1.一种在线签名验证方法，其特征在于，包括以下步骤：步骤一：获取局部时序特征Fos；所述局部时序特征Fos包括：利用传感器设备输出的原始三元组时间序列数据(xn,yn,pn)，其中xn表示点的横坐标，yn表示纵坐标，pn表示压力值；

步骤二：以所述局部时序特征Fos作为输入特征，运用BILSTM提取签名时序数据的动态特征Flstm；

步骤三：以所述局部时序特征Fos作为输入特征，运用CNN提取全局编码特征Fcnn；

步骤四：将所述动态特征Flstm和全局编码特征Fcnn融合，得到语义特征Fsd；

步骤五：根据局部时序特征Fos，利用全局特征描述算子提取全局统计特征Fg，并同语义特征Fsd连接得到高判别特征Fh；

步骤六：对待验证笔迹Sver和参考笔迹Sref分别通过步骤一到步骤五分别提取高判别特征Fh_ver和Fh_ref；

步骤七：连接Fh_ver和Fh_ref并进行二层卷积后，进行二层全连接，最后通过sfotmax输出是真实签名还是伪造签名。

2.根据权利要求1所述的在线签名验证方法，其特征在于，所述局部时序特征Fos包括：横坐标xn、纵坐标yn、压力值pn、路径角θn、路径加速度vn、曲线半径ρn、总加速值an、5窗口最小最大速度比: 连续样本角αn、正弦sn、余弦cn、五样本窗口上的笔划长宽比 7样本窗口上的笔划长宽比 以及横坐标xn、纵坐标yn、压力值pn、路径角θn、路径加速度vn、曲线半径ρn和总加速值an的一阶导数特征。

3.根据权利要求2所述的在线签名验证方法，其特征在于，在步骤二、步骤三之前，先对所述局部时序特征Fos利用如下公式进行归一化处理：X'＝(X‑μ)/σ

其中，μ和σ分别表示原始序列的均值和方差，X表示输入序列。

4.根据权利要求1所述的在线签名验证方法，其特征在于，步骤二中包括：步骤21：将所述BILSTM的前向LSTM和后向LSTM的输出连接到同一个输出层，得到L×H的特征矩阵Fm；L是序列的长度，H是BILSTM隐藏层的大小；

步骤22：利用注意力模型将所述特征矩阵Fm学习成为一个H维的特征向量Flstm，该H维的特征向量Flstm即为所述动态特征Flstm；

其中， 表示BILSTM输出特征矩阵的转置， 是矩阵点乘操作，W和U是可学习的权重。

5.根据权利要求4所述的在线签名验证方法，其特征在于，所述前向LSTM的隐藏层大小为64；所述后向LSTM的隐藏层大小为32。

6.根据权利要求1所述的在线签名验证方法，其特征在于，步骤三中所述CNN的建立包括：

步骤31：利用3个一维卷积层建立级联的卷积层，在每个所述一维卷积层后连接有批量标准化层和Relu激活函数；

步骤32：在所述级联的卷积层后接全局平均层，通过所述全局平均层得到输出的局编码特征Fcnn。

7.根据权利要求1所述的在线签名验证方法，其特征在于，所述步骤五中提取全局统计特征Fg包括采用以下公式进行提取：其中，1≤i≤L是签名采样点下标，角度序列 和 的值域是(‑π,π)；将值域等间隔划分为8个区间并分别对 和 进行直方图统计，得到16个角度全局统计特征；

模值 和 只被考虑[0,μ+3σ]范围内的值，即大于μ+3σ被截断，其中μ和σ分别表示对应序列的均值和标准差；同样将区间[0,μ+3σ]等间隔分为8个区间统并分别对 和进行直方图统计，得到16个模统计特征。

8.根据权利要求1所述的在线签名验证方法，其特征在于，所述步骤七中，所述二层卷积为：采用两个1d‑CNN层，其中卷积核大小为3，卷积核数量为16，并且在每层CNN后紧接一个最大池化层；所述二层全连接包括：两个全连接层的节点个数依次为64个节点和2个节点。

9.一种在线签名验证系统，其特征在于，包括特征提取模块和判别模块；

所述特征提取模块用于提取待验证笔迹Sver和参考笔迹Sref的高判别特征Fh_ver和Fh_ref；

所述判别模块用于根据高判别特征Fh_ver和Fh_ref来鉴别签名的真伪；

所述特征提取模块包括：

局部时序特征Fos获取单元，所述局部时序特征Fos的获取包括：利用传感器设备输出的原始三元组时间序列数据(xn,yn,pn)，其中xn表示点的横坐标，yn表示纵坐标，pn表示压力值；

动态特征Flstm获取单元，用于以所述局部时序特征Fos作为输入特征，运用BILSTM提取签名时序数据的动态特征Flstm；

全局编码特征Fcnn获取单元，用于以所述局部时序特征Fos作为输入特征，运用CNN提取全局编码特征Fcnn；

融合单元，用于将所述动态特征Flstm和全局编码特征Fcnn融合，得到语义特征Fsd；

高判别特征Fh获取单元，用于根据局部时序特征Fos，利用全局特征描述算子提取全局统计特征Fg，并同语义特征Fsd连接得到高判别特征Fh；

高判别特征笔迹获取单元，用于对待验证笔迹Sver和参考笔迹Sref分别通过步骤一到步骤五分别提取高判别特征Fh_ver和Fh_ref。

10.根据权利要求9所述的在线签名验证系统，其特征在于，所述判别模块包括：依次连接的：两个1d‑CNN层、Flatten函数单元、两个全连接层、sfotmax函数单元；

其中，两个1d‑CNN层的卷积核大小为3，卷积核数量为16，并且在每层CNN后紧接一个最大池化层；两个全连接层的节点个数依次为64个节点和2个节点。