CN112036323A - 签名笔迹鉴别方法、客户端及服务器 - Google Patents
签名笔迹鉴别方法、客户端及服务器 Download PDFInfo
- Publication number
- CN112036323A CN112036323A CN202010905081.5A CN202010905081A CN112036323A CN 112036323 A CN112036323 A CN 112036323A CN 202010905081 A CN202010905081 A CN 202010905081A CN 112036323 A CN112036323 A CN 112036323A
- Authority
- CN
- China
- Prior art keywords
- signature
- authentication
- data
- handwriting
- identification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 86
- 238000013515 script Methods 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种签名笔迹鉴别方法、客户端及服务器，该方法包括：接收用户输入的签名笔迹鉴别模式；在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；将识别模式数据或鉴证模式数据发出；接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果；第一签名笔迹鉴别结果根据预先建立的神经网络签名笔迹识别模型得到，第二签名笔迹鉴别结果根据预先建立的神经网络签名笔迹鉴证模型得到。本发明可以提高签名笔迹鉴别的效率和准确率，提高了用户的体验。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及签名笔迹鉴别方法、客户端及服务器。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前，手写签名笔迹作为生物特征，可以是一种身份鉴别的依据。人工在进行签名笔迹鉴别的时候，耗时耗力且存在人为操作失误。同时，随着签名作者录入数量的提高，人工进行签名笔迹鉴别几乎变成不可能。因此，现有签名笔迹鉴别方式准确率和效率低。
发明内容
本发明实施例提供一种签名笔迹鉴别方法，用以提高签名笔迹鉴别的效率和准确率，该方法包括：
接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；
在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；
将识别模式数据或鉴证模式数据发出；
接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果；所述第一签名笔迹鉴别结果根据预先建立的神经网络签名笔迹识别模型得到，所述第二签名笔迹鉴别结果根据预先建立的神经网络签名笔迹鉴证模型得到，所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立。
本发明实施例还提供一种签名笔迹鉴别方法，用以提高签名笔迹鉴别的效率和准确率，该方法包括：
接收识别模式数据或鉴证模式数据；
根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；
将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出。
本发明实施例还提供一种签名笔迹鉴别客户端，用以提高签名笔迹鉴别的效率和准确率，该客户端包括：
获取单元，用于接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；
处理单元，用于在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；
第一发送单元，用于将识别模式数据或鉴证模式数据发出；
第一接收单元，用于接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果；所述第一签名笔迹鉴别结果根据预先建立的神经网络签名笔迹识别模型得到，所述第二签名笔迹鉴别结果根据预先建立的神经网络签名笔迹鉴证模型得到，所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立。
本发明实施例还提供一种签名笔迹鉴别服务器，用以提高笔迹鉴别的效率和准确率，该服务器包括：
第二接收单元，用于接收识别模式数据或鉴证模式数据；
鉴别处理单元，用于根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；
第二发送单元，用于将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述签名笔迹鉴别方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述签名笔迹鉴别方法的计算机程序。
本发明实施例中，签名笔迹鉴别方案，与现有技术中人工在进行签名笔迹鉴别的时候，耗时耗力且存在人为操作失误，导致签名笔迹鉴别方式准确率和效率低的技术方案相比，通过：首先，客户端接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；将识别模式数据或鉴证模式数据发出；其次，服务器接收识别模式数据或鉴证模式数据；根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出；接着，客户端接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果，可以提高签名笔迹鉴别的效率和准确率，提高了用户的体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
图1为本发明实施例中签名笔迹鉴别系统的结构示意图；
图2为本发明实施例中签名笔迹鉴别系统的原理示意图；
图3为本发明实施例中应用于客户端的签名笔迹鉴别方法的流程示意图；
图4为本发明实施例中应用于服务器的签名笔迹鉴别方法的流程示意图；
图5为本发明实施例中签名笔迹鉴别原理示意图；
图6为本发明实施例中签名笔迹鉴别客户端的结构示意图；
图7为本发明实施例中签名笔迹鉴别服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
发明人发现：现有关于签名笔迹鉴别的方案主要有：
1)一种签名笔迹检验可视化方法：该方法包括：对输入图像进行预处理，将输入的笔迹图像转换成二值图像；将裁剪后的检材笔迹图像和样本笔迹图像进行归一化处理；对经过预处理的检材和样本笔迹签名图像进行字符切分及数值化；用户在签名笔迹二维点集上标注特征点；计算检材笔迹点集与样本笔迹点集的匹配度，包括：用户指定检材笔迹点集以及样本笔迹的点集中的特征点为对应位置的点；两个点集之间存在一个旋转平移变换，使得对应特征点能匹配起来，通过最小二乘算法求解得到变换关系；计算两个点集之间的欧式距离，得到笔迹点集之间可量化的匹配度。
此方法是提供了一个可视化鉴证签名笔迹的方法。
2)一种基于对偶学习的生成式对抗网络SIGAN的签名笔迹鉴定方法
发明提供一种基于对偶学习的生成式对抗网络SIGAN的签名笔迹鉴定方法。本发明方法首次采用生成式对抗网络技术研究签名笔迹鉴定问题，通过借鉴对偶学习思想，设计了专门的SIGAN(Signature Identification GAN)网络来实现签名笔迹鉴定。将训练后判别器的损失值作为鉴定阈值，与待测签名笔迹图片通过网络得到的损失值对比，从而确定签名笔迹真伪。本文构建了包含五种硬笔笔型签名的实验数据集，包含本人真实签名以及他人的刻意模仿签名。实验结果表明，基于SIGAN的签名笔迹鉴定模型平均正确率达91.2％，比传统的图像识别方法提升3.6％，远高于人眼主观测试结果72.3％。
此方法主要是通过构建特定网络提高签名笔迹鉴证的准确率的。
发明人发现：手写签名笔迹对身份的认证分为两种模式：笔迹识别，是一个多分类问题，在指定范围内，要求找到一个给定笔迹的作者；笔迹鉴证，是一个二元分类问题，鉴定一个给定笔迹是否为指定作者的问题。
发明人发现现有签名笔迹鉴别存在问题：
1、对于鉴证模式，人工的效率及准确度严重依赖工作人员的经验以及精力。
2、对于识别模式。人工的效率更低，因为随着总体样本的增加，要判定签名笔迹属于哪个作者如果完全靠人工是很难实现的，而签名笔迹的应用场景要求响应时间应该在毫秒级的。
由于考虑到上述技术问题，发明人提出了一种签名笔迹鉴别方案，该方案为一种签名笔迹鉴别的方法。该方案设计一签名笔迹鉴别的方法，这种方法并行了样本添加模型更新和两种模式的签名笔迹鉴别。这种方法先选择识别模式或者鉴证模式，通过渠道获取签名笔迹图像，如果是鉴证模式获取需要给定鉴证签名作者。确定后系统对作者信息进行脱敏，对签名笔迹图片进行预处理，即对鉴证模式数据进行预处理。接着将预处理后对信息传入对应的识别模式或者鉴证模式的卷积神经网络。最后得到返回结果或者鉴证结果。本发明实施例提供鉴证模式和识别模式结合的签名笔迹鉴别方法，大大地减少了人工的干预，可以加上前端(客户端)成为应用，也可以作为后台服务(服务器)接收其他调用。
图1为本发明实施例中签名笔迹鉴别系统的结构示意图，如图1所示，本发明实施例提供的签名笔迹鉴别系统包括：客户端10和服务器20，工作时：首先，客户端接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；将识别模式数据或鉴证模式数据发出；其次，服务器接收识别模式数据或鉴证模式数据；根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出；接着，客户端接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果，可以提高签名笔迹鉴别的效率和准确率。
如图2所示，本发明实施例提供的签名笔迹鉴别方案中，模式(签名笔迹鉴别模式)、图像(手写签名数据等图像)、签名作者(用户标识数据)等数据从前端(客户端)或者其他服务传给数据采集返回模块(该模块可以包括下面实施例所述的第二接收单元)。经由预处理模块(可以是鉴别处理单元包括的一个模块)转换为模型标准化(预处理过程，进一步提高签名笔迹鉴别的效率和准确率)传入签名笔迹鉴别模块(该过程是由鉴别处理单元来执行的)。签名笔迹鉴别模块得到笔迹鉴别结果，并将结果传至数据采集返回模块(该模块可以包括下面实施例所述的第二发送单元)。其中预处理模块(该模块执行步骤的可以包括：对识别模式数据进行预处理，得到预处理后的识别模式数据；或对鉴证模式数据进行预处理，得到预处理后的鉴证模式数据)以及签名笔迹鉴别模块(该模块执行步骤的可以包括：将预处理后的识别模式数据输入预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据预处理后的鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果)的中间过程记录至日志数据库。
具体实施时，多个模块服务之间通过接口进行调用，服务器与渠道通过局域网连接。数据采集返回模块：负责采集签名笔迹作者信息(用户标识数据)和签名笔迹图片(手写签名数据)及返回鉴别结果，与预处理模块、签名笔迹鉴别模块相连，可以是前端，也可以是服务；预处理模块：负责对数据采集模块上送的图片和签名作者信息进行预处理以及组合；签名笔迹鉴别模块：负责根据模式调用签名笔迹鉴证模型(神经网络签名笔迹鉴证模型)或者签名笔迹识别模型(神经网络签名笔迹识别模型)对预处理模块上送的信息进行处理，得到鉴别结果。
下面首先对应用于客户端的签名笔迹鉴别方法进行介绍。
图3为本发明实施例中应用于客户端的签名笔迹鉴别方法的流程示意图，如图3所示，该方法包括如下步骤：
步骤101：接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；
步骤102：在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；
步骤103：将识别模式数据或鉴证模式数据发出；
步骤104：接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果；所述第一签名笔迹鉴别结果根据预先建立的神经网络签名笔迹识别模型得到，所述第二签名笔迹鉴别结果根据预先建立的神经网络签名笔迹鉴证模型得到，所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立。
在一个实施例中，接收根据识别模式数据反馈的第一签名笔迹鉴别结果，可以包括：接收根据对识别模式数据预处理后反馈的第一签名笔迹鉴别结果。
具体实施时，对识别模式数据进行预处理后，在进行笔迹鉴别，进一步提高了笔迹鉴别的效率和准确率。具体预处理的方案详见下面实施例的介绍。
在一个实施例中，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果，可以包括：接收根据对鉴证模式数据预处理后反馈的第二签名笔迹鉴别结果。
具体实施时，对鉴证模式数据进行预处理后，在进行笔迹鉴别，进一步提高了笔迹鉴别的效率和准确率。具体预处理的方案详见下面实施例的介绍。
具体实施时，本发明实施例中根据客户需求选择的签名笔迹鉴别模式，输入神经网络签名笔迹识别模型或神经网络签名笔迹鉴证模型，将得到鉴别结果：第一签名笔迹鉴别结果或第二签名笔迹鉴别结果提供给用户。当然，也可以将第一签名笔迹鉴别结果和第二签名笔迹鉴别结果进行融合，得到一个最终鉴别结果输出给用户。
本发明实施例中还提供了一种应用于服务器的签名笔迹鉴别方法，如下面的实施例所述。由于该应用于服务器的签名笔迹鉴别方法解决问题的原理与应用于客户端的签名笔迹鉴别方法相似，因此该应用于服务器的签名笔迹鉴别方法的实施可以参见应用于客户端的签名笔迹鉴别方法的实施，重复之处不再赘述。
图4为本发明实施例中应用于服务器的签名笔迹鉴别方法的流程示意图，如图4所示，该方法包括如下步骤：
步骤201：接收识别模式数据或鉴证模式数据；
步骤202：根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；
步骤203：将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出。
在一个实施例中，根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果，可以包括：
对识别模式数据进行预处理，得到预处理后的识别模式数据；
将预处理后的识别模式数据输入预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果。
具体实施时，对识别模式数据进行预处理后，在进行笔迹鉴别，进一步提高了笔迹鉴别的效率和准确率。具体预处理的方案详见下面实施例的介绍。
具体实施时，上述神经网络签名笔迹识别模型的输入是识别模式数据，输出是第一签名笔迹鉴别结果，通过该神经网络签名笔迹识别模型识别出该识别模式数据属于哪个类别，即属于哪个用户的笔迹。
在一个实施例中，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果，可以包括：
对鉴证模式数据进行预处理，得到预处理后的鉴证模式数据；
根据预处理后的鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
具体实施时，对鉴证模式数据进行预处理后，在进行笔迹鉴别，进一步提高了笔迹鉴别的效率和准确率。具体预处理的方案详见下面实施例的介绍。
在一个实施例中，根据预处理后的鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果，可以包括：
根据预处理后的鉴证模式数据中的用户标识数据，得到预先存储的手写签名数据；
根据预处理后的鉴证模式数据中的手写签名数据，上述预先存储的手写签名数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
具体实施时，上述根据预处理后的鉴证模式数据得到第二签名笔迹鉴别结果的实施方式进一步提高了签名笔迹鉴别的效率和准确率。
在一个实施例中，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果，可以包括：
根据鉴证模式数据中的用户标识数据，得到预先存储的手写签名数据；
根据鉴证模式数据中的手写签名数据，预先存储的手写签名数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
具体实施时，上述得到第二签名笔迹鉴别结果的实施方式进一步提高了签名笔迹鉴别的效率和准确率。上述用户标识数据，可以是用户的名字或代表该用户的编码等，用该用户标识数据去预先建立的手写签名数据库中，匹配查找到该用户标识数据对应的预先存储的手写签名数据。
具体实施时，上述神经网络签名笔迹鉴证模型的输入可以是鉴证模式数据中的手写签名数据，以及预先存储的手写签名数据，输出可以是第二签名笔迹鉴别结果，即该神经网络签名笔迹鉴证模型判别鉴证模式数据中的手写签名数据与预先存储的手写签名数据之间的相似度，从而鉴证二者是否是同一个人的笔迹。
具体实施时，上述所有处理的方案可以在服务器20中执行，也可以单独使用一个服务器来执行，例如图5中的预处理服务器，减轻服务器20的工作负担，进一步提高签名笔迹鉴别的效率。
为了便于理解本发明如何实施，下面结合附图5，整体介绍签名笔迹鉴别方案。
如图5所示，本发明实施例提供的签名笔迹鉴别方法流程如下：
1、选择鉴证模式或者识别模式。
2、如果选择鉴证模式，输入客户信息(用户标识数据)以及手写签名笔迹图片(手写签名数据)，即鉴证模式数据；如果选择识别模式，输入手写签名笔迹图片，即识别模式数据。
3、对渠道传入的客户信息(鉴证模式数据或识别模式数据)进行预处理，客户预处理主要是对客户(用户标识数据)进行编码并做一定脱敏，核对数据库是否有重复客户；图片(手写签名数据)预处理主要是对图片去噪、二值化、压缩等，形成标准化图片。如果选择鉴证模式，将图片和客户信息进行组合。
4、根据不同模式选择不同卷积神经网络，得到鉴别结果。
5、最后将结果返回。
具体实施时，上述预处理的过程也可以由客户端来执行。
本发明实施例提供的签名笔迹鉴别方案的优点是：可以代替人工模式签名笔迹鉴别降低人力成本和提高准确率。同时，一个签名笔迹鉴别系统实现了鉴证和识别两个模式，在模型共享上、资源(例如手写签名样本)共享上比一个系统单一模式有更好的表现。
本发明实施例中还提供了一种签名笔迹鉴别客户端，如下面的实施例所述。由于该客户端解决问题的原理与应用于客户端的签名笔迹鉴别方法相似，因此该客户端的实施可以参见应用于客户端的签名笔迹鉴别方法的实施，重复之处不再赘述。
图6为本发明实施例中签名笔迹鉴别客户端的结构示意图，如图6所示，该客户端包括：
获取单元11，用于接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；
处理单元12，用于在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；
第一发送单元13，用于将识别模式数据或鉴证模式数据发出；
第一接收单元14，用于接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果；所述第一签名笔迹鉴别结果根据预先建立的神经网络签名笔迹识别模型得到，所述第二签名笔迹鉴别结果根据预先建立的神经网络签名笔迹鉴证模型得到，所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立。
在一个实施例中，所述获取单元具体可以用于：接收根据对识别模式数据预处理后反馈的第一签名笔迹鉴别结果。
在一个实施例中，所述获取单元具体可以用于：接收根据对鉴证模式数据预处理后反馈的第二签名笔迹鉴别结果。
本发明实施例中还提供了一种签名笔迹鉴别服务器，如下面的实施例所述。由于该服务器解决问题的原理与应用于客户端的签名笔迹鉴别方法相似，因此该服务器的实施可以参见应用于客户端的签名笔迹鉴别方法的实施，重复之处不再赘述。
图7为本发明实施例中签名笔迹鉴别服务器的结构示意图，如图7所示，该服务器包括：
第二接收单元21，用于接收识别模式数据或鉴证模式数据；
鉴别处理单元22，用于根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；
第二发送单元23，用于将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出。
在一个实施例中，所述鉴别处理单元具体可以用于：
对识别模式数据进行预处理，得到预处理后的识别模式数据；
将预处理后的识别模式数据输入预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果。
在一个实施例中，所述鉴别处理单元具体可以用于：
对鉴证模式数据进行预处理，得到预处理后的鉴证模式数据；
根据预处理后的鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
在一个实施例中，所述鉴别处理单元具体可以用于：
根据鉴证模式数据中的用户标识数据，得到预先存储的手写签名数据；
根据鉴证模式数据中的手写签名数据，预先存储的手写签名数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述签名笔迹鉴别方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述签名笔迹鉴别方法的计算机程序。
本发明实施例中，签名笔迹鉴别方案，与现有技术中人工在进行签名笔迹鉴别的时候，耗时耗力且存在人为操作失误，导致签名笔迹鉴别方式准确率和效率低的技术方案相比，通过：首先，客户端接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；将识别模式数据或鉴证模式数据发出；其次，服务器接收识别模式数据或鉴证模式数据；根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出；接着，客户端接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果，可以提高签名笔迹鉴别的效率和准确率，提高了用户的体验。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (16)
1.一种签名笔迹鉴别方法，其特征在于，包括：
接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；
在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；
将识别模式数据或鉴证模式数据发出；
接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果；所述第一签名笔迹鉴别结果根据预先建立的神经网络签名笔迹识别模型得到，所述第二签名笔迹鉴别结果根据预先建立的神经网络签名笔迹鉴证模型得到，所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立。
2.如权利要求1所述的签名笔迹鉴别方法，其特征在于，接收根据识别模式数据反馈的第一签名笔迹鉴别结果，包括：接收根据对识别模式数据预处理后反馈的第一签名笔迹鉴别结果。
3.如权利要求1所述的签名笔迹鉴别方法，其特征在于，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果，包括：接收根据对鉴证模式数据预处理后反馈的第二签名笔迹鉴别结果。
4.一种签名笔迹鉴别方法，其特征在于，包括：
接收识别模式数据或鉴证模式数据；
根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；
将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出。
5.如权利要求4所述的签名笔迹鉴别方法，其特征在于，根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果，包括：
对识别模式数据进行预处理，得到预处理后的识别模式数据；
将预处理后的识别模式数据输入预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果。
6.如权利要求4所述的签名笔迹鉴别方法，其特征在于，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果，包括：
对鉴证模式数据进行预处理，得到预处理后的鉴证模式数据；
根据预处理后的鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
7.如权利要求4所述的签名笔迹鉴别方法，其特征在于，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果，包括：
根据鉴证模式数据中的用户标识数据，得到预先存储的手写签名数据；
根据鉴证模式数据中的手写签名数据，预先存储的手写签名数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
8.一种签名笔迹鉴别客户端，其特征在于，包括：
获取单元，用于接收用户输入的签名笔迹鉴别模式；所述签名笔迹鉴别模式包括：识别模式或者鉴证模式；
处理单元，用于在用户输入的签名笔迹鉴别模式为识别模式时，获取用户的手写签名数据作为识别模式数据；或，在用户输入的签名笔迹鉴别模式为鉴证模式时，获取用户的手写签名数据和用户标识数据作为鉴证模式数据；
第一发送单元，用于将识别模式数据或鉴证模式数据发出；
第一接收单元，用于接收根据识别模式数据反馈的第一签名笔迹鉴别结果；或，接收根据鉴证模式数据反馈的第二签名笔迹鉴别结果；所述第一签名笔迹鉴别结果根据预先建立的神经网络签名笔迹识别模型得到，所述第二签名笔迹鉴别结果根据预先建立的神经网络签名笔迹鉴证模型得到，所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立。
9.如权利要求8所述的签名笔迹鉴别客户端，其特征在于，所述获取单元具体用于：接收根据对识别模式数据预处理后反馈的第一签名笔迹鉴别结果。
10.如权利要求8所述的签名笔迹鉴别客户端，其特征在于，所述获取单元具体用于：接收根据对鉴证模式数据预处理后反馈的第二签名笔迹鉴别结果。
11.一种签名笔迹鉴别服务器，其特征在于，包括：
第二接收单元，用于接收识别模式数据或鉴证模式数据；
鉴别处理单元，用于根据识别模式数据，以及预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果；或，根据鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果；所述神经网络签名笔迹识别模型和神经网络签名笔迹鉴证模型根据多个手写签名数据样本预先建立；
第二发送单元，用于将第一签名笔迹鉴别结果或第二签名笔迹鉴别结果发出。
12.如权利要求11所述的签名笔迹鉴别服务器，其特征在于，所述鉴别处理单元具体用于：
对识别模式数据进行预处理，得到预处理后的识别模式数据；
将预处理后的识别模式数据输入预先建立的神经网络签名笔迹识别模型，得到第一签名笔迹鉴别结果。
13.如权利要求11所述的签名笔迹鉴别服务器，其特征在于，所述鉴别处理单元具体用于：
对鉴证模式数据进行预处理，得到预处理后的鉴证模式数据；
根据预处理后的鉴证模式数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
14.如权利要求11所述的签名笔迹鉴别服务器，其特征在于，所述鉴别处理单元具体用于：
根据鉴证模式数据中的用户标识数据，得到预先存储的手写签名数据；
根据鉴证模式数据中的手写签名数据，预先存储的手写签名数据，以及预先建立的神经网络签名笔迹鉴证模型，得到第二签名笔迹鉴别结果。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7任一所述方法。
16.一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执行权利要求1至7任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010905081.5A CN112036323B (zh) | 2020-09-01 | 2020-09-01 | 签名笔迹鉴别方法、客户端及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010905081.5A CN112036323B (zh) | 2020-09-01 | 2020-09-01 | 签名笔迹鉴别方法、客户端及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036323A true CN112036323A (zh) | 2020-12-04 |
| CN112036323B CN112036323B (zh) | 2024-02-27 |
Family
ID=73590869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010905081.5A Active CN112036323B (zh) | 2020-09-01 | 2020-09-01 | 签名笔迹鉴别方法、客户端及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036323B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408373A (zh) * | 2021-06-02 | 2021-09-17 | 中金金融认证中心有限公司 | 手写识别方法、系统、客户端和服务器端 |
| 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 |
Citations (5)
| 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 |
| 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 |
| CN111046774A (zh) * | 2019-12-06 | 2020-04-21 | 国网湖北省电力有限公司电力科学研究院 | 一种基于卷积神经网络的中文签名笔迹鉴定方法 |
| 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 |
| CN111476209A (zh) * | 2019-05-14 | 2020-07-31 | 深圳传音控股股份有限公司 | 手写输入的识别方法、设备及计算机存储介质 |
-
2020
- 2020-09-01 CN CN202010905081.5A patent/CN112036323B/zh active Active
Patent Citations (5)
| 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 |
| CN111476209A (zh) * | 2019-05-14 | 2020-07-31 | 深圳传音控股股份有限公司 | 手写输入的识别方法、设备及计算机存储介质 |
| 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 |
| CN111046774A (zh) * | 2019-12-06 | 2020-04-21 | 国网湖北省电力有限公司电力科学研究院 | 一种基于卷积神经网络的中文签名笔迹鉴定方法 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408373A (zh) * | 2021-06-02 | 2021-09-17 | 中金金融认证中心有限公司 | 手写识别方法、系统、客户端和服务器端 |
| CN113408373B (zh) * | 2021-06-02 | 2024-06-07 | 中金金融认证中心有限公司 | 手写识别方法、系统、客户端和服务器端 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036323B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107967475B (zh) | 一种基于窗口滑动和卷积神经网络的验证码识别方法 | |
| CN108256591B (zh) | 用于输出信息的方法和装置 | |
| US11837017B2 (en) | System and method for face recognition based on dynamic updating of facial features | |
| CN106951832B (zh) | 一种基于手写字符识别的验证方法及装置 | |
| CN111091080A (zh) | 人脸识别方法及系统 | |
| CN110780965B (zh) | 基于视觉的流程自动化方法、设备及可读存储介质 | |
| CN107358148B (zh) | 一种基于手写识别的防作弊网络调研的方法及装置 | |
| CN112036323B (zh) | 签名笔迹鉴别方法、客户端及服务器 | |
| CN112733146B (zh) | 基于机器学习的渗透测试方法、装置、设备及存储介质 | |
| Engin et al. | Offline signature verification on real-world documents | |
| CN112418167A (zh) | 图像的聚类方法、装置、设备和存储介质 | |
| CN112580108A (zh) | 签名和印章完整性验证方法及计算机设备 | |
| CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
| CN113792623B (zh) | 安检ct目标物识别方法和装置 | |
| US20210326615A1 (en) | System and method for automatically detecting and repairing biometric crosslinks | |
| CN112183417B (zh) | 一种置业顾问服务能力评价系统及方法 | |
| CN113420295A (zh) | 恶意软件的检测方法及装置 | |
| CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
| CN105989324A (zh) | 一种基于指纹特征的嵌入式身份认证系统 | |
| CN108537213A (zh) | 增强虹膜识别精度的系统和方法 | |
| CN105323143A (zh) | 基于即时通讯的网络信息推送方法、装置和系统 | |
| CN115424353B (zh) | 基于ai模型的业务用户特征识别方法及系统 | |
| CN114328630B (zh) | 一种基于物联网的设备识别系统 | |
| CN115661436A (zh) | 证件真伪识别方法、装置、可读介质及电子设备 | |
| CN115496952A (zh) | 文档图像分类方法、装置、存储介质及计算机设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |