计算结果。 是黑白翻转后的真实签名图像的特征图，为编码器中的最后一个最大池化层的计算结果。 为一张黑白翻转后的待认证签名图像的像素值， 为当输入为黑白
翻转后的待认证签名图像时，编码器中的第 个卷积层的计算结果。 是黑白翻转后的待认证签名图像的特征图，为编码器中的最后一个最大池化层的计算结果。
[0091] 接着将两个特征图分别输入到两个权值共享的解码器中，得到两个长度为32的向量，解码过程如下述公式所示：
[0092] ；
[0093] ；
[0094] 其中Decoder为解码器。 为当黑白翻转后的真实签名图像的特征图输入到解码器后，解码器输出的长度为32的向量。 为当黑白翻转后的待认证签名图像的特征图输入到解码器后，解码器输出的长度为32的向量。
[0095] 最后将两个长度为32的向量进行拼接，将一个隐藏神经元个数为1的全连接层作为输出层，将拼接后的向量送入到输出层中，并且经过Sigmoid激活函数，得到待认证签名为真实签名和伪造签名的概率，公式如下：
[0096] ；
[0097] ；
[0098] ；
[0099] 其中Concat为两个向量的拼接操作，为两个长度为32的向量拼接后的长度为64向量， 为输出层的权重，为输出层的偏置，为Sigmoid函数的输入。
[0100] 搭建由五个卷积层与四个池化层组成的编码器。
[0101] att‑OfSVNet的编码器由五个卷积层与四个池化层组成，能够起到提取特征的作用。第一个卷积层接收输入大小为128×256的黑白翻转后的签名图像，有32个卷积核，从而把特征图由单通道扩充至32个通道。第二个池化层将第一个卷积层的输出作为输入，使用大小为2×2的感受野，并且步长为2像素，从而对特征图进行裁剪。一个卷积层与一个最大池化层共同作为一个模块，将此模块重复三次，直到第三个最大池化层。前三个卷积层的卷积核个数分别为32、64、128，逐步增大。第三个池化层的输出则分别作为第四个卷积层与第五个卷积层的输入，第四个卷积层有64个卷积核，将通道数降至64。而第五个卷积层有128个卷积核，将通道数升至与第三个卷积层的输入一致。随后，在通道维度合并第四个卷积层与第五个卷积层的结果，即通道数变为192。最后再经过一个感受野大小为2×2、步长为2像素的最大池化层，第四个最大池化层的输出即为编码器的输出。所有的卷积层后都跟着一个BN层与ReLU激活函数，并且所有卷积层中的卷积核大小均为3×3，步长均为1像素。
[0102] BN层的计算公式如下：
[0103] ；
[0104] 其中，为BN层的输出， 为BN层的输入， 为 的均值， 为 的标准差，为残差，、 为参数。
[0105] ReLU激活函数的计算公式如下：
[0106] ；
[0107] 其中 为ReLU函数的输入。
[0108] 搭建由三个全连接层与三个二维注意力机制模块组成的解码器。
[0109] att‑OfSVNet的解码器由三个全连接层与三个二维注意力模块组成，目的是对特征图进行降维。解码器首先将编码器的输出输入到一个隐藏层神经元个数为128的全连接层中，然后与编码器中的第三层卷积后的结果一起放入二维注意力模块中进行融合。然后将融合后的结果输入到一个隐藏层神经元个数为64的全连接层中，然后与第二层卷积后的结果一起放入二维注意力模块中进行融合。最后将融合后的结果输入到一个隐藏层神经元个数为32的全连接层中，然后与第三层卷积后的结果一起放入二维注意力模块中进行融合，融合后的结果即为解码器的输出。
[0110] 使用二维注意力机制模块连接编码器的前三个卷积层与解码器的三个全连接层，从而完成网络的搭建。
[0111] 二维注意力机制模块的结构如图4所示。二维注意力机制模块的输入为一个三维张量与一维向量，首先将三维张量输入到一个卷积核大小为3×3、填充为1的卷积层中，从而实现通道数的减半，再将图像的高、宽维度合并，将其降维成一个二维张量。同时，将一维向量输入到一个全连接层中，从而实现长度的减半，再对其进行广播的操作，使其能够与二维张量按元素相加。将相加后的张量依次输入到tanh激活函数、全连接层与Softmax激活函数中，得到一个能够与转置后的三维张量进行矩阵相乘的结果。最后输出一个与输入的一维向量相同形状的向量，从而完成二维注意力机制。
[0112] 二维注意力机制使用以下给出的公式来对编码器与解码器进行融合：
[0113] ；
[0114] ；
[0115] ；
[0116] 其中 为融合卷积层与全连接层的结果， 为注意力矩阵，为二维注意力机制的输出，Flatten将三维张量中的图像高和宽维度打平，Conv为卷积运算，为三维张量输入，为一维张量输入， 为第 个全连接层的权重， 为第 个全连接层的偏置。
[0117] tanh激活函数的计算公式如下：
[0118] ；
[0119] 其中 为tanh函数的输入。
[0120] Softmax激活函数的计算公式如下：
[0121] ；
[0122] 其中 为输入 的第 个分量， 为类别总数。
[0123] 本发明通过二维注意力机制模块分别对应融合编码器中前三层的卷积层输出与解码器中三个全连接层的输出，实现尽可能少地丢失卷积层在提取过程中的信息，强化编码器提取特征的效果，从而提高网络的性能，更准确地认证离线手写签名。
[0124] 加载网络，设置训练网络参数。
[0125] 本实例设置网络训练100个时期，每批次训练32个样本。使用Adam优化器与余弦退火衰减方法来更新学习率，公式如下：
[0126] ；
[0127] 其中，为学习率，为总训练时期数， 为停止更新的学习率。
[0128] 设置初始学习率为0.01，停止更新的学习率为0.1，权重衰减系数为1e‑6。
[0129] 每次从训练集抽出一个批次的样本对放入att‑OfSVNet中进行训练，再将att‑OfSVNet编码器的输出与标签放入损失函数计算损失，并通过反向传播来更新网络参数。
[0130] 本实例使用二值交叉熵函数作为损失函数，公式如下：
[0131] ；
[0132] 其中 是指数据集的样本容量，和 分别指样本对的真实类别与预测类别。
[0133] 当训练集最后一个批次被抽出时，将每一批次的验证集放入att‑OfSVNet进行验证，从而判断att‑OfSVNet的拟合情况。
[0134] 若训练集经过网络的损失值与验证集经过网络的损失值基本持平，则网络性能较优；若训练集经过网络的损失值远小于验证集经过网络的损失值，则网络的过拟合程度严重。
[0135] 重复执行步骤（2.5）、（2.6），直到训练集中的最后一个批次被网络训练 次，其中为网络的训练时期数。
[0136] （3）获取待认证签名，并在数据库中找到其一张真实签名，将待认证签名与真实签名放入网络中进行预测。
[0137] 对待认证签名图像进行灰度化处理。
[0138] 本实例使用OpenCV技术将待认证签名图像由RGB图像转为灰度图像，公式如下：
[0139] ；
[0140] 其中，Gray为灰度化后的中文手写签名图像的像素值，B为RGB图像中蓝色通道的像素值，G为RGB图像中绿色通道的像素值，R为RGB图像中红色通道的像素值。
[0141] 对灰度化待认证签名图像进行黑白翻转处理。
[0142] 本实例用255减去灰度化后的待认证签名图像像素值，公式如下：
[0143] ；
[0144] 其中，Inverse为黑白翻转后的中文手写签名图像的像素值。从而实现对待认证签名图像的黑白翻转。
[0145] 在数据库中找到签名者此前留下的一张真实签名。
[0146] 在数据库中随机挑选一张签名者此前留下的真实签名，作为待认证签名的一个参考对象。
[0147] 将待认证签名与真实签名构成一个样本对，将样本对放入网络中进行预测。
[0148] 以待认证签名与真实签名构造一个样本对，作为att‑OfSVNet的输入。若网络预测的输出值大于等于0.5，则待认证签名为真实签名；否则，待认证签名为伪造签名。
[0149] 一种基于注意力机制的离线签名认证系统，包括预处理模块、训练模块和预测模块；其中：
[0150] 预处理模块，用于获取中文手写签名数据集，将数据集划分为训练集、验证集与测试集；
[0151] 训练模块，用于搭建离线签名认证网络，并使用训练集训练网络，使用验证集判断网络的拟合情况；
[0152] 预测模块，用于获取待认证签名，并在数据库中找到其一张真实签名，将待认证签名与真实签名放入网络中进行预测。
[0153] 一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现所述基于注意力机制的离线签名认证方法。
[0154] 一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现所述基于注意力机制的离线签名认证方法。
[0155] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
