CN111178290A - 一种签名验证方法和装置 - Google Patents
一种签名验证方法和装置 Download PDFInfo
- Publication number
- CN111178290A CN111178290A CN201911413433.9A CN201911413433A CN111178290A CN 111178290 A CN111178290 A CN 111178290A CN 201911413433 A CN201911413433 A CN 201911413433A CN 111178290 A CN111178290 A CN 111178290A
- Authority
- CN
- China
- Prior art keywords
- signature
- image
- feature
- signer
- similarity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012795 verification Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 32
- 230000006870 function Effects 0.000 description 22
- 238000010606 normalization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000013515 script Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种签名验证方法及装置,该方法包括:根据待验证的第一签名图像所对应的签名者获取第二签名图像;对所述第一签名图像和所述第二签名图像进行预处理;利用签名特征提取模型,从预处理后的所述第一签名图像中提取第一签名特征并从预处理后的所述第二签名图像获取第二签名特征;基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种签名验证方法及装置。
背景技术
在合同或者认证书等各种需要本人表示认证的场所,会需要进行签名。例如,银行卡划账签名、合同成交签名或者授予某一项权利的签名。
为了确保签名的有效性,需要对签名进行验证。现有的签名验证方法,主要靠人工鉴别,准确率低,且耗费大量人力。
在相关技术中存在一些设备鉴定签名真假的技术,但是都具有鉴定的精确度低的现象。
发明内容
本发明实施例提供一种签名验证方法及装置。
本发明实施例第一方面提供一种签名验证方法,包括:
根据待验证的第一签名图像所对应的签名者获取第二签名图像;
对所述第一签名图像和所述第二签名图像进行预处理;
利用签名特征提取模型,从预处理后的所述第一签名图像中提取第一签名特征并从预处理后的所述第二签名图像获取第二签名特征;
基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
基于上述方案,所述预处理包括:
将待处理图像转换为二值图,其中,所述待处理图像包含所述第一签名图像和所述第二签名图像;
在所述二值图中,从签名笔迹所对应像素值的像素处进行膨胀操作,得到包含签名笔迹的连通区域;
基于所述连通区域,裁切所述二值图得到裁切图像;其中,所述裁切图像在输入到所述签名特征提取模型后,由所述签名特征提取模型获得所述第一签名特征及所述第二签名特征。
基于上述方案,所述将待处理图像转换为二值图还包括:
将所述待处理图像转换为灰度图像;
对所述灰度图像进行模糊处理,得到模糊图像;
对所述模糊图像进行二值化处理,得到所述二值图。
基于上述方案,所述预处理,还包括:
对所述裁切图像进行缩放处理得到预定尺寸的预处理后图像。
基于上述方案,所述根据待验证的第一签名图像所对应的签名者获取第二签名图像,包括:
从底库获取同一所述签名者的多张所述第二签名图像;
所述基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者,包括:
基于所述第一签名特征和所述第二签名特征的最大相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
基于上述方案,所述方法还包括:
确定所述第一签名特征所对应第一特征向量和所述第二签名特征所对应第二特征向量中相同序号特征值之间的距离;
求取所述第一特征向量和所述第二特征向量中各元素的距离之和,得到所述相似度。
基于上述方案,所述基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者,包括:
基于标准化参数,将所述相似度映射到预设得分区间得到与所述相似度对应的得分;
基于所述得分和阈值的比较,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
基于上述方案,所述方法还包括:
利用同一个签名者的签名样本训练得到所述签名特征提取模型。
基于上述方案,所述方法还包括:
形成包含两个签名样本的训练样本对;
将属于同一个签名者且签名内容相同的两张签名样本设置为具有第一标签的所述训练样本对;
将不属于同一个签名者或者签名内容不相同的两张签名样本设置为具有第二标签的所述训练样本对;
所述利用同一个签名者的签名样本训练得到所述签名特征提取模,包括:
利用所述训练样本对训练得到所述签名特征提取模型。
本发明实施例第二方面提供一种签名验证装置,包括:
获取模块,根据待验证的第一签名图像所对应的签名者获取第二签名图像;
预处理模块,用于对所述第一签名图像和所述第二签名图像进行预处理;
特征提取模块,用于利用签名特征提取模型,从预处理后的所述第一签名图像中提取第一签名特征并从预处理后的所述第二签名图像获取第二签名特征;
验证模块,用于基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
基于上述方案,所述预处理模块,具体用于将待处理图像转换为二值图,其中,所述待处理图像包含所述第一签名图像和所述第二签名图像;在所述二值图中,从签名笔迹所对应像素值的像素处进行膨胀操作,得到包含签名笔迹的连通区域;基于所述连通区域,裁切所述二值图得到裁切图像;其中,所述裁切图像在输入到所述签名特征提取模型后,由所述签名特征提取模型获得所述第一签名特征及所述第二签名特征。
基于上述方案,所述预处理模块,还用于将所述待处理图像转换为灰度图像;对所述灰度图像进行模糊处理,得到模糊图像;对所述模糊图像进行二值化处理,得到所述二值图。
基于上述方案,所述预处理模块,还用于对所述裁切图像进行缩放处理得到预定尺寸的预处理后图像。
基于上述方案,所述获取模块,用于从底库获取同一所述签名者的多张所述第二签名图像;
所述验证模块,用于基于所述第一签名特征和所述第二签名特征的最大相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
基于上述方案,所述装置还包括:
确定模块,用于确定所述第一签名特征所对应第一特征向量和所述第二签名特征所对应第二特征向量中相同序号特征值之间的距离;
相似度模块,用于求取所述第一特征向量和所述第二特征向量中各元素的距离之和,得到所述相似度。
基于上述方案,所述验证模块,用于基于标准化参数,将所述相似度映射到预设得分区间得到与所述相似度对应的得分;基于所述得分和阈值的比较,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
基于上述方案,所述装置还包括:
训练模块,用于利用同一个签名者的签名样本训练得到所述签名特征提取模型。
基于上述方案,所述装置还包括:
组队模块,用于形成包含两个签名样本的训练样本对;
第一标签模块,用于将属于同一个签名者且签名内容相同的两张签名样本设置为具有第一标签的所述训练样本对;
第二标签模块,用于将不属于同一个签名者或者签名内容不相同的两张签名样本设置为具有第二标签的所述训练样本对;
所述训练模块,用于利用所述训练样本对训练得到所述签名特征提取模型。
本发明实施例第三方面提供一种存储介质,所述存储介质存储计算机程序指令,所述计算机程序指令被处理器执行后能够实现前述任意实施例提供的签名验证方法。
本发明实施例第三方面提供一种电子设备,其特征在于,包括:用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行后能够实现前述任意实施例提供的签名验证方法。
本申请实施例提供的技术方案,会将需要验证的第一签名图像和一张或多张已经确定为签名者的第二签名图像,经过预处理后得到能够提取到精确签名特征的预处理后的图像,然后利用签名特征提取模型从第一签名图像和第二签名图像中提取出各自的签名特征,通过签名特征的相似性,确定出待验证的第一签名图像是否与第二签名图像是属于同一个签名者。如此,签名验证就不在依赖人工,而且通过特定用户的签名特征提取模型具有签名验证的精确度高的特点。总之,使用本技术方案,可以替换掉人工鉴别的方式,节约了人力,并且提高审核速度,保证验证结果的客观性。
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,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的一种签名验证方法的流程示意图;
图2为本发明实施例提供的一种签名验证方法的流程示意图;
图3为本发明实施例提供的一种签名验证方法的流程示意图;
图4为本发明实施例的一种神经网络的结构示意图;
图5为本发明实施例的提供的一种签名验证装置的结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
如图1所示,本实施例提供一种签名验证方法,包括:
S110:根据待验证的第一签名图像所对应的签名者获取第二签名图像;
S120:对所述第一签名图像和所述第二签名图像进行预处理;
S130:利用签名特征提取模型,从预处理后的所述第一签名图像中提取第一签名特征并从预处理后的所述第二签名图像获取第二签名特征;
S140:基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
本实施例提供的签名验证方法可以应用于终端设备或服务器中,或者,应用于终端和服务器组成的验证系统中。
例如,在多种签名验证场景下,例如,银行卡支付、移动平台支付或信息授权等各种要签名验证的场景下。
在进行签名验证之前会获取到待验证的第一签名图像及签名信息,该签名信息可包括第一签名图像声称签名者的信息。此处的签名者信息可包括:各种唯一标识一个签名者的信息,例如,银行卡的卡号、签名终端为手机时的手机号;再例如,签名场景为技术通信应用内的支付或者授权签名时即时通信的通信标识等。
如此,根据签名者信息可以获取预先存储的一张或多张第二签名图像。例如,第一签名图像声明为签名者A的签名图像,则在S110中可以从底库中读取签名者A的一张或多张第二签名图像。
电子设备读取到第一签名图像和第二签名图像之后,分别对第一签名图像和第二签名图像进行图像的预处理。通过预处理之后的图像,更适宜签名特征提取模型的签名特征提取,以确保验证结果的精确性。
在S130中将预处理后的第一签名图像和第二签名图像同时输入到特征提取模型中,该特征提取模型会分别提取出第一签名图像的第一签名特征和第二签名图像的第二签名特征。
例如,所述签名特征提取模型可为各种类型的神经网络。例如,所述签名特征提取模型可为双输入通道的神经网络,将第一签名图像和第二签名图像分别输入到一个输入通道中。神经网络通过内部计算,例如,卷积计算、池化计算及特征拼接等处理,能够得到所述第一签名特征和第二签名特征,并基于第一签名特征和第二签名特征能够计算出两者的相似度。
图4为一种可用于本申请实施例中进行第一签名特征和第二签名特征提取的神经网络。在图4中输入的数据可包括:第一签名图像和第二签名图像经过预处理之后的图像。在一些实施例中,相似度的计算和第一签名特征和第二签名图像是否属于同一个签名者的验证,也可以由特征提取模型所在的神经网络等模型直接输出。
如图4所示的神经网络包括:多个卷积层(conv)、归一化层(bn)、池化层(pool)。在图4中所示的神经网络采用的激活函数为线性整流(Rectified Linear Unit,ReLU)函数。
卷积层可以用于图像的卷积运算,池化层可以用于图像的池化处理。归一化层用于标准化处理。不同的卷积层、池化层及归一化层使用序号进行区分,例如,conv1、conv2等指代的是不同的卷积层。
再基于相似度确定出待验证的第一签名图像和第二签名图像是否属于同一个签名者,如果是属于同一签名者,则表示第一签名图像验证成功,第一签名图像确实是其生称的签名者的签名图像。若确定出第一签名图像和第二签名图像属于不同的签名者,则第一签名图像验证失败,表明第一签名图像并非是其生称的签名者的签名图像。
在一些实施例中,所述第一签名特征和第二签名特征统称为签名特征,该签名特征可包括:签名的笔画特征、签名的内容特征和/或签名的图形特征。此处仅是对第一签名特征和第二签名特征的举例说明。
在一些实施例中,为了加快处理流程,所述第二签名图像可为预先预处理过的图像,在进行预处理时仅需要对第一签名图像进行预处理即可。
在本发明实施例中为了确保第一签名图像和第二签名图像经过相同的处理,确保第一签名图像的签名验证精确度,会在对第一签名图像进行签名验证时,同时对第一签名图像和第二签名图像进行预处理,通过相同预处理后的第一签名图像和第二签名图像,输入到相同的签名特征提取模型之后,若第一签名图像和第二签名图像中所包含签名属于同一个签名者,能够确保具有足够高的验证精确度。使用本技术方案,可以替换掉人工鉴别的方式,节约了人力,并且提高审核速度,保证验证结果的客观性。
在一些实施例中,如图2所示,所述预处理包括:
S210:将待处理图像转换为二值图,其中,所述待处理图像包含所述第一签名图像和所述第二签名图像;
S220:在所述二值图中,从签名笔迹所对应像素值的像素处进行膨胀操作,得到包含签名笔迹的连通区域;
S230:基于所述连通区域,裁切所述二值图得到裁切图像;其中,所述裁切图像在输入到所述签名特征提取模型后,由所述签名特征提取模型获得所述第一签名特征及所述第二签名特征。
在本申请实施例中所述二值图可为像素值仅有两个的图像。例如,像素值要不为“0”或“1”的图像。
第一签名图像和第二签名图像可包括签名区域和非签名区域。
在一些实施例中,所述非签名区域可包括:空白区域。在另一些实施例中,所述非签名区域可包括:不包含签名笔迹的书写线条区域等。
签名区域包含的像素为画有签名笔迹的区域。非签名区域为签名区域以外的没有签名笔迹的区域。
针对这种情况,签名区域和非签名区域内的像素值会差异很大。因此可以利用两个像素值来区分有签名区域和非签名区域。
在一些实施例中,所述第一签名图像和所述第二签名图像可为彩色图像、黑白图像或灰度图像。
不管原始的第一签名图像和第二签名图像是怎样的图像,在本申请实施例中会被转换为二值图。在进行二值图生成时,可以根据第一签名图像和第二签名图像中原始的像素值,通过与像素值的比较,例如,像素值大于阈值的所有像素赋值为“0”,而将所述像素值小于或等于阈值的所有像素赋值为“1”。当然这仅是一种简单的实现图像二值化的方式。在具体的实现中第一签名图像和第二签名图像的二值化方式有多种,不局限于上述举例。
在一些实施例中,在将所述待处理图像转换为二值图之前,可以进行待处理图像的签名识别,以定位签名区域和非签名区域。
在一些实施例中,使用光学字符(OCR)初步识别所述第一签名图像和第二签名图像,初步划分出包含签名笔迹的签名区域和非签名区域。但是这种识别是较为初步的。
在另一些实施例中,基于待处理图像的统计特征,找到签名区域内签名笔迹所在像素与其他像素的二值化的区分阈值。例如,针对白纸黑字的第一签名图像和第二签名图像,基于统计特征发现像素值两级化,且黑色像素的个数少于白色像素,则可初步确认签名笔迹为合适。再留,针对黑纸白字则相反。当然签名还可以是,白纸彩色字体或者黄色纸张黑色、蓝色和/或红色签名等。在一些实施例中,可以基于待处理图像的像素值的统计特征,初步定为出签名笔迹的颜色和纸张颜色。例如,根据不同像素值的像素个数,预测出签名笔迹所在像素的像素值和签名笔迹以外像素(签名笔迹不在像素)的像素值。基于两种的像素值的差异,进行图像二值化得到所述二值图。
得到所述二值图,可以初步其中一个像素值所对应像素为签名笔迹所在的像素。在本申请实施例中,会基于签名笔迹所对应像素值的像素处从外进行膨胀操作。通过膨胀操作进行像素扩张,可以使得所有签名笔迹被囊括到一个连通区域内。例如,在签名时,签名笔迹之间可能是连续的,也有可能是不连续的。在本申请实施例中,由于签名笔迹所在像素在二值图中具有相同的像素值,从这些像素值处向外进行像素扩张的膨胀处理,使得所有签名比较被包含在一个连通区域内。
在本申请实施例中,所述连通区域可为矩形区域。采用矩形区域方便图像后续操作,例如,图像裁切。
一旦包含连通签名笔迹的连通区域确定之后,按照该连通区域对二值图进行裁切,得到裁切图像。裁切图像相对于二值图而言,所述裁切图像仅包括签名区域,裁切掉了二值图大量非签名区域。利用签名特征图像处理裁切图像,可以减少非签名区域内大量像素值的计算,简化了签名特征提取模型的计算量。与此同时,由于裁切了非签名区域,从而可以减少非签名区域对签名区域内的签名特征提取的干扰,提升了签名特征的精确度。
在一些实施例中,所述裁切图像可为所述连通区域所包含的二值图的图像区域构成。
在一些实施例中,如图3所示,所述S210还包括:
S211:将所述待处理图像转换为灰度图像;
S212:对所述灰度图像进行模糊处理,得到模糊图像;
S213:对所述模糊图像进行二值化处理,得到所述二值图。
所述待处理图像可以彩色图像、灰度图像或者黑白图像,但是在本申请中可并不区分各种图像的色彩特征,直接将待处理的第一签名图像和第二签图像转换为灰度图像。
进行灰度图像转换时,可以根据一个像素的各个色彩通道的通道值进行灰度转换。例如,针对RGB图像而言,可以将一个像素RGB三个通道中最大的通道值视为灰度图像之后的灰度值。再例如,可以将一个像素的RGB三个通道的通道值的均值作为转换为灰度图像之后的灰度值。
通过第一签名图像和第二签名图像的灰度化处理,可以减少第一签名图像和第二签名图像的原始图像的色彩差异导致的签名特征提取过程中的干扰情况。
在获得灰度化图像之后,还会图像模糊处理。通过图像模糊处理可以实现图像去燥处理。例如,针对黑色、蓝色或红色等非白色笔迹内的白点等噪声可以通过图像模糊处理去除掉。
图像的模糊处理有很多种,例如,图像的高斯模糊处理等。在一些实施例中,获取一个像素相邻像素的像素值,基于相邻像素的像素值校正该像素的像素值,以实现的图像模糊处理得到模糊图像。如此,签名笔迹中的噪声像素就能够被去除。
总之,在本申请实施例中通过图像模糊处理的,实现对签名笔迹的去噪处理。如此,模糊图像转换为二值图之后,能够减少签名笔迹所在像素转换后不是签名笔迹所对应的像素中的现象,从而可以提升后续第一签名图像和第二签名图像是否属于同一个签名者的验证判定结果的精确性。
在一些实施例中,述预处理,还包括:
对所述裁切图像进行缩放处理得到预定尺寸的预处理后图像。
通过裁切图像的缩放,可以使得预处理后的图像具有签名特征提取图像所具有的图像尺寸。若裁切图像的图像尺寸大于签名特征提取模型的输入图像尺寸,则可以通过降采样的方式降低所述裁切图像,从而达到所述裁切图像的缩小处理。若裁切图像的图像尺寸小于签名特征提取模型的输入图像尺寸,则可以通过插值处理等图像上采样,使得裁切图像的图像尺寸得到放大,得到等于所述输入图像尺寸的预处理后图像。
通过图像预处理使得在不同签名环境下的第一签名图像和第二签名图像,在输入到签名特征提取模型之前具有相同的图像尺寸、去噪后的二值图,从而减少了不同签名环境(例如,签字笔的额颜色、纸张颜色、电子签名或者非电子签名)等及不同大小签名笔迹导致的干扰得以排除,从而提升验证精确度。
在一些实施例中,所述根据待验证的第一签名图像所对应的签名者获取第二签名图像,包括:
从底库获取同一所述签名者的多张所述第二签名图像;
所述S140可包括:基于所述第一签名特征和所述第二签名特征的最大相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
在底库中按照签名者分别存储了同一个签名者多张第二签名图像。
在本申请实施例中会从底库获取2张或者2张以上的第二签名图像。
将各张第二签名图像和第一签名图像组成一个签名图像对,在经过图像预处理之后,分别输入签名特征提取模型提取出第一签名特征及第二签名特征。
如此,一个第二签名图像对应了一个相似度。在本申请实施例中为了确保验证的精确度,会选择多个相似度中最大像素度,用于最终验证当前获取到的第一签名图像与底库中的第二签名图像是否属于同一个签名者。
例如,在S110中提取了P张第二签名图像,则通过S120和S130的处理会得到P个相似度。然后从P个相似度中最大值,验证第一签名图像是否其声明的签名者的签名,尽可能减少误判。
在一些实施例中,所述方法还包括:
确定所述第一签名特征所对应第一特征向量和所述第二签名特征所对应第二特征向量中相同序号特征值之间的距离;
求取所述第一特征向量和所述第二特征向量中各元素的距离之和,得到所述相似度。
签名特征提取模型在进行签名特征进行提取时,可以得到特征图像;特征图像中特征按照图像像素的排列方式,可包含多行和多列。通过转换处理的可以将特征图像转换具有预定维度的第一特征向量和第二特征向量。
在一些实施例中,所述第一特征向量和第二特征向量可为高维空间内的高维向量。
在一些实施例中,第一特征向量和第二特征向量所包含的一个元素可以视为一个签名特征的特征值。在本申请实施例中,会计算第一特征向量和第二特征向量具有相同序号的特征值之间的距离,该距离可为欧式距离。如此,针对X维的第一特征向量和第二特征向量,则会得到X个距离。在得到X个距离之后,会综合这X个距离,最终确定相似度。例如,基于者X个距离的之和,得到最终所述相似度。再例如,计算这X个距离的均值作为所述相似度。
总之,计算所述相似度的方式有多种,以上仅是提供一种举例,具体实现时不限于上述举例。
在一些实施例中,所述S140可包括:
基于标准化参数,将所述相似度映射到预设得分区间得到与所述相似度对应的得分;
基于所述得分和阈值的比较,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
所述标注化参数可为预先设置的任意用于标准化(或称为归一化)的参数值。基于上述标注化参数,对每一个相似度所对应的得分。然后将该与相似度正相关的得分与阈值的比较,可以确定出第一签名图像和第二签名图像是否属于同一个签名者。
在一些实施例中,所述方法还包括:利用同一个签名者的签名样本训练得到所述签名特征提取模型。
如此,一个签名者会训练饿到一个签名特征提取模型。如此,可以根据第一签名图像的签名者信息,选择对应签名者的签名特征提取模型进行第一签名特征和第二签名特征的提取,从而确保第一签名特征和第二签名特征是否属于同一个签名者的签名特征的验证结果精确性。
具体如,所述方法还包括:
形成包含两个签名样本的训练样本对;
将属于同一个签名者且签名内容相同的两张签名样本设置为具有第一标签的所述训练样本对;
将不属于同一个签名者或者签名内容不相同的两张签名样本设置为具有第二标签的所述训练样本对;
所述利用同一个签名者的签名样本训练得到所述签名特征提取模,包括:
利用所述训练样本对训练得到所述签名特征提取模型。
所述第一标签可为指示对应的训练样本对属于同一个签名者签名的肯定标签。第二标签可为指示对应的训练样本不属于同一个签名者签名的否定标签。
在本申请实施例中,第二标签的对应的两张签名样本所包含的签名属于不同的签名者,属于相同签名者的签名内容不同两种情况。由于在一定情况下,一个签名者的签名内容也是需要维持一致的。
如图5所示,本实施例提供一种签名验证装置,包括:
获取模块510,用于根据待验证的第一签名图像所对应的签名者获取第二签名图像;
预处理模块520,用于对所述第一签名图像和所述第二签名图像进行预处理;
特征提取模块530,用于利用签名特征提取模型,从预处理后的所述第一签名图像中提取第一签名特征并从预处理后的所述第二签名图像获取第二签名特征;
验证模块540,用于基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
在一些实施例中,所述获取模块510、预处理模块520、特征提取模块530及验证模块540可为程序模块,所述程序模块被处理器执行后能够实现上述操作。
所述处理器可为各种类型的处理器,例如,微处理器、中央处理器、数字信号处理器、图像处理器等。
在另一些实施例中,所述获取模块510、预处理模块520、特征提取模块530及验证模块540,例如,各种类型的可编程阵列;所述可编程阵列可包括:现场可编程阵列或者复杂可编程阵列。
在还有一些实施例,所述获取模块510、预处理模块520、特征提取模块530及验证模块540可对应于纯硬件模块;所述纯硬件模块可包括专用集成电路等。在一些实施例中,所述预处理模块520,具体用于将彩色图像转换为灰度图像;对所述灰度图像进行模糊处理得到模糊图像;二值化所述模糊图像,得到二值图;基于所述二值图中预定取值形成的连通域进行图像裁切得到裁切图像。
在一些实施例中,所述预处理模块520,还用于对所述二值图进行膨胀操得到膨胀操作处理后的所述二值图;基于膨胀操作后的所述二值图中预定取值形成的连通域进行图像裁切,得到所述裁切图像。
在一些实施例中,所述预处理模块520,还用于对所述裁切图像进行缩放处理得到预定尺寸的预处理后图像。
在一些实施例中,所述获取模块510,用于从底库获取同一所述签名者的多张所述第二签名图像;
所述验证模块540,用于基于所述第一签名特征和所述第二签名特征的最大相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
在一些实施例中,所述装置还包括:
确定模块,用于确定所述第一签名特征所对应第一特征向量和所述第二签名特征所对应第二特征向量中相同序号特征值之间的距离;
相似度模块,用于求取所述第一特征向量和所述第二特征向量中各元素的距离之和,得到所述相似度。
在一些实施例中,所述验证模块540,用于基于标准化参数,将所述相似度映射到预设得分区间得到与所述相似度对应的得分;基于所述得分和阈值的比较,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
在一些实施例中,所述装置还包括:
训练模块,用于利用同一个签名者的签名样本训练得到所述签名特征提取模型。
在一些实施例中,所述装置还包括:
组队模块,用于形成包含两个签名样本的训练样本对;
第一标签模块,用于将属于同一个签名者且签名内容相同的两张签名样本设置为具有第一标签的所述训练样本对;
第二标签模块,用于将不属于同一个签名者或者签名内容不相同的两张签名样本设置为具有第二标签的所述训练样本对;
所述训练模块,用于利用所述训练样本对训练得到所述签名特征提取模型。
以下结合上述任意实施例提供几个具体的示例:
本示例提供一种签名验证方法,包括:
S1:从服务器获取待鉴别签名图像以及此人签名的所有底库图像;
S2:对待鉴别签名图像和底库图像进行预处理;
S3:每次选取一张预处理后的底库图像,与预处理后的待鉴别签名图像同时输入到签名特征提取模型中,获取待鉴别签名图像的特征向量和底库图像的特征向量;
S4:分别计算每次输出的待鉴别签名图像的特征向量和底库图像的特征向量的相似度,并取其中的最大相似度;
S5:将所述最大相似度映射到预定得分区间,获取得分;如果得分大于阈值,则认定待鉴别签名和底库中的签名是同一个人写的签名,否则,认定待鉴别签名和底库中的签名不是用一个人写的签名。
对所述待鉴别签名图像和底库图像
其中,预处理方法包括:首先对将图像转成灰度图像(grayImg);然后对灰度图像进行模糊处理得到图像(blurImg),对blurImg进行阈值分割得到二值图(binaryImg),对二值图binaryImg进行膨胀操作,获取最大连通域的外接矩形r,在binaryImg中裁剪r指示的区域得到切割图像(cutImg),将切割图像变换到宽为345像素、高为145像素的重置图像(resizeImg)。
其中,每次选取一张底库图像与待鉴别签名图像作为一次输入,直至所有底库图像均被选取完毕。两张图像是单通道的345*145大小的图像,其中,输入的两张图像用矩阵表示就是[2,1,145,345];其中,2表示输入的图像数量;1表示输入的图像的通道数。
如图4所示,签名特征提取模型的结构包括:
第一个卷积层(conv1)所用的卷积核大小k为3,滑动步长(stride)为1,填充像素(padding)为1;conv1后接批量归一化层(bn);激活函数使用线性整流(Rectified LinearUnit,ReLU)函数;然后接池化层(pool1)。pool1可为最大池化层(maxpooling)。
第二个卷积层conv2所用的卷积核大小k为3,滑动步长stride为1,填充像素padding为1;conv2后接bn层;激活函数使用relu函数;
第三个卷积层conv2_2所用的卷积核大小k为3,滑动步长stride为1,填充像素padding为1;conv2_2后接bn层;激活函数使用relu函数;然后接maxpooling层pool2;
第四个卷积层conv3所用的卷积核大小k为3,滑动步长stride为1,填充像素(padding)为1;conv3后接bn层;激活函数使用relu函数;
第五个卷积层conv3_2所用的卷积核大小k为3,滑动步长stride为1,填充像素padding为1;conv3_2后接bn层;激活函数使用relu函数;然后接最大池化(maxpooling)层pool3。
第六个卷积层是在pool3层后面并行接膨胀系数分别为1、2、3、4的四个膨胀卷积(dilationconv1、dilationconv2、dilationconv3、dilationconv4),得到四个同等大小的特征图f1、f2、f3、f4;然后经过连接层(例如,eltwise层)对四个特征图对应位置进行求和操作;然后接bn层;激活函数使用relu函数。
第七个卷积层是全连接层;其后接bn层;激活函数使用relu函数;
最后接一个归一化层fc1_norm;最终输出的特征向量大小为2*512。其中,2*512的特征向量包含两个1*512的特征向量。
签名特征提取模型获取步骤如下:
数据准备:
收集每个人本人写的签名图像样本,以及其他人写的这个人的名字的签名图像样本。然后经过上述提到的签名的预处理方法,得到处理后的签名图像。
将所有的签名图像样本两两组合配对,得到多对训练样本;若两张图像样本的签名都为本人所写、且文字内容相同,将该对训练样本的数据标签标记为1(即对应于前述第一标签),否则将该组数据标签标记为0(即对应于前述第二标签)。
签名特征模型训练:
根据试验得到的较好效果,设置模型训练参数:基础学习率为0.001,权衰量(weight_decay)设置为0.0005,调节学习速率的因子gamma设置为0.1,学习策略设置为“step”,优化算法使用RMSProp。
损失函数使用比对分析损失(contrastive loss)函数。
将训练样本输入上述签名特征提取模型,得到输出为2*512的特征向量;其中,2*512的特征向量包含两个1*512的特征向量;
使用所述损失函数计算损失,比对分析损失(contrastive loss)的表达式如下公式1:
L为损失值,N为签名样本的对数;
m在此处应该是512,i代表的是向量元素的标号,ai和bi分别是两个向量的第i个元素;
d代表两个样本特征向量的欧氏距离,
y为两个样本是否匹配的数据标签,y=1代表两个样本相似或者匹配,y=0则代表不匹配,margin为设定的阈值。
计算待鉴别签名图像的特征向量和每张底库图像的特征向量的相似度可包括:
获取待鉴别签名图像的特征向量m1和底库图像的特征向量f1...fi的相似度,其中,fi为第i张底库图像的特征向量;
分求取m1与fi的欧式距离,使用如下公式将距离映射成打分:
scorei=normparam/(normparam+disi)i=1...n′
disi是两个待验证的签名图像与底库第i个签名图像之间的欧式距离(该欧式距离可理解为上述相似度)。
为了得到得分在区间[0,1],标准化参数normparam设置为1。求取n-1个得分的最大得分,即得到的最大相似度。
用户每次的签名会有一定随机性,比如楷书或者草书以及其他的字体变化,如果底库中只有一张签名图片,则很可能相似度非常低,因此导致误判;使用这种方法,会在底库中存放用户几次的签名图片,取待比对签名图片与底库中签名图片的最大相似度,可以大大降低由于用户字体变化导致的误判,鲁棒性更强。
在本发明一个实施例中,还提供一种存储介质,所述存储介质存储计算机程序指令,所述计算机程序指令根据本发明实施例的方法进行执行。
在本发明一个典型的配置中,电子设备均包括一个或多个处理器(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(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
在本发明一个实施例中,还提供一种电子设备,包括:用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述电子设备执行本发明实施例的方法。
计算机可读存储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、程序的装置或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(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(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(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,可用于存储可以被电子设备访问的信息。
需要注意的是,本发明可在软件和/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。在一些实施例中,本发明的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本发明的软件程序(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,本发明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。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明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发明。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,本发明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发明内。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多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 (12)
1.一种签名验证方法,其特征在于,包括:
根据待验证的第一签名图像所对应的签名者获取第二签名图像;
对所述第一签名图像和所述第二签名图像进行预处理;
利用签名特征提取模型,从预处理后的所述第一签名图像中提取第一签名特征并从预处理后的所述第二签名图像获取第二签名特征;
基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
2.根据权利要求1所述的方法,其特征在于,所述预处理包括:
将待处理图像转换为二值图,其中,所述待处理图像包含所述第一签名图像和所述第二签名图像;
在所述二值图中,从签名笔迹所对应像素值的像素处进行膨胀操作,得到包含签名笔迹的连通区域;
基于所述连通区域,裁切所述二值图得到裁切图像;其中,所述裁切图像在输入到所述签名特征提取模型后,由所述签名特征提取模型获得所述第一签名特征及所述第二签名特征。
3.根据权利要求2所述的方法,其特征在于,所述将待处理图像转换为二值图还包括:
将所述待处理图像转换为灰度图像;
对所述灰度图像进行模糊处理,得到模糊图像;
对所述模糊图像进行二值化处理,得到所述二值图。
4.根据权利要求2所述的方法,其特征在于,所述预处理,还包括:
对所述裁切图像进行缩放处理得到预定尺寸的预处理后图像。
5.根据权利要求1所述的方法,其特征在于,所述根据待验证的第一签名图像所对应的签名者获取第二签名图像,包括:
从底库获取同一所述签名者的多张所述第二签名图像;
所述基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者,包括:
基于所述第一签名特征和所述第二签名特征的最大相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述第一签名特征所对应第一特征向量和所述第二签名特征所对应第二特征向量中相同序号元素之间的距离;
求取所述第一特征向量和所述第二特征向量中各元素的距离之和,得到所述相似度。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者,包括:
基于标准化参数,将所述相似度映射到预设得分区间得到与所述相似度对应的得分;
基于所述得分和阈值的比较,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
8.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
利用同一个签名者的签名样本训练得到所述签名特征提取模型。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
形成包含两个签名样本的训练样本对;
将属于同一个签名者且签名内容相同的两张签名样本设置为具有第一标签的所述训练样本对;
将不属于同一个签名者或者签名内容不相同的两张签名样本设置为具有第二标签的所述训练样本对;
所述利用同一个签名者的签名样本训练得到所述签名特征提取模,包括:
利用所述训练样本对训练得到所述签名特征提取模型。
10.一种签名验证装置,其特征在于,包括:
获取模块,用于根据待验证的第一签名图像所对应的签名者获取第二签名图像;
预处理模块,用于对所述第一签名图像和所述第二签名图像进行预处理;
特征提取模块,用于利用签名特征提取模型,从预处理后的所述第一签名图像中提取第一签名特征并从预处理后的所述第二签名图像获取第二签名特征;
验证模块,用于基于所述第一签名特征和所述第二签名特征的相似度,验证所述第一签名图像与所述第二签名图像是否属于同一签名者。
11.一种存储介质,其特征在于,所述存储介质存储计算机程序指令,所述计算机程序指令被执行后能够实现权利要求1至9中任一项所述的方法。
12.一种电子设备,其特征在于,包括:用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行后能够实现权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413433.9A CN111178290A (zh) | 2019-12-31 | 2019-12-31 | 一种签名验证方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413433.9A CN111178290A (zh) | 2019-12-31 | 2019-12-31 | 一种签名验证方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178290A true CN111178290A (zh) | 2020-05-19 |
Family
ID=70652369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911413433.9A Pending CN111178290A (zh) | 2019-12-31 | 2019-12-31 | 一种签名验证方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178290A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102908A (zh) * | 2020-09-22 | 2020-12-18 | 合肥易康达医疗卫生信息科技有限公司 | 一种电子病历可信云签名方法 |
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 |
CN113362522A (zh) * | 2021-07-02 | 2021-09-07 | 北京高阳金信信息技术有限公司 | 纸质支票线上存兑的处理方法、客户端、服务器及系统 |
CN113434912A (zh) * | 2021-08-24 | 2021-09-24 | 共道网络科技有限公司 | 一种材料合规性校验方法及装置 |
CN113705560A (zh) * | 2021-09-01 | 2021-11-26 | 平安医疗健康管理股份有限公司 | 基于图像识别的数据提取方法、装置、设备及存储介质 |
CN113723303A (zh) * | 2021-08-31 | 2021-11-30 | 中国平安人寿保险股份有限公司 | 一种笔迹校验方法、装置、计算机设备及存储介质 |
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 |
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 |
CN117437650A (zh) * | 2023-12-20 | 2024-01-23 | 山东山大鸥玛软件股份有限公司 | 基于深度学习的手写体签名比对方法、系统、装置及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
CN107346410A (zh) * | 2016-05-05 | 2017-11-14 | 杭州海康威视数字技术股份有限公司 | 图片处理方法及装置 |
CN108734211A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
CN109740503A (zh) * | 2018-12-28 | 2019-05-10 | 北京旷视科技有限公司 | 人脸认证方法、图像底库录入方法、装置及处理设备 |
CN110096977A (zh) * | 2019-04-18 | 2019-08-06 | 中金金融认证中心有限公司 | 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质 |
CN110263670A (zh) * | 2019-05-30 | 2019-09-20 | 湖南城市学院 | 一种面部局部特征分析系统 |
CN110399799A (zh) * | 2019-06-26 | 2019-11-01 | 北京迈格威科技有限公司 | 图像识别和神经网络模型的训练方法、装置和系统 |
CN110610230A (zh) * | 2019-07-31 | 2019-12-24 | 国家计算机网络与信息安全管理中心 | 一种台标检测方法、装置及可读存储介质 |
-
2019
- 2019-12-31 CN CN201911413433.9A patent/CN111178290A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346410A (zh) * | 2016-05-05 | 2017-11-14 | 杭州海康威视数字技术股份有限公司 | 图片处理方法及装置 |
CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
CN108734211A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
CN109740503A (zh) * | 2018-12-28 | 2019-05-10 | 北京旷视科技有限公司 | 人脸认证方法、图像底库录入方法、装置及处理设备 |
CN110096977A (zh) * | 2019-04-18 | 2019-08-06 | 中金金融认证中心有限公司 | 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质 |
CN110263670A (zh) * | 2019-05-30 | 2019-09-20 | 湖南城市学院 | 一种面部局部特征分析系统 |
CN110399799A (zh) * | 2019-06-26 | 2019-11-01 | 北京迈格威科技有限公司 | 图像识别和神经网络模型的训练方法、装置和系统 |
CN110610230A (zh) * | 2019-07-31 | 2019-12-24 | 国家计算机网络与信息安全管理中心 | 一种台标检测方法、装置及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
OU XIN-YU 等,: "Objectness Region Enhancement Networks for Scene Parsing", vol. 32, no. 4, pages 683 - 700, XP036275570, DOI: 10.1007/s11390-017-1751-x * |
ZI-JIAN XING 等: "Offline signature verification using convolution Siamese network", vol. 2018, pages 2 - 3 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112102908A (zh) * | 2020-09-22 | 2020-12-18 | 合肥易康达医疗卫生信息科技有限公司 | 一种电子病历可信云签名方法 |
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 |
CN113362522A (zh) * | 2021-07-02 | 2021-09-07 | 北京高阳金信信息技术有限公司 | 纸质支票线上存兑的处理方法、客户端、服务器及系统 |
CN113362522B (zh) * | 2021-07-02 | 2023-03-14 | 北京高阳金信信息技术有限公司 | 纸质支票线上存兑的处理方法 |
CN113434912A (zh) * | 2021-08-24 | 2021-09-24 | 共道网络科技有限公司 | 一种材料合规性校验方法及装置 |
CN113723303A (zh) * | 2021-08-31 | 2021-11-30 | 中国平安人寿保险股份有限公司 | 一种笔迹校验方法、装置、计算机设备及存储介质 |
CN113705560A (zh) * | 2021-09-01 | 2021-11-26 | 平安医疗健康管理股份有限公司 | 基于图像识别的数据提取方法、装置、设备及存储介质 |
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 |
CN117437650A (zh) * | 2023-12-20 | 2024-01-23 | 山东山大鸥玛软件股份有限公司 | 基于深度学习的手写体签名比对方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178290A (zh) | 一种签名验证方法和装置 | |
CN109543690B (zh) | 用于提取信息的方法和装置 | |
CN107133622B (zh) | 一种单词的分割方法和装置 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
US8744196B2 (en) | Automatic recognition of images | |
CN111680688B (zh) | 字符识别方法及装置、电子设备、存储介质 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN110210413A (zh) | 一种基于深度学习的多学科试卷内容检测与识别系统及方法 | |
CN111783757A (zh) | 一种基于ocr技术的复杂场景下身份证识别方法 | |
CN108108734B (zh) | 一种车牌识别方法及装置 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN111046859B (zh) | 字符识别方法及装置 | |
CN111191649A (zh) | 一种识别弯曲多行文本图像的方法与设备 | |
CN112926564B (zh) | 图片分析方法、系统、计算机设备和计算机可读存储介质 | |
CN113591746B (zh) | 一种文档表格结构检测方法及装置 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
CN111368632A (zh) | 一种签名识别方法及设备 | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN113221897B (zh) | 图像矫正方法、图像文本识别方法、身份验证方法及装置 | |
CN112232336A (zh) | 一种证件识别方法、装置、设备及存储介质 | |
CN111612045B (zh) | 一种获取目标检测数据集的通用方法 | |
CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN111325194B (zh) | 一种文字识别方法、装置及设备、存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |