CN113313092B - 手写签名识别方法、理赔自动化处理方法、装置和设备 - Google Patents

手写签名识别方法、理赔自动化处理方法、装置和设备 Download PDF

Info

Publication number
CN113313092B
CN113313092B CN202110860924.9A CN202110860924A CN113313092B CN 113313092 B CN113313092 B CN 113313092B CN 202110860924 A CN202110860924 A CN 202110860924A CN 113313092 B CN113313092 B CN 113313092B
Authority
CN
China
Prior art keywords
handwritten signature
recognized
signature
image
data
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.)
Active
Application number
CN202110860924.9A
Other languages
English (en)
Other versions
CN113313092A (zh
Inventor
熊肇煜
化成君
任伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Original Assignee
Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch filed Critical Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Priority to CN202110860924.9A priority Critical patent/CN113313092B/zh
Publication of CN113313092A publication Critical patent/CN113313092A/zh
Application granted granted Critical
Publication of CN113313092B publication Critical patent/CN113313092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/32—Digital ink
    • G06V30/333—Preprocessing; Feature extraction
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
    • G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/32—Digital ink
    • G06V30/36—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像识别技术领域，特别是涉及一种手写签名识别方法、理赔自动化处理方法、装置和设备。所述手写签名识别方法包括：获取目标对象的业务文件数据；对业务文件数据进行解析，得到对应业务文件签名区域的图像数据；对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种；基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。采用本方法能够提升数据处理智能化水平。

Description

手写签名识别方法、理赔自动化处理方法、装置和设备
技术领域
本申请涉及图像识别技术领域，特别是涉及一种手写签名识别方法、理赔自动化处理方法、装置和设备。
背景技术
随着智能影像识别中心的覆盖影像的功能日益完善，在越来越多的业务场景中均通过智能化的方式进行图像识别。如保险理赔行业等。在保险理赔中，通常需要核实理赔请求对象的身份信息，例如，核实理赔请求对象与理赔投保对象的手写签名等。
在传统方式中，由于手写签名的特殊性，通常是通过人工进行审核的。但是，通过人工进行审核，使得数据处理的过程不够智能化，且一定程度上增加了理赔工作人员的工作量。
发明内容
基于此，有必要针对上述技术问题，提供一种便捷且能够提升数据处理智能化水平的手写签名识别方法、理赔自动化处理方法、装置和设备。
一种手写签名识别方法，所述手写签名识别方法包括：
获取目标对象的业务文件数据；
对业务文件数据进行解析，得到对应业务文件签名区域的图像数据；
对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种；
基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。
在其中一个实施例中，全局特征包括待识别手写签名的全局比例特征、全局倾斜特征以及全局傅里叶变化特征；全局特征的生成方式包括：
根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征；
根据图像数据，确定待识别手写签名中倾斜笔画的笔画数量，并根据笔画数量，确定待识别手写签名的全局倾斜特征；
对图像数据进行傅里叶变换，生成图像数据中待识别手写签名的全局傅里叶变换特征。
在其中一个实施例中，根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征，包括：
根据图像数据，确定待识别手写签名的凸包面积；
基于凸包面积以及业务文件签名区域的区域面积，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征。
在其中一个实施例中，统计特征包括待识别手写签名的第一投影特征以及纹理特征；统计特征的生成方式包括：
对图像数据进行二值化处理，生成对应的灰度图像；
确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征；
获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征，包括：
对灰度图像进行切分，得到对应灰度图像的多个区域图像；
将各区域图像的边界作为对应灰度图像的边线，并将各区域图像中组成待识别手写签名的像素点向各边线做投影，对应待识别手写签名的第一投影特征。
在其中一个实施例中，根据各灰度值组合，得到对应待识别手写签名的纹理特征，包括：
统计各灰度值组合的组合数量，生成对应灰度图像的灰度共生矩阵；
基于灰度共生矩阵，得到对应灰度图像中待识别手写签名的纹理特征。
在其中一个实施例中，获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征之前，还包括：
获取灰度图像中各像素点的灰度值，并将各灰度值进行灰度等级量化，得到对应各像素点的灰度等级量化后的量化灰度值；
获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征，包括：
获取任意两个像素点的量化灰度值，得到灰度图像中任意两个像素点的量化灰度值组合，并根据各量化灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，几何特征包括待识别手写签名中各待识别手写文字的重心位置特征以及待识别手写签名的第二投影特征；几何特征的生成方式包括：
根据图像数据，确定待识别手写签名的各像素点的像素位置，并基于各像素位置，确定待识别手写签名中各待识别手写文字的重心位置特征；
基于预设扫描角度，对图像数据进行扫描，得到待识别手写签名在各预设扫描角度上的第二投影特征。
在其中一个实施例中，对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，包括：
对图像数据进行归一化处理，得到尺寸归一化处理后的图像数据；
将尺寸归一化处理后的图像数据输入预先训练的识别模型，通过识别模型对图像数据进行分组卷积特征提取，得到图像数据中的待识别手写签名的特征数据。
在其中一个实施例中，基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果，包括：
获取预先设置的各特征数据的特征权重；
根据特征权重以及各特征数据，得到签名区域图像中的待识别手写签名的特征指标；
基于特征指标以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果。
一种理赔自动化处理方法，所述理赔自动化处理方法包括：
接收待理赔对象的理赔请求，理赔请求中携带有待理赔业务所对应的业务文件数据；
通过上述任一实施例的手写签名识别方法对业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果；
基于识别结果，生成对应的理赔处理结果。
一种手写签名识别装置，所述手写签名识别装置包括：
业务文件数据获取模块，用于获取目标对象的业务文件数据；
解析模块，用于对业务文件数据进行解析，得到对应业务文件签名区域的图像数据；
识别模块，用于对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种；
结果生成模块，用于基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。
一种理赔自动化处理装置，所述理赔自动化处理装置包括：
理赔请求接收模块，用于接收待理赔对象的理赔请求，理赔请求中携带有待理赔业务所对应的业务文件数据；
识别结果生成模块，用于通过前述实施例所述的手写签名识别装置对业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果；
理赔结果生成模块，用于基于识别结果，生成对应的理赔处理结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述手写签名识别方法、理赔自动化处理方法、装置和设备中，通过获取目标对象的业务文件数据；对业务文件数据进行解析，得到对应业务文件签名区域的图像数据；对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种；基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。从而，可以通过智能化的方式从业务文件数据中解析出业务文件签名区域的图像数据，然后进行特征提取以及识别，相比于传统方式中通过人工进行手写签名的审核，提升了数据处理的智能化水平。并且，通过提取出待识别手写签名的全局特征、统计特征以及几何特征中至少一种，然后基于特征数据以及预先建立的手写签字特征库对目标对象的待识别手写签名进行识别，并生成对应的识别结果，使得可以多个角度对手写签名进行识别分析，可以提升手写签名识别的准确性。通过将提取的特征数据与手写签字特征库中的特征进行比对，可以对同一目标对象在同一业务的不同处理流程的签名进行识别验证，确定是否为同一目标对象，提出来一种新的方案对目标对象的手写签名进行验证，提升了验证处理以及识别的效率，也保障了业务处理的安全性。
附图说明
图1为一个实施例中手写签名识别方法的应用场景图；
图2为一个实施例中手写签名识别方法的流程示意图；
图3为另一个实施例中手写签名识别方法的流程示意图；
图4为一个实施例中识别模型的结构示意图；
图5为一个实施例中普通卷积与深度可分离卷积的结构示意图；
图6为另一个实施例中识别模型的结构示意图；
图7为一个实施例中检测精度比对结果的示意图；
图8为一个实施例中特征线性变化网络模块的结构示意图；
图9为一个实施例中理赔自动化处理方法的流程示意图；
图10为另一个实施例中理赔自动化处理方法的流程示意图；
图11为一个实施例中服务物理架构的示意图；
图12为一个实施例中手写签名识别装置的结构框图；
图13为一个实施例中理赔自动化处理装置的结构框图；
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的手写签名识别方法以及理赔自动化处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102进行业务文件的扫描，以得到对应目标对象的业务文件数据，并将业务文件数据发送至服务器104，通过服务器104进行识别处理。服务器104在获取业务文件数据后，可以对业务文件数据进行解析，得到对应业务文件签名区域的图像数据。然后，服务器104可以对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种。进一步，服务器104可以基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种手写签名识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取目标对象的业务文件数据。
其中，业务文件数据是指在办理具体业务时所述生成的数据，可以包括限于保险业务中投保或者是保险理赔业务的数据。
在本实施例中，业务文件数据可以是指PDF、图像等不同数据格式的数据。
对应于保险理赔业务，目标对象可以是保险理赔业务中的投保人或者是被保人或者是代理人等，本申请对此不做限制。
在本实施例中，服务器可以通过终端获取业务文件数据，例如，终端通过扫描实体业务文件，得到对应目标对象的业务文件数据。
步骤S204，对业务文件数据进行解析，得到对应业务文件签名区域的图像数据。
在本实施例中，服务器在获取到业务文件数据后，可以对业务文件数据进行解析，以从业务文件数据中截取出对应业务文件签名区域的图像数据。
具体地，参考图3，服务器在获取到业务文件数据后，可以对业务文件数据进行解析，确定业务文件数据的业务类型，例如。是理赔业务或者是投保业务等。
进一步，服务器在确定对应业务文件数据的业务类型后，可以根据预先存储至数据库中的模板文件，确定对应该业务的业务文件签名区域，并从业务文件数据中，截取出签名区域的图像，得到对应的图像数据。
在本实施例中，根据业务的不同，模板文件可以不同，模板文件可以是与具体的业务一一对应。
进一步，根据业务的不同，对应业务的业务文件签名区域以及区域大小也可以不相同，因此，对于不同的业务，所得到的图像数据的尺寸等也可以并不相同。
步骤S206，对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种。
其中，全局特征是指待识别手写签名对对应的整体特征，反应待识别手写签名整体的特性，可以包括但不限于全局比例特征、全局倾斜特征以及全局傅里叶变化特征。
统计特征是指待识别手写签名的纹理以及像素分布特性的特征，可以包括但不限于投影特征以及纹理特征。
几何特征是指待识别手写签名中各文本文字之间对应关系的特征，可以包括但不限于各待识别手写文字的重心位置特征以及投影特征。
在本实施例中，继续参考图3，服务器在获取到图像数据后，可以对图像数据进行初步识别，确定图像数据中是否存在签名。具体地，服务器可以通过判定业务文件签名区域中各像素点像素值是否均一致，以此确定图像数据中是否存在签名。
在本实施例中，当服务器确定图像数据中不存在签名时，则服务器可以向用户终端返回对应的结果。
在本实施例中，服务器在确定图像数据中存在签名时，则服务器可以进行后续的处理，即对图像数据中的手写签名进行识别。
具体地，服务器可以将图像数据输入至预先训练的检测模型，通过预先训练的检测模型对图像数据进行手写签名的识别，得到图像数据中待识别手写签名的特征数据。
在本实施例中，检测模型的网络结构可以如图4所示，即可以包括多个不同的网络模块，各网络模块实现不同的功能，以下将尽心详细说明。
在本实施例中，检测模型可以为深度可分离卷积网络（Depthwise SeparableConvolution），其可以是通过Depthwise（DW）卷积与Pointwise（PW）卷积组成而成。其中，DW卷积以及PW卷积可以如图5中的（b）所示。
在本实施例中，参考图5中的（b），DW卷积的一个卷积核负责一个通道，一个通道只被一个卷积核卷积。PW卷积运算与普通卷积（图5中的（a））非常相似，卷积核的尺寸为1×1×M，M为上一层的通道数。PW卷积的卷积运算会将上一步的map在深度方向上进行加权组合，生成新的Feature map，有几个卷积核就有几个输出Feature map。
在本实施例中，通过使用轻量级网络框架中的深度可分离卷积，即空间滤波depthwise，并通过分组卷积（groups）的方式提取特征，可以减少模型的计算量。具体参考图5中的（a）和图5中的（b），对普通卷积以及本申请中所使用的深度可分离卷积的计算量进行详细说明。
在本实施例中，参考图5，假如输入图像的长与宽都为DF，通道数为M；卷积核为DK，卷积核个数为N，则对于普通卷积，其计算量参见下述公式（1）所示。
Figure 670372DEST_PATH_IMAGE001
（1）
而对于深度可分离卷积，即DW+PW卷积而言，其计算量可以参见下述公式（2）所示。
Figure 349615DEST_PATH_IMAGE002
（2）
在本实施例中，结合比较公式（1）和公式（2），则可以得到二者的比值如公司（3）所示。
Figure 233257DEST_PATH_IMAGE003
（3）
在本实施例中，由于DK和N为正整数，理论上DW卷积+PW卷积的计算量只有普通卷积的
Figure 706964DEST_PATH_IMAGE004
倍。
在本实施例中，参考图6，提供了另一检测模型的结构示意图，其可以包括多个网络模块，即block1~block5。
在本实施例中，可以在检测模型中增加反转残差模块，并融入SE（Squeeze-and-Excitation）模块，使得检测模型能够提取深层次的特征，并使用浅层的特征。
具体地，继续参考图6，对block2特征矩阵中每个channel进行平均池化固定为拓展层的1/4形成全连接层一再到全连接层二来分析池化前不同区域赋予不同的权重即注意力机制。为了减少激活函数的高计算量，在SE模块（block3和block4）中使用了swish非线性激活，大量降低了的计算开销。
在本实施例中，为了解决激活函数的计算复杂度与量化简，引入了
Figure 161210DEST_PATH_IMAGE005
，使用便捷的Hard-sigmoid激活函数替换了sigmoid激活函数，在牺牲少量的精度下，大大的减少计算复杂度。同理，也大大降低了Hard-swish激活函数的计算复杂度。Hard-sigmoid激活函数与sigmoid激活函数的处理精度对比结果可以参考图7中的（a）所示，Hard-swish激活函数与swish激活函数的处理精度对比结果可以参考图7中的（b）所示。
其中一个实施例中，检测模型还可以包括特征线性变化网络模块，特征线性变化网络模块的网络结构可以如图8所示。其中，
Figure 112985DEST_PATH_IMAGE006
表示线性运算函数。
在本实施例中，通过将特征线性变化网络模块嵌入检测模型中，特征线性变化网络模块可以将已有的特征图通过简单的线性变化，获取其它通道的特征图，省去了大量耗时的卷积计算。
如前所述，检测模型为预先训练的模型，在训练时，可以通过使用多标签分类对签字区域进行分类。具体地，服务器可以使用名字生成器生成大量的名字，使用开源的手写字体库进行映射，得到多个训练数据，并对构建的初始检测模型进行训练。
在本实施例中，为了提高清晰字体的识别率，还可以挑选出手写字体形态与打印体相差太大以及过于抽象的简写体，并将其删除，避免脏数据污染检测模型，造成检测模型的误识别。
步骤S208，基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。
其中，手写签字特征库中可以包括各不同类型的手写字体的特征数据与手写字体之间的对应关系。
在本实施例中，在通过检测模型进行检测识别的时候，服务器可以先通过笔迹密度的无监督学习聚类方法判断签字区域姓名的字数，是两个字还是三个字，然后再使用模型进行推理，识别出签名的文本。
具体地，服务器可以根据获取到的特征数据，以及预先建立的手写签字特征库，得到待识别手写签名的识别结果。
在本实施例中，服务器对目标对象的待识别手写签名进行识别可以是识别目标对象的待识别手写签名与手写签字特征库所预留的手写签名是否一致。例如，比对基于业务文件数据所得到的特征数据与手写签字特征库预先保留的特征数据是否一致，以此确定在业务文件数据中签名的目标对象与手写签字特征库对应的目标对象是否为同一对象。一下通过头里理赔业务进行详细说明。
具体地，在投保阶段，服务器可以获取投保对象、代理人等人的手写签名数据，具体可以通过前文所述的方式得到对应投保对象以及代理人等人的手写签名的特征数据，并存储至手写签字特征库。
在理赔阶段，服务器可以根据前文所述的方式得到对应目标对象的手写签名的特征数据后，可以根据业务标识，如投保编号等，从手写签字特征库中查找并获取在投保阶段存储的特征数据。
进一步，服务器基于在投保阶段的特征数据以及理赔阶段的特征数据，判定在业务文件数据上签名的目标对象是投保人或者是代理人，或者是其他人（如并未采集到对应签名信息的第三人等），以得到对应目标对象的识别结果。
在本实施例中，识别结果可以指示待识别手写签名为投保人或者是代理人，或者是未匹配到投保阶段所登记的对象。
上述手写签名识别方法中，通过获取目标对象的业务文件数据；对业务文件数据进行解析，得到对应业务文件签名区域的图像数据；对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种；基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。从而，可以通过智能化的方式从业务文件数据中解析出业务文件签名区域的图像数据，然后进行特征提取以及识别，相比于传统方式中通过人工进行手写签名的审核，提升了数据处理的智能化水平。并且，通过提取出待识别手写签名的全局特征、统计特征以及几何特征中至少一种，然后基于特征数据以及预先建立的手写签字特征库对目标对象的待识别手写签名进行识别，并生成对应的识别结果，使得可以多个角度对手写签名进行识别分析，可以提升手写签名识别的准确性。通过将提取的特征数据与手写签字特征库中的特征进行比对，可以对同一目标对象在同一业务的不同处理流程的签名进行识别验证，确定是否为同一目标对象，提出来一种新的方案对目标对象的手写签名进行验证，提升了验证处理以及识别的效率，也保障了业务处理的安全性。
在其中一个实施例中，如前文所述，全局特征可以包括待识别手写签名的全局比例特征、全局倾斜特征以及全局傅里叶变化特征。
其中，全局比例特征是指待识别手写签名在图像数据所对应的业务文件签名区域中的所占比例。全局倾斜特征是指待识别手写签名的整体倾斜程度。全局傅里叶变化特征是指待识别手写签名的整体傅里叶变化。
在本实施例中，全局特征的生成方式可以包括：根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征；根据图像数据，确定待识别手写签名中倾斜笔画的笔画数量，并根据笔画数量，确定待识别手写签名的全局倾斜特征；对图像数据进行傅里叶变换，生成图像数据中待识别手写签名的全局傅里叶变换特征。
具体地，服务器可以根据图像数据，确定业务文件签名区域的整体尺寸面积，并将确定的待识别手写签名的区域面积与业务文件签名区域的整体尺寸面积进行整体尺寸比对，以确定对应待识别手写签名的全局比例特征。
在本实施例中，服务器可以通过直线检查方法检测待识别手写签名中字体的笔迹横竖笔画，统计笔画倾斜角度在预设角度内的数量，例如，统计倾斜角度在-10~+10度，以及35~50度之间的笔画数量。然后根据倾斜笔画的笔画数量以及待识别手写签名的整体笔画数据，确定待识别手写签名的整体倾斜程度，即得到待识别手写签名的全局倾斜特征。
在本实施例中，服务器还可以通过对图像数据进行傅里叶变换，得到对应待识别手写签名的全局傅里叶变换特征。
具体地，傅里叶变换后平均值即直流项正比于图像灰度值的平均值，低频分量表明了图像数据中目标边缘的强度和方向。在本实施例中，手写字体可以用很多线段构成的封闭轮廓来表示，通过映射所得到的离散量能够充分的反映手写字体封闭轮廓的变化。从而，傅里叶系数能够很好的描述图像数据中手写字体的边界轮廓，其值与相似字形的平移、旋转、位移和尺寸大小无关，可以提升字体识别准确性。
在其中一个实施例中，根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征，可以包括：根据图像数据，确定待识别手写签名的凸包面积；基于凸包面积以及业务文件签名区域的区域面积，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征。
其中，凸包面积是指待识别手写签名所形成的多边形的面积。
具体地，服务器可以基于图像数据中待识别手写签名中各像素点的位置，确定对应待识别手写签名的目标定位点，进而根据目标定位点，确定待识别手写签名所对应的凸包的凸包面积。
在本实施例中，服务器可以将凸包满面积与图像数据所对应的业务文件中业务文件签名区域的区域面积进行比对，以确定待识别手写签名占业务文件签名区域的区域比例，以得到待识别手写签名的全局比例特征。
在其中一个实施例中，如前文所述，统计特征可以包括待识别手写签名的第一投影特征以及纹理特征。
在本实施例中，投影特征是指将图像二值化，分别统计图像黑色像素点的在某个方位的累计值所生成的特征数据。纹理特征是指图像色调基元空间汇总相互作用的一种依赖于尺度效应现象的特征，反应了图像灰度值分布的某种规律。
在本实施例中，统计特征的生成方式可以包括：对图像数据进行二值化处理，生成对应的灰度图像；确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征；获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征。
具体地，图像数据可以是彩色图像，服务器在获取到图像数据后，可以对图像数据进行图像格式的转换，例如，进行二值化处理，以得到对应的灰度图像。
在本实施例中，服务器可以获取灰度图像的边线，例如，灰度图像的图像边框，并将灰度图像中对应待识别手写签名的各像素点向边线进行投影映射，得到待识别手写签名在各边线上投影像素点的数据，即得到第一投影特征。
在其中一个实施例中，确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征，可以包括：对灰度图像进行切分，得到对应灰度图像的多个区域图像；将各区域图像的边界作为对应灰度图像的边线，并将各区域图像中组成待识别手写签名的像素点向各边线做投影，对应待识别手写签名的第一投影特征。
例如，对灰度图像进行点阵划分，分成四个象限区域，则共有十二条边线。服务器可以将象限区域内所对应的待识别手写签名的像素点向最近的边线沿水平和垂直方向进行投影，得到待识别手写签名在各条边线上的投影长度，即像素点数量，并作为第一投影特征。
进一步，服务器在获取到灰度图像后，可以获取灰度图像中任意两个像素点的灰度值，并根据获取到的灰度值，得到灰度图像中任意两个像素点的灰度值组合。
在本实施例中，服务器可以遍历灰度图像，以得到灰度图像中任意两个像素点的灰度值组合。
进一步，服务器可以根据各灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，服务器根据各灰度值组合，得到对应待识别手写签名的纹理特征，可以包括：统计各灰度值组合的组合数量，生成对应灰度图像的灰度共生矩阵；基于灰度共生矩阵，得到对应灰度图像中待识别手写签名的纹理特征。
其中，灰度共生矩阵是指灰度图像中任意两个像素点之间灰度值关系所建立的矩阵。
在本实施例中，灰度图像的像素尺寸为N×N，服务器可以获取灰度图像中任意一个像素点（x，y）及偏离它（a，b）的另一像素点（x+a，y+b）的灰度值，得到这两个像素点的灰度值组合为（g1，g2）。其中，（a，b）可以称之为距离差分值。
进一步，服务器令像素点（x，y）在整个灰度画面上移动，则会得到对应各像素点组合的各灰度值组合为（g1，g2），设灰度值的灰度等级为k，则（g1，g2）的组合共有k的平方种。
进一步，对于整个灰度图像，统计出每一种灰度值组合（g1，g2）出现的次数，即统计各灰度值组合的组合数量，然后排列成一个方阵，再用灰度值组合（g1，g2）出现的总次数将它们归一化为出现的概率P（g1，g2），从而以得到灰度共生矩阵。
在本实施例中，距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值可以根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（1，2）等小的差分值。当a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1时，像素对是垂直的，即90度扫描；当a=1，b=1时，像素对是右对角线的，即45度扫描；当a=-1，b=1时，像素对是左对角线，即135度扫描。这样，两个像素灰度级同时发生的概率，就将像素点（x，y）的空间坐标转化为灰度值组合（g1，g2）的描述，形成了灰度共生矩阵。
在本实施例中，服务器在得到灰度共生矩阵后，可以基于得到的灰度共生矩阵，得到对应灰度图像中待识别手写签名的纹理特征。
在本实施例中，纹理特征可以包括但不限于能量特征、对比度特征、熵特征以及相关性特征等。
其中，能量是灰度共生矩阵元素值的平方和，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。具体地，能量的计算方式可以通过下述公式（4）进行求解。
Figure 851134DEST_PATH_IMAGE007
（4）
其中，ASM标识能量，k标识灰度图像的灰度等级，
Figure 495742DEST_PATH_IMAGE008
表示灰度共生矩阵。
在本实施例中，对比度直接反映了某个像素值及其领域像素值的亮度的对比情况。如果偏离对角线的元素有较大值，即图像亮度值变化很快，则对比度CON会有较大取值。对比度CON反映了灰度图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。具体地，对比度的计算方式可以通过下述公式（5）进行求解。
Figure 686552DEST_PATH_IMAGE009
（5）
在本实施例中，熵是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。具体地，熵的计算方式可以通过下述公式（6）进行求解。
Figure 176439DEST_PATH_IMAGE010
（6）
在本实施例中，自相关反应了图像纹理的一致性。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小。具体地，熵的计算方式可以通过下述公式（7）进行求解。
Figure 522757DEST_PATH_IMAGE011
（7）
其中，分别通过如下公式（8）~（11）确定。
Figure 72687DEST_PATH_IMAGE012
（8）
Figure 16372DEST_PATH_IMAGE013
（9）
Figure 309950DEST_PATH_IMAGE014
（10）
Figure 22691DEST_PATH_IMAGE015
（11）
在其中一个实施例中，获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征之前，还可以包括：获取灰度图像中各像素点的灰度值，并将各灰度值进行灰度等级量化，得到对应各像素点的灰度等级量化后的量化灰度值。
在本实施例中，灰度共生矩阵反应了两个不同位置的像素的联合概率分布当图像的灰度等级为0~255时，所得到的灰度共生矩阵的大小为256*256，在数据计算过程中，数据的计算量较大。服务器可以获取得到的灰度图像中各像素点的灰度值，并对各灰度值进行灰度等级的量化，以减少后续数据计算的计算量。
具体地，服务器可以将灰度等级量化为0~15，即，将灰度值为255的像素点量化为灰度值为15，中间值均衡化处理，从而可以减少数据处理量。
在本实施例中，获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征，可以包括：获取任意两个像素点的量化灰度值，得到灰度图像中任意两个像素点的量化灰度值组合，并根据各量化灰度值组合，得到对应待识别手写签名的纹理特征。
在本实施例中，服务器在得到灰度等级量化后的量化灰度值后，可以通过灰度等级量化后的量化灰度值，进行灰度值组合的生成以及纹理特征的提取。
在本实施例中，通过获取灰度图像中各像素点的灰度值，并将各灰度值进行灰度等级量化，得到对应各像素点的灰度等级量化后的量化灰度值，从而，可以减少后续数据计算的计算量，提升计算速度，进而提升数据处理效率。
在其中一个实施例中，几何特征可以包括待识别手写签名中各待识别手写文字的重心位置特征以及待识别手写签名的第二投影特征。
其中，重心位置特征是指待识别手写签名中各待识别手写文字在待识别手写签名中所处的重心位置所对应的特征。
第二投影特征是在预设投影方向、或者是预设扫描方向上，待识别手写签名的各像素点在该方向上的投影数量。
在本实施例中，几何特征的生成方式可以包括：根据图像数据，确定待识别手写签名的各像素点的像素位置，并基于各像素位置，确定待识别手写签名中各待识别手写文字的重心位置特征；基于预设扫描角度，对图像数据进行扫描，得到待识别手写签名在各预设扫描角度上的第二投影特征。
具体地，服务器可以根据图像数据，确定待识别手写签名中各待识别手写文字所对应的各像素点，并获取各像素点的像素位置。进一步，服务器可以根据获取到的各待识别手写文字的各像素位置，确定各待识别手写文字的重心位置。
在本实施例中，由于不同文字的笔画不同，其像素点的分布不同，所以各文字的重心位置可以不同，各文字的重心位置包含了对应文字的信息。
在本实施例中，服务器还可以以不同方向扫描图像数据中的待识别手写签名，即从不同扫描角度对图像数据进行扫描，计算扫描线和笔画相交的次数，形成笔画密度特征向量，得到待识别手写签名在各预设扫描角度上的第二投影特征。
在本实施例中，服务器可以图像数据在水平方向上隔行扫描一次，提取得到height/2个特征值，即图像高度像素值一半的特征值，并在垂直方向上也隔行扫描，提取width/2个特征值，即图像宽度像素值一半的特征值，形成height*width/4个值的特征向量。
上述实施例中，通过计算图像数据中待识别手写签名的重心位置特征以及第二投影特征，考虑了待识别手写签名中各笔画的密度特征，该特征对字体畸变的抗干扰能力较强，可以提升处理的准确性。
在其中一个实施例中，对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，可以包括：对图像数据进行归一化处理，得到尺寸归一化处理后的图像数据；将尺寸归一化处理后的图像数据输入预先训练的识别模型，通过识别模型对图像数据进行分组卷积特征提取，得到图像数据中的待识别手写签名的特征数据。
如前文所述，对于不同的业务，其对应的签名区域的尺寸可能并不相同。
在本实施例中，服务器在获取到对应业务文件数据的图像数据后，可以对图像数据进行图像尺寸归一化处理，得到尺寸一定的图像数据。
具体地，服务器可以根据预设的图像尺寸要求，对图像数据的图像尺寸进行调整，以得到与预设尺寸要求一致的图像数据。
或者，服务器也可以根据识别模型的输入尺寸要求，将图像数据的图像尺寸调整至与模型输入所需尺寸一致，以得到尺寸归一化处理后的图像数据。
在本实施例中，服务器对图像数据进行归一化处理，具体可以是想将图像数据进行整体比例的缩放，使得图像的长或者是宽符合预设尺寸要求或者符合识别模型的输入尺寸的要求，然后服务器在通过0像素填充的方式，对长或者是宽符合预设尺寸要求或者符合识别模型的输入尺寸的要求的调整后的图像继续进行填充，以使得填充后的图像数据的长款尺寸均符合预设尺寸要求或者符合识别模型的输入尺寸的要求。
进一步，服务器将调整后的图像数据输入识别模型中，并通过识别模型对调整后的图像数据进行分组卷积特征提取，以得到图像数据中待识别手写签名的特征数据。具体地，分组卷积处理具体可以参见前文所述，此处不再赘述。
上述实施例中，通过对图像数据进行归一化处理，得到尺寸归一化处理后的图像数据，然后将尺寸归一化处理后的图像数据输入预先训练的识别模型，通过识别模型对图像数据进行分组卷积特征提取，得到图像数据中的待识别手写签名的特征数据，从而使得进行特征提取的图像数据是尺寸归一化处理后的图像数据，可以提升特征提取的准确性，进而可以提升后续数据处理的准确性。
在其中一个实施例中，基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果，可以包括：获取预先设置的各特征数据的特征权重；根据特征权重以及各特征数据，得到签名区域图像中的待识别手写签名的特征指标；基于特征指标以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果。
在本实施例中，服务器可以预先设置各特征数据的权重占比，即特征权重。
在本实施例中，对于不同的特征数据，服务器可以设置不同的权重占比，例如，若侧重点在于考虑整体特征，则服务器可以对全局特征设置较高的比重，若侧重点在于纹理特性，则服务器可以对统计特征设置较高的比重。
在本实施例中，对于不同的业务，对应其特征数据的特征权重可以不相同，或者是对应于不同的对象，其特征权重也可以不相同，本申请对此不作限制。
在本实施例中，服务器也可以在多次使用后，根据最终识别结果的准确性，对特征数据的特征权重进行调整，例如，准确性较低，则可以适应性的调整各特征数据的权重占比，若准确性较高，则可以不进行调整。
在本实施例中，服务器可以根据获取到的特征权重以及各特征数据，生成对应各待识别手写签名的特征指标。然后服务器在根据特征指标以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，并输出对应的识别结果。
如图9所示，提供了一种理赔自动化处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S902，接收待理赔对象的理赔请求，理赔请求中携带有待理赔业务所对应的业务文件数据。
其中，理赔请求是指待理赔对象在进行投保后，请求进行理赔的请求。理赔请求中可以携带有待理赔业务所对应的业务文件数据。具体地，业务文件数据可以如前文所述，此处不再赘述。
步骤S904，通过手写签名识别方法对业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果。
具体地，服务器可以通过前文任意实施例所述的手写签名识别方法，对业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果。具体的识别处理过程可以参照前文所述，本申请对此不作限制。
步骤S906，基于识别结果，生成对应的理赔处理结果。
在本实施例中，服务器在得到识别结果后，可以基于识别结果，生成对应的处理结果。如前文所述，当识别结果为目标对象为对应于投保阶段的投保对象或者是代理人等，服务器可以生成审核通过的理赔处理结果，当识别结果为目标对象不为投保对象或者是代理人等，则服务器可以生成审核不通过的理赔处理结果。以下通过一具体实施例对本申请的业务场景进行详细的说明。
具体地，参考图10，在投保阶段，业务员可以录入投保用户的数据，生成电子投保书，然后提交电子投保确认书至系统。
进一步，系统可以检测电子投保确认书信息是否完整。具体地，系统可以通过前文所述的方式，自动检测签名信息是否录入、判断签名是否问本人录入，或者是代理人录入，进而建立对应的笔记特征库，即前文所述的手写签字特征库。
在本实施中，系统在确定信息不够完整时，可以退回至业务人员，以请求完善信息。并在确定信息完整时，提交电子投保确认书进行评估，以完成投保。
同理，在进行理赔阶段时，业务员可以录入理赔用户的请求数据，生成并提交电子理赔信息。
进一步，系统可以检验电子理赔信息与用户在投保阶段的投保书电子信息，进行批量审批。具体地，系统可以基于前文所述的方式，确定电子理赔信息中的用户手写签名是否录入，判断签名是否问本人录入，或者是代理人录入等。
进一步，系统可以判定理赔阶段的手写签名与投保签名阶段的手写签名是否一致，或者是是否相对应，以对理赔请求进行评估。
进一步，系统可以根据对理赔请求的评估结果进行最终评估，并提交最终评估结果，完成理赔任务。
上述实施例中，在整个投保处理以及理赔处理过程中，均通过自动化的方式进行处理，特别是在大量的业务时，可以提升业务处理效率，并且把控了业务风险，避免了人为的失误与漏检，便于后期的自动化复查。
在其中一个实施例中，本申请方案的手写签名识别方法以及理赔自动化处理方法可以应用于图11所示的服务物理架构中。
具体地，参考图11，服务物理架构，一共三个部分，分别为业务需求端即客户端，应用服务器端，功能服务器端。其中，对于客户端，业务使用方在业务产生电子投保确认书数据后，调用服务接口，数据通过防火墙至F5负载均衡传输应用服务器，并获取应用服务器的返回的结果。
在本实施例中，应用服务器负责接收业务请求的数据，判断业务是实时业务还是批量异步服务，并协调任务，通过F5负载均衡调用功能服务器。然后将功能服务器获取的结果返回至业务方，并将结果字段结果存储至数据库，将业务数据备份至存储平台。
进一步，功能服务器负责接收来自应用服务器的请求，主要实现对投保人手写签名区域的检查，并判断是否签名，签名识别并判断是否为本人或代理人签名，创建手写签名特征库，并将处理结果返回至应用服务器。
应该理解的是，虽然图2、图3、图9和图10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3、图9和图10中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图12所示，提供了一种手写签名识别装置，包括：业务文件数据获取模块1202、解析模块1204、识别模块1206以及结果生成模块1208，其中：
业务文件数据获取模块1202，用于获取目标对象的业务文件数据。
解析模块1204，用于对业务文件数据进行解析，得到对应业务文件签名区域的图像数据。
识别模块1206，用于对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种。
结果生成模块1208，用于基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。
在其中一个实施例中，全局特征可以包括待识别手写签名的全局比例特征、全局倾斜特征以及全局傅里叶变化特征。
在本实施例中，识别模块1206可以包括：
全局比例特征生成子模块，用于根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征。
全局倾斜特征生成子模块，用于根据图像数据，确定待识别手写签名中倾斜笔画的笔画数量，并根据笔画数量，确定待识别手写签名的全局倾斜特征。
全局傅里叶变换特征生成子模块，用于对图像数据进行傅里叶变换，生成图像数据中待识别手写签名的全局傅里叶变换特征。
在其中一个实施例中，全局比例特征生成子模块可以包括：
凸包面积确定单元，用于根据图像数据，确定待识别手写签名的凸包面积。
全局比例特征确定单元，用于基于凸包面积以及业务文件签名区域的区域面积，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征。
在其中一个实施例中，统计特征可以包括待识别手写签名的第一投影特征以及纹理特征。
在本实施例中，识别模块1206可以包括：
二值化处理子模块，用于对图像数据进行二值化处理，生成对应的灰度图像。
第一投影特征确定子模块，用于确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征。
纹理特征确定子模块，用于获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，第一投影特征确定子模块可以包括：
切分单元，用于对灰度图像进行切分，得到对应灰度图像的多个区域图像。
第一投影特征生成单元，用于将各区域图像的边界作为对应灰度图像的边线，并将各区域图像中组成待识别手写签名的像素点向各边线做投影，对应待识别手写签名的第一投影特征。
在其中一个实施例中，纹理特征确定子模块可以包括：
灰度共生矩阵生成单元，用于统计各灰度值组合的组合数量，生成对应灰度图像的灰度共生矩阵。
纹理特征生成单元，用于基于灰度共生矩阵，得到对应灰度图像中待识别手写签名的纹理特征。
在其中一个实施例中，上述装置还可以包括：
灰度等级量化模块，用于获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征之前，获取灰度图像中各像素点的灰度值，并将各灰度值进行灰度等级量化，得到对应各像素点的灰度等级量化后的量化灰度值。
在本实施例中，纹理特征确定子模块用于获取任意两个像素点的量化灰度值，得到灰度图像中任意两个像素点的量化灰度值组合，并根据各量化灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，几何特征可以包括待识别手写签名中各待识别手写文字的重心位置特征以及待识别手写签名的第二投影特征。
在本实施例中，识别模块1206可以包括：
重心位置特征确定子模块，用于根据图像数据，确定待识别手写签名的各像素点的像素位置，并基于各像素位置，确定待识别手写签名中各待识别手写文字的重心位置特征。
第二投影特征生成子模块，用于基于预设扫描角度，对图像数据进行扫描，得到待识别手写签名在各预设扫描角度上的第二投影特征。
在其中一个实施例中，识别模块1206可以包括：
归一化处理子模块，用于对图像数据进行归一化处理，得到尺寸归一化处理后的图像数据。
初始处理子模块，用于将尺寸归一化处理后的图像数据输入预先训练的识别模型，通过识别模型对图像数据进行分组卷积特征提取，得到图像数据中的待识别手写签名的特征数据。
在其中一个实施例中，结果生成模块1208可以包括：
特征权重获取子模块，用于获取预先设置的各特征数据的特征权重；
特征指标生成子模块，用于根据特征权重以及各特征数据，得到签名区域图像中的待识别手写签名的特征指标；
结果生成子模块，用于基于特征指标以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果。
在一个实施例中，如图13所示，提供了一种理赔自动化处理装置，所述理赔自动化处理装置包括：理赔请求接收模块1302、识别结果生成模块1304以及理赔结果生成模块1306，其中：
理赔请求接收模块1302，用于接收待理赔对象的理赔请求，理赔请求中携带有待理赔业务所对应的业务文件数据。
识别结果生成模块1304，用于通过前述实施例所述的手写签名识别装置对业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果。
理赔结果生成模块1306，用于基于识别结果，生成对应的理赔处理结果。
关于手写签名识别装置以及理赔自动化处理装置的具体限定可以参见上文中对于手写签名识别方法和理赔自动化处理方法的限定，在此不再赘述。上述手写签名识别装置以及理赔自动化处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储业务文件数据、图像数据、特征数据以及识别结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种手写签名识别方法以及理赔自动化处理方法。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标对象的业务文件数据；对业务文件数据进行解析，得到对应业务文件签名区域的图像数据；对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种；基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行是被，得到对应的识别结果。
在其中一个实施例中，全局特征可以包括待识别手写签名的全局比例特征、全局倾斜特征以及全局傅里叶变化特征。
在本实施例中，处理器执行计算机程序时实现全局特征的生成方式可以包括：根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征；根据图像数据，确定待识别手写签名中倾斜笔画的笔画数量，并根据笔画数量，确定待识别手写签名的全局倾斜特征；对图像数据进行傅里叶变换，生成图像数据中待识别手写签名的全局傅里叶变换特征。
在其中一个实施例中，处理器执行计算机程序时实现根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征，可以包括：根据图像数据，确定待识别手写签名的凸包面积；基于凸包面积以及业务文件签名区域的区域面积，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征。
在其中一个实施例中，统计特征可以包括待识别手写签名的第一投影特征以及纹理特征。
在本实施例中，处理器执行计算机程序时实现统计特征的生成方式可以包括：对图像数据进行二值化处理，生成对应的灰度图像；确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征；获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，处理器执行计算机程序时实现确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征，可以包括：对灰度图像进行切分，得到对应灰度图像的多个区域图像；将各区域图像的边界作为对应灰度图像的边线，并将各区域图像中组成待识别手写签名的像素点向各边线做投影，对应待识别手写签名的第一投影特征。
在其中一个实施例中，处理器执行计算机程序时实现根据各灰度值组合，得到对应待识别手写签名的纹理特征，可以包括：统计各灰度值组合的组合数量，生成对应灰度图像的灰度共生矩阵；基于灰度共生矩阵，得到对应灰度图像中待识别手写签名的纹理特征。
在其中一个实施例中，处理器执行计算机程序时实现获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征之前，还可以包括：获取灰度图像中各像素点的灰度值，并将各灰度值进行灰度等级量化，得到对应各像素点的灰度等级量化后的量化灰度值。
在本实施例中，处理器执行计算机程序时实现获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征，可以包括：获取任意两个像素点的量化灰度值，得到灰度图像中任意两个像素点的量化灰度值组合，并根据各量化灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，几何特征可以包括待识别手写签名中各待识别手写文字的重心位置特征以及待识别手写签名的第二投影特征。
在本实施例中，处理器执行计算机程序时实现几何特征的生成方式可以包括：根据图像数据，确定待识别手写签名的各像素点的像素位置，并基于各像素位置，确定待识别手写签名中各待识别手写文字的重心位置特征；基于预设扫描角度，对图像数据进行扫描，得到待识别手写签名在各预设扫描角度上的第二投影特征。
在其中一个实施例中，处理器执行计算机程序时实现对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，可以包括：对图像数据进行归一化处理，得到尺寸归一化处理后的图像数据；将尺寸归一化处理后的图像数据输入预先训练的识别模型，通过识别模型对图像数据进行分组卷积特征提取，得到图像数据中的待识别手写签名的特征数据。
在其中一个实施例中，处理器执行计算机程序时实现基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果，可以包括：获取预先设置的各特征数据的特征权重；根据特征权重以及各特征数据，得到签名区域图像中的待识别手写签名的特征指标；基于特征指标以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果。
在一个实施例中，提供了另一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收待理赔对象的理赔请求，理赔请求中携带有待理赔业务所对应的业务文件数据；通过上述任一实施例的手写签名识别方法对业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果；基于识别结果，生成对应的理赔处理结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标对象的业务文件数据；对业务文件数据进行解析，得到对应业务文件签名区域的图像数据；对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，特征数据包括全局特征、统计特征以及几何特征中至少一种；基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，得到对应的识别结果。
在其中一个实施例中，全局特征可以包括待识别手写签名的全局比例特征、全局倾斜特征以及全局傅里叶变化特征。
在本实施例中，计算机程序被处理器执行时实现全局特征的生成方式可以包括：根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征；根据图像数据，确定待识别手写签名中倾斜笔画的笔画数量，并根据笔画数量，确定待识别手写签名的全局倾斜特征；对图像数据进行傅里叶变换，生成图像数据中待识别手写签名的全局傅里叶变换特征。
在其中一个实施例中，计算机程序被处理器执行时实现根据图像数据，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征，可以包括：根据图像数据，确定待识别手写签名的凸包面积；基于凸包面积以及业务文件签名区域的区域面积，确定待识别手写签名占业务文件签名区域的区域比例，得到待识别手写签名的全局比例特征。
在其中一个实施例中，统计特征可以包括待识别手写签名的第一投影特征以及纹理特征。
在本实施例中，计算机程序被处理器执行时实现统计特征的生成方式可以包括：对图像数据进行二值化处理，生成对应的灰度图像；确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征；获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，计算机程序被处理器执行时实现确定对应灰度图像的边线，并基于各边线，确定对应待识别手写签名的第一投影特征，可以包括：对灰度图像进行切分，得到对应灰度图像的多个区域图像；将各区域图像的边界作为对应灰度图像的边线，并将各区域图像中组成待识别手写签名的像素点向各边线做投影，对应待识别手写签名的第一投影特征。
在其中一个实施例中，计算机程序被处理器执行时实现根据各灰度值组合，得到对应待识别手写签名的纹理特征，可以包括：统计各灰度值组合的组合数量，生成对应灰度图像的灰度共生矩阵；基于灰度共生矩阵，得到对应灰度图像中待识别手写签名的纹理特征。
在其中一个实施例中，计算机程序被处理器执行时实现获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征之前，还可以包括：获取灰度图像中各像素点的灰度值，并将各灰度值进行灰度等级量化，得到对应各像素点的灰度等级量化后的量化灰度值。
在本实施例中，计算机程序被处理器执行时实现获取灰度图像中任意两个像素点的灰度值，得到灰度图像中任意两个像素点的灰度值组合，并根据各灰度值组合，得到对应待识别手写签名的纹理特征，可以包括：获取任意两个像素点的量化灰度值，得到灰度图像中任意两个像素点的量化灰度值组合，并根据各量化灰度值组合，得到对应待识别手写签名的纹理特征。
在其中一个实施例中，几何特征可以包括待识别手写签名中各待识别手写文字的重心位置特征以及待识别手写签名的第二投影特征。
在本实施例中，计算机程序被处理器执行时实现几何特征的生成方式可以包括：根据图像数据，确定待识别手写签名的各像素点的像素位置，并基于各像素位置，确定待识别手写签名中各待识别手写文字的重心位置特征；基于预设扫描角度，对图像数据进行扫描，得到待识别手写签名在各预设扫描角度上的第二投影特征。
在其中一个实施例中，计算机程序被处理器执行时实现对图像数据进行手写签名的识别，得到图像数据中的待识别手写签名的特征数据，可以包括：对图像数据进行归一化处理，得到尺寸归一化处理后的图像数据；将尺寸归一化处理后的图像数据输入预先训练的识别模型，通过识别模型对图像数据进行分组卷积特征提取，得到图像数据中的待识别手写签名的特征数据。
在其中一个实施例中，计算机程序被处理器执行时实现基于特征数据以及预先建立的手写签字特征库，对目标对象的待识别手写签名进行识别，生成对应的识别结果，可以包括：获取预先设置的各特征数据的特征权重；根据特征权重以及各特征数据，得到签名区域图像中的待识别手写签名的特征指标；基于特征指标以及预先建立的手写签字特征库，得到待识别手写签名的识别结果。
在一个实施例中，提供了另一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收待理赔对象的理赔请求，理赔请求中携带有待理赔业务所对应的业务文件数据；通过上述任一实施例的手写签名识别方法对业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果；基于识别结果，生成对应的理赔处理结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种手写签名识别方法，其特征在于，所述手写签名识别方法包括：
获取目标对象的业务文件数据；
对所述业务文件数据进行解析，得到对应业务文件签名区域的图像数据，包括：根据所述业务文件数据，确定对应的业务类型；根据预设的模板文件，确定对应所述业务类型的业务文件签名区域，并从所述业务文件数据中截取出签名区域，得到图像数据；
对所述图像数据进行手写签名的识别，得到所述图像数据中的待识别手写签名的特征数据，所述特征数据包括全局特征、统计特征以及几何特征中至少一种；所述统计特征包括所述待识别手写签名的第一投影特征以及纹理特征；所述统计特征的生成方式包括：对所述图像数据进行二值化处理，生成对应的灰度图像；确定对应所述灰度图像的边线，并基于各所述边线，确定对应所述待识别手写签名的第一投影特征；获取所述灰度图像中任意两个像素点的灰度值，得到所述灰度图像中任意两个像素点的灰度值组合，并根据各所述灰度值组合，得到对应所述待识别手写签名的纹理特征；所述几何特征包括所述待识别手写签名中各待识别手写文字的重心位置特征以及所述待识别手写签名的第二投影特征；所述几何特征的生成方式包括：根据所述图像数据，确定所述待识别手写签名的各像素点的像素位置，并基于各所述像素位置，确定所述待识别手写签名中各待识别手写文字的重心位置特征；基于预设扫描角度，对所述图像数据进行扫描，得到所述待识别手写签名在各所述预设扫描角度上的第二投影特征；
基于所述特征数据以及预先建立的手写签字特征库，对所述目标对象的待识别手写签名进行识别，得到对应的识别结果，所述手写签字特征库包括各不同类型的手写字体的特征数据与手写字体之间的对应关系。
2.根据权利要求1所述的手写签名识别方法，其特征在于，所述全局特征包括所述待识别手写签名的全局比例特征、全局倾斜特征以及全局傅里叶变化特征；所述全局特征的生成方式包括：
根据所述图像数据，确定所述待识别手写签名占所述业务文件签名区域的区域比例，得到所述待识别手写签名的全局比例特征；
根据所述图像数据，确定所述待识别手写签名中倾斜笔画的笔画数量，并根据笔画数量，确定所述待识别手写签名的全局倾斜特征；
对所述图像数据进行傅里叶变换，生成所述图像数据中待识别手写签名的全局傅里叶变换特征。
3.根据权利要求2所述的手写签名识别方法，其特征在于，所述根据所述图像数据，确定所述待识别手写签名占所述业务文件签名区域的区域比例，得到所述待识别手写签名的全局比例特征，包括：
根据所述图像数据，确定所述待识别手写签名的凸包面积；
基于所述凸包面积以及所述业务文件签名区域的区域面积，确定所述待识别手写签名占所述业务文件签名区域的区域比例，得到所述待识别手写签名的全局比例特征。
4.根据权利要求1所述的手写签名识别方法，其特征在于，所述确定对应所述灰度图像的边线，并基于各所述边线，确定对应所述待识别手写签名的第一投影特征，包括：
对所述灰度图像进行切分，得到对应所述灰度图像的多个区域图像；
将各所述区域图像的边界作为所述对应所述灰度图像的边线，并将各所述区域图像中组成所述待识别手写签名的像素点向各所述边线做投影，对应所述待识别手写签名的第一投影特征。
5.根据权利要求1所述的手写签名识别方法，其特征在于，所述根据各所述灰度值组合，得到对应所述待识别手写签名的纹理特征，包括：
统计各所述灰度值组合的组合数量，生成对应所述灰度图像的灰度共生矩阵；
基于所述灰度共生矩阵，得到对应所述灰度图像中待识别手写签名的纹理特征。
6.根据权利要求1或5所述的手写签名识别方法，其特征在于，所述获取所述灰度图像中任意两个像素点的灰度值，得到所述灰度图像中任意两个像素点的灰度值组合，并根据各所述灰度值组合，得到对应所述待识别手写签名的纹理特征之前，还包括：
获取所述灰度图像中各像素点的灰度值，并将各所述灰度值进行灰度等级量化，得到对应各像素点的灰度等级量化后的量化灰度值；
所述获取所述灰度图像中任意两个像素点的灰度值，得到所述灰度图像中任意两个像素点的灰度值组合，并根据各所述灰度值组合，得到对应所述待识别手写签名的纹理特征，包括：
获取任意两个像素点的量化灰度值，得到所述灰度图像中任意两个像素点的量化灰度值组合，并根据各所述量化灰度值组合，得到对应所述待识别手写签名的纹理特征。
7.根据权利要求1所述的手写签名识别方法，其特征在于，所述对所述图像数据进行手写签名的识别，得到所述图像数据中的待识别手写签名的特征数据，包括：
对所述图像数据进行归一化处理，得到尺寸归一化处理后的图像数据；
将所述尺寸归一化处理后的图像数据输入预先训练的识别模型，通过所述识别模型对所述图像数据进行分组卷积特征提取，得到所述图像数据中的待识别手写签名的特征数据。
8.根据权利要求1所述的手写签名识别方法，其特征在于，所述基于所述特征数据以及预先建立的手写签字特征库，对所述目标对象的待识别手写签名进行识别，得到对应的识别结果，包括：
获取预先设置的各特征数据的特征权重；
根据所述特征权重以及各所述特征数据，得到签名区域图像中的待识别手写签名的特征指标；
基于所述特征指标以及预先建立的手写签字特征库，对所述目标对象的待识别手写签名进行识别，生成对应的识别结果。
9.一种理赔自动化处理方法，其特征在于，所述理赔自动化处理方法包括：
接收待理赔对象的理赔请求，所述理赔请求中携带有待理赔业务所对应的业务文件数据；
通过权利要求1至8任一项所述的手写签名识别方法对所述业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果；
基于所述识别结果，生成对应的理赔处理结果。
10.一种手写签名识别装置，其特征在于，所述手写签名识别装置包括：
业务文件数据获取模块，用于获取目标对象的业务文件数据；
解析模块，用于对所述业务文件数据进行解析，得到对应业务文件签名区域的图像数据，包括：根据所述业务文件数据，确定对应的业务类型；根据预设的模板文件，确定对应所述业务类型的业务文件签名区域，并从所述业务文件数据中截取出签名区域，得到图像数据；
识别模块，用于对所述图像数据进行手写签名的识别，得到所述图像数据中的待识别手写签名的特征数据，所述特征数据包括全局特征、统计特征以及几何特征中至少一种；所述统计特征包括所述待识别手写签名的第一投影特征以及纹理特征；所述统计特征的生成方式包括：对所述图像数据进行二值化处理，生成对应的灰度图像；确定对应所述灰度图像的边线，并基于各所述边线，确定对应所述待识别手写签名的第一投影特征；获取所述灰度图像中任意两个像素点的灰度值，得到所述灰度图像中任意两个像素点的灰度值组合，并根据各所述灰度值组合，得到对应所述待识别手写签名的纹理特征；所述几何特征包括所述待识别手写签名中各待识别手写文字的重心位置特征以及所述待识别手写签名的第二投影特征；所述几何特征的生成方式包括：根据所述图像数据，确定所述待识别手写签名的各像素点的像素位置，并基于各所述像素位置，确定所述待识别手写签名中各待识别手写文字的重心位置特征；基于预设扫描角度，对所述图像数据进行扫描，得到所述待识别手写签名在各所述预设扫描角度上的第二投影特征；
结果生成模块，用于基于所述特征数据以及预先建立的手写签字特征库，对所述目标对象的待识别手写签名进行识别，得到对应的识别结果，所述手写签字特征库包括各不同类型的手写字体的特征数据与手写字体之间的对应关系。
11.一种理赔自动化处理装置，其特征在于，所述理赔自动化处理装置包括：
理赔请求接收模块，用于接收待理赔对象的理赔请求，所述理赔请求中携带有待理赔业务所对应的业务文件数据；
识别结果生成模块，用于通过权利要求10所述的手写签名识别装置对所述业务文件数据中目标对象的待识别手写签名进行识别，得到对应的识别结果；
理赔结果生成模块，用于基于所述识别结果，生成对应的理赔处理结果。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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9中任一项所述方法的步骤。
13.一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，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
CN202110860924.9A 2021-07-29 2021-07-29 手写签名识别方法、理赔自动化处理方法、装置和设备 Active CN113313092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110860924.9A CN113313092B (zh) 2021-07-29 2021-07-29 手写签名识别方法、理赔自动化处理方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110860924.9A CN113313092B (zh) 2021-07-29 2021-07-29 手写签名识别方法、理赔自动化处理方法、装置和设备

Publications (2)

Publication Number Publication Date
CN113313092A CN113313092A (zh) 2021-08-27
CN113313092B true CN113313092B (zh) 2021-10-29

Family

ID=77381897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110860924.9A Active CN113313092B (zh) 2021-07-29 2021-07-29 手写签名识别方法、理赔自动化处理方法、装置和设备

Country Status (1)

Country Link
CN (1) CN113313092B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
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
CN114463858B (zh) * 2022-01-12 2024-05-24 广州市双照电子科技有限公司 一种基于深度学习的签字行为识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5600732A (en) * 1994-12-08 1997-02-04 Banctec, Inc. Document image analysis method
CN1389824A (zh) * 2001-06-04 2003-01-08 华为技术有限公司 手写字体识别服务器及其电子签名系统的处理方法
CN101526992A (zh) * 2008-03-03 2009-09-09 汉王科技股份有限公司 手写签名识别的方法、装置及手写签名开机系统
CN104200239A (zh) * 2014-09-09 2014-12-10 河海大学常州校区 一种基于图像特征融合识别的签名鉴伪系统及方法
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
CN108256529A (zh) * 2017-11-29 2018-07-06 深圳慎始科技有限公司 基于点云投影轮廓签名和分布矩阵的全局点云描述方法
CN111639646A (zh) * 2020-05-18 2020-09-08 山东大学 一种基于深度学习的试卷手写英文字符识别方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3183680B1 (en) * 2014-08-18 2018-03-21 Csík, Balázs Methods for digitally signing an electronic file, and authenticating method
CN107437084B (zh) * 2017-07-24 2020-12-08 南京晓庄学院 一种脱机手写体文本识别的字符重心定位方法
CN110084327B (zh) * 2019-04-30 2023-04-07 福州大学 基于视角自适应深度网络的票据手写数字识别方法及系统
US11106891B2 (en) * 2019-09-09 2021-08-31 Morgan Stanley Services Group Inc. Automated signature extraction and verification

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5600732A (en) * 1994-12-08 1997-02-04 Banctec, Inc. Document image analysis method
CN1389824A (zh) * 2001-06-04 2003-01-08 华为技术有限公司 手写字体识别服务器及其电子签名系统的处理方法
CN101526992A (zh) * 2008-03-03 2009-09-09 汉王科技股份有限公司 手写签名识别的方法、装置及手写签名开机系统
CN104200239A (zh) * 2014-09-09 2014-12-10 河海大学常州校区 一种基于图像特征融合识别的签名鉴伪系统及方法
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
CN108256529A (zh) * 2017-11-29 2018-07-06 深圳慎始科技有限公司 基于点云投影轮廓签名和分布矩阵的全局点云描述方法
CN111639646A (zh) * 2020-05-18 2020-09-08 山东大学 一种基于深度学习的试卷手写英文字符识别方法及系统

Also Published As

Publication number Publication date
CN113313092A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN108764325B (zh) 图像识别方法、装置、计算机设备和存储介质
WO2018166116A1 (zh) 车损识别方法、电子装置及计算机可读存储介质
WO2020147398A1 (zh) 翻拍图像检测方法、装置、计算机设备及存储介质
US11790499B2 (en) Certificate image extraction method and terminal device
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN113313092B (zh) 手写签名识别方法、理赔自动化处理方法、装置和设备
KR101548928B1 (ko) 불변적인 시각적 장면 및 객체 인식
CN103456003A (zh) 对象跟踪装置及方法以及错误特征点剔除装置及方法
CN113673530B (zh) 遥感图像语义分割方法、装置、计算机设备和存储介质
CN112613506A (zh) 图像中的文本识别方法、装置、计算机设备和存储介质
CN113887408B (zh) 活化人脸视频的检测方法、装置、设备及存储介质
JP2016206837A (ja) オブジェクト検出方法及び画像検索システム
CN114596290A (zh) 缺陷检测方法及其装置、存储介质、程序产品
CN111445058A (zh) 数据分析方法、装置、设备及计算机可读存储介质
CN110807409A (zh) 人群密度检测模型训练方法和人群密度检测方法
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN112232336A (zh) 一种证件识别方法、装置、设备及存储介质
CN116311214A (zh) 车牌识别方法和装置
CN109784379B (zh) 纺织品图片特征库的更新方法和装置
KR20220088832A (ko) 인감스캐너를 이용한 인감대사 지원 방법
US11468572B2 (en) Image processing device, image recognition device, image processing program, and image recognition program
CN112036232B (zh) 一种图像表格结构识别方法、系统、终端以及存储介质
Omarov et al. Machine learning based pattern recognition and classification framework development
CN109657083B (zh) 纺织品图片特征库的建立方法和装置
CN114913350A (zh) 素材查重方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant