经济和互联网行业的快速发展带来了支付行业的持续繁荣,其中,刷卡支付凭借其方便、快捷等特性已成为消费者日常生活中消费支付、金融交易的主要手段。在庞大的刷卡量和交易额的情况下,确保刷卡交易的安全是极其重要的。刷卡欺诈是目前刷卡交易面临的最主要的安全威胁。因此,快速准确识别刷卡交易人的身份是有效防止刷卡欺诈检测的有效手段。目前,我国刷卡交易都是以密码的方式作为验证刷卡用户身份的主要手段,但是,仅靠密码是无法完全有效的防止刷卡欺诈的。因此,为保证刷卡支付的安全性,无论有无密码验证,所有的刷卡交易都需要用户签字确认,利用签名及用户特定的身份特征,比如手部特征等来对用户的身份进行认证识别是最自然、也最被广泛接受的方案。本文对自然场景下用户签名动作视频设计算法来识别用户的身份。本文主要对以下三个方面的内容进行研究。(1)签名视频数据集的构建及手部区域的定位检测。本文首先构建了符合研究要求的签名视频数据集,为后续研究提供数据支持。同时,在签名视频中,不同环境、光照等条件下,采集的视频帧存在着背景区域占比过大、背景噪声过大等导致对人手区域检测效果差的因素。因此,首先应用目标检测算法提取出带有少量背景的局部手部区域,本文分别应用基于HOG特征和SVM分类器的目标检测方法、基于DPM的目标检测算法和基于深度学习的目标检测算法检测并提取出手部区域。(2)手部区域的分割提取,本文将手部区域的提取视为二分类的语义分割任务,通过分析手部图片特征,本文设计了一种结合注意力机制和空洞卷积模块的全卷积神经网络(CNN)模型,该模型模仿人类视觉的注意力机制和应用DCB模块多尺度提取特征,从而使得模型可以更多的关注卷积特征中的显著性区域。本文提出的算法在三个公共数据集和本课题数据集上的实验结果表明,该模型可以获得很好的人手区域分割效果。(3)特征提取与身份识别。针对提取到的手部区域的局部特征和视频帧图片的全局特征的提取和学习,为了有效的提取手部区域的局部特征和整张视频帧的全局特征,本文提出了两种双分支的孪生CNN模型:基于早融合的身份识别算法和基于迟融合的身份识算法,分别采用不同的融合方法进行手部局部特征和静态视频帧特征融合,最后实现签名用户身份识别。