CN110619274A - 基于印章和签名的身份验证方法、装置和计算机设备 - Google Patents

基于印章和签名的身份验证方法、装置和计算机设备 Download PDF

Info

Publication number
CN110619274A
CN110619274A CN201910750602.1A CN201910750602A CN110619274A CN 110619274 A CN110619274 A CN 110619274A CN 201910750602 A CN201910750602 A CN 201910750602A CN 110619274 A CN110619274 A CN 110619274A
Authority
CN
China
Prior art keywords
signature
pattern
handwritten
preset
handwriting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910750602.1A
Other languages
English (en)
Inventor
吴静平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201910750602.1A priority Critical patent/CN110619274A/zh
Publication of CN110619274A publication Critical patent/CN110619274A/zh
Priority to PCT/CN2020/088000 priority patent/WO2021027336A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/30—Writer recognition; Reading and verifying signatures
    • G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请揭示了一种基于印章和签名的身份验证方法、装置、计算机设备和存储介质，所述方法包括：获取用户输入的手写签名与签章图案；采用预设的文字识别技术识别所述手写签名从而获取签名文本；若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果；若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同；若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。

Description

基于印章和签名的身份验证方法、装置和计算机设备
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于印章和签名的身份验证方法、装置、计算机设备和存储介质。
背景技术
身份验证是现代生产生活中不可缺少的一部分，一般采用签名、签章等方式进行身份验证。传统技术对于签名或者签章的验证方式较为简单，容易被不法分子通过伪造签名或者签章的方式欺骗，造成验证错误。因此传统技术进行身份验证的技术方案的验证准确度存在缺陷。
发明内容
本申请的主要目的为提供一种基于印章和签名的身份验证方法、装置、计算机设备和存储介质，旨在提高身份验证的准确性。
为了实现上述发明目的，本申请提出一种基于印章和签名的身份验证方法，包括以下步骤：
获取用户输入的手写签名与签章图案，其中所述签章图案是预存的虚拟立体印章的投影图案；
采用预设的文字识别技术识别所述手写签名从而获取签名文本，并判断所述签名文本是否与预设的姓名相同；
若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成；
判断所述识别结果是否与所述签名文本相同；
若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同；
若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。
进一步地，所述手写签名位于指定图片中，所述采用预设的文字识别技术识别所述手写签名从而获取签名文本的步骤,包括：
采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据公式：F1＝MIN{ROUND[(a1R+a2G+a3B)/L,0],A}，获取参考数值F1，其中MIN为最小值函数，ROUND为四舍五入函数，a1、a2、a3和L均为预设参数，a1、a2、a3均为大于0且小于L的正数，L为大于0的整数，A为预设的取值在范围(0,255)之内阈值参数，R、G、B分别为所述指定图片中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值；
获取所述参考数值F1的值不等于A的像素点，记为手写签名像素点，并将所述手写签名像素点构成的图形记为手写签名图形；
提取所述手写签名图形的文字特征，并输入预设的支持向量机中进行分类，从而获得识别而得的手写文字文本和印刷体文字文本。
进一步地，所述若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成的步骤之前，包括：
调用预先采集的样本数据，并分成训练集和测试集；其中，所述样本数据包括预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者；
将训练集的样本数据输入到预设的神经网络模型中进行训练，从而得到初始字迹识别模型，其中，训练的过程中采用随机梯度下降法；
利用测试集的样本数据验证所述初始字迹识别模型；
若所述初始字迹识别模型验证通过，则将所述初始字迹识别模型记为所述字迹识别模型。
进一步地，所述手写签名位于指定图片中，所述提取所述手写签名的字迹特征的步骤，包括：
获取所述手写签名对应的像素点，并记为手写签名像素点；
获取所述手写签名像素点的颜色数值，并将颜色数值处于同一预设范围内的相邻像素点记为细节单位，并将所述细节单位的颜色数值记为所述相邻像素点的颜色数值的平均值；
获取相邻的所述细节单位的颜色数值变化趋势，将所述细节单位、所述细节单位的颜色数值和所述颜色数值变化趋势作为所述手写签名的字迹特征，并提取所述字迹特征。
进一步地，所述获取用户输入的手写签名与签章图案的步骤，包括：
获取用户输入的手写签名、签章图案和签章图案的生成时间；
所述获取预存的虚拟立体印章在指定投影方向的指定投影图案的步骤，包括：
根据预设的签名与虚拟立体印章的对应关系，调取所述手写签名对应的指定虚拟立体印章；
以所述指定虚拟立体印章的正面中心为原点，根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点；
将所述指定坐标点指向所述原点的方向记为指定投影方向，并从所述指定投影方向对所述指定虚拟立体印章进行投影，从而得到指定投影图案。
进一步地，所述以所述指定虚拟立体印章的正面中心为原点，根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点的步骤，包括：
以所述指定虚拟立体印章的正面中心为原点，所述原点与所述正面中的预设点的连线作为x轴，所述正面中与所述x轴垂直的且过原点的直线作为y轴，所述正面的过所述原点的垂线为z轴，从而建立平面直角坐标系；
获取当前时间，并根据公式:
x＝k1×M+b1；y＝k2×D+b2；z＝k3×T+b3，获取指定坐标点(x,y,z)，其中所述签章图案的生成时间为签章年份的第M月中的第D天中的第T个小时，其中k1、k2、k3、b1、b2和b3均为预设的参数。
进一步地，所述利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同的步骤,包括：
分别对所述指定投影图案与所述签章图案进行灰度化处理，得到第一灰度图片和第二灰度图片；
计算灰度图片的第m列或者第m行的所有像素点的灰度值的平均值Am，以及计算灰度图片中所有像素点的灰度值的平均值B；
根据公式：计算灰度图片的第m列或者第m行的总体方差其中N为灰度图片中的列或者行的总数量；
根据公式:获得两张灰度图片的第m列或者第m行的总体方差之差其中，为第一张灰度图片的第m列或者第m行的总体方差，为第二张灰度图片的第m列或者第m行的总体方差；
判断是否小于预设的方差误差阈值；
若小于预设的方差误差阈值，则判定所述指定投影图案与所述签章图案相同。
本申请提供一种基于印章和签名的身份验证装置，包括：
获取单元，用于获取用户输入的手写签名与签章图案，其中所述签章图案是预存的虚拟立体印章的投影图案；
姓名判断单元，用于采用预设的文字识别技术识别所述手写签名从而获取签名文本，并判断所述签名文本是否与预设的姓名相同；
字迹识别单元，用于若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成；
签名文本相同判断单元，用于判断所述识别结果是否与所述签名文本相同；
签章图案判断单元，用于若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同；
身份验证通过判定单元，用于若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于印章和签名的身份验证方法、装置、计算机设备和存储介质，获取用户输入的手写签名与签章图案；识别所述手写签名从而获取签名文本；若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果；若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案；若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过，从而提高了身份验证的准确性。
附图说明
图1为本申请一实施例的基于印章和签名的身份验证方法的流程示意图；
图2为本申请一实施例的基于印章和签名的身份验证装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于印章和签名的身份验证方法，包括以下步骤：
S1、获取用户输入的手写签名与签章图案，其中所述签章图案是预存的虚拟立体印章的投影图案；
S2、采用预设的文字识别技术识别所述手写签名从而获取签名文本，并判断所述签名文本是否与预设的姓名相同；
S3、若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成；
S4、判断所述识别结果是否与所述签名文本相同；
S5、若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同；
S6、若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。
如上述步骤S1所述，获取用户输入的手写签名与签章图案，其中所述签章图案是预存的虚拟立体印章的投影图案。本申请的手写签名与签章图案用于交叉验证所述用户的身份，其中所述签章图案是预存的虚拟立体印章的投影图案，从而提高了仅通过印章图案，逆推出所述印章的正面形状和图案的风险，进而增加了印章的安全性与身份验证的准确性。
如上述步骤S2所述，采用预设的文字识别技术识别所述手写签名从而获取签名文本，并判断所述签名文本是否与预设的姓名相同。其中预设的文字识别技术例如为OCR(Optical Character Recognition，光学字符识别)技术，其中在识别过程中可以采中下述一种或者多种技术手段：灰度化：采用RGB模型表示图像的每个像素点，取每个像素点的R、G、B的平均值代替原来的R、G、B的值得到图像的灰度值；二值化：将图像的像素点分为黑色和白色两部分，以区分出手写签名；降噪：采用中值滤波、均值滤波、自适应维纳滤波等进行滤波，以处理图像噪声；倾斜矫正：采用霍夫变换等方法处理图像，以矫正拍照等导致的图像倾斜；文字分割：采用投影运算进行文字切分，将单行文字或者多行文字投影到X轴上，并将值累加，文字的区域必定值比较大，间隔区域必定没有值(或者值较小)，以此分割出单个文字；特征提取：提取出这些像素点中的特殊的点如极值点，孤立点等，作为图像的特征点；分类：采用SVM(Support Vector Machine，采用支持向量机)分类器进行分类，得到初识别结。其中所述特征数据例如为所述手写文字中的重笔位置与重笔数量，例如通过将手写文字的笔划分解为多个点进行数据采集分析，通过识别像素点的数据变化趋势得到每个点的压力值、书写时顺序的清晰度等，进而获取包括重笔位置与重笔数量的特征数据，其中重笔指手写文字中用力最大的笔划。
如上述步骤S3所述，若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成。其中神经网络模型可以为任意模型，例如VGG-F模型、VGG16模型、ResNet152模型、ResNet50模型、DPN131模型、AlexNet模型和DenseNet模型等，优选DPN模型。DPN(Dual Path Network)是神经网络结构，在ResNeXt的基础上引入了DenseNet的核心内容，使得模型对特征的利用更加充分。上述DPN、ResNeXt和DenseNet是现有的网络结构，在此不在赘述。从而识别出所述手写签名对应的书写者。
如上述步骤S4所述，判断所述识别结果是否与所述签名文本相同。若所述识别结果与所述签名文本相同，即表示所述手写签名的确是真的，并非伪造签名，据此可以进行后续的验证流程。
如上述步骤S5所述，若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同。由于虚拟立体印章不为外人所知，所以预存的虚拟立体印章在指定投影方向的指定投影图案也不为外人所知，因此可用于验证身份。并且由已知的投影图案无法反推出虚拟立体印章，从而保证了印章的安全性。更进一步地，由于下次签章采用的投影方向与本次签章的投影方向不同，因此本次签章的平面投影图像不能用于下次签章，从而杜绝了盗用平面投影图像用于下次伪造签章的可能性。其中预设的图像相似判断方法可以为任意方法，例如为依次对比两张图片中对应的像素点，若相同的像素点的数量或者数量的占比大于预定阈值，则判定相同；若相同的像素点的数量或者数量的占比不大于预定阈值，则判定不相同。
如上述步骤S6所述，若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。若所述指定投影图案与所述签章图案相同，即签章验证通过，再结合前述的签名验证，从而交叉验证所述用户的身份，据此判定所述用户的身份验证通过。
在一个实施方式中，所述手写签名位于指定图片中，所述采用预设的文字识别技术识别所述手写签名从而获取签名文本的步骤S2,包括：
S201、采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据公式：F1＝MIN{ROUND[(a1R+a2G+a3B)/L,0],A}，获取参考数值F1，其中MIN为最小值函数，ROUND为四舍五入函数，a1、a2、a3和L均为预设参数，a1、a2、a3均为大于0且小于L的正数，L为大于0的整数，A为预设的取值在范围(0,255)之内阈值参数，R、G、B分别为所述指定图片中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值；
S202、获取所述参考数值F1的值不等于A的像素点，记为手写签名像素点，并将所述手写签名像素点构成的图形记为手写签名图形；
S203、提取所述手写签名图形的文字特征，并输入预设的支持向量机中进行分类，从而获得识别而得的手写文字文本和印刷体文字文本。
如上所述，实现了采用预设的文字识别技术识别所述手写签名从而获取签名文本。为了更准确地提取手写签名，本申请采用公式：F1＝MIN{ROUND[(a1R+a2G+a3B)/L,0],A}，将背景颜色与所述手写签名区分开来，从而保留了手写签名的特征细节，而所述参考数值F1的值不等于A的像素点即被视为黑色字体颜色，被视为手写签名的像素点，因此所述手写签名像素点构成的图形记为手写签名图形。再提取所述手写签名图形的文字特征，并输入预设的支持向量机中进行分类，从而获得识别而得的手写文字文本和印刷体文字文本。其中所述支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，适用于对待识别文字与预存的文字进行对比，以输出最相似的文字。其中所述文字特征例如为文字对应的像素点中的特殊的点如极值点，孤立点等。其中ROUND函数是四舍五入函数，ROUND(X,a)指对实数X按小数位为a进行四舍五入运算，其中a为大于等于0的整数，例如ROUND(2.1,0)＝2。
在一个实施方式中，所述若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成的步骤S3之前，包括：
S21、调用预先采集的样本数据，并分成训练集和测试集；其中，所述样本数据包括预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者；
S22、将训练集的样本数据输入到预设的神经网络模型中进行训练，从而得到初始字迹识别模型，其中，训练的过程中采用随机梯度下降法；
S23、利用测试集的样本数据验证所述初始字迹识别模型；
S24、若所述初始字迹识别模型验证通过，则将所述初始字迹识别模型记为所述字迹识别模型。
如上所述，实现了设置字迹识别模型。本申请基于神经网络模型以训练出字迹识别模型。其中神经网络模型可为VGG16模型、VGG-F模型、AlexNet模型、ResNet152模型、ResNet50模型、DPN131模型和DenseNet模型等。其中，随机梯度下降法就是随机取样一些训练数据，替代整个训练集，如果样本量很大的情况，只用其中部分的样本，就已经迭代到最优解了，可以提高训练速度。进一步地，训练还可以采用反向传导法则更新神经网络各层的参数。其中反向传导法则是建立在梯度下降法的基础上，其输入输出关系实质上是一种映射关系：一个n输入m输出的神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性，有利于神经网络模型各层的参数的更新。从而获得初始字迹识别模型。再利用测试集的样本数据验证所述初始字迹识别模型，若验证通过，则将所述初始字迹识别模型记为所述字迹识别模型。
在一个实施方式中，所述手写签名位于指定图片中，所述提取所述手写签名的字迹特征的步骤S3，包括：
S301、获取所述手写签名对应的像素点，并记为手写签名像素点；
S302、获取所述手写签名像素点的颜色数值，并将颜色数值处于同一预设范围内的相邻像素点记为细节单位，并将所述细节单位的颜色数值记为所述相邻像素点的颜色数值的平均值；
S303、获取相邻的所述细节单位的颜色数值变化趋势，将所述细节单位、所述细节单位的颜色数值和所述颜色数值变化趋势作为所述手写签名的字迹特征，并提取所述字迹特征。
如上所述，实现了提取所述手写签名的字迹特征。为了节省算力，并且有效利用特征细节，本申请通过获取所述手写签名像素点的颜色数值，并将颜色数值处于同一预设范围内的相邻像素点记为细节单位，并将所述细节单位的颜色数值记为所述相邻像素点的颜色数值的平均值；获取相邻的所述细节单位的颜色数值变化趋势，将所述细节单位、所述细节单位的颜色数值和所述颜色数值变化趋势作为所述手写签名的字迹特征，并提取所述字迹特征的方式，利用所述细节单位、所述细节单位的颜色数值和所述颜色数值变化趋势作为后续识别手写签名的书写者的基础。其中由于不同书写者在书写时的用力习惯不同，会导致用力轻重不同时的细节单位的形状、颜色和所述颜色数值变化趋势存在细微的区别，据此可识别出正确的书写者。
在一个实施方式中，所述获取用户输入的手写签名与签章图案的步骤S1，包括：
S101、获取用户输入的手写签名、签章图案和签章图案的生成时间；
所述获取预存的虚拟立体印章在指定投影方向的指定投影图案的步骤S5，包括：
S501、根据预设的签名与虚拟立体印章的对应关系，调取所述手写签名对应的指定虚拟立体印章；
S502、以所述指定虚拟立体印章的正面中心为原点，根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点；
S503、将所述指定坐标点指向所述原点的方向记为指定投影方向，并从所述指定投影方向对所述指定虚拟立体印章进行投影，从而得到指定投影图案。
如上所述，实现了从所述指定投影方向对所述指定虚拟立体印章进行投影，从而得到指定投影图案。为了提高印章的安全性，本申请采用了虚拟立体印章以防止印章被伪造。本申请采用根据预设的时间与空间坐标点的对应关系，获取所述签章图案的生成时间的指定坐标点，将所述指定坐标点指向所述原点的方向记为指定投影方向，并从所述指定投影方向对所述指定虚拟立体印章进行投影，从而得到平面投影图像的方式，保证了签章的安全性(不同时间的平面投影图像，因此逆向倒推平面投影图像或者指定虚拟立体印章是不可能的)。其中所述指定虚拟立体印章的正面可为所述指定虚拟立体印章预设的任意一个面，优选为所述指定虚拟立体印章的一个具有特定图案的面，其中所述特定图案例如与实体印章的签章相同或者与实体印章的签章对应的阳文(以实体印章的签章为阴文)。
在一个实施方式中，所述以所述指定虚拟立体印章的正面中心为原点，根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点的步骤S502，包括：
S5021、以所述指定虚拟立体印章的正面中心为原点，所述原点与所述正面中的预设点的连线作为x轴，所述正面中与所述x轴垂直的且过原点的直线作为y轴，所述正面的过所述原点的垂线为z轴，从而建立平面直角坐标系；
S5022、获取当前时间，并根据公式:
x＝k1×M+a1；y＝k2×D+a2；z＝k3×T+a3，获取指定坐标点(x,y,z)，其中所述签章图案的生成时间为签章年份的第M月中的第D天中的第T个小时，其中k1、k2、k3、b1、b2和b3均为预设的参数。
如上所述，实现了根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点。本申请将所述签章图案的生成时间分解为当前年份的第M月中的第D天中的第T个小时，并且根据第M月、第D天、第T个小时，利用公式x＝k1×M+a1；y＝k2×D+a2；z＝k3×T+a3，获取指定坐标点(x,y,z)，从而进一步保证了签章的安全性。并且由于x轴、y轴、z轴分别与月、日、小时相关，也即平面投影图像与月、日、小时相关，因此指定投影图案能够进行一定程度的信息反馈，在保证信息安全的前提下，有利于提高信息的利用率。
在一个实施方式中，所述利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同的步骤S5,包括：
S501、分别对所述指定投影图案与所述签章图案进行灰度化处理，得到第一灰度图片和第二灰度图片；
S502、计算灰度图片的第m列或者第m行的所有像素点的灰度值的平均值Am，以及计算灰度图片中所有像素点的灰度值的平均值B；
S503、根据公式：计算灰度图片的第m列或者第m行的总体方差其中N为灰度图片中的列或者行的总数量；
S504、根据公式:获得两张灰度图片的第m列或者第m行的总体方差之差其中，为第一张灰度图片的第m列或者第m行的总体方差，为第二张灰度图片的第m列或者第m行的总体方差；
S505、判断是否小于预设的方差误差阈值；
S506、若小于预设的方差误差阈值，则判定所述指定投影图案与所述签章图案相同。
如上所述，实现了利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同。其中，灰度化指将彩色表示一种灰度颜色，例如在在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，从而减少存储量。根据公式：计算所述灰度图片的第m列或者第m行的总体方差其中N为所述灰度图片中的列或者行的总数量。在本申请中，采用总体方差来衡量所述灰度图片的第m列或者第m行的像素点的灰度值的平均值Am与所述灰度图片中所有像素点的灰度值的平均值B之间的差异。根据公式:获得两张所述灰度图片的第m列或者第m行的总体方差之差总体方差之差反应了两张灰度图片的第m列或者第m行的灰度值的差异。当较小时，例如为0时，表明等于或者近似等于可视为第一张灰度图片第m列或者第m行的灰度值与第二张灰度图片第m列或者第m行的灰度值相同或者近似相同(近似判断，以节省算力，并且由于不同的两张图片的总体方差一般不相等，因此该判断的准确性很高)，反之认为第一张灰度图片第m列或者第m行的灰度值与第二张灰度图片第m列或者第m行的灰度值不相同。判断是否小于预设的方差误差阈值。其中的返回值即为中的最大值。若小于预设的方差误差阈值，则判定所述指定投影图案与所述签章图案相同。
本申请的基于印章和签名的身份验证方法，获取用户输入的手写签名与签章图案；识别所述手写签名从而获取签名文本；若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果；若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案；若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过，从而提高了身份验证的准确性。
参照图2，本申请实施例提供一种基于印章和签名的身份验证装置，包括：
获取单元10，用于获取用户输入的手写签名与签章图案，其中所述签章图案是预存的虚拟立体印章的投影图案；
姓名判断单元20，用于采用预设的文字识别技术识别所述手写签名从而获取签名文本，并判断所述签名文本是否与预设的姓名相同；
字迹识别单元30，用于若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成；
签名文本相同判断单元40，用于判断所述识别结果是否与所述签名文本相同；
签章图案判断单元50，用于若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同；
身份验证通过判定单元60，用于若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。
其中上述单元分别用于执行的操作与前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述手写签名位于指定图片中，所述姓名判断单元20,包括：
参考数值获取子单元，用于采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据公式：F1＝MIN{ROUND[(a1R+a2G+a3B)/L,0],A}，获取参考数值F1，其中MIN为最小值函数，ROUND为四舍五入函数，a1、a2、a3和L均为预设参数，a1、a2、a3均为大于0且小于L的正数，L为大于0的整数，A为预设的取值在范围(0,255)之内阈值参数，R、G、B分别为所述指定图片中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值；
手写签名像素点获取子单元，用于获取所述参考数值F1的值不等于A的像素点，记为手写签名像素点，并将所述手写签名像素点构成的图形记为手写签名图形；
分类子单元，用于提取所述手写签名图形的文字特征，并输入预设的支持向量机中进行分类，从而获得识别而得的手写文字文本和印刷体文字文本。
其中上述子单元分别用于执行的操作与前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
样本数据调用单元，用于调用预先采集的样本数据，并分成训练集和测试集；其中，所述样本数据包括预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者；
训练单元，用于将训练集的样本数据输入到预设的神经网络模型中进行训练，从而得到初始字迹识别模型，其中，训练的过程中采用随机梯度下降法；
验证单元，用于利用测试集的样本数据验证所述初始字迹识别模型；
标记单元，用于若所述初始字迹识别模型验证通过，则将所述初始字迹识别模型记为所述字迹识别模型。
其中上述单元分别用于执行的操作与前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述手写签名位于指定图片中，所述字迹识别单元30，包括：
手写签名像素点标记子单元，用于获取所述手写签名对应的像素点，并记为手写签名像素点；
细节单位标记子单元，用于获取所述手写签名像素点的颜色数值，并将颜色数值处于同一预设范围内的相邻像素点记为细节单位，并将所述细节单位的颜色数值记为所述相邻像素点的颜色数值的平均值；
字迹特征提取子单元，用于获取相邻的所述细节单位的颜色数值变化趋势，将所述细节单位、所述细节单位的颜色数值和所述颜色数值变化趋势作为所述手写签名的字迹特征，并提取所述字迹特征。
其中上述子单元分别用于执行的操作与前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述获取单元10，包括：
获取子单元，用于获取用户输入的手写签名、签章图案和签章图案的生成时间；
所述签章图案判断单元50，包括：
指定虚拟立体印章调取子单元，用于根据预设的签名与虚拟立体印章的对应关系，调取所述手写签名对应的指定虚拟立体印章；
指定坐标点获取子单元，用于以所述指定虚拟立体印章的正面中心为原点，根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点；
指定投影图案获取子单元，用于将所述指定坐标点指向所述原点的方向记为指定投影方向，并从所述指定投影方向对所述指定虚拟立体印章进行投影，从而得到指定投影图案。
其中上述子单元分别用于执行的操作与前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述指定坐标点获取子单元，包括：
建立平面直角坐标系模块，用于以所述指定虚拟立体印章的正面中心为原点，所述原点与所述正面中的预设点的连线作为x轴，所述正面中与所述x轴垂直的且过原点的直线作为y轴，所述正面的过所述原点的垂线为z轴，从而建立平面直角坐标系；
指定坐标点计算模块，用于获取当前时间，并根据公式:
x＝k1×M+a1；y＝k2×D+a2；z＝k3×T+a3，获取指定坐标点(x,y,z)，其中所述签章图案的生成时间为签章年份的第M月中的第D天中的第T个小时，其中k1、k2、k3、b1、b2和b3均为预设的参数。
其中上述模块分别用于执行的操作与前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述签章图案判断单元50,包括：
灰度化处理子单元，用于分别对所述指定投影图案与所述签章图案进行灰度化处理，得到第一灰度图片和第二灰度图片；
平均值计算子单元，用于计算灰度图片的第m列或者第m行的所有像素点的灰度值的平均值Am，以及计算灰度图片中所有像素点的灰度值的平均值B；
总体方差计算子单元，用于根据公式：计算灰度图片的第m列或者第m行的总体方差其中N为灰度图片中的列或者行的总数量；
总体方差之差计算子单元，用于根据公式:获得两张灰度图片的第m列或者第m行的总体方差之差其中，为第一张灰度图片的第m列或者第m行的总体方差，为第二张灰度图片的第m列或者第m行的总体方差；
方差误差阈值判断子单元，用于判断是否小于预设的方差误差阈值；
相同判定子单元，用于若小于预设的方差误差阈值，则判定所述指定投影图案与所述签章图案相同。
其中上述子单元分别用于执行的操作与前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
本申请的基于印章和签名的身份验证装置，获取用户输入的手写签名与签章图案；识别所述手写签名从而获取签名文本；若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果；若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案；若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过，从而提高了身份验证的准确性。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于印章和签名的身份验证方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于印章和签名的身份验证方法。
上述处理器执行上述基于印章和签名的身份验证方法，其中所述方法包括的步骤分别与执行前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，获取用户输入的手写签名与签章图案；识别所述手写签名从而获取签名文本；若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果；若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案；若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过，从而提高了身份验证的准确性。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于印章和签名的身份验证方法，其中所述方法包括的步骤分别与执行前述实施方式的基于印章和签名的身份验证方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，获取用户输入的手写签名与签章图案；识别所述手写签名从而获取签名文本；若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果；若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案；若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过，从而提高了身份验证的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于印章和签名的身份验证方法，其特征在于，包括：
获取用户输入的手写签名与签章图案，其中所述签章图案是预存的虚拟立体印章的投影图案；
采用预设的文字识别技术识别所述手写签名从而获取签名文本，并判断所述签名文本是否与预设的姓名相同；
若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成；
判断所述识别结果是否与所述签名文本相同；
若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同；
若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。
2.根据权利要求1所述的基于印章和签名的身份验证方法，其特征在于，所述手写签名位于指定图片中，所述采用预设的文字识别技术识别所述手写签名从而获取签名文本的步骤,包括：
采集所述指定图片中的像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值，并根据公式：F1＝MIN{ROUND[(a1R+a2G+a3B)/L,0],A}，获取参考数值F1，其中MIN为最小值函数，ROUND为四舍五入函数，a1、a2、a3和L均为预设参数，a1、a2、a3均为大于0且小于L的正数，L为大于0的整数，A为预设的取值在范围(0,255)之内阈值参数，R、G、B分别为所述指定图片中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值；
获取所述参考数值F1的值不等于A的像素点，记为手写签名像素点，并将所述手写签名像素点构成的图形记为手写签名图形；
提取所述手写签名图形的文字特征，并输入预设的支持向量机中进行分类，从而获得识别而得的手写文字文本和印刷体文字文本。
3.根据权利要求1所述的基于印章和签名的身份验证方法，其特征在于，所述若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成的步骤之前，包括：
调用预先采集的样本数据，并分成训练集和测试集；其中，所述样本数据包括预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者；
将训练集的样本数据输入到预设的神经网络模型中进行训练，从而得到初始字迹识别模型，其中，训练的过程中采用随机梯度下降法；
利用测试集的样本数据验证所述初始字迹识别模型；
若所述初始字迹识别模型验证通过，则将所述初始字迹识别模型记为所述字迹识别模型。
4.根据权利要求1所述的基于印章和签名的身份验证方法，其特征在于，所述手写签名位于指定图片中，所述提取所述手写签名的字迹特征的步骤，包括：
获取所述手写签名对应的像素点，并记为手写签名像素点；
获取所述手写签名像素点的颜色数值，并将颜色数值处于同一预设范围内的相邻像素点记为细节单位，并将所述细节单位的颜色数值记为所述相邻像素点的颜色数值的平均值；
获取相邻的所述细节单位的颜色数值变化趋势，将所述细节单位、所述细节单位的颜色数值和所述颜色数值变化趋势作为所述手写签名的字迹特征，并提取所述字迹特征。
5.根据权利要求1所述的基于印章和签名的身份验证方法，其特征在于，所述获取用户输入的手写签名与签章图案的步骤，包括：
获取用户输入的手写签名、签章图案和签章图案的生成时间；
所述获取预存的虚拟立体印章在指定投影方向的指定投影图案的步骤，包括：
根据预设的签名与虚拟立体印章的对应关系，调取所述手写签名对应的指定虚拟立体印章；
以所述指定虚拟立体印章的正面中心为原点，根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点；
将所述指定坐标点指向所述原点的方向记为指定投影方向，并从所述指定投影方向对所述指定虚拟立体印章进行投影，从而得到指定投影图案。
6.根据权利要求5所述的基于印章和签名的身份验证方法，其特征在于，所述以所述指定虚拟立体印章的正面中心为原点，根据预设的时间与空间坐标点的对应关系，获取与所述签章图案的生成时间对应的指定坐标点的步骤，包括：
以所述指定虚拟立体印章的正面中心为原点，所述原点与所述正面中的预设点的连线作为x轴，所述正面中与所述x轴垂直的且过原点的直线作为y轴，所述正面的过所述原点的垂线为z轴，从而建立平面直角坐标系；
获取当前时间，并根据公式:
x＝k1×M+b1；y＝k2×D+b2；z＝k3×T+b3，获取指定坐标点(x,y,z)，其中所述签章图案的生成时间为签章年份的第M月中的第D天中的第T个小时，其中k1、k2、k3、b1、b2和b3均为预设的参数。
7.根据权利要求1所述的基于印章和签名的身份验证方法，其特征在于，所述利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同的步骤,包括：
分别对所述指定投影图案与所述签章图案进行灰度化处理，得到第一灰度图片和第二灰度图片；
计算灰度图片的第m列或者第m行的所有像素点的灰度值的平均值Am，以及计算灰度图片中所有像素点的灰度值的平均值B；
根据公式：计算灰度图片的第m列或者第m行的总体方差其中N为灰度图片中的列或者行的总数量；
根据公式:获得两张灰度图片的第m列或者第m行的总体方差之差其中，为第一张灰度图片的第m列或者第m行的总体方差，为第二张灰度图片的第m列或者第m行的总体方差；
判断是否小于预设的方差误差阈值；
若小于预设的方差误差阈值，则判定所述指定投影图案与所述签章图案相同。
8.一种基于印章和签名的身份验证装置，其特征在于，包括：
获取单元，用于获取用户输入的手写签名与签章图案，其中所述签章图案是预存的虚拟立体印章的投影图案；
姓名判断单元，用于采用预设的文字识别技术识别所述手写签名从而获取签名文本，并判断所述签名文本是否与预设的姓名相同；
字迹识别单元，用于若所述签名文本与预设的姓名相同，则提取所述手写签名的字迹特征，将所述字迹特征输入基于神经网络模型训练完成的字迹识别模型中进行计算，从而得到所述字迹识别模型输出的识别结果，其中所述字迹识别模型基于预先采集的手写文字，以及与所述预先采集的手写文字对应的书写者组成的样本数据训练而成；
签名文本相同判断单元，用于判断所述识别结果是否与所述签名文本相同；
签章图案判断单元，用于若所述识别结果与所述签名文本相同，则获取预存的虚拟立体印章在指定投影方向的指定投影图案，并利用预设的图像相似判断方法判断所述指定投影图案与所述签章图案是否相同；
身份验证通过判定单元，用于若所述指定投影图案与所述签章图案相同，则判定所述用户的身份验证通过。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910750602.1A 2019-08-14 2019-08-14 基于印章和签名的身份验证方法、装置和计算机设备 Pending CN110619274A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910750602.1A CN110619274A (zh) 2019-08-14 2019-08-14 基于印章和签名的身份验证方法、装置和计算机设备
PCT/CN2020/088000 WO2021027336A1 (zh) 2019-08-14 2020-04-30 基于印章和签名的身份验证方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910750602.1A CN110619274A (zh) 2019-08-14 2019-08-14 基于印章和签名的身份验证方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN110619274A true CN110619274A (zh) 2019-12-27

Family

ID=68921917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910750602.1A Pending CN110619274A (zh) 2019-08-14 2019-08-14 基于印章和签名的身份验证方法、装置和计算机设备

Country Status (2)

Country Link
CN (1) CN110619274A (zh)
WO (1) WO2021027336A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523537A (zh) * 2020-04-13 2020-08-11 联讯益康医疗信息技术(武汉)有限公司 一种文字识别方法、存储介质及系统
CN111832547A (zh) * 2020-06-24 2020-10-27 平安普惠企业管理有限公司 文字识别模型的动态部署方法、装置和计算机设备
CN111931672A (zh) * 2020-08-17 2020-11-13 珠海大横琴科技发展有限公司 字迹识别方法、装置、计算机设备及存储介质
CN112036323A (zh) * 2020-09-01 2020-12-04 中国银行股份有限公司 签名笔迹鉴别方法、客户端及服务器
WO2021027336A1 (zh) * 2019-08-14 2021-02-18 深圳壹账通智能科技有限公司 基于印章和签名的身份验证方法、装置和计算机设备
CN112580108A (zh) * 2020-12-10 2021-03-30 深圳证券信息有限公司 签名和印章完整性验证方法及计算机设备
CN112861649A (zh) * 2021-01-19 2021-05-28 平安科技（深圳）有限公司 指纹签名生成方法、装置、电子设备及计算机存储介质
CN113361547A (zh) * 2021-06-30 2021-09-07 深圳证券信息有限公司 一种签章识别方法、装置、设备及可读存储介质
CN113591155A (zh) * 2021-06-17 2021-11-02 傲雄在线(重庆)科技有限公司 一种电子印章授权方法、系统、电子设备及存储介质
CN113920589A (zh) * 2021-10-28 2022-01-11 平安银行股份有限公司 基于人工智能的签名识别方法、装置、设备及介质
CN114021099A (zh) * 2022-01-06 2022-02-08 北科信链(武汉)数字科技有限公司 一种基于指纹与印章的验证方法及装置
CN114037998A (zh) * 2022-01-11 2022-02-11 北京顶象技术有限公司 一种使用模型分析笔迹提升账户安全的方法及装置
CN114241463A (zh) * 2021-11-12 2022-03-25 中国南方电网有限责任公司 签名验证方法、装置、计算机设备和存储介质
TWI777188B (zh) * 2020-07-07 2022-09-11 新光人壽保險股份有限公司 契約簽名鑑別方法及其裝置
CN115657900A (zh) * 2022-07-15 2023-01-31 内蒙古师范大学 基于自动翻译及文本转换的多文种私章定制方法与装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158887A (zh) * 2021-04-19 2021-07-23 福建捷宇电脑科技有限公司 一种提高电子签名识别准率的电子签名认证方法及设备
CN114943063B (zh) * 2022-03-04 2023-04-07 杭州京胜航星科技有限公司 一种基于互联网的电子印章生成与识别系统
CN115035527B (zh) * 2022-08-10 2022-11-11 北京佳萌锐普科技发展有限公司 一种识别电子签章位置的方法、装置及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100568264C (zh) * 2007-01-18 2009-12-09 章毅 印章鉴别控制方法
CN106778586B (zh) * 2016-12-08 2020-11-17 武汉理工大学 离线手写签名鉴别方法及系统
JP6546243B2 (ja) * 2017-10-19 2019-07-17 株式会社 みずほ銀行 印鑑照合支援システム、印鑑照合支援方法及び印鑑照合支援プログラム
CN109033954B (zh) * 2018-06-15 2022-02-08 西安科技大学 一种基于机器视觉的空中手写识别系统及方法
CN109934262B (zh) * 2019-01-31 2023-08-22 平安科技（深圳）有限公司 图片差异性判断方法、装置、计算机设备和存储介质
CN110619274A (zh) * 2019-08-14 2019-12-27 深圳壹账通智能科技有限公司 基于印章和签名的身份验证方法、装置和计算机设备

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027336A1 (zh) * 2019-08-14 2021-02-18 深圳壹账通智能科技有限公司 基于印章和签名的身份验证方法、装置和计算机设备
CN111523537A (zh) * 2020-04-13 2020-08-11 联讯益康医疗信息技术(武汉)有限公司 一种文字识别方法、存储介质及系统
CN111832547A (zh) * 2020-06-24 2020-10-27 平安普惠企业管理有限公司 文字识别模型的动态部署方法、装置和计算机设备
TWI777188B (zh) * 2020-07-07 2022-09-11 新光人壽保險股份有限公司 契約簽名鑑別方法及其裝置
CN111931672A (zh) * 2020-08-17 2020-11-13 珠海大横琴科技发展有限公司 字迹识别方法、装置、计算机设备及存储介质
CN112036323A (zh) * 2020-09-01 2020-12-04 中国银行股份有限公司 签名笔迹鉴别方法、客户端及服务器
CN112036323B (zh) * 2020-09-01 2024-02-27 中国银行股份有限公司 签名笔迹鉴别方法、客户端及服务器
CN112580108A (zh) * 2020-12-10 2021-03-30 深圳证券信息有限公司 签名和印章完整性验证方法及计算机设备
CN112580108B (zh) * 2020-12-10 2024-04-19 深圳证券信息有限公司 签名和印章完整性验证方法及计算机设备
CN112861649A (zh) * 2021-01-19 2021-05-28 平安科技（深圳）有限公司 指纹签名生成方法、装置、电子设备及计算机存储介质
CN113591155A (zh) * 2021-06-17 2021-11-02 傲雄在线(重庆)科技有限公司 一种电子印章授权方法、系统、电子设备及存储介质
CN113591155B (zh) * 2021-06-17 2024-04-05 重庆亲笔签数字科技有限公司 一种电子印章授权方法、系统、电子设备及存储介质
CN113361547A (zh) * 2021-06-30 2021-09-07 深圳证券信息有限公司 一种签章识别方法、装置、设备及可读存储介质
CN113920589A (zh) * 2021-10-28 2022-01-11 平安银行股份有限公司 基于人工智能的签名识别方法、装置、设备及介质
CN114241463A (zh) * 2021-11-12 2022-03-25 中国南方电网有限责任公司 签名验证方法、装置、计算机设备和存储介质
CN114021099A (zh) * 2022-01-06 2022-02-08 北科信链(武汉)数字科技有限公司 一种基于指纹与印章的验证方法及装置
CN114021099B (zh) * 2022-01-06 2022-03-25 北科信链(武汉)数字科技有限公司 一种基于指纹与印章的验证方法及装置
CN114037998A (zh) * 2022-01-11 2022-02-11 北京顶象技术有限公司 一种使用模型分析笔迹提升账户安全的方法及装置
CN115657900B (zh) * 2022-07-15 2023-09-22 内蒙古师范大学 基于自动翻译及文本转换的多文种私章定制方法与装置
CN115657900A (zh) * 2022-07-15 2023-01-31 内蒙古师范大学 基于自动翻译及文本转换的多文种私章定制方法与装置

Also Published As

Publication number Publication date
WO2021027336A1 (zh) 2021-02-18

Similar Documents

Publication Publication Date Title
CN110619274A (zh) 基于印章和签名的身份验证方法、装置和计算机设备
CN110569850B (zh) 字符识别模板匹配方法、装置和文本识别设备
Mohammad et al. Optical character recognition implementation using pattern matching
Srihari et al. Individuality of handwriting: a validation study
CN110705233B (zh) 基于文字识别技术的笔记生成方法、装置和计算机设备
WO2019232843A1 (zh) 手写模型训练、手写图像识别方法、装置、设备及介质
WO2019232850A1 (zh) 手写汉字图像识别方法、装置、计算机设备及存储介质
CN108830275B (zh) 点阵字符、点阵数字的识别方法及装置
Divya et al. Facial expression recognition by calculating euclidian distance for eigen faces using PCA
CN107240185A (zh) 一种冠字号识别方法、装置、设备及存储介质
Chaabouni et al. Static and dynamic features for writer identification based on multi-fractals.
Nag et al. New cold feature based handwriting analysis for enthnicity/nationality identification
CN110414622B (zh) 基于半监督学习的分类器训练方法及装置
CN112232336A (zh) 一种证件识别方法、装置、设备及存储介质
CN110222660B (zh) 一种基于动态与静态特征融合的签名鉴伪方法及系统
CN113361666B (zh) 一种手写字符识别方法、系统及介质
CN108921006B (zh) 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法
CN111199240A (zh) 银行卡识别模型的训练方法、银行卡识别方法以及装置
Miroslav et al. Basic on-line handwritten signature features for personal biometric authentication
CN112200216A (zh) 汉字识别方法、装置、计算机设备和存储介质
Kulkarni et al. Real time face recognition using LBP features
Rajithkumar et al. Template matching method for recognition of stone inscripted Kannada characters of different time frames based on correlation analysis
Naz et al. Challenges in baseline detection of cursive script languages
CN114241463A (zh) 签名验证方法、装置、计算机设备和存储介质
Sathisha Bank automation system for Indian currency-a novel approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination