CN112836636A - 一种签字图像真伪鉴别方法及装置 - Google Patents
一种签字图像真伪鉴别方法及装置 Download PDFInfo
- Publication number
- CN112836636A CN112836636A CN202110144380.6A CN202110144380A CN112836636A CN 112836636 A CN112836636 A CN 112836636A CN 202110144380 A CN202110144380 A CN 202110144380A CN 112836636 A CN112836636 A CN 112836636A
- Authority
- CN
- China
- Prior art keywords
- image
- signature
- signature image
- detected
- authenticity
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出了一种签字图像真伪鉴别方法及装置,涉及图像鉴别技术领域。该签字图像真伪鉴别方法,包括以下步骤:获取待检测签字图像;将所述待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果;根据所述识别结果判定待检测签字图像的真伪。通过对待检测签字图像输入到真伪签字决策模型中得到一个识别结果,从而来判断输入的待检测签字图像的真伪。真伪签字决策模型具有很高的图像识别能力,能够准确识别出待检测签字图像的真伪,从而提高了待检测签字图像真伪辨别的准确性。
Description
技术领域
本发明涉及图像鉴别技术领域,具体而言,涉及一种签字图像真伪鉴别方法及装置。
背景技术
随着时代的进步,越来越多的合同、审批单、协议、推荐信等出现在我们的生活中,签名作为其中的重要组成部分发挥着越来越重要的作用。个人签名可以保证合同、审批单、协议、推荐信的真实性,也提供了较好的法律保证,对国家、企业、政府、个人都具有重要的意义。然而,很多伪造的签名却经常出现,给国家、社会、个人造成巨大的损失。因此,如何鉴别出伪造的签名图像有非常重要的实际意义。
针对上述问题,很多学者和工程技术人员对其进行了较为深入的研究。相比于消耗巨大的深度学习鉴别方法,基于SVM模型的签字图像鉴别方法可以有效地识别出虚假签名图像,但是,使用目前的签名图像鉴别方法鉴别签字图像存在鉴别结果正确率较低的问题。
发明内容
本发明的目的在于提供一种签字图像真伪鉴别方法及装置,用以改善现有技术中签字图像鉴别结果正确率较低的问题。
第一方面,本申请实施例提供一种签字图像真伪鉴别方法,包括以下步骤:
获取待检测签字图像;
将所述待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果;
根据所述识别结果判定待检测签字图像的真伪。
上述实现过程中,通过对待检测签字图像输入到真伪签字决策模型中得到一个识别结果,从而来判断输入的待检测签字图像的真伪。真伪签字决策模型具有很高的图像识别能力,能够准确识别出待检测签字图像的真伪,从而提高了待检测签字图像真伪辨别的准确性。
在本发明的一些实施例中,所述将所述待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果的步骤之前还包括以下步骤:
获取签名的样本图像;
对所述样本图像进行多尺度图形细节优化处理,得到优化后的样本图像;
对所述优化后的样本图像进行SIFT特征提取,得到表征后的训练样本图像;
利用预置的SVM支持向量机模型对所述表征后的训练样本图像进行训练,得到真伪签字决策模型。
上述实现过程中,真伪签字决策模型是利用多尺度细节优化技术对样本图像进行处理,使得处理后的样本图像更加突出细节,进而使得对所述优化后的样本图像进行SIFT特征提取更充分,再利用预置的SVM支持向量机模型对所述表征后的训练样本图像进行训练,得到真伪签字决策模型,从而使在经过真伪签字决策模型识别后的结果更精准,提高了待检测签字图像真伪辨别的准确性。
在本发明的一些实施例中,对所述样本图像进行多尺度图形细节优化处理,得到优化后的样本图像的步骤包括以下步骤:
利用最小二乘滤波器对所述样本图像进行过滤,得到过滤后的样本图像;
将过滤后的样本图像分为多个尺度,得到多个尺度样本图像;
将所述尺度样本图像之间进行减除计算,得到不同程度的细节信息;
将所述不同程度的细节信息分别加权到所述样本图像中,得到优化后的样本图像。
上述实现过程中,通过将不同程度的细节信息加权到所述样本图像中,使得优化后的样本图像更加突出细节,为后续辨别待检测签字图像的真伪提供了支持。
在本发明的一些实施例中,所述样本图像包括正训练样本和负训练样本,所述正训练样本为真实的签名图像,所述负训练样本为虚假的签名图像。
在本发明的一些实施例中,所述根据所述识别结果判定待检测签字图像的真伪的步骤包括以下步骤:
当所述识别结果的分值大于设置的第一标准值时,判定所述待检测签字图像为真实签字图像;
当所述识别结果的分值小于设置的第二标准值时,判定所述待检测签字图像为虚假签字图像;
当所述识别结果的分值在所述第一标准值和第二标准值之间时,进行二次判定。
在本发明的一些实施例中,所述当所述识别结果的分值在所述第一标准值和第二标准值之间时,进行二次判定的步骤包括以下步骤:
计算所述待检测签字图像中每个像素点的灰度值;
计算所述灰度值在所述待检测签字图像中出现的概率;
根据所述概率计算区域熵;
根据所述区域熵的值判定待检测签字图像的真伪。
上述实现过程中,在真伪签字决策模型的基础上,进一步引入了图像区域熵模型,从而进一步提高了待检测签字图像真伪辨别的准确性,同时还提升了签字图像鉴别的有效性和健壮性。
在本发明的一些实施例中,所述根据所述区域熵的值判定待检测签字图像的真伪的步骤包括以下步骤:
当所述区域熵的值低于第三标准值时,判定所述待检测签字图像为虚假签字图像;
当所述区域熵的值不低于第三标准值时,判定所述待检测签字图像为真实签字图像。
第二方面,本申请实施例提供一种签字图像真伪鉴别装置,包括:
签字图像获取模块,用于获取待检测签字图像;
签字图像识别模块,用于将所述待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果;
判定模块,用于根据所述识别结果判定待检测签字图像的真伪。
上述实现过程中,该装置处理过程没有用到深度学习等复杂的模型,整个过程较为简单,整体较为低耗。
在本发明的一些实施例中,所述签字图像真伪鉴别装置还包括:
样本图像获取模块,用于获取签名的样本图像;
优化处理模块,用于对所述样本图像进行多尺度图形细节优化处理,得到优化后的样本图像;
特征提取模块,用于对所述优化后的样本图像进行SIFT特征提取,得到表征后的训练样本图像;
训练模块,用于利用预置的SVM支持向量机模型对所述表征后的训练样本图像进行训练,得到真伪签字决策模型。
在本发明的一些实施例中,所述优化处理模块包括:
图像过滤子模块,用于利用最小二乘滤波器对所述样本图像进行过滤,得到过滤后的样本图像;
图像拆分子模块,用于将过滤后的样本图像分为多个尺度,得到多个尺度样本图像;
计算子模块,用于将所述尺度样本图像之间进行减除计算,得到不同程度的细节信息;
优化子模块,将所述不同程度的细节信息分别加权到所述样本图像中,得到优化后的样本图像。
在本发明的一些实施例中,所述样本图像包括正训练样本和负训练样本,所述正训练样本为真实的签名图像,所述负训练样本为虚假的签名图像。
在本发明的一些实施例中,所述判定模块包括:
第一判定子模块,用于当所述识别结果的分值大于设置的第一标准值时,判定所述待检测签字图像为真实签字图像;
第二判定子模块,用于当所述识别结果的分值小于设置的第二标准值时,判定所述待检测签字图像为虚假签字图像;
第三判定子模块,用于当所述识别结果的分值在所述第一标准值和第二标准值之间时,进行二次判定。
在本发明的一些实施例中,所述第三判定子模块包括:
灰度计算单元,用于计算所述待检测签字图像中每个像素点的灰度值;
概率计算单元,用于计算所述灰度值在所述待检测签字图像中出现的概率;
区域熵计算单元,用于根据所述概率计算区域熵;
真伪判定单元,用于根据所述区域熵的值判定待检测签字图像的真伪。
在本发明的一些实施例中,所述真伪判定单元包括:
第一判定子单元,用于当所述区域熵的值低于第三标准值时,判定所述待检测签字图像为虚假签字图像;
第二判定子单元,用于当所述区域熵的值不低于第三标准值时,判定所述待检测签字图像为真实签字图像。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当所述一个或多个程序被所述处理器执行时,实现如上述第一方面中任一项所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种签字图像真伪鉴别方法的流程图;
图2为本发明实施例提供的一种签字图像真伪鉴别方法的具体流程图;
图3为本发明实施例提供的一种基于区域熵模型的二次判定方法流程图;
图4为本发明实施例提供的一种签字图像真伪鉴别装置示意图;
图5为本发明实施例提供的一种电子设备的结构框图。
图标:100-签字图像真伪鉴别装置;110-签字图像获取模块;120-签字图像识别模块;130-判定模块;101-存储器;102-处理器;103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1和图2,图1为本发明实施例提供的一种签字图像真伪鉴别方法的流程图,图2为一种签字图像真伪鉴别方法的具体流程图。该签字图像真伪鉴别方法,包括以下步骤:
步骤S110:获取待检测签字图像;待检测签字图像是用户输入的签字图像进行多尺度图像细节优化处理后再进行SIFT特征提取后的签字图像。用户输入的签字图像可以是用户直接输入的签名,也可以是输入的签名照片。
步骤S120:将待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果;
步骤S130:根据识别结果判定待检测签字图像的真伪。
目前的签字图像鉴别方法没有充分考虑图像的多样性、复杂性,从而导致签字图像鉴别结果正确率不高。因此,在将待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果的步骤之前还进行了以下步骤:
首先,获取签名的样本图像;样本图像包括正训练样本和负训练样本,正训练样本为真实的签名图像,负训练样本为虚假的签名图像。正训练样本由人工选取特定人的真实签名图像,负训练样本由人工选取特定人的虚假签名,为使选取方便,样本数量为200-500张。例如选取的正训练样本为400张,选取的负训练样本数量为500张。
然后,对样本图像进行多尺度图形细节优化处理,得到优化后的样本图像;
然后,对优化后的样本图像进行SIFT特征提取,得到表征后的训练样本图像;
最后,利用预置的SVM支持向量机模型对表征后的训练样本图像进行训练,得到真伪签字决策模型。
上述实现过程中,通过将待检测签字图像输入到真伪签字决策模型中得到一个识别结果,从而来判断输入的待检测签字图像的真伪。真伪签字决策模型是利用多尺度细节优化技术对样本图像进行处理,使得处理后的样本图像更加突出细节,进而使得对优化后的样本图像进行SIFT特征提取更充分,再利用预置的SVM支持向量机模型对表征后的训练样本图像进行训练,得到真伪签字决策模型,从而使得在经过真伪签字决策模型识别后得到的结果更精准,提高了待检测签字图像真伪辨别的准确性。
其中,对样本图像进行多尺度图形细节优化处理,得到优化后的样本图像的步骤包括以下步骤:
利用最小二乘滤波器对样本图像进行过滤,得到过滤后的样本图像;最小二乘滤波亦称无系统参数的最小二乘配置,由观测数据确定随机参数最佳估值的一种方法。
将过滤后的样本图像分为多个尺度,得到多个尺度样本图像;
将尺度样本图像之间进行减除计算,得到不同程度的细节信息;
将不同程度的细节信息分别加权到样本图像中,得到优化后的样本图像。
上述实现过程中,通过将不同程度的细节信息加权到样本图像中,使得优化后的样本图像更加突出细节,为辨别待检测签字图像的真伪提供了支持。
其中,根据识别结果判定待检测签字图像的真伪的步骤包括以下步骤:
当识别结果的分值大于设置的第一标准值时,判定待检测签字图像为真实签字图像;
例如,待检测签字图像A经过识别后得到的分值为85分,而预设的标准是大于80分就判定为真实签字图像,因此,该待检测签字图像A为真实签字图像。
当识别结果的分值小于设置的第二标准值时,判定待检测签字图像为虚假签字图像;
例如,待检测签字图像B经过识别后得到的分值为60分,而预设的标准是小于70分就判定为虚假签字图像,因此,该待检测签字图像B为虚假签字图像。
当识别结果的分值在第一标准值和第二标准值之间时,进行二次判定。
例如,待检测签字图像C经过识别后得到的分值为75分,而预设的第一标准值和第二标准值分别是80分和70分,待检测签字图像C识别结果的分数介于第一标准值和第二标准值之间,因此,该待检测签字图像C还需要进行二次判定。
请参见图3,图3为本发明实施例提供的一种基于区域熵模型的二次判定方法流程图。其中,当识别结果的分值在第一标准值和第二标准值之间时,进行二次判定的步骤包括以下步骤:
计算待检测签字图像中每个像素点的灰度值i;灰度值i指黑白图像中点的颜色深度,范围一般从0到255,白色为255,黑色为0。
计算灰度值i在待检测签字图像中出现的概率;
根据概率计算区域熵;区域熵的计算公式为:
根据区域熵的值判定待检测签字图像的真伪。区域熵越大,表明该区域内灰度分布层越多,同质性较差,越接近真实图像。
当区域熵的值低于第三标准值时,判定待检测签字图像为虚假签字图像;
当区域熵的值不低于第三标准值时,判定待检测签字图像为真实签字图像。
例如,当待检测签字图像D经过识别后得到的分值为78分,而预设的第一标准值和第二标准值分别是80分和70分,待检测签字图像D识别结果的分数介于第一标准值和第二标准值之间,待检测签字图像进行二次判定,经计算得到区域熵的值为55,第三标准值设置为50,该区域熵的值大于第三标准值,判定为真实签字图像。
例如,当待检测签字图像E经过识别后得到的分值为77分,而预设的第一标准值和第二标准值分别是80分和70分,待检测签字图像E识别结果的分数介于第一标准值和第二标准值之间,待检测签字图像进行二次判定,经计算得到区域熵的值为45,第三标准值设置为50,该区域熵的值低于第三标准值,判定为虚假签字图像。
上述实现过程中,在真伪签字决策模型的基础上,进一步引入了图像区域熵模型,从而进一步提高了待检测签字图像真伪辨别的准确性,同时还提升了签字图像鉴别的有效性和健壮性。
请参看图4,图4为本发明实施例提供的一种签字图像真伪鉴别装置100的示意图。该签字图像真伪鉴别装置100,包括:
签字图像获取模块110,用于获取待检测签字图像;
签字图像识别模块120,用于将待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果;
判定模块130,用于根据识别结果判定待检测签字图像的真伪。
上述实现过程中,该装置处理过程没有用到深度学习等复杂的模型,整个过程较为简单,整体较为低耗。
其中,签字图像真伪鉴别装置100还包括:
样本图像获取模块,用于获取签名的样本图像;
优化处理模块,用于对样本图像进行多尺度图形细节优化处理,得到优化后的样本图像;
特征提取模块,用于对优化后的样本图像进行SIFT特征提取,得到表征后的训练样本图像;
训练模块,用于利用预置的SVM支持向量机模型对表征后的训练样本图像进行训练,得到真伪签字决策模型。
其中,优化处理模块包括:
图像过滤子模块,用于利用最小二乘滤波器对样本图像进行过滤,得到过滤后的样本图像;
图像拆分子模块,用于将过滤后的样本图像分为多个尺度,得到多个尺度样本图像;
计算子模块,用于将尺度样本图像之间进行减除计算,得到不同程度的细节信息;
优化子模块,将不同程度的细节信息分别加权到样本图像中,得到优化后的样本图像。
其中,样本图像包括正训练样本和负训练样本,正训练样本为真实的签名图像,负训练样本为虚假的签名图像。
其中,判定模块130包括:
第一判定子模块,用于当识别结果的分值大于设置的第一标准值时,判定待检测签字图像为真实签字图像;
第二判定子模块,用于当识别结果的分值小于设置的第二标准值时,判定待检测签字图像为虚假签字图像;
第三判定子模块,用于当识别结果的分值在第一标准值和第二标准值之间时,进行二次判定。
其中,第三判定子模块包括:
灰度计算单元,用于计算待检测签字图像中每个像素点的灰度值;
概率计算单元,用于计算灰度值在待检测签字图像中出现的概率;
区域熵计算单元,用于根据概率计算区域熵;
真伪判定单元,用于根据区域熵的值判定待检测签字图像的真伪。
其中,真伪判定单元包括:
第一判定子单元,用于当区域熵的值低于第三标准值时,判定待检测签字图像为虚假签字图像;
第二判定子单元,用于当区域熵的值不低于第三标准值时,判定待检测签字图像为真实签字图像。
请参阅图5,图5为本申请实施例提供的一种电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例所提供的签字图像真伪鉴别装置100对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
可以理解,图5所示的结构仅为示意,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例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)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上,本申请实施例提供的一种签字图像真伪鉴别方法及装置,该签字图像真伪鉴别方法通过将待检测签字图像输入到真伪签字决策模型中得到一个识别结果,从而来判断输入的待检测签字图像的真伪。真伪签字决策模型是利用多尺度细节优化技术对样本图像进行处理,使得处理后的样本图像更加突出细节,进而使得对优化后的样本图像进行SIFT特征提取更充分,再利用预置的SVM支持向量机模型对表征后的训练样本图像进行训练,得到真伪签字决策模型,从而使得在经过真伪签字决策模型识别后得到的结果更精准,提高了待检测签字图像真伪辨别的准确性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
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,能够以其它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囊括在本申请内。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。
Claims (10)
1.一种签字图像真伪鉴别方法,其特征在于,包括以下步骤:
获取待检测签字图像;
将所述待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果;
根据所述识别结果判定待检测签字图像的真伪。
2.根据权利要求1所述的签字图像真伪鉴别方法,其特征在于,所述将所述待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果的步骤之前还包括以下步骤:
获取签名的样本图像;
对所述样本图像进行多尺度图形细节优化处理,得到优化后的样本图像;
对所述优化后的样本图像进行SIFT特征提取,得到表征后的训练样本图像;
利用预置的SVM支持向量机模型对所述表征后的训练样本图像进行训练,得到真伪签字决策模型。
3.根据权利要求2所述的签字图像真伪鉴别方法,其特征在于,对所述样本图像进行多尺度图形细节优化处理,得到优化后的样本图像的步骤包括以下步骤:
利用最小二乘滤波器对所述样本图像进行过滤,得到过滤后的样本图像;
将过滤后的样本图像分为多个尺度,得到多个尺度样本图像;
将所述尺度样本图像之间进行减除计算,得到不同程度的细节信息;
将所述不同程度的细节信息分别加权到所述样本图像中,得到优化后的样本图像。
4.根据权利要求2所述的签字图像真伪鉴别方法,其特征在于,所述样本图像包括正训练样本和负训练样本,所述正训练样本为真实的签名图像,所述负训练样本为虚假的签名图像。
5.根据权利要求1所述的签字图像真伪鉴别方法,其特征在于,所述根据所述识别结果判定待检测签字图像的真伪的步骤包括以下步骤:
当所述识别结果的分值大于设置的第一标准值时,判定所述待检测签字图像为真实签字图像;
当所述识别结果的分值小于设置的第二标准值时,判定所述待检测签字图像为虚假签字图像;
当所述识别结果的分值在所述第一标准值和第二标准值之间时,进行二次判定。
6.根据权利要求5所述的签字图像真伪鉴别方法,其特征在于,所述当所述识别结果的分值在所述第一标准值和第二标准值之间时,进行二次判定的步骤包括以下步骤:
计算所述待检测签字图像中每个像素点的灰度值;
计算所述灰度值在所述待检测签字图像中出现的概率;
根据所述概率计算区域熵;
根据所述区域熵的值判定待检测签字图像的真伪。
7.根据权利要求6所述的签字图像真伪鉴别方法,其特征在于,所述根据所述区域熵的值判定待检测签字图像的真伪的步骤包括以下步骤:
当所述区域熵的值低于第三标准值时,判定所述待检测签字图像为虚假签字图像;
当所述区域熵的值不低于第三标准值时,判定所述待检测签字图像为真实签字图像。
8.一种签字图像真伪鉴别装置,其特征在于,包括:
签字图像获取模块,用于获取待检测签字图像;
签字图像识别模块,用于将所述待检测签字图像输入到预置的真伪签字决策模型进行识别,得到识别结果;
判定模块,用于根据所述识别结果判定待检测签字图像的真伪。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110144380.6A CN112836636A (zh) | 2021-02-02 | 2021-02-02 | 一种签字图像真伪鉴别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110144380.6A CN112836636A (zh) | 2021-02-02 | 2021-02-02 | 一种签字图像真伪鉴别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836636A true CN112836636A (zh) | 2021-05-25 |
Family
ID=75931689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110144380.6A Pending CN112836636A (zh) | 2021-02-02 | 2021-02-02 | 一种签字图像真伪鉴别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836636A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255558A (zh) * | 2021-06-09 | 2021-08-13 | 北京惠朗时代科技有限公司 | 一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置 |
CN116071030A (zh) * | 2023-03-31 | 2023-05-05 | 北京惠朗时代科技有限公司 | 一种基于互联网的电子签章数据访问安全管控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711293B1 (en) * | 1999-03-08 | 2004-03-23 | The University Of British Columbia | Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image |
CN101329735A (zh) * | 2008-06-27 | 2008-12-24 | 北京中星微电子有限公司 | 一种手写签名鉴定设备及其方法 |
CN101493937A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 利用梯度局部熵检测数字图像内容可信度的方法 |
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 |
CN110222666A (zh) * | 2019-06-14 | 2019-09-10 | 河海大学常州校区 | 一种签名鉴伪方法和系统 |
-
2021
- 2021-02-02 CN CN202110144380.6A patent/CN112836636A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711293B1 (en) * | 1999-03-08 | 2004-03-23 | The University Of British Columbia | Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image |
CN101329735A (zh) * | 2008-06-27 | 2008-12-24 | 北京中星微电子有限公司 | 一种手写签名鉴定设备及其方法 |
CN101493937A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 利用梯度局部熵检测数字图像内容可信度的方法 |
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 |
CN110222666A (zh) * | 2019-06-14 | 2019-09-10 | 河海大学常州校区 | 一种签名鉴伪方法和系统 |
Non-Patent Citations (2)
Title |
---|
DAVID G. LOWE: "Distinctive Image Features from Scale-Invariant Keypoints", INTERNATIONAL JOURNAL OF COMPUTER VISION, pages 91 * |
石元博 等: "基于加权最小二乘法对图像增强方法的研究", 电子设计工程, vol. 27, no. 14, pages 172 - 175 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255558A (zh) * | 2021-06-09 | 2021-08-13 | 北京惠朗时代科技有限公司 | 一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置 |
CN116071030A (zh) * | 2023-03-31 | 2023-05-05 | 北京惠朗时代科技有限公司 | 一种基于互联网的电子签章数据访问安全管控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503054B (zh) | 文本图像的处理方法及装置 | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN113449725B (zh) | 对象分类方法、装置、设备及存储介质 | |
CN112836636A (zh) | 一种签字图像真伪鉴别方法及装置 | |
CN112528998B (zh) | 证件图像处理方法、装置、电子设备及可读存储介质 | |
WO2021051939A1 (zh) | 一种证件区域定位的方法及装置 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
CN115100450B (zh) | 基于人工智能的智慧交通品牌汽车大数据检测方法及系统 | |
CN112200136A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
CN111898520A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
CN112329786B (zh) | 一种翻拍图像检测方法、装置、设备及存储介质 | |
CN109389110B (zh) | 一种区域确定方法及装置 | |
CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
CN108268641A (zh) | 发票信息识别方法及发票信息识别装置、设备和存储介质 | |
CN111275126A (zh) | 样本数据集生成方法、装置、设备及存储介质 | |
CN111178398B (zh) | 检测身份证图像信息篡改的方法、系统、存储介质及装置 | |
CN114444566A (zh) | 一种图像伪造检测方法、装置以及计算机存储介质 | |
CN112906696B (zh) | 一种英文图像区域识别方法及装置 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN106529490A (zh) | 基于稀疏自编码码本实现笔迹鉴别的系统及方法 | |
CN111259894B (zh) | 一种证件信息鉴别方法、装置及计算机设备 | |
CN111931229B (zh) | 一种数据识别方法、装置和存储介质 | |
CN113158745B (zh) | 一种基于多特征算子的乱码文档图片识别方法及系统 | |
CN115393617A (zh) | 一种基于多卷积核检验的模仿式商标快速检测方法及系统 |
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 |