CN113920589A - 基于人工智能的签名识别方法、装置、设备及介质 - Google Patents
基于人工智能的签名识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113920589A CN113920589A CN202111262766.3A CN202111262766A CN113920589A CN 113920589 A CN113920589 A CN 113920589A CN 202111262766 A CN202111262766 A CN 202111262766A CN 113920589 A CN113920589 A CN 113920589A
- Authority
- CN
- China
- Prior art keywords
- signature
- image
- preset
- handwriting
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012790 confirmation Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 28
- 238000013145 classification model Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000329 smooth muscle myocyte Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及人工智能技术领域,提供了一种基于人工智能的签名识别方法、装置、设备及存储介质。所述方法包括:接收用户在签名框完成签名的确认信息,并读取签名框中的原始签名图像,对原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,检测签名区域图像中的字迹是否符合工整度,若是,检测签名区域图像的签名信息是否为单行书写,当检测矫正后的签名区域图像为单行书写时,将签名区域图像输入预先构建的签名识别模型,得到签名区域图像对应的识别结果。本发明可以提高签名信息识别的准确性。本发明还涉及区块链技术领域,上述识别结果可以存储于一区块链的节点中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的签名识别方法、装置、设备及存储介质。
背景技术
用户在线上办理各种业务时,往往需要对业务办理信息进行签名确认,因此需要对用户的签名进行识别校验,以判断用户的签名是否符合设定的签名规定。然而用户在实际签名过程中,往往书写较潦草、出现多行书写、或者书写的字倾斜程度较大,导致现有的字符识别模型难以准确地识别出用户的签名信息。
发明内容
鉴于以上内容,本发明提供一种基于人工智能的签名识别方法、装置、设备及存储介质,其目的在于解决现有技术中由于用户签名书写不规范,难以识别签名信息的技术问题。
为实现上述目的,本发明提供一种基于人工智能的签名识别方法,该方法包括:
接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像;
对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像;
基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写;
当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
优选的,所述方法还包括:
响应所述用户发出重新书写签名的请求,清空所述签名框的签名信息。
优选的,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
对所述预处理后的签名图像分别在正负方向进行预设度数范围内的旋转遍历,每次旋转预设角度进行垂直方向的像素值累加,得到每次旋转预设角度对应的水平方向的一维数组;
确定所述一维数组中的像素值为0值的像素个数最多时对应的旋转角度,将所述旋转角度作为矫正角度,基于所述矫正角度对所述预处理后的签名图像执行矫正操作,得到所述签名区域图像。
优选的,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
采用霍夫变换的概率算法检测出预处理后的签名图像中小于或等于预设长度的第一直线段;
从所述第一直线段中确定出倾斜角度小于或等于第一预设角度的第二直线段;
将所述第二直线段中心点的y坐标值之差小于或等于预设阈值的第二直线段分为一类;
将属于同一类的所述第二直线段作为一个目标类直线,并利用最小二乘法分别确定出各个目标类直线的拟合直线;
计算每条所述拟合直线的斜率,以及所有拟合直线的斜率的中位数和斜率的均值,取所述中位数与均值的较小者,并根据所述较小者调整所述预处理后的签名图像的倾斜角。
优选的,所述字迹分类模型的具体训练过程包括:
获取预设数量的样本签名图像,为各样本文本标注字迹类别标签,将各样本签名图像作为自变量、各样本签名图像的字迹类别标签作为因变量生成样本集;
将所述样本集中每个样本输入resnet50模型,得到所述样本集中每个样本的预测类别;
基于所述样本集中每个样本的字迹类别标签读取所述样本集中每个样本的真实类别;
通过最小化所述预测类别与所述真实类别之间的损失值确定所述字迹分类模型的结构参数,得到训练好的字迹分类模型。
优选的,所述方法还包括:
当检测所述签名区域图像的字迹不符合预设的工整度,或者检测所述签名区域图像的签名信息不为单行书写时,向所述用户反馈预设提示信息。
优选的,所述预先构建的文字识别模型包括:七个卷积层、四个池化层、三个批归一化层、八个激活层、一个BidirectionalLSTM层、一个Softmax层,所述将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果,包括:
将所述签名区域图像调整为预设尺寸的输入图像,对所述输入图像执行卷积操作、池化操作、归一化操作、激活操作得到目标特征图,将所述目标特征图输入所述BidirectionalLSTM层得到预设维度的向量,将所述预设维度的向量输入Softmax层得到所述识别结果。
为实现上述目的,本发明还提供一种基于人工智能的签名识别装置,该基于人工智能的签名识别装置包括:
读取模块:用于接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像;
矫正模块:用于对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像;
检测模块:用于基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写;
识别模块:用于当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
为实现上述目的,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的程序,所述程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的基于人工智能的签名识别方法的任意步骤。
为实现上述目的,本发明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基于人工智能的签名识别程序,所述基于人工智能的签名识别程序被处理器执行时,实现如上所述基于人工智能的签名识别方法的任意步骤。
本发明提出的基于人工智能的签名识别方法、装置、设备及存储介质,通过用户的原始签名图像进行矫正,并对矫正后的签名检测字迹是否潦草,再对签名的书写格式进行检测,检测通过后将签名图像输入至预先构建的签名识别模型得到签名的文字信息,可以提高签名识别的准确性。
附图说明
图1为本发明基于人工智能的签名识别方法较佳实施例的流程图示意图;
图2为本发明基于人工智能的签名识别装置较佳实施例的模块示意图;
图3为本发明电子设备较佳实施例的示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明提供一种基于人工智能的签名识别方法。参照图1所示,为本发明基于人工智能的签名识别方法的实施例的方法流程示意图。该方法可以由一个电子设备执行,该电子设备可以由软件和/或硬件实现。基于人工智能的签名识别方法包括:
步骤S10:接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像。
本方案以对用户线上签名的识别校验为例,对本方案进行说明,可以理解的是本方案的实际应用场景并不仅限于此,还可以是医疗领域中用户办理相关手续时的签名识别,或者需要提取用户的首次签名作为用户后续签名的校验标准。
在本实施例中,电子设备(例如,自助机)提供相关的业务的交互界面供用户办理业务,并提供签名栏供用户签名确认业务信息,用户在签名框手写签名后可以点击“确认签名”的按钮,当终端接收到用户在签名栏完成签名的确认信息时,可以读取签名框中的原始签名图像。进一步的,可以在终端交互界面的签名栏中提供矩形虚线签名框供用户签名,通过矩形虚线签名框引导用户在框内签名,减少用户在签名时出现字与字之间笔画连笔、多行签名、竖写的问题,矩形虚线签名框区域即为签名区域。
在一个实施例中,所述方法还包括:
响应所述用户发出重新书写签名的请求,清空所述签名框的签名信息。
由于用户在签名过程中可能出现书写错误的情况,因此当用户点击“重新书写”的按钮时,可以清空签名框内的签名信息。
步骤S20:对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像。
在本实施例中,由于后续需要对原始签名图像进行识别,因此需要对原始签名图像执行相关的预处理操作,预处理操作包括图像二值化处理,将图像上的点的灰度值二值为0或255,即灰度值大于阈值100的设置为255,灰度值小于100的设置为0。图像的二值化可以使图像中数据量大为减少,从而凸显出签名轮廓有利于图像的进一步处理。由于用户的签名可能存在一定的倾斜角,即签名并不是水平的,因此还可以对预处理后的签名图像执行矫正操作。
在一个实施例中,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
对所述预处理后的签名图像分别在正负方向进行预设度数范围内的旋转遍历,每次旋转预设角度进行垂直方向的像素值累加,得到每次旋转预设角度对应的水平方向的一维数组;
确定所述一维数组中的像素值为0值的像素个数最多时对应的旋转角度,将所述旋转角度作为矫正角度,基于所述矫正角度对所述预处理后的签名图像执行矫正操作,得到所述签名区域图像。
由于二值图像的像素值为0或者1,当图像旋转的角度实现签名方向为水平时,该旋转角度对应的一维数组中0值像素的个数最多,此时的旋转角度就是得到的矫正角度,将图像旋转该旋转角度即可得到水平的签名区域图像,预设度数范围可以是10度。
在一个实施例中,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
采用霍夫变换的概率算法检测出预处理后的签名图像中小于或等于预设长度的第一直线段;
从所述第一直线段中确定出倾斜角度小于或等于第一预设角度的第二直线段;
将所述第二直线段中心点的y坐标值之差小于或等于预设阈值的第二直线段分为一类;
将属于同一类的所述第二直线段作为一个目标类直线,并利用最小二乘法分别确定出各个目标类直线的拟合直线;
计算每条所述拟合直线的斜率,以及所有拟合直线的斜率的中位数和斜率的均值,取所述中位数与均值的较小者,并根据所述较小者调整所述预处理后的签名图像的倾斜角。
例如,从预处理后的签名图像中获取三条第二直线段,分别为a(长度0.1cm,倾斜角度4°,中心点y坐标值0.1)、b(长度0.2cm,倾斜角度3°,中心点y坐标值0.2)、c(长度0.3cm,倾斜角度2°,中心点y坐标值0.3)a与b及c之间的中心点y坐标值之差均小于0.6,因此第二直线段a、b、c为同一类,并作为目标类直线,之后利用最小二乘法通过最小化误差的平方和寻找目标类直线的最佳函数匹配(即拟合直线),并根据确定出的较小者调整所述预处理后的签名图像的倾斜角。
步骤S30:基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写。
在本实施例中,符合预设的工整度的字迹是指书写不潦草的字迹,不潦草的字迹为书写工整、没有简写、且没有连笔的规范字迹,由于签名的潦草书写,可能会导致后续签名识别模型识别出的结果与实际结果不相符,例如将汉字“浩”识别为“洁”,因此对签名图像进行矫正得到签名区域图像后,还需要检测签名区域图像的签名字迹是否符合预设的工整度,可以利用resnet50模型训练得到字迹分类模型,利用字迹分类模型检测签名字迹是否潦草,字迹分类模型为二分类模型。可以理解的是,字迹分类模型是根据实际业务需求选取符合工整度的正样本,以及不符合工整度的负样本训练得到的。当检测签名区域图像的字迹符合预设的工整度时,再检测签名区域图像是否为单行书写,即检测用户的签名是否将姓名书写成了单行,而不是多行书写。检测签名区域图像的签名信息是否为单行可以利用resnet34模型训练签名行数检测模型。
在一个实施例中,所述字迹分类模型的具体训练过程包括:
获取预设数量的样本签名图像,为各样本文本标注字迹类别标签,将各样本签名图像作为自变量、各样本签名图像的字迹类别标签作为因变量生成样本集;
将所述样本集中每个样本输入resnet50模型,得到所述样本集中每个样本的预测类别;
基于所述样本集中每个样本的字迹类别标签读取所述样本集中每个样本的真实类别;
通过最小化所述预测类别与所述真实类别之间的损失值确定所述字迹分类模型的结构参数,得到训练好的字迹分类模型。
样本数据可以是从第三方数据库或本地数据库获取的10万条签名数据,各样本的字迹类别标签为1或0,代表“潦草”或“不潦草”,再将样本数据按照8:2的方式拆分成训练集和验证集以此训练模型,损失函数采用交叉熵损失函数,采用优化算法Adam算法极小化目标函数来训练网络。签名行数检测模型的训练过程与字迹分类模型的训练过程大致相同,在此不在赘述。
在一个实施例中,所述方法还包括:
当检测所述签名区域图像的字迹不符合预设的工整度,或者检测所述签名区域图像的签名信息不为单行书写时,向所述用户反馈预设提示信息。
当检测到用户签名的字迹潦草或者是多行书写时,向用户反馈提示信息,以提示用户重新书写工整或单行的签名。
步骤S40:当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
在本实施例中,当检测矫正后的签名区域图像为单行时,说明用户的签名是合规的,此时可以对签名进行识别,将签名区域图像输入预先构建的文字识别模型,得到签名区域图像对应的识别结果(即文字信息)。
在一个实施例中,所述预先构建的文字识别模型包括:七个卷积层、四个池化层、三个批归一化层、八个激活层、一个BidirectionalLSTM层、一个Softmax层,所述将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果,包括:
将所述签名区域图像调整为预设尺寸的输入图像,对所述输入图像执行卷积操作、池化操作、归一化操作、激活操作得到目标特征图,将所述目标特征图输入所述BidirectionalLSTM层得到预设维度的向量,将所述预设维度的向量输入Softmax层得到所述识别结果。
具体地,将签名区域图像缩放到32×W×1大小(即:高固定32,宽为W,通道为1),输入至卷积层conv0(conv0的输入的通道数目为1,输出的通道数目为64),得到32×W×64后输入至激活函数ReLU得到第一特征图;
将第一特征图输入至池化层得到16×W/2×64的第二特征图;
将第二特征图输入至卷积conv1(conv1的输入的通道数目为64,输出的通道数目为128)得到16×W/2×128,再输入至激活函数ReLU得到第三特征图;
将第三输入至池化层得到8×W/4×128的第四特征图;
将第四特征图输入至卷积层conv2(conv2的输入的通道数目为128,输出的通道数目为256)得到8×W/4×256输入至批归一化层,再输入至激活函数ReLU;
将激活后的第四特征图输入至卷积层conv3(conv3的输入的通道数目为256,输出的通道数目为256)得到8×W/4×256后,输入至激活函数ReLU得到第五特征图;
将第五特征图输入至池化层MaxPool2d得到4×W/4×256后,输入至激活函数ReLU得到第六特征图;
将第六特征图输入至卷积conv4(conv4的输入的通道数目为256,输出的通道数目为512)得到4×(W/4+1)×512,然后输入至批归一化层,再输入至激活函数ReLU得到第七特征图;
将第七特征图输入至卷积conv5(conv5的输入的通道数目为512,输出的通道数目为512)得到4×(W/4+1)×512后,输入至激活函数ReLU得到第八特征图;
将第八特征图输入至池化层MaxPool2d模块得到2×(W/4+2)×512的第九特征图;
将第九特征图输入至卷积conv6(conv6的输入的通道数目为512,输出的通道数目为512)得到1×(W/4+1)×512,然后输入至批归一化层后,再输入至激活函数ReLU得到第十特征图;
将第十特征图输入至BidirectionalLSTM层,得到T个长度为N维向量,N表示字符类别数量+1,将BidirectionalLSTM层的输出输入至Softmax层,得到T个长度为N维向量,向量中每个元素代表对应字符的预测概率,将T个预测结果去冗余合并得到签名识别结果,即签名对应的文字信息。
其中,每个卷积层的卷积核大小为(3,3),卷积操作每次滑动的步长大小为1。
进一步地,将第十特征图输入至BidirectionalLSTM层包括:
将第十特征图输入至LSTM模块(输入特征通道个数为512,隐藏单元通道个数为256)、全连接层Linear(in_features=512,out_features=256)、LSTM(输入特征通道个数为512,隐藏单元通道个数为256)模块、全连接层Linear(in_features=512,out_features=N),得到T个长度为N维向量,T=(W/4),N表示字符类别数量+1。
在一个实施例中,所述方法还包括:将签名区域图像对应的识别结果存储至预设存储路径(例如,本地数据库),供后续业务进行签名校验时使用。
参照图2所示,为本发明基于人工智能的签名识别装置100的功能模块示意图。
本发明所述基于人工智能的签名识别装置100可以安装于电子设备中。根据实现的功能,所述基于人工智能的签名识别装置100可以包括读取模块110、矫正模块120、检测模块130及识别模块140。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
读取模块110:用于接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像;
矫正模块120:用于对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像;
检测模块130:用于基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写;
识别模块140:用于当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
在一个实施例中,所述读取模块还用于:
响应所述用户发出重新书写签名的请求,清空所述签名框的签名信息。
在一个实施例中,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
对所述预处理后的签名图像分别在正负方向进行预设度数范围内的旋转遍历,每次旋转预设角度进行垂直方向的像素值累加,得到每次旋转预设角度对应的水平方向的一维数组;
确定所述一维数组中的像素值为0值的像素个数最多时对应的旋转角度,将所述旋转角度作为矫正角度,基于所述矫正角度对所述预处理后的签名图像执行矫正操作,得到所述签名区域图像。
在一个实施例中,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
采用霍夫变换的概率算法检测出预处理后的签名图像中小于或等于预设长度的第一直线段;
从所述第一直线段中确定出倾斜角度小于或等于第一预设角度的第二直线段;
将所述第二直线段中心点的y坐标值之差小于或等于预设阈值的第二直线段分为一类;
将属于同一类的所述第二直线段作为一个目标类直线,并利用最小二乘法分别确定出各个目标类直线的拟合直线;
计算每条所述拟合直线的斜率,以及所有拟合直线的斜率的中位数和斜率的均值,取所述中位数与均值的较小者,并根据所述较小者调整所述预处理后的签名图像的倾斜角。
在一个实施例中,所述字迹分类模型的具体训练过程包括:
获取预设数量的样本签名图像,为各样本文本标注字迹类别标签,将各样本签名图像作为自变量、各样本签名图像的字迹类别标签作为因变量生成样本集;
将所述样本集中每个样本输入resnet50模型,得到所述样本集中每个样本的预测类别;
基于所述样本集中每个样本的字迹类别标签读取所述样本集中每个样本的真实类别;
通过最小化所述预测类别与所述真实类别之间的损失值确定所述字迹分类模型的结构参数,得到训练好的字迹分类模型。
在一个实施例中,所述检测模块还用于:
当检测所述签名区域图像的字迹不符合预设的工整度,或者检测所述签名区域图像的签名信息不为单行书写时,向所述用户反馈预设提示信息。
在一个实施例中,所述预先构建的文字识别模型包括:七个卷积层、四个池化层、三个批归一化层、八个激活层、一个BidirectionalLSTM层、一个Softmax层,所述将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果,包括:
将所述签名区域图像调整为预设尺寸的输入图像,对所述输入图像执行卷积操作、池化操作、归一化操作、激活操作得到目标特征图,将所述目标特征图输入所述BidirectionalLSTM层得到预设维度的向量,将所述预设维度的向量输入Softmax层得到所述识别结果。
参照图3所示,为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于:存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络,获取原始数据。其中,所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobilecommunication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器11可以是所述电子设备1的内部存储单元,例如该电子设备1的硬盘或内存。在另一些实施例中,所述存储器11也可以是所述电子设备1的外部存储设备,例如该电子设备1配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中,存储器11通常用于存储安装于所述电子设备1的操作系统和各类应用软件,例如基于人工智能的签名识别程序10的程序代码等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作,例如执行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行基于人工智能的签名识别程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode,OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面,例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口),该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图3仅示出了具有组件11-14以及基于人工智能的签名识别程序10的电子设备1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,所述电子设备1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
该电子设备1还可以包括射频(Radio Frequency,RF)电路、传感器和音频电路等等,在此不再赘述。
在上述实施例中,处理器12执行存储器11中存储的基于人工智能的签名识别程序10时可以实现如下步骤:
接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像;
对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像;
基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写;
当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
所述存储设备可以为电子设备1的存储器11,也可以为与电子设备1通讯连接的其它存储设备。
关于上述步骤的详细介绍,请参照上述图2关于基于人工智能的签名识别装置100实施例的功能模块图以及图1关于基于人工智能的签名识别方法实施例的流程图的说明。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质可以是非易失性的,也可以是易失性的。该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有基于人工智能的签名识别程序10,所述基于人工智能的签名识别程序10被处理器执行时实现如下操作:
接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像;
对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像;
基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写;
当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
本发明之计算机可读存储介质的具体实施方式与上述基于人工智能的签名识别方法的具体实施方式大致相同,在此不再赘述。
在另一个实施例中,本发明所提供的基于人工智能的签名识别方法,为进一步保证上述所有出现的数据的私密和安全性,上述所有数据还可以存储于一区块链的节点中。例如原始签名图像及识别结果等,这些数据均可存储在区块链节点中。
需要说明的是,本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,电子装置,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人工智能的签名识别方法,应用于电子设备,其特征在于,所述方法包括:
接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像;
对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像;
基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写;
当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
2.如权利要求1所述的基于人工智能的签名识别方法,其特征在于,所述方法还包括:
响应所述用户发出重新书写签名的请求,清空所述签名框的签名信息。
3.如权利要求1所述的基于人工智能的签名识别方法,其特征在于,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
对所述预处理后的签名图像分别在正负方向进行预设度数范围内的旋转遍历,每次旋转预设角度进行垂直方向的像素值累加,得到每次旋转预设角度对应的水平方向的一维数组;
确定所述一维数组中的像素值为0值的像素个数最多时对应的旋转角度,将所述旋转角度作为矫正角度,基于所述矫正角度对所述预处理后的签名图像执行矫正操作,得到所述签名区域图像。
4.如权利要求1所述的基于人工智能的签名识别方法,其特征在于,所述对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像,包括:
采用霍夫变换的概率算法检测出预处理后的签名图像中小于或等于预设长度的第一直线段;
从所述第一直线段中确定出倾斜角度小于或等于第一预设角度的第二直线段;
将所述第二直线段中心点的y坐标值之差小于或等于预设阈值的第二直线段分为一类;
将属于同一类的所述第二直线段作为一个目标类直线,并利用最小二乘法分别确定出各个目标类直线的拟合直线;
计算每条所述拟合直线的斜率,以及所有拟合直线的斜率的中位数和斜率的均值,取所述中位数与均值的较小者,并根据所述较小者调整所述预处理后的签名图像的倾斜角。
5.如权利要求1所述的基于人工智能的签名识别方法,其特征在于,所述字迹分类模型的具体训练过程包括:
获取预设数量的样本签名图像,为各样本文本标注字迹类别标签,将各样本签名图像作为自变量、各样本签名图像的字迹类别标签作为因变量生成样本集;
将所述样本集中每个样本输入resnet50模型,得到所述样本集中每个样本的预测类别;
基于所述样本集中每个样本的字迹类别标签读取所述样本集中每个样本的真实类别;
通过最小化所述预测类别与所述真实类别之间的损失值确定所述字迹分类模型的结构参数,得到训练好的字迹分类模型。
6.如权利要求1所述的基于人工智能的签名识别方法,其特征在于,所述方法还包括:
当检测所述签名区域图像的字迹不符合预设的工整度,或者检测所述签名区域图像的签名信息不为单行书写时,向所述用户反馈预设提示信息。
7.如权利要求1所述的基于人工智能的签名识别方法,其特征在于,所述预先构建的文字识别模型包括:七个卷积层、四个池化层、三个批归一化层、八个激活层、一个BidirectionalLSTM层、一个Softmax层,所述将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果,包括:
将所述签名区域图像调整为预设尺寸的输入图像,对所述输入图像执行卷积操作、池化操作、归一化操作、激活操作得到目标特征图,将所述目标特征图输入所述BidirectionalLSTM层得到预设维度的向量,将所述预设维度的向量输入Softmax层得到所述识别结果。
8.一种基于人工智能的签名识别装置,其特征在于,所述装置包括:
读取模块:用于接收用户在预设签名框完成签名的确认信息,并读取所述签名框中的原始签名图像;
矫正模块:用于对所述原始签名图像执行预处理操作,并对预处理后的签名图像执行矫正操作得到矫正后的签名区域图像;
检测模块:用于基于预设的字迹分类模型检测所述签名区域图像中的字迹是否符合预设的工整度,当检测所述签名区域图像的字迹不符合预设的工整度时,检测所述签名区域图像的签名信息是否为单行书写;
识别模块:用于当检测所述矫正后的签名区域图像为单行书写时,将所述签名区域图像输入预先构建的签名识别模型,得到所述签名区域图像对应的识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的程序,所述程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于人工智能的签名识别方法。
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基于人工智能的签名识别程序,所述基于人工智能的签名识别程序被处理器执行时,实现如权利要求1至7中任一项所述基于人工智能的签名识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262766.3A CN113920589A (zh) | 2021-10-28 | 2021-10-28 | 基于人工智能的签名识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262766.3A CN113920589A (zh) | 2021-10-28 | 2021-10-28 | 基于人工智能的签名识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113920589A true CN113920589A (zh) | 2022-01-11 |
Family
ID=79243333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111262766.3A Pending CN113920589A (zh) | 2021-10-28 | 2021-10-28 | 基于人工智能的签名识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920589A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
CN107491730A (zh) * | 2017-07-14 | 2017-12-19 | 浙江大学 | 一种基于图像处理的化验单识别方法 |
CN110288755A (zh) * | 2019-05-21 | 2019-09-27 | 平安银行股份有限公司 | 基于文本识别的发票检验方法、服务器及存储介质 |
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 |
CN110826380A (zh) * | 2018-08-14 | 2020-02-21 | 上海汇付数据服务有限公司 | 一种异常签名的识别方法及其系统 |
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 |
CN111753809A (zh) * | 2020-07-10 | 2020-10-09 | 上海眼控科技股份有限公司 | 一种用于手写签名矫正的方法与设备 |
CN113474786A (zh) * | 2019-02-25 | 2021-10-01 | 深圳盒子信息科技有限公司 | 电子签购单识别方法、装置及终端设备 |
-
2021
- 2021-10-28 CN CN202111262766.3A patent/CN113920589A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
CN107491730A (zh) * | 2017-07-14 | 2017-12-19 | 浙江大学 | 一种基于图像处理的化验单识别方法 |
CN110826380A (zh) * | 2018-08-14 | 2020-02-21 | 上海汇付数据服务有限公司 | 一种异常签名的识别方法及其系统 |
CN113474786A (zh) * | 2019-02-25 | 2021-10-01 | 深圳盒子信息科技有限公司 | 电子签购单识别方法、装置及终端设备 |
CN110288755A (zh) * | 2019-05-21 | 2019-09-27 | 平安银行股份有限公司 | 基于文本识别的发票检验方法、服务器及存储介质 |
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 |
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 |
CN111753809A (zh) * | 2020-07-10 | 2020-10-09 | 上海眼控科技股份有限公司 | 一种用于手写签名矫正的方法与设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798299B (zh) | 票据信息识别方法、电子装置及可读存储介质 | |
CN109492643B (zh) | 基于ocr的证件识别方法、装置、计算机设备及存储介质 | |
CN110659647B (zh) | 印章图像识别方法及装置、智能发票识别设备和存储介质 | |
CN111695439A (zh) | 图像结构化数据提取方法、电子装置及存储介质 | |
CN111898411B (zh) | 文本图像标注系统、方法、计算机设备和存储介质 | |
CN110942004A (zh) | 基于神经网络模型的手写识别方法、装置及电子设备 | |
CN111325104A (zh) | 文本识别方法、装置及存储介质 | |
CN111639648B (zh) | 证件识别方法、装置、计算设备和存储介质 | |
CN109947273B (zh) | 一种点读定位方法及装置 | |
US10025976B1 (en) | Data normalization for handwriting recognition | |
CN114092938B (zh) | 图像的识别处理方法、装置、电子设备及存储介质 | |
CN111553334A (zh) | 问卷图像识别方法、电子装置及存储介质 | |
CN111291753B (zh) | 基于图像的文本识别方法、装置及存储介质 | |
CN111611988A (zh) | 图片验证码识别方法及装置、电子设备和计算机可读介质 | |
CN114359553B (zh) | 一种基于物联网的签章定位方法、系统及存储介质 | |
CN113158895A (zh) | 票据识别方法、装置、电子设备及存储介质 | |
CN113705473A (zh) | 电子处方的手写签名方法、装置、设备及存储介质 | |
US10115036B2 (en) | Determining the direction of rows of text | |
CN112418206B (zh) | 基于位置检测模型的图片分类方法及其相关设备 | |
CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
CN108090728B (zh) | 一种基于智能终端的快递信息录入方法及录入系统 | |
CN110751500A (zh) | 分享图片的处理方法、装置、计算机设备及存储介质 | |
CN113537184A (zh) | Ocr模型训练方法、装置、计算机设备、存储介质 | |
CN112580499A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN113920589A (zh) | 基于人工智能的签名识别方法、装置、设备及介质 |
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 |