CN111178254A - 一种签名识别方法及设备 - Google Patents

一种签名识别方法及设备 Download PDF

Info

Publication number
CN111178254A
CN111178254A CN201911383015.XA CN201911383015A CN111178254A CN 111178254 A CN111178254 A CN 111178254A CN 201911383015 A CN201911383015 A CN 201911383015A CN 111178254 A CN111178254 A CN 111178254A
Authority
CN
China
Prior art keywords
dynamic
single character
signature
character
sampling points
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
CN201911383015.XA
Other languages
English (en)
Inventor
周康明
肖尧
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201911383015.XA priority Critical patent/CN111178254A/zh
Publication of CN111178254A publication Critical patent/CN111178254A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

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

Abstract

本申请的目的是提供一种签名识别方法及设备，本申请通过获取动态签名的签名文件，签名文件包括至少一笔对应的采样点，每一笔包括至少两个采样点；依序对签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，并对预处理后的各单字符进行特征提取，得到各单字符的特征向量；对各单字符的特征向量进行字符分类，并整合所有单字符的分类结果，得到动态签名的签名识别结果，实现对动态签名中的各单字符的有效识别，不仅避免了传统人为识别动态签名的人力成本，还提高了对动态签名进行识别的识别效率，达到对动态签名进行高效识别的目的。

Description

一种签名识别方法及设备
技术领域
本申请涉及计算机领域，尤其涉及一种签名识别方法及设备。
背景技术
随着电子技术的不断发展，传统的手写签名已满足不了人们在日常生活中的签名需求。为了节约办公成本及提升签名效率，电子动态签名正在逐渐的替代传统的手写签名，且与传统的手写签名一样，也具有同等的法律效力。为了对电子的动态签名进行识别以得到签名结果，现有技术中，一般基于英文动态签名或动态文本识别来进行动态签名的识别，比如，英文的构成简单，只有26个英文字母，而汉字的类别纷繁复杂，常用的汉字就有3755类，使得对动态签名的识别更加困难。因此，如何对具有汉字的动态签名进行高效识别成为当前业界亟需解决的问题。
发明内容
本申请的一个目的是提供一种签名识别方法及设备，以提高对动态签名进行识别的准确率。
根据本申请的一个方面，提供了一种签名识别方法，其中，所述方法包括：
获取动态签名的签名文件，所述签名文件包括至少一笔对应的采样点，其中，每一笔包括至少两个采样点；
依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标；
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果；
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果；
基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果；
基于所述动态签名中的各所述单字符的分类结果，得到所述动态签名的签名识别结果。
进一步地，上述签名识别方法中，所述单字符的动态分类结果包括预设分类数量的动态分类及每个所述动态分类的动态分类概率，所述单字符的静态分类结果包括所述预设分类数量的静态分类及每个所述静态分类的静态分类概率，其中，所述步骤E包括：
若所述预设分类数量的动态分类和所述预设分类数量的静态分类中存在相同分类的个数为第一数量，则将所述第一数量的相同分类中的每个分类对应的所述动态分类概率和所述静态分类概率进行算术平均，得到每个所述分类对应的融合分类概率；
按照所述融合分类概率从高到低的顺序，对所述第一数量的相同分类进行排序，得到所述单字符的预设分类数量的融合分类中的、前第一数量的分类及其顺序；
按照分类概率从高到低的顺序，对所述预设分类数量的动态分类中的、除所述第一数量的相同分类外的分类和所述预设分类数量的静态分类中的、除所述第一数量的相同分类外的分类进行排序，选取排序靠前的的第二数量的分类以得到所述单字符的预设分类数量的融合分类中的、后所述第二数量的分类及其顺序，其中，所述第一数量与所述第二数量之和为所述预设分类数量；
根据所述单字符的预设分类数量的融合分类中的、前第一数量的分类及其顺序和所述单字符的预设分类数量的融合分类中的、后第二数量的分类及其顺序，得到所述单字符的预设分类数量的融合分类及每个所述融合分类的顺序。
进一步地，上述签名识别方法中，所述基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果，包括：
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，将预处理后的单字符转换成静态单字符，并将静态单字符缩放至预设像素范围，并对缩放后的静态单字符进行灰度处理，得到处理后的静态单字符；
将所述处理后的静态单字符输入至手写中文字符识别网络进行静态单字符识别，得到所述单字符的静态分类结果，其中，所述手写中文字符识别网络包括19层，分别包括10个卷积-批归一化-带参数修正的线性单元层、5个池化层、1个多尺度空洞卷积层、2个全连接层及1个回归模型softmax层。
进一步地，上述签名识别方法中，所述基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果，包括：
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对对应的预处理后的单字符进行特征提取，得到所述单字符的特征向量；
对所述单字符的特征向量进行动态单字符分类，得到所述单字符的动态分类结果。
进一步地，上述签名识别方法中，所述基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对对应的预处理后的单字符进行特征提取，得到所述单字符的特征向量，包括：
基于所述单字符对应的至少两个所述有效采样点的归一化坐标，对对应的所述单字符中的每一相邻的两个所述有效采样点之间进行线段特征提取，得到所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征；
对所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征进行预设数量的零向量填充，生成所述单字符的特征向量。
进一步地，上述签名识别方法中，所述对所述单字符的特征向量进行动态单字符分类，得到所述单字符的动态分类结果，包括：
将所述单字符的特征向量输入至长短期记忆人工神经网络LSTM中进行动态单字符分类，得到所述单字符的动态分类结果。
进一步地，上述签名识别方法中，所述依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，包括：
对所述签名文件进行解析，得到所述动态签名的签名区域和所述动态签名的各所述采样点在所述签名区域中的笔画坐标，所述笔画坐标包括所述采样点的笔画状态；
基于所述动态签名的各采样点的笔画坐标，对所有所述采样点进行基于笔画属性聚类的字符分割，得到所述动态签名中的各所述单字符对应的至少两个采样点；
对所述动态签名中的各所述单字符对应的至少两个采样点进行笔画预处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标。
进一步地，上述签名识别方法中，所述基于所述动态签名的各采样点的笔画坐标，对所有所述采样点进行基于笔画属性聚类的字符分割，得到所述动态签名中的各所述单字符对应的至少两个采样点，包括：
获取所述动态签名的所述单字符的数量；
基于所述单字符的数量和所述动态签名中的各所述采样点的笔画坐标，采用K-means聚类算法对所有所述采样点进行聚类，得到所述动态签名中的各所述单字符对应的至少两个采样点。至少两个；
进一步地，上述签名识别方法中，所述对所述动态签名中的各所述单字符对应的至少两个采样点进行笔画预处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，包括：
基于各所述采样点的笔画坐标，对所述动态签名中的各所述单字符对应的至少两个采样点进行去冗余点处理和坐标归一化处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标。
根据本申请的另一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述签名识别方法。
根据本申请的另一个方面，还提供了一种动态签名识别设备，其特征在于，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述签名识别方法。
与现有技术相比，本申请通过获取动态签名的签名文件，所述签名文件包括至少一笔对应的采样点，其中，每一笔包括至少两个采样点；依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标；基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果；基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果；基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果；基于所述动态签名中的各所述单字符的分类结果，得到所述动态签名的签名识别结果，实现了通过对动态签名进行动态单字符识别和静态单字符识别的结合来得到动态签名的签名识别结果，从而提高对动态签名进行识别的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种签名识别方法的流程示意图；
图2示出根据本申请一个方面的一种签名识别方法中的基于笔画属性聚类的字符分割的聚类算法伪代码的示意图；
图3示出根据本申请一个方面的一种签名识别方法中的经过聚类分割后的结果示意图；
图4示出根据本申请一个方面的一种签名识别方法中的将动态签名中的各单字符对应的至少两个采样点进行连点成线后得到的签名图像的示意图；
图5示出根据本申请一个方面的一种签名识别方法中的对动态签名中的各单字符中的至少两个采样点进行笔画预处理后得到的有效采样点进行连点成线后得到的签名图像的示意图；
图6示出根据本申请一个方面的一种签名识别方法中的长短期记忆人工神经网络LSTM的结构示意图；
图7示出根据本申请一个方面的一种签名识别方法中的静态单字符的静态图像的示意图；
图8示出根据本申请一个方面的一种签名识别方法中的手写中文字符识别网络的结果示意图；
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
如图1所示，本申请一个方面提供了一种签名识别方法的流程示意图，该方法应用于对动态签名进行识别的设备，其中，所述设备可以是具有触摸屏功能的移动终端，该移动终端包括智能手机、IPad电脑、个人计算机及移动电子触摸设备等。在给定动态签名中的各个采样点及其点坐标形成的签名文件时，可以通过对签名文件进行识别出该签名文件中的签名，其中，该签名识别方法包括步骤S11、步骤S12、步骤S13、步骤S14、步骤S15及步骤S16，其中，具体包括：
步骤S11，获取动态签名的签名文件，所述签名文件包括至少一笔对应的采样点，其中，每一笔包括至少两个采样点；在此，所述动态签名用于指示根据签名笔在设备机器上书写的顺序，采样得到的点坐标，通过所有的点坐标形成动态签名的txt文本文件，即签名文件，所述签名文件中的一次落笔到抬笔之间为一笔，每一笔对应的签名笔书写轨迹对应的至少两个采样点记为一行。
步骤S12，依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标；
步骤S13，基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果；在此，所述单字符的动态分类结果包括预设分类数量的动态分类及每个所述动态分类的动态分类概率。
步骤S14，基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果；在此，所述单字符的静态分类结果包括所述预设分类数量的静态分类及每个所述静态分类的静态分类概率。
步骤S15，基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果；
步骤S16，基于所述动态签名中的各所述单字符的分类结果，得到所述动态签名的签名识别结果。
通过上述步骤S11至步骤S16，使得通过动态签名中的笔画属性进行不同单字符的聚类，从而实现对动态签名的字符分割；还通过笔画预处理，剔除了动态签名中的各单字符中的无用采样点，保留下每个单字符所对应的有效采样点，避免了动态签名的采样点采样过程中可能引入的采用误差，增加了对动态签名进行识别的鲁棒性；还基于各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对动态签名中的各单字符进行动态单字符识别和静态单字符识别，并将动态单字符识别的动态分类结果和静态单字符识别的静态分类结果进行结合以得到动态签名的签名识别结果，不仅避免了传统人为识别动态签名的人力成本，还提高了对动态签名进行识别的识别效率和准确率，达到对动态签名进行高效识别的目的。
下面分别从步骤S11至步骤S16详细描述本申请的签名识别方法的具体步骤。
在步骤S11中，获取动态签名的签名文件(txt文本文件)，所述签名文件中的头文件不仅包括动态签名的签名区域的大小，还包含该动态签名的每一笔所对应的多个采样点中的每一个所述采样点的点坐标，形如：
((x11，y11；x12，y12；...)，(x21，y21；x22，y22；...)，...，(xm1，ym1；xm2，ym2；...))
其中，所述签名文件中的每一行(xi1，yi1；xi2，yi2；...)代表动态签名的一笔(即，签名笔接触到签名机器到签名笔离开签名机器这个时间段内，签名笔在签名机器上所运行的轨迹)，i表示动态签名中的第i笔，i∈1，2，...，m，其中，m表示所述动态签名中的笔的数量，即动态签名中包括m笔，每一笔中包括多个采样点；其中，点坐标(xij，yij)用于指示动态签名中的第i笔对应的第j个采样点的横坐标和纵坐标，i∈1，2，...，m，j∈1，2，...，q，q表示第i笔中存在的采样点的个数。
在步骤S12中，先对所述签名文件：
((x11，y11；x12，y12；...)，(x21，y21；x22，y22；...)，...，(xm1，ym1；xm2，ym2；...))进行解析；接着，对解析后的签名文件进行基于笔画属性聚类的字符分割实现对动态签名中的各单字符进行分割，最后，对分割出的各单字符进行笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，比如，所述动态签名中的每个单字符可以表示为：
Figure BDA0002342750100000101
其中，k表示单字符对应的有效采样点的个数，
Figure BDA0002342750100000102
表示单字符对应的第k个采样点在签名区域中的归一化坐标。
在步骤S13中，基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果，所述单字符的动态分类结果包括预设分类数量的动态分类及每个所述动态分类的动态分类概率，所述预设分类数量包括但不限于任何正整数，在本申请一优选实施例中，将所述预设分类数量优选为5，则所述单字符对应的预设分类数量的动态分类表示为：
Figure BDA0002342750100000103
其中，v∈[1，2，...，N]，N表示动态签名中单字符的数量，v表示动态签名中的任一单字符；
所述单字符对应的各动态分类的动态分类概率表示为：
Figure BDA0002342750100000104
在步骤S14中，基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果，所述单字符的静态分类结果包括预设分类数量的静态分类及每个所述静态分类的静态分类概率，所述预设数量包括但不限于任何正整数，在本申请一优选实施例中，将所述预设数量优选为5，则所述单字符对应的预设分类数量的静态分类表示为：
Figure BDA0002342750100000105
所述单字符对应的各静态分类的静态分类概率表示为：
Figure BDA0002342750100000106
在步骤S15中，基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果，其中，所述单字符的分类结果表示为：
Figure BDA0002342750100000111
在步骤S16中，对动态签名中的每个单字符进行上述步骤S11至步骤S15的操作，从而得到所述动态签名中的各所述单字符的分类结果，并基于所述动态签名中的各单字符的分类结果得到所述动态签名的签名识别结果，其中，所述动态签名的签名识别结果表示为：
char＝[char1，char2，...，charN]，其中，N为动态签名中的签名文件中包含的单字符的数量，以实现对动态签名中的各单字符的识别，从而实现对动态签名的识别。
接着本申请的上述实施例，所述步骤S12依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，具体包括：
对所述签名文件进行解析，得到所述动态签名的签名区域和所述动态签名的各所述采样点在所述签名区域中的笔画坐标，所述笔画坐标包括所述采样点的笔画状态；
基于所述动态签名的各采样点的笔画坐标，对所有所述采样点进行基于笔画属性聚类的字符分割，得到所述动态签名中的各所述单字符对应的至少两个采样点；
对所述动态签名中的各所述单字符对应的至少两个采样点进行笔画预处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标。
例如，在所述步骤S12中，首先对动态签名的签名文件：
((x11，y11；x12，y12；...)，(x21，y21；x22，y22；...)，...，(xm1，ym1；xm2，ym2；...))进行解析后，可以得到所述动态签名的签名区域的长、宽，并能够得到所述动态签名中的各采样点在签名区域中的笔画坐标，各采样点的笔画坐标表示为：
[[x1，y1，s1]，[x2，y2，s2]，...，[xn，yn，sn]]
其中，笔画中标中的xp和yp表示采样点在签名区域中的笔画横、纵坐标值，sp表示采样点i的笔画状态，n表示动态签名中的所有采样点的数量。对于动态签名中的所有采样点中的任意一点[xp，yp，sp]来说，若sp＝sp-1＝sp+1，则表示该采样点[xp，yp，sp]的笔画状态sp是该采样点[xp，yp，sp]所在笔画中的非起点和非终点，否则sp表示该采样点所在笔画的起点或终点，从而实现对动态签名中的每一笔的起点和终点的确定，从而能够对笔画进行划分。
然而，从解析出的签名坐标中，虽然的得到每一笔的起点和终点，但无法获得动态签名中的各单字符之间分割点，即每个单字符包含哪些笔画，通过分析签名中的汉字及签名的特点，若以笔画为粒度，在x坐标轴维度上，不同字符包含的笔画线段的起点、均值点和终点之间存在着较大的差异，从而可以将动态签名中的字符分割问题可以转化为，在已知聚类、中心点个数的前提下，给定在x坐标轴上的多个采样点的聚类问题，使得所述步骤S12能够基于所述动态签名的各采样点的笔画坐标：
[[x1，y1，s1]，[x2，y2，s2]，...，[xn，yn，sn]]，对所有所述采样点进行基于笔画属性聚类的字符分割，实现对动态签名中的各单字符的分割，从而得到所述动态签名中的各所述单字符对应的至少两个采样点。
为了便于后续对动态签名中的各单字符进行特征提取和分类识别，所述步骤S12对所述动态签名中的各所述单字符对应的至少两个采样点进行笔画预处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，实现对动态签名中的各单字符进行笔画预处理，便于后续对预处理后的单字符进行动态单字符识别和静态单字符识别。
接着本申请的上述实施例，所述步骤S12中的基于所述动态签名的各采样点的笔画坐标，对所有所述采样点进行基于笔画属性聚类的字符分割，得到所述动态签名中的各所述单字符对应的至少两个采样点，具体包括：
获取所述动态签名的所述单字符的数量；在此，由于动态签名对应的真实签名是已知的，则可以通过动态签名对应的真实签名中所包含的单字符的个数N，来得到动态签名的单字符的数量N，使得对动态签名进行聚类时，需要聚类的个数为动态签名对应的真实签名中所包含的单字符的个数。
基于所述单字符的数量和所述动态签名中的各所述采样点的笔画坐标，采用K-means聚类算法对所有所述采样点进行聚类，得到所述动态签名中的各所述单字符对应的至少两个采样点。
例如，所述步骤S12将动态签名中的字符分割问题可以转化为，在已知聚类、中心点个数的前提下，给定在x坐标轴上的多个采样点的聚类问题，具体基于动态签名的各采样点的笔画坐标，对所有所述采样点进行基于笔画属性聚类的字符分割的聚类算法伪代码如图2所示。
其中，图2中x_list＝[[x11，x12，...]，[x21，x22，...]，...，[xm1，xm2，...]]，num_cluster表示对动态签名中的所有采样点进行聚类的聚类的个，即动态签名对应的真实签名中所包含的单字符的数量N，cluster_index表示x_list中每个元素对应的聚类中心类别的编号，在此，所述动态签名中的每一个单字符都对应一个唯一类别的编号，以便区分不同的单字符之间的聚类，x表示x_list中的子列表；最终，根据动态签名中的所有采样点的聚类结果，便可得到动态签名中的每个采样点所属的聚类中心类别的编号，进而可以得到区分不同单字符之间的分割点；并将每个聚类中心类别的编号对应的所有采样点连成线，用不同灰色程度进行表示，使得动态签名中的所有采样点经过聚类分割后得到的动态签名中的各单字符对应的至少两个采样点连成线的结果如图3所示，实现将动态签名中的不同单字符进行区分开来。
接着本申请的上述实施例，所述步骤S12中的对所述动态签名中的各所述单字符对应的至少两个采样点进行笔画预处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，具体包括：
基于各所述采样点的笔画坐标，对所述动态签名中的各所述单字符对应的至少两个采样点进行去冗余点处理和坐标归一化处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标。
例如，对于分割后的每个单字符，都需要进行去除冗余点及坐标归一化的预处理，由于不同人的书写风格不同，比如书写的笔画顺序、速度、形状等等，导致了即使在相同的签名机器上书写相同的字符时，得到的采样点也是有很大差别的，本申请的实施例中，先动态签名中的各单字符对应的至少两个采样点进行去除冗余点的处理，其中，判断某个采样点是否为需要去除的冗余点，可以根据点和点之间的欧式距离公式以及点与点之间的余弦距离来决定，相邻的两个采样点之间的欧式距离公式为：
Figure BDA0002342750100000141
所述相邻的两个采样点之间的余弦距离公式为：
Figure BDA0002342750100000142
其中，Δxp＝xp+1-xp用于指示相邻两个采样点的笔画坐标的横坐标(xp+1与xp)之差，Δyp＝yp+1-yp用于指示相邻两个采样点的笔画坐标的纵坐标(yp+1与yp)之差，Td＝0.01×max{W，H}用于指示相邻两个采样点之间的欧式距离的阈值，Tcos＝0.99用于指示相邻两个采样点之间的余弦距离的阈值，W，H依序分别表示单字符的长和宽。在上述两个相邻的采样点之间的欧式距离中，若采样点p-1和采样点p太近时，则将采样点p去除；在两个相邻的采样点之间的余弦距离中，若采样点p-1，采样点p和采样点p+1在同一条直线上时，则将采样点p去除。在此，当上述两个相邻的采样点之间的欧式距离和两个相邻的采样点之间的余弦距离中的至少一个公式满足上述条件时，则将采样点p去除，以实现对所述动态签名中的各所述单字符对应的至少两个采样点进行去冗余点处理，以便去冗余点处理后得到的各单字符对应的采样点均为有效采样点。
所述步骤S12在对动态签名中的各单字符对应的至少两个采样点进行去冗余点处理后，字符的形状信息仍然很好地被保留下来，并且由于冗余点的去除，保留下来的采样点中所包含的信息更具有表征价值，以便后续更好对各单字符进行有效精确的识别。
同时，动态签名中的各单字符的分类准确率还受到不同人签名时的字符大小或者签名位置的影响，因此无论在对单字符进行分类的字符分类器的训练还是测试阶段，都需要对单字符的笔画坐标进行坐标归一化处理，其中，对动态签名中的各有效采样点的笔画坐标进行归一化的坐标归一化公式为：
xnorm＝(x-μx)/σx，ynorm＝(y-μy)/σy
其中，
Figure BDA0002342750100000151
其中，L表示有效采样点(x1，y1)和有效采样点(x2，y2)之间的的线段，B表示单字符中的所有线段；
笔画坐标中的横坐标的方差的公式为：
Figure BDA0002342750100000152
笔画坐标中的纵坐标的方差的公式为：
Figure BDA0002342750100000153
通过上述笔画坐标的归一化坐标公式，对所述动态签名中的各所述单字符对应的至少两个采样点进行去坐标归一化处理后，得到所述动态签名中的各所述单字符对应的至少两个有效采样点中的每个所述有效采样点的归一化坐标，以实现对动态签名中的每个有效采样点进行坐标归一化处理，其中，如图4所示为将动态签名中的各单字符对应的至少两个采样点进行连点成线后得到的签名图像，图5为对动态签名中的各单字符中的至少两个采样点进行笔画预处理后得到的有效采样点进行连点成线后得到的签名图像，可以看出，经过笔画预处理后的签名图像中的单字符中的各笔画之间的笔画更加清晰。
接着本申请的上述实施例，所述步骤S13基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果，具体包括：
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对对应的预处理后的单字符进行特征提取，得到所述单字符的特征向量；
对所述单字符的特征向量进行动态单字符分类，得到所述单字符的动态分类结果。
例如，在步骤S13中，先分别基于各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对对应的预处理后的单字符进行特征提取，得到所述动态签名中的各所述单字符的特征向量Lnorm，实现对动态签名中的每个单字符进行向量转换。在步骤S14中，对所述动态签名中的各所述单字符的特征向量Lnorm进行动态单字符分类，即所述单字符的动态分类：
Figure BDA0002342750100000161
所述单字符对应的各动态分类的动态分类概率：
Figure BDA0002342750100000162
实现对动态签名中的各单字符的动态单字符识别，从而得到动态签名中的各单字符的动态分类结果，不仅避免了传统人为识别动态签名的人力成本，还提高了对动态签名进行动态单字符识别的识别效率，达到对动态签名进行高效识别的目的。
接着本申请的上述实施例，所述步骤S13分别基于各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对对应的预处理后的单字符进行特征提取，得到所述动态签名中的各所述单字符的特征向量具体包括：
基于所述单字符对应的至少两个所述有效采样点的归一化坐标，对对应的所述单字符中的每一相邻的两个所述有效采样点之间进行线段特征提取，得到所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征；
对所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征进行预设数量的零向量填充，生成所述单字符的特征向量。
例如，经过步骤S12处理后得到所述单字符对应的至少两个所述有效采样点的归一化坐标，那么动态签名中的单字符可表示为：
Figure BDA0002342750100000171
其中，k用于指示单字符对应的有效采样点的个数。
在所述步骤S13中，对单字符中的每一相邻的两个所述有效采样点之间进行线段特征提取，以得到所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征，其中，所述单字符中的每一所述相邻的两个有效采样点之间的线段特征可表示为：
Figure BDA0002342750100000172
其中，当条件函数I(·)满足条件时，I(·)＝1，否则I(·)＝0。
对所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征进行预设数量的零向量填充，生成所述单字符的特征向量。
由于每个单字符对应的采样点或有效采样点不一样，对于k＜200的单字符线段特征的序列，需要进行预设数量(比如6维，其中，6维仅为本申请的一个优选实施例，其他数量维度均可以适用于本申请)的零向量的填充，生成所述单字符的特征向量，其中，所述动态签名中的单字符的特征向量表示为：
Figure BDA0002342750100000173
通过上述步骤S13实现了对动态签名中的笔画预处理后的单字符进行特征提取，以生成200*6维的特征向量。
接着本申请的上述实施例，所述步骤S14对所述单字符的特征向量进行动态单字符分类，得到所述单字符的动态分类结果，具体包括：
将所述单字符的特征向量输入至长短期记忆人工神经网络LSTM中进行动态单字符分类，得到所述单字符的动态分类结果。
例如，经过步骤S13的线段特征提取后，每个单字符都可以用200*6的特征矩阵Lnorm进行表示，通过将Lnorm的序列输入至如图6所示的基于长短期记忆人工神经网络(LongShort-Term Memory，LSTM)里，进行每个单字符的分类，在每个时刻t，对于Lnorm中的每一个
Figure BDA00023427501000001810
LSTM网络会更新一次隐层的激活状态ht，最终得到h＝[h1，h2，...，ht，...]。具体公式如下：
Figure BDA0002342750100000181
Figure BDA0002342750100000182
Figure BDA0002342750100000183
Figure BDA0002342750100000184
Figure BDA0002342750100000185
ht＝ot⊙tanh(ct)
其中，it，ot，ft分别表示输入门、遗忘门以及输出门。W*表示由输入-隐藏层的权重矩阵，U*表示状态-状态的循环权重矩阵，b*是偏置向量。⊙是按位向量乘积，LSTM的隐层状态是(ct，ht)的拼接，其中，长期记忆被保存在如公式
Figure BDA0002342750100000186
中的ct中，由公式
Figure BDA0002342750100000187
可知，ct受输入门和遗忘门的影响；同时，输出门的作用是为了控制公式ht＝ot⊙tanh(ct)中的ht的更新。
最后，将h用一个维度为200的全连接层进行连接后，输入至softmax层进行最终的动态单字符的分类，根据动态分类结果，取出概率最大的预设分类数量的动态分类及每个动态分类对应的动态分类概率，其中，所述单字符对应的预设分类数量的动态分类为：
Figure BDA0002342750100000188
其中，v∈[1，2，...，N]，N表示动态签名中单字符的数量，v表示动态签名中的任一单字符；
所述单字符对应的各动态分类的动态分类概率为：
Figure BDA0002342750100000189
从而得到动态签名中的每个单字符的动态分类结果，从而实现对动态签名的动态单字符识别。
接着本申请的上述实施例，所述步骤S14基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果，具体包括：
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，将预处理后的单字符转换成静态单字符，并将静态单字符缩放至预设像素范围，并对缩放后的静态单字符进行灰度处理，得到处理后的静态单字符；在此，所述预设像素范围包括但不限于任意像素范围，在本申请一优选实施例中，将所述预设像素范围优选为96×96像素。
将所述处理后的静态单字符输入至手写中文字符识别网络进行静态单字符识别，得到所述单字符的静态分类结果，其中，所述手写中文字符识别网络包括19层，分别包括10个卷积-批归一化-带参数修正的线性单元层、5个池化层、1个多尺度空洞卷积层、2个全连接层及1个回归模型softmax层。
例如，在步骤S14中，先将预处理后的动态单字符转换成静态单字符对应的静态图像，基于步骤S12中得到的所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，可以分割出动态签名中包含的单字符(经归一化处理)对归一化后的有效采样点进行点连点成线，得到如图7所示的静态单字符的静态图像，并将静态单字符对应的静态图像缩放到96×96像素，由3通道RGB图像转成单通道灰度图像，得到处理后的静态单字符对应的静态图像，并将所述处理后的静态单字符对应的静态图像输入至如图8所示的手写中文字符识别(Handwriting Chinese Character Recognition，HCCR)网络进行静态单字符识别，以得到所述单字符的静态分类结果。其中，在图8中所示的手写中文字符识别网络中，本申请设计了4种模块：模块BlockA至模块BlockD。其中，模块A由一个卷积(Convolutional)-批归一化(Batch Normalization)-带参数修正的线性单元(ParametricRectified Linear Unit)组成，后接一个边缘为1像素的零填充、卷积核大小为3×3、步长为2的池化层；模块A、模块B以及模块C之间的区别在于卷积-批归一化-带参数修正的线性单元的数量上，依序分别为1、2和3；模块A和模块C中卷积操作均采用边缘为1像素的零填充、卷积核大小为3×3、步长为1；模块D是一个多尺度空洞卷积模块，由多尺度空洞卷积层和多尺度空洞卷积层的特征图按位像素求和的操作组成，其中，所述空洞卷积指的是卷积核通过空洞系数为r的操作变成空洞卷积核，因此，卷积核的大小由原始的e×e变成r×(e-1)+1。为了保证经过不同空洞系数的空洞卷基层特征图得到相同的特征图大小，需要根据空洞卷积核的大小来计算边缘零填充的像素大小，方便后续的按像素求和。本申请中，经过模块C的池化层后，特征图的大小为4×4。如图8所示，模块D中由空洞系数由1变化到4，边缘填充对应为1到4像素的零填充的多尺度空洞卷积层组成。对这四层多尺度空洞卷积层得到的特征图进行按位置像素求和，再输入到fc1和fc2这两层全连接层中，其中，fc1和fc2中均包含1024个神经元，并且每层全连接层之后都有批归一化和带参数修正的线性单元操作，对fc2-批归一化和带参数修正的线性单元层中的特征进行L2的归一化，随后送入softmax函数中完成静态单字符分类任务。根据静态分类结果，取出概率最大的5个静态类别及其对应的静态分类概率，其中，单字符的静态分类表示为：
Figure BDA0002342750100000201
单字符的静态分类对应的静态分类概率表示为：
Figure BDA0002342750100000202
如图8所示的手写中文字符识别网络结构中，包含了10个卷积-批归一化-带参数修正的线性单元层，5个池化层，1个多尺度空洞卷积层、2个全连接层及1个回归模型softmax层，因此本申请将图8所示网络结构称为手写中文字符识别19层网络(HandwritingChinese Character Recognition19 Layers，HCCR19)。
接着本申请的上述实施例，所述步骤S15基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果，具体包括：
若所述预设分类数量的动态分类和所述预设分类数量的静态分类中存在相同分类的个数为第一数量，则将所述第一数量的相同分类中的每个分类对应的所述动态分类概率和所述静态分类概率进行算术平均，得到每个所述分类对应的融合分类概率；
按照所述融合分类概率从高到低的顺序，对所述第一数量的相同分类进行排序，得到所述单字符的预设分类数量的融合分类中的、前第一数量的分类及其顺序；
按照分类概率从高到低的顺序，对所述预设分类数量的动态分类中的、除所述第一数量的相同分类外的分类和所述预设分类数量的静态分类中的、除所述第一数量的相同分类外的分类进行排序，选取排序靠前的的第二数量的分类以得到所述单字符的预设分类数量的融合分类中的、后所述第二数量的分类及其顺序，其中，所述第一数量与所述第二数量之和为所述预设分类数量；
根据所述单字符的预设分类数量的融合分类中的、前第一数量的分类及其顺序和所述单字符的预设分类数量的融合分类中的、后第二数量的分类及其顺序，得到所述单字符的预设分类数量的融合分类及每个所述融合分类的顺序。
例如，经过步骤S13后得到的所述单字符的动态分类结果中的动态分类为dynv，经过步骤S14后得到的所述单字符的静态分类结果中的静态分类为staticv，假设在dynv和staticv中，有s个(第一数量)相同分类，则先将这s个相同分类按照
Figure BDA0002342750100000211
进行排序，得到所述单字符的5个融合分类中的前s个分类及每个分类的融合分类概率：
Figure BDA0002342750100000212
然后，按照所述融合分类概率从高到低的顺序，对这s个相同分类进行排序，得到所述单字符的5个融合分类中的前s个分类及其顺序；之后，对所述动态分类结果中的另外5-k个动态分类结果和静态分类结果中的另外5-s个静态分类，按照各分类的分类概率进行从高到低的排序，将排序最高的5-s个分类作为所述单字符的5个融合分类中的后5-s个分类，并确定每个分类的顺序；最后，根据所述单字符的5个融合分类中的前s个分类及其顺序和所述单字符的5个融合分类中的后5-s个分类，并确定每个分类的顺序，得到所述单字符的分类结果，其中，所述单字符的分类结果包括5个融合分类及每个所述融合分类的顺序，即，融合动态单字符识别和静态单字符识别得到的单字符的分类结果为：
Figure BDA0002342750100000221
在步骤S16中，对动态签名的签名文件中的每个单字符都进行以上步骤S11至步骤S15的操作，最终得到动态签名的签名识别结果，其中，所述动态签名的签名识别结果为：
char＝[char1，char2，...，charN]
其中，如步骤S11所述，N和聚类中心的个数相等，表示动态签名的签名文件中包含的单字符的个数(数量)。
根据本申请的另一面，还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述签名识别方法。
根据本申请的另一面，还提供一种动态签名识别设备，其特征在于，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述签名识别方法。
在此，所述动态签名识别设备的各实施例的详细内容，具体可参见上述签名识别方法实施例的对应部分，在此，不再赘述。
综上所述，本申请通过获取动态签名的签名文件，所述签名文件包括至少一笔对应的采样点，其中，每一笔包括至少两个采样点；依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标；基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果；基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果；基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果；基于所述动态签名中的各所述单字符的分类结果，得到所述动态签名的签名识别结果，实现了通过对动态签名进行动态单字符识别和静态单字符识别的结合来得到动态签名的签名识别结果，从而提高对动态签名进行识别的准确率。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的至少两个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的至少两个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (11)

1.一种签名识别方法，其中，所述方法包括：
获取动态签名的签名文件，所述签名文件包括至少一笔对应的采样点，其中，每一笔包括至少两个采样点；
依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标；
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果；
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果；
基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果；
基于所述动态签名中的各所述单字符的分类结果，得到所述动态签名的签名识别结果。
2.根据权利要求1所述的方法，其中，所述单字符的动态分类结果包括预设分类数量的动态分类及每个所述动态分类的动态分类概率，所述单字符的静态分类结果包括所述预设分类数量的静态分类及每个所述静态分类的静态分类概率，其中，所述基于所述单字符的所述动态分类结果和所述静态分类结果，确定所述单字符的分类结果，包括：
若所述预设分类数量的动态分类和所述预设分类数量的静态分类中存在相同分类的个数为第一数量，则将所述第一数量的相同分类中的每个分类对应的所述动态分类概率和所述静态分类概率进行算术平均，得到每个所述分类对应的融合分类概率；
按照所述融合分类概率从高到低的顺序，对所述第一数量的相同分类进行排序，得到所述单字符的预设分类数量的融合分类中的、前第一数量的分类及其顺序；
按照分类概率从高到低的顺序，对所述预设分类数量的动态分类中的、除所述第一数量的相同分类外的分类和所述预设分类数量的静态分类中的、除所述第一数量的相同分类外的分类进行排序，选取排序靠前的的第二数量的分类以得到所述单字符的预设分类数量的融合分类中的、后所述第二数量的分类及其顺序，其中，所述第一数量与所述第二数量之和为所述预设分类数量；
根据所述单字符的预设分类数量的融合分类中的、前第一数量的分类及其顺序和所述单字符的预设分类数量的融合分类中的、后第二数量的分类及其顺序，得到所述单字符的预设分类数量的融合分类及每个所述融合分类的顺序。
3.根据权利要求1所述的方法，其中，所述基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行静态单字符识别，得到所述单字符的静态分类结果，包括：
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，将预处理后的单字符转换成静态单字符，并将静态单字符缩放至预设像素范围，并对缩放后的静态单字符进行灰度处理，得到处理后的静态单字符；
将所述处理后的静态单字符输入至手写中文字符识别网络进行静态单字符识别，得到所述单字符的静态分类结果，其中，所述手写中文字符识别网络包括19层，分别包括10个卷积-批归一化-带参数修正的线性单元层、5个池化层、1个多尺度空洞卷积层、2个全连接层及1个回归模型softmax层。
4.根据权利要求1所述的方法，其中，所述基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对预处理后的单字符进行动态单字符识别，得到所述单字符的动态分类结果，包括：
基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对对应的预处理后的单字符进行特征提取，得到所述单字符的特征向量；
对所述单字符的特征向量进行动态单字符分类，得到所述单字符的动态分类结果。
5.根据权利要求4所述的方法，其中，所述基于所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，对对应的预处理后的单字符进行特征提取，得到所述单字符的特征向量，包括：
基于所述单字符对应的至少两个所述有效采样点的归一化坐标，对对应的所述单字符中的每一相邻的两个所述有效采样点之间进行线段特征提取，得到所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征；
对所述单字符对应的每一所述相邻的两个有效采样点之间的线段特征进行预设数量的零向量填充，生成所述单字符的特征向量。
6.根据权利要求5所述的方法，其中，所述对所述单字符的特征向量进行动态单字符分类，得到所述单字符的动态分类结果，包括：
将所述单字符的特征向量输入至长短期记忆人工神经网络LSTM中进行动态单字符分类，得到所述单字符的动态分类结果。
7.根据权利要求1至6中任一项所述的方法，其中，所述依序对所述签名文件进行解析、基于笔画属性聚类的字符分割及笔画预处理，得到所述动态签名中的各单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，包括：
对所述签名文件进行解析，得到所述动态签名的签名区域和所述动态签名的各所述采样点在所述签名区域中的笔画坐标，所述笔画坐标包括所述采样点的笔画状态；
基于所述动态签名的各采样点的笔画坐标，对所有所述采样点进行基于笔画属性聚类的字符分割，得到所述动态签名中的各所述单字符对应的至少两个采样点；
对所述动态签名中的各所述单字符对应的至少两个采样点进行笔画预处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标。
8.根据权利要求7所述的方法，其中，所述基于所述动态签名的各采样点的笔画坐标，对所有所述采样点进行基于笔画属性聚类的字符分割，得到所述动态签名中的各所述单字符对应的至少两个采样点，包括：
获取所述动态签名的所述单字符的数量；
基于所述单字符的数量和所述动态签名中的各所述采样点的笔画坐标，采用K-means聚类算法对所有所述采样点进行聚类，得到所述动态签名中的各所述单字符对应的至少两个采样点。
9.根据权利要求8所述的方法，其中，所述对所述动态签名中的各所述单字符对应的至少两个采样点进行笔画预处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标，包括：
基于各所述采样点的笔画坐标，对所述动态签名中的各所述单字符对应的至少两个采样点进行去冗余点处理和坐标归一化处理，得到所述动态签名中的各所述单字符对应的至少两个有效采样点及每个所述有效采样点的归一化坐标。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如权利要求1至9中任一项所述的方法。
11.一种动态签名识别设备，其特征在于，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至9中任一项所述的方法。
CN201911383015.XA 2019-12-27 2019-12-27 一种签名识别方法及设备 Pending CN111178254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911383015.XA CN111178254A (zh) 2019-12-27 2019-12-27 一种签名识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911383015.XA CN111178254A (zh) 2019-12-27 2019-12-27 一种签名识别方法及设备

Publications (1)

Publication Number Publication Date
CN111178254A true CN111178254A (zh) 2020-05-19

Family

ID=70647289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911383015.XA Pending CN111178254A (zh) 2019-12-27 2019-12-27 一种签名识别方法及设备

Country Status (1)

Country Link
CN (1) CN111178254A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985319A (zh) * 2020-07-13 2020-11-24 上海眼控科技股份有限公司 签名识别方法及设备
CN113468987A (zh) * 2021-06-17 2021-10-01 傲雄在线(重庆)科技有限公司 一种电子笔迹鉴定方法、系统、电子设备及存储介质
CN114708580A (zh) * 2022-04-08 2022-07-05 北京百度网讯科技有限公司 文本识别、模型训练方法、装置、设备、存储介质及程序

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985319A (zh) * 2020-07-13 2020-11-24 上海眼控科技股份有限公司 签名识别方法及设备
CN113468987A (zh) * 2021-06-17 2021-10-01 傲雄在线(重庆)科技有限公司 一种电子笔迹鉴定方法、系统、电子设备及存储介质
CN114708580A (zh) * 2022-04-08 2022-07-05 北京百度网讯科技有限公司 文本识别、模型训练方法、装置、设备、存储介质及程序
CN114708580B (zh) * 2022-04-08 2024-04-16 北京百度网讯科技有限公司 文本识别、模型训练方法、装置、设备、存储介质及程序

Similar Documents

Publication Publication Date Title
CN108664996B (zh) 一种基于深度学习的古文字识别方法及系统
Goodfellow et al. Multi-digit number recognition from street view imagery using deep convolutional neural networks
US7519201B2 (en) Detecting humans via their pose
CN108733778B (zh) 对象的行业类型识别方法和装置
Long et al. Building compact MQDF classifier for large character set recognition by subspace distribution sharing
CN110598686B (zh) 发票的识别方法、系统、电子设备和介质
Singh et al. Offline script identification from multilingual indic-script documents: a state-of-the-art
CN106845358B (zh) 一种手写体字符图像特征识别的方法及系统
CN111353491B (zh) 一种文字方向确定方法、装置、设备及存储介质
CN111178254A (zh) 一种签名识别方法及设备
CN108664975B (zh) 一种维吾尔文手写字母识别方法、系统及电子设备
CN111126482A (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
US10423817B2 (en) Latent fingerprint ridge flow map improvement
CN111400528B (zh) 一种图像压缩方法、装置、服务器及存储介质
Venugopal et al. An online writer identification system using regression-based feature normalization and codebook descriptors
Singh et al. Efficient zone identification approach for the recognition of online handwritten Gurmukhi script
CN111368632A (zh) 一种签名识别方法及设备
CN110414622B (zh) 基于半监督学习的分类器训练方法及装置
CN115620312A (zh) 跨模态字符笔迹验证方法、系统、设备及存储介质
Qin et al. Finger-vein quality assessment based on deep features from grayscale and binary images
CN113361666B (zh) 一种手写字符识别方法、系统及介质
Saunders et al. Construction and evaluation of classifiers for forensic document analysis
CN114842478A (zh) 文本区域的识别方法、装置、设备及存储介质
CN107103289B (zh) 利用笔迹轮廓特征来进行笔迹鉴别的方法及系统
CN110555406B (zh) 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法

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