CN111428557A - 基于神经网络模型的手写签名的自动校验的方法和装置 - Google Patents
基于神经网络模型的手写签名的自动校验的方法和装置 Download PDFInfo
- Publication number
- CN111428557A CN111428557A CN202010099130.0A CN202010099130A CN111428557A CN 111428557 A CN111428557 A CN 111428557A CN 202010099130 A CN202010099130 A CN 202010099130A CN 111428557 A CN111428557 A CN 111428557A
- Authority
- CN
- China
- Prior art keywords
- vector sequence
- signature image
- neural network
- chinese
- feature vector
- 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
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
- G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了基于神经网络模型的手写签名的自动校验的方法和装置。该方法包括接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,并置于卷积神经网络模型中以生成第一特征向量序列,然后输入至双向循环神经网络模型中以生成第二特征向量序列,通过对第一特征向量序列和第二特征向量序列通过预设的拼接方式进行拼接以生成第三特征向量序列后,置于循环神经网络模型中进行分类识别以生成姓名并置于姓名校验模型对其进行校验。本发明基于OCR识别技术,解决了现有技术中的中文手写签名中存在无法对用户手写签名进行验证的问题,提高了中文手写签名的自动校验的效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于神经网络模型的手写签名的自动校验的方法和装置。
背景技术
目前,实现电子签名的方法有多种技术手段,其中手写签名的模式识别属于电子签名中以生物特征统计学为基础的识别标识。现有技术中电子签署环节的签名方案主要有勾选签名和写字板手写签名两种方式。其中,勾选签名无法验证是否是用户本人签名;写字板手写签名在当前的技术只是让用户手写签名,但是对于用户手写签名的内容没有做验证,同时现有的业务场景验证方式中没有验证用户手写签名里面的签名文字是否是本人姓名这一场景。
发明内容
本发明实施例提供了一种基于神经网络模型的手写签名的自动校验的方法和装置,旨在解决现有技术中的中文手写签名中存在无法对用户手写签名进行验证的问题。
第一方面,本发明实施例提供了一种基于神经网络模型的手写签名的自动校验的方法,其包括:
接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像;
将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列;
在预先训练好的双向循环神经网络模型中输入所述第一特征向量序列以生成第二特征向量序列;
按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列进行拼接以生成第三特征向量序列;
根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以识别出所述中文签名图像中的姓名;
根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
第二方面,本发明实施例提供了一种基于神经网络模型的手写签名的自动校验的装置,其包括:
图像预处理单元,用于接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像;
第一特征向量序列生成单元,用于将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列;
第二特征向量序列生成单元,用于在预先训练好的双向循环神经网络模型中输入所述特征向量序列并将其输出以生成第二特征向量序列;
第三特征向量序列生成单元,用于按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列将对应位置的特征向量进行拼接以生成第三特征向量序列;
分类识别单元,用于根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以识别出所述中文签名图像中的姓名;
校验单元,用于根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
第三方面,本发明实施例又提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面所述的基于神经网络模型的手写签名的自动校验的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于神经网络模型的手写签名的自动校验的方法。
本发明实施例提供了一种基于神经网络模型的手写签名的自动校验的方法和装置。通过接收到用户所输入的中文签名图像进行预处理,预处理完成后对所述中文签名图像进行特征提取及序列化,然后对序列化后的所述中文签名图像进行识别分类以得到中文签名图像中的姓名,最后将其姓名进行校验以确定是否为用户本人姓名。通过上述方法,在避免对中文字符进行分割的前提下,实现了端到端的无约束中文字符识别,解决了现有技术中的中文手写签名中存在无法对用户手写签名进行验证的问题,提高了中文手写签名的自动校验的效率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的流程示意图;
图2为本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的应用场景示意图;
图3为本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的子流程示意图;
图4为本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的另一子流程示意图;
图5为本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的另一子流程示意图;
图6为本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的另一子流程示意图;
图7为本发明实施例提供的基于神经网络模型的手写签名的自动校验的装置的示意性框图;
图8为本发明实施例提供的基于神经网络模型的手写签名的自动校验的装置的子单元意性框图;
图9为本发明实施例提供的基于神经网络模型的手写签名的自动校验的装置的另一子单元意性框图;
图10为本发明实施例提供的基于神经网络模型的手写签名的自动校验的装置的另一子单元意性框图;
图11为本发明实施例提供的基于神经网络模型的手写签名的自动校验的装置的另一子单元意性框图;
图12为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1-图2,图1是本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的流程示意图;图2为本发明实施例提供的基于神经网络模型的手写签名的自动校验的方法的应用场景示意图。基于神经网络模型的手写签名的自动校验的方法应用于管理服务器10中,多台用户终端20及外联服务终端30通过与管理服务器10建立网络连接以进行中文手写签名自动校验。其中,管理服务器10即是用于执行识别用户终端20中文手写签名并验证用户签名是否是本人签名,该方法通过安装于管理服务器10中的应用软件进行执行,用户终端20是具有将用户手写签名转化成图片并传输到管理服务器10的终端设备。本发明的基于神经网络模型的手写签名的自动校验的方法基于神经网络可实现签名的自动识别进而对签名进行自动校验,本发明能够应用于需要对签名文件进行自动审核的场景,例如应用到现有的线上贷款流程中,可以省去人工审核合同签名的环节并能有效防止签署人手写签名与实际不符。本发明在提升用户体验的同时,能够实现全自动无需人工审核的信贷业务合同签署,从而提高审核的准确性和处理效率。
如图1所示,该方法包括步骤S110~S160。
S110、接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像。
接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像。由于不同的用户书写习惯不一样,就算是同一个用户,在不同的书写环境下,写出来的手写文字也会有差异,加上不同的书写设备也会对手写文字的识别产生影响,所述图像预处理模型用于将每个字符调整为统一比例的高度和宽度,同时模拟所述中文签名图像中的字符的轨迹使得后续更易识别,故所述图像预处理模型对所述中文签名图像进行预处理是一个必不可少的步骤。
在一实施例中,所述图像预处理模型包括非线性规整化规则和字符的分段插值处理规则,如图3所示,步骤S110包括子步骤S111和S112。
S111、根据所述非线性规整化规则将所述中文签名图像进行规整化处理,以放大或缩小所述中文签名图像。
根据所述非线性规整化规则将所述中文签名图像进行规整化处理,以放大或缩小所述中文签名图像。所述非线性规整化规则在保持所述中文签名图像的整体形状不变的前提下,对所述中文签名图像的大小进行改变,能较大程度的保持所述中文签名图像中的字符的原样,失真度小。其转换公式为:
其中,W表示的是字符的原始宽度,H表示的是字符的原始高度,W‘表示的是字符经规整化后的宽度,H‘表示的是字符经规整化后的高度,m表示的是字符的宽度的转化比率,n表示的是字符的高度的转化比率。
假设所述中文签名图像中的字符点坐标为(x,y),则点坐标对应的线性规整化计算公式为:
其中,(x,y)表示的是字符的原始点坐标,(x′,y′)表示的是字符经规整化后的原始点坐标,m表示的是字符的宽度的转化比率,n表示的是字符的高度的转化比率。
S112、根据所述字符的分段插值处理规则将规整化处理后的中文签名图像进行插值处理以生成预处理后的所述中文签名图像。
根据所述字符的分段插值处理规则将规整化处理后的中文签名图像进行插值处理以生成预处理后的所述中文签名图像。由于用户书写习惯或者外界环境的干扰使得书写字符出现缺少笔画或者抖动,使得所述中文签名图像中的字符之间的距离不一致,从而导致所述中文签名图像中的手写文字在后续过程中较难识别,所述字符的分段插值处理规则将所述中文签名图像进行插值处理后能使所述中文签名图像的手写文字更易被识别。
所述字符的分段插值处理规则依据特定函数来对规整化处理后的所述中文签名图像中的字符进行分段插值处理。利用分段线性插值构造函数来模拟字符的轨迹,从而提高手写文字的识别率。
假设有区间[a,b],区间上存在点x0,x1,x2,…xn,,其大小为a=x0<x1<x2<…<xn=b,f(x)是定义在区间的函数,其对应的函数值为y0,y1,y2,…yn,如果函数φ(x)满足一下条件:a、在区间[a,b]上,φ(x)函数是连续函数;b、在每个子区间[xi,xi+1](i=0,1,2…,n-1)上,φ(x)是次数为k的多项式;则φ(x)函数是f(x)在区间[a,b]上的分段k次插值多项式。其中,当k=1时,为分段线性插值,当k=2时为分段抛物线插值。
分段线性插值也叫分段一次插值,在每个子区间[xi,xi+1](i=0,1,2…,n-1)上,φ(x)是一次插值多项式,其公式为:
其中,x,xi,xi+1为区间[a,b]上的点,y,yi,yi+1为函数f(x)在点x,xi,xi+1上对应的函数值,φ(x)为分段线性插值多项式。
S120、将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列。
将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列。具体的,所述中文签名图像在进行预处理后,使用预先训练好的卷积神经网络模型对其进行特征提取以生成所述预处理后的所述中文签名图像的特征图,将所述特征图对应的特征向量按照所述预处理后的所述中文签名图像在预先训练好的卷积神经网络模型中进行特征提取的先后顺序进行分类以生成第一特征向量序列,即所述第一特征向量序列由所述特征图对应的特征向量组成。本发明中的卷积神经网络模型是由输入层、隐含层和分类层组成,输入层用于输入预处理后的所述中文签名图像,隐含层去掉了全连接层并只包含卷积层和池化层。
在具体实施过程中,本发明所需要进行识别的为中文手写签名,由于手写签名中的字符为汉字,而汉字属于象形文字,我国关于汉字的国家标准GB2312-80定义了3755个常用汉字作为一级字库,3008个汉字作为二级字库,在二级字库的所有汉字中,大约有2500个汉字较少的被日常使用,因此本发明在对卷积神经网络进行训练的过程中,选取的训练文本汉字包括一级字库中的3755个常用汉字和二级字库中2975个汉字,其中二级字库中剩余的“丨、丿、匚、冂、亻、勹、亠、冫、冖、讠、廴、凵、厶、艹、彡、犭、忄、丬、彳、扌、囗、宀、辶、彐、氵、纟、屮、灬、钅、礻、疒、衤”33个生僻字体剔除,因此本发明在对卷积神经网络模型进行训练的过程中所选取的汉字样本为6730个汉字。
在一实施例中,如图4所示,步骤S120包括子步骤S121、S122和S123。
S121、将预处理后的所述中文签名图像输入至所述卷积神经网络模型的卷积层进行卷积处理,以得到所述中文签名图像浅层特征相对应的向量矩阵。
在对预处理后的所述中文签名图像处理的过程中,卷积操作的对象是一组多维矩阵,此时卷积其实就是对矩阵的不同局部与卷积核矩阵各个位置的元素相乘,然后求和。
S122、将所述中文签名图像浅层特征相对应的向量矩阵输入至所述卷积神经网络模型的池化层进行池化处理,以得到所述中文签名图像深层特征相对应的向量矩阵。
在卷积神经网络模型的内部,池化是一个将相邻位置特征进行聚合的一种方法。池化后的特征具有一定的平移、旋转不变性,同时还能减少特征数量,增加计算效率。常用的池化操作一般有平均池化和最大池化两种方式,即取对应区域的最大值或者平均至作为池化后的元素值,最终得到所述中文签名图像深层特征相对应的向量矩阵。
S123、将所述中文签名图像深层特征相对应的向量矩阵输入至所述卷积神经网络模型的输出层进行分类处理,以形成所述第一特征向量序列。
在卷积神经网络模型中,分类层可以看作是一个特定的激活函数层,用来将前一层得到的信息进行分类操作。在本实施例中,激活函数层中使用的激活函数为Sigmoid函数,Sigmoid函数在进行反向传播的过程中不易引起梯度消失的问题,使得更易对卷积神经网络模型进行训练。
例如,本实施例中所述中文签名图像中签名为“马大帅”,则将处理后的所述中文签名图像设定由一个64X96X1的三维数组表示,各维度分别代表了处理后的所述中文签名图像的高度、宽度和通道数。设置卷积神经网络由14层组成,并分成5组,前四组每组由一个卷积层,一个激活函数层,一个池化层依次构成,最后一组仅包含一个卷积层和一个激活函数层。其详细配置如表1所示:
表1卷积神经网络的配置
S130、在预先训练好的双向循环神经网络模型中输入所述第一特征向量序列以生成第二特征向量序列。
在预先训练好的双向循环神经网络模型中输入所述第一特征向量序列以生成第二特征向量序列。具体的,所述预先训练好的双向循环神经网络模型是由两个方向相反的循环神经网络组成,两个方向相反的循环神经网络分别接收所述第一特征向量序列,使得两个方向相反的循环神经网络各自输出一组特征向量序列,从而得到两组特征向量序列,将两组特征向量序列按照首尾拼接的方式进行拼接,最终得到所述第二特征向量序列。
循环神经网络的优点之一是在训练和测试中不需要序列目标图像中每个元素的位置。由于传统的循环神经网络处理时间序列的问题的效果具有很好的效果,但是仍然存在着一些问题,其中较为严重的是容易出现梯度消失或者梯度爆炸的问题。
本实施例中采用的是两个反向的长短时记忆网络接收卷积神经网络输出的特征向量序列并分别得到一个输出特征向量序列,将两个输出特征向量序列对应位置的特征向量进行拼接以提取所述中文签名图像中上下文信息的第二特征向量序列。同时在对双向循环神经网络模型进行训练的过程中,所选取的汉字样本为6730个汉字。
例如,计算某一条第二特征向量的记忆网络输出信息的步骤分为五步,其中,第二特征向量序列由多个第二特征向量组成。①计算遗忘门输出信息:f(t)=σ(Wf×ht-1+Uf×Xt+bf),其中f(t)为遗忘门参数值,0≤f(t)≤1;σ为激活函数计算符号,σ可具体表示为f(x)=(ex-e-x)/(ex+e-x),则将Wf×ht-1+Uf×Xt+bf的计算结果作为x输入激活函数σ即可计算得到f(t);Wf、Uf及bf均为本细胞中公式的参数值;ht-1为上一细胞的输出门信息;Xt为该特征信息中输入当前细胞的1×M维的向量,若当前细胞为长短期记忆网络中的第一个细胞,则ht-1为“0”。②计算输入门信息:i(t)=σ(Wi×ht-1+Ui×Xt+bi);a(t)=tanh(Wa×ht-1+Ua×Xt+ba),其中i(t)为输入门参数值,0≤i(t)≤1;Wi、Ui、bi、Wa、Ua及ba均为本细胞中公式的参数值,a(t)为所计算得到的输入门向量值,a(t)为一个1×M维的向量。③更新细胞记忆信息:Ct=Ct-1⊙f(t)+i(t)⊙a(t),C为每一次计算过程所累计的细胞记忆信息,Ct为当前细胞所输出的细胞记忆信息,Ct-1为上一细胞所输出的细胞记忆信息,⊙为向量运算符,Ct-1⊙f(t)的计算过程为将向量Ct-1中每一维度值分别与f(t)相乘,所计算的得到的向量维度与向量Ct-1中的维度相同。④计算输出门信息:o(t)=σ(Wo×ht-1+Uo×Xt+bo);ht=o(t)⊙tanh(Ct),o(t)为输出门参数值,0≤o(t)≤1;Wo、Uo及bo均为本细胞中公式的参数值,ht为本细胞的输出门信息,ht为一个1×M维的第二特征向量。⑤计算当前细胞的输出信息:y(t)=σ(V×ht+c),V及c均为本细胞中公式的参数值。每一个细胞均计算得到一个输出信息,综合N个细胞的输出信息即可得到一条第二特征向量的记忆网络输出信息,一条第二特征向量的记忆网络输出信息为一个1×N维的第二特征向量。
S140、按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列进行拼接以生成第三特征向量序列。
按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列进行拼接以生成第三特征向量序列。预处理后的所述中文签名图像在经过卷积神经网络模型特征向量序列的提取以及双向循环神经网络模型特征向量序列的提取之后,可得到两组特征向量序列,也就是所述第一特征向量序列和所述第二特征向量序列。在本实施例中,将所述第一特征向量序列和第二特征向量序列进行首尾拼接以得到所述第三特征向量序列。
S150、根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。循环神经网络的优点之一是在训练和测试中不需要序列目标图像中每个元素的位置。具体的,在对循环神经网络模型进行训练的过程中,所选取的汉字样本为6730个汉字,同时还添加了一个停止字符,停止字符主要用来表示一个字符序列的结束,因此本发明所使用的训练文本的字符集的大小为6731。
在一实施例中,如图5所示,步骤S150包括子步骤S151~S154。
S151、将所述第三特征向量序列输入至所述循环神经网络模型中,生成循环神经单元的隐藏状态。
将所述第三特征向量序列输入至所述循环神经网络模型中,生成循环神经单元的隐藏状态,具体的,所述第三特征向量序列输入至所述循环神经网络模型中的循环神经单元中,所述循环神经单元对所述第三特征向量序列进行计算,以获得所述循环神经单元的隐藏状态,其中,所述隐藏状态用来记录特征向量序列在当前时刻输入至所述循环神经单元并从所述循环神经单元中输出的数据。
S152、通过预置的注意力机制接收所述隐藏状态并搜索与所述隐藏状态相关的特征向量序列以得到下一时刻输入的特征向量序列并将其输入至所述循环神经单元以更新所述隐藏状态。
在本实施例中,通过预置的注意力机制接收所述隐藏状态并搜索与所述隐藏状态相关的特征向量序列以得到下一时刻输入的特征向量序列并将其输入至所述循环神经单元以更新所述隐藏状态。具体的,所述注意力机制接收所述循环神经单元的隐藏状态并搜索与所述循环神经单元的隐藏状态相关的特征向量序列,并将搜索到的与所述循环神经单元的隐藏状态相关的特征向量序列进行加权平均计算,以得到下一时刻输入至所述循环神经单元的特征向量序列并将其输入至所述循环神经单元以更新所述隐藏状态。其相关公式如下:
其中,ci表示可作为下一次输入的特征向量序列,hj表示的是与所述隐藏状态相关的特征向量序列,aij为i时刻hj对应的权值,Tx为与所述隐藏状态相关的特征向量序列的数量,aij可视为被hj选中的概率,ci为与所述隐藏状态相关的特征向量序列的期望。aij计算公式如下:
aij=σ(si-1,jj)
其中,σ为评价函数,用于估算特征向量序列与循环神经网络中的隐藏状态的相关性,si-1为i-1时刻的循环神经单元的隐藏状态。
S153、所述分类器接收所述隐藏状态并对其进行分类识别,以生成所述中文签名图像中的姓名。
所述分类器接收所述隐藏状态并对其进行分类识别,以生成所述中文签名图像中的姓名。具体的,所述分类器对所述循环神经单元中的隐藏状态使用Sigmoid函数进行归一化处理以预测所述中文签名图像中的姓名。
本实施例中所采用一个输出为6731维向量的具有三层的BP神经网络作为分类器并使用双曲正切函数作为激活函数,计算过程如下:
hidij=tanh(w11×hj+w12×st-1+b)
eij=hidij×w21
其中,hidij为i时刻对hj评估时的所述循环神经单元隐藏状态,eij为得分,w11和w12为具有三层的BP神经网络的第二层权值,b为偏置项,w21为具有三层的BP神经网络的第三层权值。
由于具有三层的BP神经网络输出为一个实数,而选择每个特征向量序列的概率之和应该为1,因此本实施例采用Sigmoid函数对eij进行归一化处理,即可得到aij。
S160、根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。由于汉字字符与英文、数字等字符形式存在差异,在终端设备中对汉字字符进行存储时,均是将汉字字符转换为对应的字符编码,并采用二进制的方式对字符编码进行存储,从管理服务器10中读取对应的汉字字符,则需获取所存储的字符编码,并通过字符编码与汉字的对应关系对字符编码进行解析得到汉字字符。编码转换规则即可对姓名中所包含的字符进行转换以得到每一字符对应的字符编码,正则表达式即可用于对转换所得的字符编码进行校验,当某一字符校验不通过,则将此信息反馈至前端,提示用户重新签名。
在一实施例中,所述姓名校验模型包括编码转换规则和正则表达式,如图6所示,步骤S160包括子步骤S161和S162。
S161、根据所述编码转换规则将所述姓名转换为与所述姓名相对应的字符编码。
根据所述编码转换规则将所述姓名转换为与所述姓名相对应的字符编码。具体的,编码转换规则中包含对每一汉字进行转换的规则,也即是每一字符对应一个字符编码,编码转换规则即为采用Unicode字符集编码对字符进行转换的规则,其中包含UTF-8编码方式、UTF-16编码方式等多种转换规则,UTF-8编码方式对应常用汉字的字符编码,UTF-8便于不同的计算机之间使用网络传输不同语言和编码的文字,UTF-16编码方式对应除UTF-8之外的其他非常用汉字的字符编码,字符编码采用十六进制数进行表示。
S162、根据所述正则表达式将所述姓名相对应的字符编码与预先存储的姓名的相对应的字符编码进行校验以得到所述中文签名图像是否通过的校验结果。
根据所述正则表达式将所述姓名相对应的字符编码与预先存储的姓名的相对应的字符编码进行校验以得到所述中文签名图像是否通过的校验结果。正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个规则字符串,所述规则字符串用来表达对字符串的一种过滤逻辑。所述正则表达式即可用于对所得到的姓名进行校验,可通过所得到的姓名与管理服务器10中存储的用户的信息是否一致来进行校验。
若所述姓名的校验结果为通过,则判定所述中文签名图像中的签名为用户本人签名且用户签名生效;若所述姓名的校验结果为不通过,则管理服务终端将此信息反馈至前端,提示用户重新签名。
本发明实施例还提供一种基于神经网络模型的手写签名的自动校验的装置100,该装置用于执行前述基于神经网络模型的手写签名的自动校验的方法的任一实施例。具体地,请参阅图7,图7是本发明实施例提供的基于神经网络模型的手写签名的自动校验的装置100的示意性框图。该装置可以配置于管理服务器10中。
如图7所示,基于神经网络模型的手写签名的自动校验的装置100包括图像预处理单元110、第一特征向量序列生成单元120、第二特征向量序列生成单元130、第三特征向量序列生成单元140、分类识别单元150、校验单元160。
图像预处理单元110,用于接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像。
接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像。由于不同的用户书写习惯不一样,就算是同一个用户,在不同的书写环境下,写出来的手写文字也会有差异,加上不同的书写设备也会对手写文字的识别产生影响,所述图像预处理模型主要用于将每个字符调整为统一比例的高度和宽度,同时模拟所述中文签名图像中的字符的轨迹使得后续更易识别,故所述图像预处理模型对所述中文签名图像进行预处理是一个必不可少的步骤。
在其他发明实施例中,如图8所示,所述图像预处理单元110包括非线性规整化单元111和字符的分段插值处理单元112。
非线性规整化单元111,用于根据所述非线性规整化规则将所述中文签名图像进行规整化处理,以放大或缩小所述中文签名图像。
根据所述非线性规整化规则将所述中文签名图像进行规整化处理,以放大或缩小所述中文签名图像。所述非线性规整化规则在保持所述中文签名图像的整体形状不变的前提下,对所述中文签名图像的大小进行改变,能较大程度的保持所述中文签名图像中的字符的原样,失真度小。
字符的分段插值处理单元112,用于根据所述字符的分段插值处理规则将规整化处理后的中文签名图像进行插值处理以生成预处理后的所述中文签名图像。
根据所述字符的分段插值处理规则将规整化处理后的中文签名图像进行插值处理以生成预处理后的所述中文签名图像。由于用户书写习惯或者外界环境的干扰使得书写字符出现缺少笔画或者抖动,使得所述中文签名图像中的字符之间的距离不一致,从而导致所述中文签名图像中的手写文字在后续过程中较难识别,所述字符的分段插值处理规则将所述中文签名图像进行插值处理后能使所述中文签名图像的手写文字更易被识别。
第一特征向量序列生成单元120,用于将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列。
将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列。具体的,所述中文签名图像在进行预处理后,使用预先训练好的卷积神经网络模型对其进行特征提取以生成所述预处理后的所述中文签名图像的特征图,将所述特征图对应的特征向量按照所述预处理后的所述中文签名图像在预先训练好的卷积神经网络模型中进行特征提取的先后顺序进行分类以生成第一特征向量序列,即所述第一特征向量序列由所述特征图对应的特征向量组成。本发明中的卷积神经网络模型是由输入层、隐含层和分类层组成,输入层用于输入预处理后的所述中文签名图像,隐含层去掉了全连接层并只包含卷积层和池化层。
在其他发明实施例中,如图9所示,所述第一特征向量序列生成单元120包括图像浅层特征生成单元121、图像深层特征生成单元122和序列生成单元123。
图像浅层特征生成单元121,用于将预处理后的所述中文签名图像输入至所述卷积神经网络模型的卷积层进行卷积处理,以得到所述中文签名图像浅层特征相对应的向量矩阵。
在对预处理后的所述中文签名图像处理的过程中,卷积操作的对象是一组多维矩阵,此时卷积其实就是对矩阵的不同局部与卷积核矩阵各个位置的元素相乘,然后求和。
图像深层特征生成单元122,用于将所述中文签名图像浅层特征相对应的向量矩阵输入至所述卷积神经网络模型的池化层进行池化处理,以得到所述中文签名图像深层特征相对应的向量矩阵。
在卷积神经网络模型的内部,池化是一个将相邻位置特征进行聚合的一种方法。池化后的特征具有一定的平移、旋转不变性,同时还能减少特征数量,增加计算效率。常用的池化操作一般有平均池化和最大池化两种方式,即取对应区域的最大值或者平均至作为池化后的元素值,最终得到所述中文签名图像深层特征相对应的向量矩阵。
序列生成单元123,用于将所述中文签名图像深层特征相对应的向量矩阵输入至所述卷积神经网络模型的输出层进行分类处理,以形成所述第一特征向量序列。
在卷积神经网络模型中,分类层可以看作是一个特定的激活函数层,用来将前一层得到的信息进行分类操作。在本实施例中,激活函数层中使用的激活函数为Sigmoid函数,Sigmoid函数在进行反向传播的过程中不易引起梯度消失的问题,使得更易对卷积神经网络模型进行训练。
第二特征向量序列生成单元130,用于在预先训练好的双向循环神经网络模型中输入所述特征向量序列并将其输出以生成第二特征向量序列。
在预先训练好的双向循环神经网络模型中输入所述第一特征向量序列以生成第二特征向量序列。具体的,所述预先训练好的双向循环神经网络模型是由两个方向相反的循环神经网络组成,两个方向相反的循环神经网络分别接收所述第一特征向量序列,使得两个方向相反的循环神经网络各自输出一组特征向量序列,从而得到两组特征向量序列,将两组特征向量序列按照首尾拼接的方式进行拼接,最终得到所述第二特征向量序列。
第三特征向量序列生成单元140,用于按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列将对应位置的特征向量进行拼接以生成第三特征向量序列。
按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列进行拼接以生成第三特征向量序列。预处理后的所述中文签名图像在经过卷积神经网络模型特征向量序列的提取以及双向循环神经网络模型特征向量序列的提取之后,可得到两组特征向量序列,也就是所述第一特征向量序列和所述第二特征向量序列。在本实施例中,将所述第一特征向量序列和第二特征向量序列进行首尾拼接以得到所述第三特征向量序列。
分类识别单元150,用于根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以识别出所述中文签名图像中的姓名。
根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以识别出所述中文签名图像中的姓名。所述循环神经网络模型在训练和测试中不需要序列目标图像中每个元素的位置从而对所述第三特征向量序列进行分类识别。具体的,在对循环神经网络模型进行训练的过程中,所选取的汉字样本为6730个汉字,同时还添加了一个停止字符,停止字符主要用来表示一个字符序列的结束,因此本发明所使用的训练文本的字符集的大小为6731。
在其他发明实施例中,如图10所示,所述分类识别单元150包括隐藏状态生成单元151、相关性搜索单元152和姓名生成单元153。
隐藏状态生成单元151,用于将所述第三特征向量序列输入至所述循环神经网络模型中,生成循环神经单元的隐藏状态。
隐藏状态更新单元152,用于通过预置的注意力机制接收所述隐藏状态并搜索与所述隐藏状态相关的特征向量序列以得到下一时刻输入的特征向量序列并将其输入至所述循环神经单元以更新所述隐藏状态。
所述注意力机制接收所述循环神经单元的隐藏状态并搜索与所述循环神经单元的隐藏状态相关的特征向量序列,并将搜索到的与所述循环神经单元的隐藏状态相关的特征向量序列进行加权平均计算,以得到下一时刻输入至所述循环神经单元的特征向量序列并将其输入至所述循环神经单元以更新所述隐藏状态。
姓名生成单元153,用于通过分类器接收所述隐藏状态并对其进行分类识别,以识别出所述中文签名图像中的姓名。
通过分类器接收所述隐藏状态并对其进行分类识别,以识别出所述中文签名图像中的姓名。具体的,所述分类器使用Sigmoid函数对所述循环神经单元中的隐藏状态进行归一化处理以预测所述中文签名图像中的姓名。
校验单元160,用于根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。由于汉字字符与英文、数字等字符形式存在差异,在终端设备中对汉字字符进行存储时,均是将汉字字符转换为对应的字符编码,并采用二进制的方式对字符编码进行存储,从管理服务器10中读取对应的汉字字符,则需获取所存储的字符编码,并通过字符编码与汉字的对应关系对字符编码进行解析得到汉字字符。编码转换规则即可对姓名中所包含的字符进行转换以得到每一字符对应的字符编码,正则表达式即可用于对转换所得的字符编码进行校验,当某一字符校验不通过,则将此信息反馈至前端,提示用户重新签名。
在其他发明实施例中,如图11所示,所述校验单元160包括字符编码转换单元161和字符编码校验单元162。
字符编码转换单元161,用于根据所述编码转换规则将所述姓名转换为与所述姓名相对应的字符编码。
根据所述编码转换规则将所述姓名转换为与所述姓名相对应的字符编码。具体的,编码转换规则中包含对每一汉字进行转换的规则,也即是每一字符对应一个字符编码,编码转换规则即为采用Unicode字符集编码对字符进行转换的规则,其中包含UTF-8编码方式、UTF-16编码方式等多种转换规则,UTF-8编码方式对应常用汉字的字符编码,UTF-8便于不同的计算机之间使用网络传输不同语言和编码的文字,UTF-16编码方式对应除UTF-8之外的其他非常用汉字的字符编码,字符编码采用十六进制数进行表示。
字符编码校验单元162、用于根据所述正则表达式将所述姓名相对应的字符编码与预先存储的姓名的相对应的字符编码进行校验以得到所述中文签名图像是否通过的校验结果。
根据所述正则表达式将所述姓名相对应的字符编码与预先存储的姓名的相对应的字符编码进行校验以得到所述中文签名图像是否通过的校验结果。正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个规则字符串,所述规则字符串用来表达对字符串的一种过滤逻辑。所述正则表达式即可用于对所得到的姓名进行校验,可通过所得到的姓名与管理服务器10中存储的用户的信息是否一致来进行校验。
请参阅图12,图12是本发明实施例提供的计算机设备的示意性框图。
参阅图12,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于神经网络模型的手写签名的自动校验的方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于神经网络模型的手写签名的自动校验的方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图12中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像;将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成所述中文签名图像的第一特征向量序列;在预先训练好的双向循环神经网络模型中输入所述第一特征向量序列并将其输出以生成第二特征向量序列;按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列在对应位置的特征向量进行拼接以生成第三特征向量序列;根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以生成所述中文签名图像中的姓名;根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
本领域技术人员可以理解,图12中示出的计算机设备500的实施例并不构成对计算机设备500具体构成的限定,在其他实施例中,计算机设备500可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备500可以仅包括存储器及处理器502,在这样的实施例中,存储器及处理器502的结构及功能与图12所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器502、数字信号处理器502(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。
在本发明的另一实施例中提供存储介质。该存储介质可以为非易失性的计算机可读存储介质。该存储介质存储有计算机程序5032,其中计算机程序5032被处理器502执行时实现以下步骤:接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像;将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成所述中文签名图像的第一特征向量序列;在预先训练好的双向循环神经网络模型中输入所述第一特征向量序列并将其输出以生成第二特征向量序列;按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列在对应位置的特征向量进行拼接以生成第三特征向量序列;根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以生成所述中文签名图像中的姓名;根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备500(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络模型的手写签名的自动校验的方法,其特征在于,包括:
接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像;
将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列;
在预先训练好的双向循环神经网络模型中输入所述第一特征向量序列以生成第二特征向量序列;
按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列进行拼接以生成第三特征向量序列;
根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以识别出所述中文签名图像中的姓名;
根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
2.根据权利要求1所述的基于神经网络模型的手写签名的自动校验的方法,其特征在于,所述图像预处理模型包括非线性规整化规则和字符的分段插值处理规则,所述根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像的步骤包括:
根据所述非线性规整化规则将所述中文签名图像进行规整化处理,以放大或缩小所述中文签名图像;
根据所述字符的分段插值处理规则将规整化处理后的中文签名图像进行插值处理以生成预处理后的所述中文签名图像。
3.根据权利要求1所述的基于神经网络模型的手写签名的自动校验的方法,其特征在于,所述将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列,包括:
将预处理后的所述中文签名图像输入至所述卷积神经网络模型的卷积层进行卷积处理,以得到所述中文签名图像浅层特征相对应的向量矩阵;
将所述中文签名图像浅层特征相对应的向量矩阵输入至所述卷积神经网络模型的池化层进行池化处理,以得到所述中文签名图像深层特征相对应的向量矩阵;
将所述中文签名图像深层特征相对应的向量矩阵输入至所述卷积神经网络模型的输出层进行分类处理,以形成所述第一特征向量序列。
4.根据权利要求1所述的基于神经网络模型的手写签名的自动校验的方法,其特征在于,所述按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列进行拼接以生成第三特征向量序列,包括:
将所述第一特征向量序列和第二特征向量序列进行首尾拼接以得到第三特征向量序列。
5.根据权利要求1所述的基于神经网络模型的手写签名的自动校验的方法,其特征在于,所述根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以识别出所述中文签名图像中的姓名的步骤包括:
将所述第三特征向量序列输入至所述循环神经网络模型中,生成循环神经单元的隐藏状态;
通过预置的注意力机制接收所述隐藏状态并搜索与所述隐藏状态相关的特征向量序列以得到下一时刻输入的特征向量序列并将其输入至所述循环神经单元以更新所述隐藏状态;
通过分类器接收所述隐藏状态并对其进行分类识别,以识别出所述中文签名图像中的姓名。
6.根据权利要求1所述的基于神经网络模型的手写签名的自动校验的方法,其特征在于,所述姓名校验模型包括编码转换规则和正则表达式,所述根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果的步骤包括:
根据所述编码转换规则将所述姓名转换为与所述姓名相对应的字符编码;
根据所述正则表达式将所述姓名相对应的字符编码与预先存储的姓名的相对应的字符编码进行校验以得到所述中文签名图像是否通过的校验结果。
7.一种基于神经网络模型的手写签名的自动校验的装置,其特征在于,包括:
图像预处理单元,用于接收用户输入的中文签名图像,根据图像预处理模型对所述中文签名图像进行预处理,得到预处理后的中文签名图像;
第一特征向量序列生成单元,用于将预处理后的所述中文签名图像置于预先训练好的卷积神经网络模型中以生成第一特征向量序列;
第二特征向量序列生成单元,用于在预先训练好的双向循环神经网络模型中输入所述特征向量序列并将其输出以生成第二特征向量序列;
第三特征向量序列生成单元,用于按照预设的拼接方式将所述第一特征向量序列和第二特征向量序列将对应位置的特征向量进行拼接以生成第三特征向量序列;
分类识别单元,用于根据预先训练好的循环神经网络模型对所述第三特征向量序列进行分类识别,以识别出所述中文签名图像中的姓名;
校验单元,用于根据预置的姓名校验模型对所述姓名进行校验以得到所述中文签名图像是否通过的校验结果。
8.根据权利要求7所述的基于神经网络模型的手写签名的自动校验的装置,其特征在于,所述图像预处理模型包括非线性规整化规则和字符的分段插值处理规则,所述图像预处理单元包括:
非线性规整化单元,用于根据所述非线性规整化规则将所述中文签名图像进行规整化处理,以放大或缩小所述中文签名图像;
字符的分段插值处理单元,用于根据所述字符的分段插值处理规则将规整化处理后的中文签名图像进行插值处理以生成预处理后的所述中文签名图像。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于神经网络模型的手写签名的自动校验的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的基于神经网络模型的手写签名的自动校验的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099130.0A CN111428557A (zh) | 2020-02-18 | 2020-02-18 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
PCT/CN2021/072021 WO2021164481A1 (zh) | 2020-02-18 | 2021-01-15 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099130.0A CN111428557A (zh) | 2020-02-18 | 2020-02-18 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428557A true CN111428557A (zh) | 2020-07-17 |
Family
ID=71547154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010099130.0A Pending CN111428557A (zh) | 2020-02-18 | 2020-02-18 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111428557A (zh) |
WO (1) | WO2021164481A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112508684A (zh) * | 2020-12-04 | 2021-03-16 | 中信银行股份有限公司 | 一种基于联合卷积神经网络的催收风险评级方法及系统 |
CN112733645A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
WO2021164481A1 (zh) * | 2020-02-18 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
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 |
CN116030014A (zh) * | 2023-01-06 | 2023-04-28 | 浙江伟众科技有限公司 | 空调软硬管的智能化加工方法及其系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114118075B (zh) * | 2022-01-28 | 2022-04-22 | 北京易真学思教育科技有限公司 | 文本识别方法、装置、电子设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10423852B1 (en) * | 2018-03-20 | 2019-09-24 | Konica Minolta Laboratory U.S.A., Inc. | Text image processing using word spacing equalization for ICR system employing artificial neural network |
CN109389091B (zh) * | 2018-10-22 | 2022-05-03 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别系统及方法 |
CN110717345B (zh) * | 2019-10-15 | 2020-07-07 | 内蒙古工业大学 | 一种译文重对齐的循环神经网络跨语言机器翻译方法 |
CN111428557A (zh) * | 2020-02-18 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
-
2020
- 2020-02-18 CN CN202010099130.0A patent/CN111428557A/zh active Pending
-
2021
- 2021-01-15 WO PCT/CN2021/072021 patent/WO2021164481A1/zh active Application Filing
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164481A1 (zh) * | 2020-02-18 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
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 |
CN112508684A (zh) * | 2020-12-04 | 2021-03-16 | 中信银行股份有限公司 | 一种基于联合卷积神经网络的催收风险评级方法及系统 |
CN112733645A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
CN112733645B (zh) * | 2020-12-30 | 2023-08-01 | 平安科技(深圳)有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
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 |
CN116030014A (zh) * | 2023-01-06 | 2023-04-28 | 浙江伟众科技有限公司 | 空调软硬管的智能化加工方法及其系统 |
CN116030014B (zh) * | 2023-01-06 | 2024-04-09 | 浙江伟众科技有限公司 | 空调软硬管的智能化加工方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021164481A1 (zh) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428557A (zh) | 基于神经网络模型的手写签名的自动校验的方法和装置 | |
CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN110647916B (zh) | 基于卷积神经网络的色情图片识别方法及装置 | |
CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
CN111753863A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN113095333B (zh) | 无监督特征点检测方法及装置 | |
CN111062036A (zh) | 恶意软件识别模型构建、识别方法及介质和设备 | |
CN112364974B (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN116226785A (zh) | 目标对象识别方法、多模态识别模型的训练方法和装置 | |
CN111553838A (zh) | 模型参数的更新方法、装置、设备及存储介质 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN116089648A (zh) | 基于人工智能的档案管理系统及方法 | |
Xu et al. | Multi‐pyramid image spatial structure based on coarse‐to‐fine pyramid and scale space | |
CN111062440A (zh) | 一种样本选择方法、装置、设备及存储介质 | |
CN113762303B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN112613293B (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN111126501B (zh) | 一种图像识别方法、终端设备及存储介质 | |
CN114463646B (zh) | 一种基于多头自注意力卷积神经网络的遥感场景分类方法 | |
JP2009276937A (ja) | 辞書作成装置、認識装置、認識方法及び認識プログラム | |
CN113177479B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN111695507B (zh) | 一种基于改进VGGNet网络和PCA的静态手势识别方法 | |
CN114863442A (zh) | 基于深度学习的文字识别方法、系统、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40033280 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |