CN114220179A - 一种基于faiss的在线手写签名笔迹检索方法和系统 - Google Patents
一种基于faiss的在线手写签名笔迹检索方法和系统 Download PDFInfo
- Publication number
- CN114220179A CN114220179A CN202111540196.XA CN202111540196A CN114220179A CN 114220179 A CN114220179 A CN 114220179A CN 202111540196 A CN202111540196 A CN 202111540196A CN 114220179 A CN114220179 A CN 114220179A
- Authority
- CN
- China
- Prior art keywords
- handwriting
- data
- signature
- user
- layer
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Library & Information Science (AREA)
- Probability & Statistics with Applications (AREA)
- Collating Specific Patterns (AREA)
- Character Discrimination (AREA)
Abstract
本发明请求保护一种基于faiss的在线手写签名笔迹检索方法和系统,涉及电子签名笔迹识别领域。利用大数据和深度学习技术训练并提取具有身份辨别性的笔迹特征,通过将电子签名数据特征向量化,进而建立大规模笔迹特征库,对于待识别的笔迹数据,提取笔迹特征向量,再与特征库中特征向量进行比对,计算向量相似度,根据相似度排序得到最终的topN笔迹检索结果。
Description
技术领域
本发明涉及手写电子签名笔迹识别领域,特别涉及一种一对多的大规模电子笔迹数据检索的方法和系统。
背景技术
笔迹识别分为1:1的笔迹识别和1:N的笔迹识别,前者也称为笔迹鉴定,即鉴别检材与样本是否为同一个人的签名笔迹;后者则是判断测试样本属于库中某个人,即根据笔迹数据识别签署人的身份信息,需要对测试样本提取具有身份判别性的笔迹特征向量,再与库中笔迹特征进行对比,取相似度最高的留样样本,若相似度分数大于阈值,则判定测试样本为该留样样本的身份所写,反之则没有匹配到合适的身份。现有笔迹识别多针对于离线的静态签字图像,从图像提取笔迹特征进行特征比对与识别。
公开号CN109446905A,发明名称“电子签名审核方法、装置、计算机设备和存储介质”提供了一种电子签名审核方法、装置、计算机设备和存储介质。接收终端发送与用户标识对应的电子签名;将所述电子签名输入预先训练好的特征提取模型进行预测,获得相应的目标笔迹特征;查询与所述用户标识对应的预设笔迹特征;将所述目标笔迹特征与所述预设笔迹特征输入预先训练好的特征匹配模型进行预测,获得相应的目标特征相似度;根据所述目标特征相似度对所述电子签名进行认证。采用本方法能够提高电子签名的安全性。
公开号CN111950333A,发明名称“一种基于神经网络电子手写签名识别的方法”公开了一种基于神经网络电子手写签名识别的方法,包括对用户的签名注册和认证,签名注册时,用户在注册时多次在签字终端形成签字源文件,源文件中记录书写的签名轨迹的横、纵坐标以及签名时的压力值;提交签字源文件保存至签名数据库中,并与用户进行绑定;对签名库中的用户按用户进行标签绑定,将归一化的特征值、笔迹图形带入深层神经网络中进行映射数据,经过多层计算得到训练模型;训练完成后,将用户的待识别数据输入网络中进行计算得到结果值,根据结果判定待识别用户的用户身份。本发明采用神经网络进行训练,通过用户的特征值进行识别的工作,实现了小样本对用户的判断,其效率高,准确性也较好。
上述现有技术均针对1:1的笔迹识别,即笔迹认证,通过目标笔迹特征与预设笔迹特征进行1对1的相似度匹配,使用该相似度匹配技术只能利用签名笔迹解决‘你是不是你’的问题,而无法解决‘你是谁’的问题。
发明内容
本发明所要解决的技术问题是,针对1:N的在线电子签名笔迹识别任务,提供一种基于faiss的高效电子签名笔迹检索的方法和系统,提升大规模电子签名笔迹识别的速度和精度,提高识别的高效性和精确度。实现高效准确的手写电子签名笔迹数据大规模检索;1:N手写在线电子签名笔迹识别,实现“以字搜人,以字识人”的功能。本申请通过1对多的笔迹识别,在千万级的笔迹留样库中高效快速地识别出‘你是谁’,能实现毫秒级响应高效快速检索出与待识别笔迹最相似的签名。
本发明解决上述即使问题的技术方案是,基于AI相似性搜索框架faiss,结合深度学习提取在线电子签名笔迹特征向量,提出一种高效精确的手写电子签名笔迹大规模检索方法和系统。
为了实现大规模在线电子签名笔迹检索,达到“以字搜人,以字识人”的目的,本发明提供一种基于faiss的高效电子签名笔迹检索方法和系统;利用大数据和深度学习技术训练并提取具有身份辨别性的笔迹特征,通过将电子签名数据特征向量化,进而建立大规模笔迹特征库,对于待识别的笔迹数据,提取笔迹特征向量,再与特征库中特征向量进行比对,计算相似度,根据相似度排序得到最终的topN笔迹检索结果。
一种基于faiss的高效电子签名笔迹检索的方法,基于有监督用户签名数据,训练并提取笔迹特征向量,训练优化深度学习卷积神经网络模型参数,建立笔迹特征提取模型,在线提取检索笔迹库中电子签名笔迹特征,添加用于大规模检索的特征数据向量建立faiss特征向量索引库并确定索引类型;提取待检索笔迹特征向量;根据索引类型将待检索笔迹特征向量与faiss特征向量索引库中的签字特征数据对比,得到检索结果。
进一步优选,训练并提取笔迹特征向量包括,获取每个用户ID在多个不同设备上以不同方式的本人签名的电子签名数据以及上述数据的增强笔迹序列数据,提取签名数据中包含轨迹序列上每个触点的坐标信息,压力值和时间戳T信息,提取用户手写笔迹行为特征、风貌特征、布局特征、写法特征、运笔特征,将其转化为以csv格式文件保存的签名序列数据。
进一步优选,利用sigma lognormal或者自编码技术进行笔迹序列数据增强构造每个用户的大量正写训练数据,包括:输入笔迹序列数据预处理,sigma lognormal函数拟合或字自编码模型拟合,通过拟合的数学模型重建笔迹序列,通过参数抖动控制生成的序列数据。
进一步优选,建立笔迹特征提取模型具体包括:利用每个用户ID下的不同签字数据的用户行为特征前向计算得到分类损失函数值,通过误差反向传播求导并更新网络模型中的可变参数,在每一次迭代中不断减少损失函数值,得到优化后的网络模型和参数,获取笔迹特征提取模型。利用交叉熵损失函数对用户ID进行分类并计算分类损失,调用公式:
进一步优选,通过深度学习卷积神经网络模型卷积层的每个卷积核对签名行为特征进行滑动滤波提取每个滑动窗口的行为特征,前一层输出的行为特征输入到后一层,通过深度不断将特征进行抽象,通过池化层降低输入特征向量的维度,通过全连接层将输入维度固定到特定的长度。
进一步优选,检索签名数据特征向量,调用公式:计算待检测签名数据与索引库中的签字特征数据之间的欧式距离d12,根据距离确定相似度,取前预定数量个相似度高的笔迹特征向量对应的签字数据作为检索出的签字数据,得到检索结果。其中,x1k表示特征库中的参考向量的第k个元素值,x2k表示待检索的笔迹特征向量的第k个元素值,n表示特征向量的维度。
本发明还提出一种基于faiss的高效电子签名笔迹检索的系统,其特征在于,该系统包括:数据采集模块基于有监督用户签名数据,提取训练笔迹特征向量,模型训练模块训练深度学习卷积神经网络模型得到笔迹特征提取参数,笔迹特征提取模块在线提取待检索笔迹库中电子签名笔迹特征,添加用于大规模检索的特征数据向量建立faiss特征向量索引库并确定索引类型,提取待检索笔迹特征向量;签名特征检索识别模块根据索引类型将待检索笔迹特征向量与faiss特征向量索引库中的签字特征数据对比,得到检索结果。
本发明实现了一对多的在线电子签名笔迹识别,利用深度学习模型,在有监督大数据集上迭代训练,保证了笔迹特征的个性化表示和笔迹检索的精度;基于faiss向量检索框架,提升了笔迹特征相似度计算和笔迹检索速度。
附图说明
图1为本发明笔迹检索流程示意图;
图2为短期变分自编码器结构图;
图3为卷积神经网络模型层次结构图;
图4为检索结果页面图。
具体实施方式
以下针对附图和具体实例对本发明的实施进行详细说明,以便于理解本发明的技术方案。
图1所示为笔迹检索流程示意图。数据采集模块基于有监督用户签名数据,提取训练笔迹特征向量,模型训练模块训练优化深度学习卷积神经网络模型参数,建立笔迹特征提取模型,特征提取模块在线提取检索笔迹库中电子签名笔迹特征,添加用于大规模检索的特征数据向量建立faiss特征向量索引库并确定索引类型;提取待检索笔迹特征向量;签名特征识别模块根据索引类型将待检索笔迹特征向量与faiss特征向量索引库中的签字特征数据对比,得到检索结果。具体包括:遍历待检索的笔迹库中签字数据,输入到笔迹特征提取模型,进行前向卷积层、池化层和全连接层推理运算,通过全连接层提取每个签字数据的固定维度的特征向量(如可采用1024维,维度通过池化层降低确定),将提取的大规模笔迹特征向量添加到faiss并建立特征向量索引。
数据采集模块提取训练笔迹特征模型的签名序列数据。采用大量用户账户ID的电子签名数据,每个用户ID下有多个在不同设备上和不同方式的本人签名,获取全部电子签名数据以及上述数据增强的生成笔迹序列数据,可提取包含轨迹序列上每个触点的X、Y坐标信息,压力值P和时间戳T信息,并通过这些原始数据提取用户签名行为特征,包括:签名整体风貌特征、笔划布局特征、签名书写特征、运笔特征等,以数据交换格式csv格式的文件保存每个签名的序列数据,用于后面特征提取模型的训练与优化。训练深度学习卷积神经网络并建立笔迹特征提取模型。利用大量用户ID下的不同签字数据的用户签名行为特征前向计算得到预测分类,并与真实的用户ID类别计算交叉熵损失函数值,通过误差反向传播求导,并更新优化笔迹特征提取模型中的可变参数(权重),进而在后面的每次迭代中根据权重不断减少损失函数值,得到优化后的笔迹特征提取模型和参数,建立笔迹特征提取模型。
利用sigma lognormal(对数正态分布累加)或者自编码等技术进行笔迹序列数据增强构造每个用户下的大量正写训练数据,包括:输入笔迹序列数据预处理,sigmalognormal函数拟合或自编码模型拟合,通过拟合的数学模型重建笔迹序列,通过参数抖动控制生成的序列数据。本实施例以短期变分自编码模型进行数据增强,图2为短期变分自编码器结构图,包括编码器和解码器,编码器可采用双向循环网络,解码器采用高斯混合模型与循环神经网络。其中,τ表示高斯混合模型因子,用于调节数据序列的随机扰动,σ表示速度均值,μ表示速度标准差,h表示双向循环神经网络的数据,箭头表示两个方向。
首先,将笔迹序列按笔画进行拆分为若干短时间序列;其次,通过短期变分自编码器对笔迹序列数据进行编解码,实现序列到序列转换。其中,编码器采用双向循环神经网络,将输入的短时间笔迹序列编码为潜层特征向量z。具体地,双向循环神经网络将正向序列S和反向笔迹序列编码为h向量。
h→=encode→(S),h←=encode←(Sreverse),h=[h→;h←]
解码器使用自回归循环神经网络将潜层特征向量转换为笔迹序列输出。自回归循环神经网络每一时刻会预测出下一个点位的概率分布参数,将回归循环神经网络的输出输入到M个正太分布的高斯混合模型预测得到最终的点位信息,重要的是生成的笔迹序列不只是输入序列的副本,而是与输入笔迹序列具有相似特征的新笔迹数据。
为了让模型对不同字数的签名笔迹更鲁棒,算法还将名字的子序列也作为该类样本增强的一种手段(如“王嘉豪”),子序列可以是单字序列、多字序列、多字拼接序列等。通过这种方式同时能够提高非相同汉字的检索效果。
建立faiss特征向量索引,根据faiss设置索引类型,按照精度要求、速度、内存大小等确定索引类型。Faiss(Facebook AI Similarity Search,Facebook AI相似性搜索库)根据查找方式定义多种索引类型,索引类型主要根据平衡精度、时间和内存等定义,如:基于精准查找的类型、基于内存限制的类型和基于数据大小的索引类型。本实施例采用精准查找的索引类型,并添加已提取的用于大规模检索的特征向量。
特征提取模块获取待检索笔迹数据的特征向量。用户在页面上在线签署电子签名,利用加载好的笔迹特征提取模型(该模型通过上述训练已经具备特征提取的能力,提取待检索笔迹的特征),对上传的手写电子签名数据进行笔迹特征向量提取,得到固定维度的待检索笔迹数据的特征向量。
检索识别模块进行特征向量检索,计算待检索笔迹数据的特征向量与库中特征向量的距离,本实施例可采用欧式距离,调用公式:计算特征库中的参考向量和待检索笔迹数据的特征向量的欧式距离d12,其中,x1k表示特征库中参考向量中的第k个元素值,x2k表示待检索的笔迹特征参考向量中的第k个元素值,k表示向量中的第k个元素值,n表示特征向量的维度。获得所有待检索笔迹特征向量与特征库中对应特征向量的欧式距离,根据欧式距离从小到大排序,距离与小,笔迹特征相似度越高,排序越靠前,反之,相似度越低,排序越靠后;对排序后的笔迹特征向量对应的签字数据,取前预定数量个相似度高的笔迹特征向量对应的签字数据作为检索出的签字数据,得到检索结果,绘制成对应的签名图像,以可视化形式展示检索出的笔迹数据。
对电子签名笔迹特征进行提取的模型采用深度学习卷积神经网络,如图3所示为卷积神经网络模型层次结构图,包括:卷积层、池化层、全连接层和分类层,卷积层由若干个一维卷积核组成,通过卷积层的每个卷积核对签名行为特征进行滑动滤波提取每个滑动窗口的行为特征,前一层输出的行为特征输入到后一层,通过网络的深度不断将特征进行抽象,图中卷积层参数第一个表示卷积核个数,第二个表示卷积核大小,第三个表示步长大小,第四个表示数据首尾添零的个数;池化层降低输入的维度,减少计算量,只有池化核的大小与步长两个参数;全连接层将特征向量输入维度固定到特定的长度,网络结构中最后输出1024维度。便于后续检索系统特征的使用和用户类别的分类。
利用损失函数对用户ID进行分类和计算损失值,分类损失可采用交叉熵损失函数。(也可以采用本领域技术人员熟知的其他函数进行分类和计算损失值)以下以采用交叉熵损失函数为例进一步说明:调用公式:
计算预测值与用户ID类别的分类损失函数值L,其中,N表示训练样本的个数,M表示用户ID的类别数,yic表示特征提取模型预测的用户类别,属于c类yic为1,否则为0,pic表示预测属于c类别的概率。i表示第i个样本,Li表示第i个样本的损失值,c为类别数(可以是1到用户个数,可具体标识是哪个人写的签名),yic表示类别,属于c类yic为1,否则为0,pic表示预测属于c类别的概率。
如图4为检索结果页面图。如电子签名为“李林”。检索出最近或者最大距离的笔迹特征向量对应的电子签名数据,并绘制在结果页面,距离最近的ID对应的签名与原始签名的相似度最高。根据距离阈值可确定该最相似签名是否为本人签署。
Claims (10)
1.一种基于faiss的高效在线手写电子签名笔迹检索的方法,其特征在于,基于有监督用户签名数据,训练并提取笔迹特征向量,训练优化深度学习卷积神经网络模型参数,建立笔迹特征提取模型,在线提取检索笔迹库中电子签名笔迹特征,添加特征数据向量建立faiss特征向量索引库并确定索引类型;提取待检索笔迹特征向量;检索识别模块根据索引类型将待检索笔迹特征向量与faiss特征向量索引库中的签字特征数据对比,根据欧式距离获得笔迹特征相似度,取前预定数量个相似度高的笔迹特征向量对应的签字数据作为检索结果。
2.根据权利要求1所述的方法,其特征在于:训练并提取笔迹特征向量包括,获取每个用户ID在多个不同设备上以不同方式签名的电子签名数据以及上述电子签名数据生成增强笔迹序列数据,提取签名数据中包含轨迹序列上每个触点的坐标信息,压力值和时间戳信息,提取用户手写笔迹行为特征,将其转化为以csv格式文件保存的签名序列数据。
3.根据权利要求1所述的方法,其特征在于,建立笔迹特征提取模型具体包括:利用每个用户ID下的不同签字数据的用户行为特征前向计算得到分类损失函数值,通过误差反向传播求导并更新网络模型中的可变参数,在每一次迭代中不断减少损失函数值,得到优化后的网络模型和参数,获取笔迹特征提取模型。
4.根据权利要求1所述的方法,其特征在于,深度学习卷积神经网络模型卷积层的每个卷积核对签名行为特征进行滑动滤波提取每个滑动窗口的行为特征,前一层输出的行为特征输入到后一层,不断将特征进行抽象,通过池化层降低输入的维度,通过全连接层将输入维度固定到特定的长度。
5.根据权利要求2所述的方法,其特征在于,所述生成增强笔迹序列数据具体为,通过短期变分自编码器对笔迹序列数据进行编解码,通过拟合模型重建笔迹序列,通过参数抖动控制生成的笔迹序列数据,实现序列到序列转换。
7.一种基于faiss的高效电子签名笔迹检索的系统,其特征在于,该系统包括:数据采集模块基于有监督用户签名数据,获取每个用户ID在多个不同设备上的电子签名数据以及根据上述电子签名数据生成增强笔迹序列数据,训练并提取笔迹特征向量;模型训练模块根据训练笔迹特征向量训练深度学习卷积神经网络模型得到笔迹特征提取参数,建立笔迹特征提取模型,笔迹特征提取模型在线提取待检索笔迹库中电子签名笔迹特征,添加特征数据向量建立faiss特征向量索引库并确定索引类型,提取待检索笔迹特征向量;签名特征检索识别模块根据索引类型将待检索笔迹特征向量与faiss特征向量索引库中的签字特征数据对比,取前预定数量个相似度高的笔迹特征向量对应的签字数据作为检索结果。
8.根据权利要求7所述的系统,其特征在于,建立笔迹特征提取模型包括:利用每个用户ID的不同签字数据的用户签名行为特征前向计算得到分类损失函数值,通过误差反向传播求导并更新优化网络模型中的可变参数,进而在每次迭代中不断减少损失函数值,得到优化后的网络模型和参数,得到笔迹特征提取模型。
9.根据权利要求7或8所述的系统,其特征在于,深度学习卷积神经网络模型包括:卷积层、池化层、全连接层和分类层,卷积层由若干个一维卷积核组成,卷积层的每个卷积核对签名行为特征进行滑动滤波提取每个滑动窗口的行为特征,前一层输出的行为特征输入到后一层,池化层降低输入的维度,全连接层将特征向量输入维度固定到特定的长度。
10.根据权利要求7或8所述的系统,其特征在于,数据采集模块还包括编码器和解码器,编码器采用双向循环网络,将笔迹序列编码为潜层特征向量,解码器采用高斯混合模型与循环神经网络将潜层特征向量转换为笔迹序列输出,将笔迹序列按笔画进行拆分为若干短时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540196.XA CN114220179A (zh) | 2021-12-16 | 2021-12-16 | 一种基于faiss的在线手写签名笔迹检索方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540196.XA CN114220179A (zh) | 2021-12-16 | 2021-12-16 | 一种基于faiss的在线手写签名笔迹检索方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114220179A true CN114220179A (zh) | 2022-03-22 |
Family
ID=80702760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111540196.XA Pending CN114220179A (zh) | 2021-12-16 | 2021-12-16 | 一种基于faiss的在线手写签名笔迹检索方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220179A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111826A (zh) * | 2023-10-23 | 2023-11-24 | 深圳市华南英才科技有限公司 | 一种基于笔迹特征的电容笔屏交互控制方法及系统 |
CN117437650A (zh) * | 2023-12-20 | 2024-01-23 | 山东山大鸥玛软件股份有限公司 | 基于深度学习的手写体签名比对方法、系统、装置及介质 |
-
2021
- 2021-12-16 CN CN202111540196.XA patent/CN114220179A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111826A (zh) * | 2023-10-23 | 2023-11-24 | 深圳市华南英才科技有限公司 | 一种基于笔迹特征的电容笔屏交互控制方法及系统 |
CN117111826B (zh) * | 2023-10-23 | 2024-01-02 | 深圳市华南英才科技有限公司 | 一种基于笔迹特征的电容笔屏交互控制方法及系统 |
CN117437650A (zh) * | 2023-12-20 | 2024-01-23 | 山东山大鸥玛软件股份有限公司 | 基于深度学习的手写体签名比对方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
William et al. | Face recognition using facenet (survey, performance test, and comparison) | |
Hamdani et al. | Combining multiple HMMs using on-line and off-line features for off-line Arabic handwriting recognition | |
El Abed et al. | On-line Arabic handwriting recognition competition: ADAB database and participating systems | |
CN110309343B (zh) | 一种基于深度哈希的声纹检索方法 | |
Feng et al. | Triplet distillation for deep face recognition | |
CA2375355A1 (en) | Character recognition system and method | |
EP2828793A1 (en) | Rotation-free recognition of handwritten characters | |
CN111898550B (zh) | 建立表情识别模型方法、装置、计算机设备及存储介质 | |
CN114220179A (zh) | 一种基于faiss的在线手写签名笔迹检索方法和系统 | |
CN109190521B (zh) | 一种基于知识提纯的人脸识别模型的构建方法及应用 | |
CN107403153A (zh) | 一种基于卷积神经网络和哈希编码的掌纹图像识别方法 | |
CN111401105B (zh) | 一种视频表情识别方法、装置及设备 | |
CN116363712B (zh) | 一种基于模态信息度评估策略的掌纹掌静脉识别方法 | |
CN115937873A (zh) | 一种基于可辨识单字字符的在线笔迹验证系统及方法 | |
CN114398681A (zh) | 训练隐私信息分类模型、识别隐私信息的方法和装置 | |
CN115620312A (zh) | 跨模态字符笔迹验证方法、系统、设备及存储介质 | |
Venugopal et al. | Online writer identification with sparse coding-based descriptors | |
CN116152870A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113723238A (zh) | 一种人脸轻量网络模型构建方法和人脸识别方法 | |
CN114742224A (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
CN115408488A (zh) | 用于小说场景文本的分割方法及系统 | |
Shen et al. | Multi-scale residual based siamese neural network for writer-independent online signature verification | |
Kim et al. | On-line learning of mutually orthogonal subspaces for face recognition by image sets | |
CN110298331B (zh) | 一种人证比对方法 | |
CN115905187B (zh) | 一种面向云计算工程技术人员认证的智能化命题系统 |
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 |