CN116305076A - 基于签名的身份信息注册样本在线更新方法、系统及存储介质 - Google Patents
基于签名的身份信息注册样本在线更新方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116305076A CN116305076A CN202310330227.1A CN202310330227A CN116305076A CN 116305076 A CN116305076 A CN 116305076A CN 202310330227 A CN202310330227 A CN 202310330227A CN 116305076 A CN116305076 A CN 116305076A
- Authority
- CN
- China
- Prior art keywords
- signature
- sample
- handwriting
- registration
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012795 verification Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012952 Resampling Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 12
- 238000013524 data verification Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000013515 script Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19107—Clustering techniques
-
- 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
- G06V30/347—Sampling; Contour coding; Stroke extraction
-
- 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
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Abstract
本申请公开‑种基于签名的身份信息注册样本在线更新。采集签名注册人笔迹特征数据并进行实名认证,合成注册人身份认证信息,对笔迹特征数据校验和处理获取多个注册留样签名样本,构建注册留样签名库;在线采集签名注册人电子签名,并对人脸识别认证通过后的签名笔迹特征数据进行校验处理获取更新签名样本;将更新签名样本增加到留样注册签名库,保留签名库中最近更新签名样本和匹配次数最多的签名样本,剔除样本间距离最远的离群样本,更新留样注册签名库。本申请能最大限度体现签署人签署风格、字体等特征的样本保存在留样数据库中。对合规笔迹数据样本进行更新维护,保障注册样本的丰富性和时效性,提高电子签名识别验证准确率和效率。
Description
技术领域
本发明涉及信息安全技术领域,特别涉及一种基于签名的身份信息样本注册更新方法。
背景技术
作为承载本人身份信息及体现本人主动意愿表达的一种动态生物特征的签名笔迹,是一种非常理想的生物特征身份识别及行为确认的载体,常用于司法、商务等领域的笔迹验证、笔迹识别应用中。在笔迹验证应用中,需要对进行了身份认证的本人笔迹进行注册,才能用于后续笔迹验证,比对注册笔迹与待验证笔迹是否为同一个人书写。考虑到手写签名间的类内差异,会有3至5个的注册签名作为注册样本,并根据签字风格进行聚类若干风格模板;同时,不同于人脸或者指纹样本的稳定性,跨时间及不同签名场景会对每个人的签名笔迹带来差异性,需要对注册签名笔迹进行不定期更新,才能确保本人待识别笔迹样本的正常验证通过。由于验证会比对本人真实笔迹样本,因此对注册笔迹书写人的身份确认,以及随着样本越来越多的情况下如何筛选和保留最佳的注册样本至关重要。对于线下注册场景,可以通过人工判定身份证照片和本人人像是否一致、注册姓名和身份证姓名是否一致,确保注册签名的真实可靠。但是,针对线上注册场景,如何确保注册签字人的真实身份,如何将新签字数据更新到注册样本库中,保障后续快速准确笔迹识别,目前仍没有一个很好的解决方案。
如公开号CN201310274847.4,名称“一种笔迹验证的方法和装置”,公开了一种笔迹验证的方法和装置,通过时间相关特征分布的符合度和特征笔划的空间分布的符合度按照预定权重进行加权处理得到待验证字符与预留标准字符的最终符合度。该方法只关注了笔迹比对方法,未对预留标准字符的真实可靠性做要求,未对如何采集和更新预留标准字符做出阐述。
公开号CN202110739695.5,名称“一种笔迹识别的登录方法”,公开了一种笔迹识别的登录方法,通过用户的笔迹信息来完成登录系统的注册和登录。在笔迹登录时,当匹配度大于或等于设定值时,笔迹登录成功;当匹配度小于设定值时,笔迹登录失败。当登录失败五次后,系统向用户发送预警信息,并提醒用户及时修改用户表示信息并扩充注册笔迹组,同时向用户发送辅助验证,如验证码,通过辅助验证表明待登录用户是用户识别号所代表的用户,登录成功。该发明专利只介绍了识别登录的流程,未对如何扩充注册笔迹组以及如何确保扩充的笔迹组为用户本人正常签署做进一步说明。
CN201210002605.5一种基于计算机系统的在线笔迹认证方法,公开了一种基于计算机系统的在线笔迹认证方法,用户借助手写输入设备书写并提交若干组注册笔迹,将其所对应的显示笔迹的二维静态字形位置信息存入数据库,并按照传统在线笔迹认证方法完成笔迹注册。计算机系统测试时,用户提交声称身份识别号,从对应的用户在注册阶段提交的若干组注册笔迹中随机选取多组注册笔迹,并将其显示笔迹的二维静态字形位置信息呈现给用户。用户需在指定时间内一次性提交与其对应的测试笔迹集合,按照基于计算机系统的在线笔迹认证方法完成测试笔迹认证,综合决策完成对用户身份的鉴别。通过注册多组和随机选择比对注册笔迹样本与待测样本进行比对,避免用户笔迹不稳定带来的差异性,通过显示静态笔迹位置提示用户注册样本,避免用户跨时间识别忘记注册样本的情况。但是,未对注册样本的签署人身份进行认证,同时,由于在认证过程中会在将注册样本显示给用户,带来了他人临摹仿写进行笔迹认证的风险。
发明内容
针对现有技术存在的上述问题,本发明提出一种自动用于注册过程中身份认证和身份信息注册样本更新的方法,可以实现在远程签署中本人身份识别信息中注册签名样本的注册与更新。为了确保笔迹注册样本签署人身份的真实可靠性,以及对跨时间签名样本进行注册更新,提出一种在签署过程中线上自动身份确认和注册样本更新方法,解决线上电子签名笔迹注册身份认证,线上笔迹注册样本更新。实现签名笔迹线上注册与更新,进而应用笔迹验证完成安全可靠的远程业务签署,保证落款即本名、落款即本人,全程业务无须线下办理。
有鉴于此,根据本申请的一方面,提出一种基于签名的身份信息注册样本在线更新方法,包括:采集签名注册人电子签名笔迹特征数据并对注册人身份进行实名认证,合成注册人身份认证信息;对电子签名笔迹特征数据校验和处理获取注册留样签名样本,构建注册留样签名库;实时在线采集签名注册人电子签名笔迹特征数据,并人脸识别通过后,校验处理获取更新签名样本;将更新签名样本增加到留样注册签名库,保留签名库中最近更新签名样本和匹配次数最多的签名样本,更新留样注册签名库。
进一步优选,深度学习模型将采集的人脸特征编码为固定维度的特征向量,将该特征向量融合注册签名点位信息作为身份认证信息;更新系统在线实时采集获取更新签署笔迹数据,获取签署人人脸特征向量进行身份认证,将通过认证签署人的最新签名样本加入注册系统样本库中。
进一步优选,对电子签名笔迹特征数据校验和处理获取注册留样签名样本包括:提取同一签名注册人的全部电子签名笔迹注册样本数据特征,构建多个注册样本之间笔迹特征DTW距离矩阵,根据特征距离聚类注册样本,获得多个签字风格聚类簇,存储笔迹特征、距离矩阵和聚类簇;更新签名样本时,提取更新样本笔迹特征,计算更新样本与对应注册样本之间的特征距离,更新距离矩阵和签字风格聚类簇。
进一步优选,分别计算各个注册样本与聚类中心的距离,若离聚类中心最远的笔迹样本不是最新注册样本和/或验证过程中匹配次数最多的样本,将该样本从对应风格聚类簇中删除,构建所有样本间的动态时间规划DTW距离矩阵,根据距离矩阵去除离群注册样本,更新距离矩阵和风格聚类簇。
进一步优选,校验获取注册签名样本、待注册签名样本包括:对电子签名笔迹特征数据进行长度校验、点位值范围校验、用户信息校验、野点去除、重采样,具体为:根据电子签署设备采样率、签名笔画数设置签名点位序列长度进行长度校验;根据签署画布坐标位置确定有效的签名点位值;校验注册人身份认证信息中用户姓名字段、证件号是否唯一标识姓名字段与注册样本的关系;根据电子签名笔触状态校验该签名点位序列是否与认证信息中姓名字段一致;提取签名笔画序列有效数据,调用公式:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3,t∈[0,1],获得连续签署的电子签名笔画轨迹点任意时间系数t的重采样笔迹坐标点B(t),根据笔画轨迹点总时长除以目标采样时间得到采样时间间隔t,将跨设备笔迹数据统一到固定的采样率,其中,(P0、P1、P2、P3)为连续签署的电子签名笔画轨迹的当前4个笔迹点。
进一步优选,所述提取签名笔画序列有效数据包括:提取点位序列中连续的以S=0的点位为起点,若干S=1的点位,及以S=2为终点的完整电子签名点位子序列,在S=1的运笔状态下,采集笔迹点位的时间间隔T不得出现负数值,停顿时间不能大于0.5秒,对触控屏的压力P须在设备压感范围内,去除电子签名笔迹中的野点。
所述去除野点包括:采集电子签名笔迹数据点位,获取数据点位坐标,如果当前数据点位坐标比第一个四分位数低1.5乘四分位距,或比第三个四分位数高1.5乘四分位距,当前数据点位属于离群点位。
根据本申请另一方面,提出-种基于签名的身份信息注册样本在线更新系统,包括:笔迹采集模块、身份认证模块、笔迹校验模块、笔迹更新模块,笔迹采集模块,用于采集经过实名认证的同一签署人不同时期的电子签名笔迹特征数据;身份认证模块,用于对签署人实名认证,并根据签署人人脸特征、签名笔迹特征数据、用户信息、设备信息、时间信息、签名笔迹点位信息合成注册人身份认证信息;笔迹校验模块,用于对采集模块采集的电子签名笔迹数据进行校验和处理,获取注册签名样本构建留样注册签名库,获取更新签名样本;笔迹更新模块,将最近更新签名样本增加到留样注册签名库,保留留样注册签名库中最近更新签名样本和匹配次数最多的样本,更新留样注册签名库。
进一步优选,笔迹更新模块提取同一签署人的全部电子签名笔迹注册样本数据特征,构建多个注册样本之间笔迹特征DTW距离矩阵,根据特征距离聚类注册样本,获得多个签字风格聚类簇,存储笔迹特征、距离矩阵和聚类簇;笔迹样本更新时,提取待注册样本笔迹特征,计算待注册样本与对应注册样本之间的特征距离,分别计算各个注册样本与聚类中心的距离,若离聚类中心最远的笔迹样本不是最新注册样本和/或验证过程中匹配次数最多的样本,将该样本从对应风格聚类簇中删除,构建所有样本间的动态时间规划DTW距离矩阵,根据距离矩阵去除离群注册样本,更新距离矩阵和风格聚类簇。
进一步优选,校验获取注册签名样本、待注册签名样本包括:对电子签名笔迹特征数据进行长度校验、点位值范围校验、用户信息校验、野点去除、重采样,具体为:根据电子签署设备采样率、签名笔画数设置签名点位序列长度进行长度校验;根据签署画布坐标位置确定有效的签名点位值;校验注册人身份认证信息中用户姓名字段、证件号是否唯一标识姓名字段与注册样本的关系;根据电子签名笔触状态校验该签名点位序列是否与认证信息中姓名字段一致;提取签名笔画序列有效数据,提取签名笔画序列有效数据,调用公式:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3,t∈[0,1],获得连续签署的电子签名笔画轨迹点任意时间系数t的重采样笔迹坐标点B(t),根据笔画轨迹点总时长除以目标采样时间得到采样时间间隔t,将跨设备笔迹数据统一到固定的采样率,其中,(P0、P1、P2、P3)为连续签署的电子签名笔画轨迹的当前4个笔迹点。
本申请还提出一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上面所述的签名注册样本在线更新方法。
本发明在签字笔迹采集过程中,对人脸进行实时视频录制,通过人脸识别的辅助认证手段,签署注册样本前通过身份验证等实名认证确保笔迹数据为本人签署,对采集的电子签名笔迹进行校验处理,注册签字数据合规性校验;更新注册笔迹样本库,保留最新注册样本,保留验证匹配次数最多的样本,剔除离群样本,保证样本数据库中的样本为签名人真实的最新的留样,且保存签署人的多种签名风格,能最大限度体现签署人最新签署风格、字体等特征的样本保存在留样数据库中。对合规笔迹数据样本进行更新维护,保障注册样本的丰富性和时效性,提高电子签名识别验证的准确性和效率,提升后续笔迹识别效果和用户体验性。
附图说明
图1根据本申请示例性实施例中笔迹注册识别流程图;
图2根据本申请示例性实施例中签名数据校验流程示意图;
图3根据本申请示例性实施例中获取电子签名笔迹注册数据野点点位示意图;
图4根据本申请示例性实施例中利用三阶贝塞尔曲线获取电子签名的笔迹点示意图;
图5能够用于实现本申请的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
应当理解,本申请实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
如图1所示为本申请示例性实施例中笔迹注册识别流程图,包括:开始实名认证,进行笔迹注册,包括通过实时人脸拍摄,人脸识别认证,电子签名采集,在线签名数据提交判断实名认证是否成功,认证成功在线提交签名数据并进行注册建模,对模型中注册的签名进行笔迹验证,如笔迹识别通过,结合人脸认证特征信息更新留样数据库中注册数据。
电子签名笔迹数据样本采集前实名认证,进行笔迹注册,其中,笔迹注册包括实时人脸拍摄,获取当前签署人人脸特征,进行人脸识别认证;在线采集电子签名数据并提交。构建签名笔迹注册系统,对人脸识别特征数据融合电子签名笔迹特征数据得到注册人身份信息特征,注册签署人身份认证通过,判断签名数据是否提交成功,如果提交成功,进行签名数据校验,对通过校验的签名数据进行筛选更新:保留最近注册样本和匹配次数最多的样本,加入新注册笔迹样本后筛除样本间距离最远的离群签字样本。
用户在签名笔迹注册系统中完成实名认证后,通过带视频录制的手写签名采集页面进行在线原笔迹电子签名数据采集,签署采集过程中全程人脸录制提取人脸特征,通过人脸识别进行身份认证;
签名数据合规性校验及预处理;主要校验数据是否出现越界异常,是否过长或过短、书写内容是否为用户姓名字段、笔触状态是否异常。出现异常则提示用户重新进行签名注册,否则无法提取有效笔迹特征用于笔迹建模注册。
签名数据更新,当需要对注册签名数据进行更新时,将最新签名样本更新到注册样本中,并进行样本更新与注册。
在采集注册签名前,用户完成实名认证,通过实名认证后进行实时视频录制和手写原笔迹电子签名数据采集,并进一步可结合用户信息、设备信息、时间信息、点位信息合成用户认证信息。
本申请的其中一种实施例可为,根据身份证进行实名认证,实名认证时采集身份证中姓名、照片、证件类型和证件号;获取签署设备信息包含:设备ID、操作系统、设备类型(手机、平板、签字版等)、设备尺寸、签署画布范围、采样率、压感等设备参数。实时提取签署设备上注册签名信息的点位信息,点位信息包含签名书写笔触、横纵坐标(X,Y)、压力P、时间间隔T、笔触状态S等信息。
注册系统调用签署设备的前置摄像头,录制注册签署过程中签署人的实时正面脸部视频,并进行人脸识别认证,人脸对比认证通过,可采用深度学习模型如深度卷积神经网络嵌入(DCNN Embedding)将采集的人脸特征编码为固定维度的特征向量,将该特征向量融合注册签名点位信息作为身份认证信息。
对签名数据更新时,更新系统在线实时采集获取签署设备的更新签署笔迹数据,并进行人脸识别认证获取特征向量,进行签署人身份认证,如认证通过,将最新签名样本加入注册系统样本库中,作为候选签名留样样本。用于后续数据校验与注册更新。
若识别身份认证信息未通过,提示注册用户重新开始签署。
图2所示为本申请示例性实施例中签名数据校验流程示意图。
注册系统根据获取的签名笔迹数据进行校验。在签名注册阶段和更新阶段,笔迹采集模块通过触控屏采集获取电子签名笔迹,校验模块对采集获取的签名笔迹进行数据合规性等校验。
本示例性实施例的数据合规性等校验可包括:长度校验、用户信息校验、值范围校验、野点去除、重采样等。
具体可采用如下方法:
长度校验,根据电子签署设备采样率、中文电子签名笔画数设置电子签名点位序列长度。
提取的电子签名点位序列过短,无法有效提取笔迹生物特征信息,提取的电子签名点位序列过长,会导致笔迹注册时间过久而影响算法耗时。根据签字触控屏设备采样率,实名认证时采集的中文姓名,获取姓名汉字笔画数,以及签名总体耗时分布,设置电子签名点位序列长度取值范围,经过大量的实验研究和基于数据统计,本示例性实施例电子签名点位序列长度取值范围最优设置为大于20小于10000。
不同设备不同画布大小,范围不固定,电磁屏全屏采集,但是签字区域可能只有一部分,故而采集点位会超出画布范围,采集应予以截取。徐娅进行值范围校验,由于电磁屏和电容屏设备采样原理差异、设备误差和采样位置错误会导致笔迹数据的点位序列出现异常值,因此需要校验电子签名点位序列是否在正确范围内,签名点位序列需要在画布中,根据签署画布坐标位置确定签名点位是否有效,其中,签名点位的横坐标值X须大于0,小于签署画布宽度,纵坐标值Y须大于0,小于签署画布高度。
用户信息校验,采集获取签名信息,校验签字数据,用户信息中是否包含用户姓名字段、证件号字段,用于唯一标识用户的证件号以及姓名字段与注册笔迹关系,根据认证信息中姓名信息,确定姓名的字符数量(如汉字个数),笔画数量和笔画类型,根据点位坐标逐点连接,根据笔触状态逐笔画回显完整签名笔迹图片,校验电子签名是否与认证信息中字符相同。
笔触状态校验,对在线获取的电子签名进行笔触状态校验,校验在一个签名的每段笔画里,笔触状态S须包含完整的状态信息,包括:落笔(S=0)、运笔(S=1)、抬笔状态(S=2)信息,对于可以采集悬浮笔状态的设备,标识悬浮笔状态信息(S=3)。
提取签名笔画序列有效数据,提取点位序列中完整的笔画数据,即连续的以S=0的点位为起点,若干S=1的点位,及以S=2为终点的完整电子签名点位子序列。在S=1的运笔状态下,签署的点位必须连续,时间间隔T不得出现小于0的负数值,及大于0.5秒的停顿过长的点位数据。经过实验和验证,停顿时间过长说明设备采样率太低,无法采集有效的笔迹特征信息,若极少间隔过长,设备卡顿导致采集异常,应判断数据校验异常。普在运笔状态下,对签署设备触控屏的压力P须在设备压感范围内,根据不同签署设备的不同压感确定范围,如常见设备压感范围:[0,1]、[0,1024]、[0,2048]等。可以有效去除有悬浮笔状态的签名数据以及不完整的笔画序列,只保留有效的签名笔画序列。
野点去除,电子签名笔迹注册数据采集过程中,由于误触或者设备等原因导致部分数据出现除签名点位序列之外的异常野点数据点位,因此,在笔迹注册前需要将这些非签名点位数据去除。
本申请示例性实施例中采用四分位距法(Interquartile Range,IQR)判定并去除野点,具体可为:根据采集获取的电子签名笔迹点位横纵坐标按大小排序,将其分成四等份,获取处于三个分割点位置的数值。根据在线采集的电子签名笔迹数据点位,确定数据点位坐标值,如果当前数据点位坐标比第一个四分位数低1.5乘四分位距,或比第三个四分位数高1.5乘四分位距,当前数据点位属于离群点位。
其余野点去除方法还包括:点位序列标注法,主体分离法等。将离群点位作为该电子签名笔迹注册数据的野点,直接剔除。
如图3所示为根据本申请示例性实施例中获取电子签名笔迹注册数据点位示意图。
其中内部虚线为电子签名序列横纵坐标四分位数的连线,外部虚线为电子签名序列的坐标最大最小值连线,实线外所产生的点位序列为需要去除的野点点位。
重采样将跨设备笔迹数据统一到固定的采样率,消除在笔迹注册时跨设备特征的差异,实现后续的跨设备电子签名笔迹验证。可采用如线性重采样、贝塞尔曲线重采样等方法。
本申请示例性实施例以贝塞尔曲线重采样为例进一步描述通过重采样统一跨设备笔迹数据采样率,综合考虑处理效率和笔迹特征提取精度,可将电子签名点位序列数据统一到浏览器采样率58hz,即约间隔16毫秒采集一个点位。
如图4所示为本申请示例性实施例中利用三阶贝塞尔曲线获取电子签名的笔迹点示意图。
确定预定时间间隔内采样次数,利用三阶贝塞尔曲线获取电子签名的重采样笔迹坐标点,以该采样次数连续采样重采样笔迹坐标点,获取签署的电子签名笔迹点,统一笔迹数据采样率。
对于采用n阶贝塞尔曲线:
以预定时间间隔t依次采集n+1个电子签名笔画轨迹的当前点位。
本申请示例性实施例中利用三阶贝塞尔曲线,采样获取连续签署的电子签名笔画轨迹的当前4个笔迹点(P0、P1、P2、P3),具体可为:调用3阶贝塞尔公式:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3,t∈[0,1]
获得连续签署的电子签名笔画轨迹点P0到P3任意时间系数t的重采样笔迹坐标点B(t),其中,P0、P1、P2、P3为连续4个电子签名笔迹离散采样点坐标,采样时间间隔系数t根据P0至P3总时长除以目标采样时间得到,从而统一笔迹数据采样率。
表示以t=0.54时获取的连续4个电子签名笔迹离散采样点坐标示意图。
姓名校验,为避免笔迹注册电子签名数据采集过程中出现乱写乱画、字迹潦草、书写内容与身份信息姓名不匹配的情况,需要判定签名书写内容和身份姓名是否一致。
利用手写签名OCR算法,根据点位序列坐标及笔触状态对签名笔画进行连接,还原手写电子签名图片进行内容识别。如可采用卷积循环神经网络CRNN根据点位序列坐标还原手写电子签名,与用户认证信息中的姓名信息比较识别签名内容,确定是否是签名注册人姓名。
如果识别结果待注册签名集合中包含签名注册人姓名,则判定姓名匹配,否则书写内容与签署人身份信息姓名不匹配,提示用户重新签署。
签字方向校验,分割电子签名中单个字符,根据电子签名中单个字符的坐标位置信息聚类得到坐标重心,通过单字点位坐标分布重心间相对位置关系和点位序列时间先后关系,判断签署方向和签名倾斜度,根据签署方向和签名倾斜度识别签名倾斜方向和横竖屏书写方向,根据签名倾斜方向角度,将倾斜方向角度在预定角度内的签名校正,在画布中摆正签名位置,例如,若注册签名为从左往右方向角度在-45°到45°,则使签名方向从左往右做相应角度坐标旋转,摆正签名在画布中的位置。如根据坐标分布重心间相对位置关系和点位序列时间先后关系判定的注册签名在画布中倾斜方向超出上述方向角度,则判定电子签名是在签署画布中竖屏书写产生的数据,丢弃该注册签名,提示用户签字方向异常,重新采集注册签名。
通过上述数据校验和审核的电子签名数据作为留样数据库中注册签名数据。
对注册签名数据进行更新,为保证后续笔迹验证效率及注册样本的丰富性,新加入样本的更新注册包括:
首先,在线实时采集电子签名数据,采用与注册阶段相同的数据识别、校验和处理后,对于通过数据校验的电子签名作为待注册电子签名,将满足要求的待注册电子签名笔迹样本作为新样本加入注册签名数据中,并依次替换同一签署留样人的注册样本。替换方法可为:
1)在留样数据库中加入同一签署人最新加入的待注册笔迹样本;
2)检查留样数据库中该签署人姓名的所有笔迹样本,保留笔迹验证过程中匹配次数最多的注册笔迹样本;
提取新加入的待注册笔迹样本的电子签名笔迹特征,利用电子签名笔迹特征构建所有样本间的动态时间规划DTW(Dynamic DistaceWarpping,)距离矩阵,根据距离矩阵去除离群笔迹样本。具体可为,在笔迹注册阶段,笔迹注册系统在构建注册签字笔迹样本留样库后,提取笔迹样本库中属于同一签署人的全部电子签名笔迹注册样本数据特征,构建多个注册样本之间笔迹特征DTW距离矩阵,将多个注册样本根据特征距离进行聚类,可利用层次聚类对注册样本进行聚类,每一个类别代表不同的签字风格。将笔迹特征、距离矩阵和聚类结果存储。
笔迹样本更新时,笔迹注册系统提取新增的待注册样本笔迹特征,读取留样数据库中该新增样本对应的属于同一签署人的注册样本笔迹特征、距离矩阵和风格聚类结果,计算新增样本与已注册样本之间的距离,更新距离矩阵,利用层次聚类更新风格聚类结果。
针对增加入笔迹样本的聚类簇,分别计算各个注册样本与聚类中心的距离,找到离聚类中心最远的笔迹样本,若最远的笔迹样本不是最新注册样本和验证过程中匹配次数最多的样本,则将该样本从对应风格聚类簇中删除,并更新距离矩阵和聚类结果,将距离矩阵和聚类结果存储,覆盖原距离矩阵和聚类结果。
参考图5,现将描述可以作为本申请的服务器或客户端的电子设备300的结构框图,其是可以应用于本申请的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
电子设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
电子设备300中的多个部件连接至I/O接口305,包括:输入单元306、输出单元307、存储单元308以及通信单元309。输入单元306可以是能向电子设备300输入信息的任何类型的设备,输入单元306可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元307可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元308可以包括但不限于磁盘、光盘。通信单元309允许电子设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理。例如,在一些实施例中,根据签名笔画的原始轨迹重绘出其肌肉运动轨迹的重构与分解,以及其对数速度曲线的分解等可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到电子设备300上。在一些实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行签名笔迹动态获取实现方法。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
Claims (12)
1.一种基于签名的身份信息注册样本在线更新方法,其特征在于,包括:采集签名注册人电子签名笔迹特征数据并对注册人身份进行实名认证,合成注册人身份认证信息;对电子签名笔迹特征数据校验和处理获取多个注册留样签名样本,构建注册留样签名库;在线采集签名注册人电子签名笔迹特征数据,并人脸识别认证通过后,对签名笔迹特征数据进行校验处理获取更新签名样本;将更新签名样本增加到注册留样签名库,对注册留样签名库中签名样本进行匹配,保留注册留样签名库中最近更新签名样本,剔除样本间距离最远的离群样本,更新注册留样签名库。
2.根据权利要求1所述的方法,其特征在于,深度学习模型将采集的人脸特征编码为固定维度的特征向量,将该特征向量融合注册签名点位信息作为身份认证信息;在线实时采集获取更新签署笔迹数据时获取签署人人脸特征向量进行身份认证,通过身份认证签署人的最新签名样本加入注册留样签名库中。
3.根据权利要求1所述的方法,其特征在于,对签名笔迹特征数据进行数据校验包括:长度校验、用户信息校验、值范围校验、野点去除、重采样,具体为:根据电子签署设备采样率、签名笔画数设置签名点位序列长度进行长度校验;根据不同签署设备画布坐标位置确定有效的签名点位序列;校验注册人身份认证信息中用户姓名字段、证件号是否唯一标识姓名字段与注册样本的关系;根据电子签名笔触状态校验该签名点位序列是否与认证信息中姓名字段一致;提取签名笔画序列有效数据,调用公式:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3,t∈[0,1],获得连续签署的电子签名笔画轨迹点任意时间系数t的重采样笔迹坐标点B(t),根据笔画轨迹点总时长除以目标采样时间得到采样时间间隔t,将跨设备笔迹数据统一到固定的采样率,其中,(P0、P1、P2、P3)为连续签署的电子签名笔画轨迹的当前4个笔迹点。
4.根据权利要求1-3其中之一所述的方法,其特征在于,对电子签名笔迹特征数据处理获取注册留样签名样本包括:提取同一签名注册人的全部电子签名笔迹注册样本数据特征,构建多个注册样本之间笔迹特征DTW距离矩阵,根据特征距离聚类注册样本,获得多个签字风格聚类簇,存储笔迹特征、距离矩阵和风格聚类簇;更新签名样本时,提取更新样本笔迹特征,计算更新样本与对应注册样本之间的特征距离,更新距离矩阵和风格聚类簇。
5.根据权利要求4所述的方法,其特征在于,分别计算各个注册样本与聚类中心的距离,若离聚类中心最远的笔迹样本不是最新注册样本和/或验证过程中匹配次数最多的样本,将该样本从风格聚类簇中删除,构建所有样本间的动态时间规划DTW距离矩阵,根据距离矩阵去除离群注册样本,更新距离矩阵和风格聚类簇。
6.根据权利要求3或5所述的方法,其特征在于,所述提取签名笔画序列有效数据包括:提取点位序列中连续的以状态S=0的点位为起点,若干S=1的运笔状态点位,及以S=2为终点的完整电子签名点位子序列,在S=1的运笔状态下,采集笔迹点位的时间间隔T不得出现负数值,停顿时间不大于0.5秒,对触控屏的压力P在设备压感范围内,去除电子签名笔迹中的野点;跨设备笔迹数据统一到固定的采样率包括:确定预定时间间隔内采样次数,重采样获取电子签名的重采样笔迹坐标点,以该采样次数连续采样重采样笔迹坐标点,获取签署的电子签名笔迹点,统一笔迹数据采样率。
7.根据权利要求3或5所述的方法,其特征在于,所述去除野点包括:采集电子签名笔迹数据点位,获取数据点位坐标,如果当前数据点位坐标比第一个四分位数低1.5乘四分位距,或比第三个四分位数高1.5乘四分位距,当前数据点位属于离群点位,去除该离群点位;校验用户姓名字段与注册样本的关系包括:根据认证信息中姓名信息,确定姓名的字符数量,笔画数量和笔画类型,根据采集获取签名数据点位坐标逐点连接,根据笔触状态逐笔画回显完整签名笔迹图片,校验电子签名是否与认证信息中字符相同。
8.一种基于签名的身份信息注册样本在线更新系统,其特征在于,包括:笔迹采集模块、身份认证模块、笔迹校验模块、笔迹更新模块,笔迹采集模块,用于采集经过实名认证的同一签署人不同次电子签名笔迹特征数据;身份认证模块,用于对签署人实名认证,并根据签署人人脸特征、签名笔迹特征数据、用户信息、设备信息、时间信息、签名笔迹点位信息合成注册人身份认证信息;笔迹校验模块,用于对采集的电子签名笔迹数据进行校验和处理,获取注册签名样本构建留样注册签名库,获取更新签名样本;笔迹更新模块,将最近更新签名样本增加到留样注册签名库,保留留样注册签名库中最近更新签名样本,剔除样本间距离最远的离群样本,更新留样注册签名库。
9.根据权利要求8所述的在线更新系统,其特征在于,深度学习模型将采集的人脸特征编码为固定维度的特征向量,将该特征向量融合注册签名点位信息作为身份认证信息;更新系统在线实时采集获取更新签署笔迹数据,获取签署人人脸特征向量进行身份认证,将通过认证签署人的最新签名样本加入注册系统样本库中。
10.根据权利要求8或9所述的系统,其特征在于,笔迹更新模块提取同一签署人的全部电子签名笔迹注册样本数据特征,构建多个注册样本之间笔迹特征DTW距离矩阵,根据特征距离聚类注册样本,获得多个签字风格聚类簇,存储笔迹特征、距离矩阵和聚类簇;笔迹样本更新时,提取更新样本笔迹特征,计算更新样本与对应注册样本之间的特征距离,分别计算各个注册样本与聚类中心的距离,若离聚类中心最远的笔迹样本不是最新注册样本和/或验证过程中匹配次数最多的样本,将该样本从对应风格聚类簇中删除,构建所有样本间的动态时间规划DTW距离矩阵,根据距离矩阵去除离群注册样本,更新距离矩阵和风格聚类簇。
11.根据权利要求8或9所述的系统,其特征在于,校验获取注册签名样本、更新签名样本包括:对电子签名笔迹特征数据进行长度校验、点位值范围校验、用户信息校验、野点去除、重采样,具体为:根据电子签署设备采样率、签名笔画数设置签名点位序列长度进行长度校验;根据签署画布坐标位置确定有效的签名点位值;校验注册人身份认证信息中用户姓名字段、证件号是否唯一标识姓名字段与注册样本的关系;根据电子签名笔触状态校验该签名点位序列是否与认证信息中姓名字段一致;提取签名笔画序列有效数据,调用公式:B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3,t∈[0,1],获得连续签署的电子签名笔画轨迹点任意时间间隔t的重采样笔迹坐标点B(t),根据笔画轨迹点总时长除以目标采样时间得到采样时间间隔t,将跨设备笔迹数据统一到固定的采样率,其中,(P0、P1、P2、P3)为连续签署的电子签名笔画轨迹的当前4个笔迹点。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的基于签名的身份信息注册样本在线更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330227.1A CN116305076B (zh) | 2023-03-30 | 2023-03-30 | 基于签名的身份信息注册样本在线更新方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330227.1A CN116305076B (zh) | 2023-03-30 | 2023-03-30 | 基于签名的身份信息注册样本在线更新方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116305076A true CN116305076A (zh) | 2023-06-23 |
CN116305076B CN116305076B (zh) | 2024-03-08 |
Family
ID=86779768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310330227.1A Active CN116305076B (zh) | 2023-03-30 | 2023-03-30 | 基于签名的身份信息注册样本在线更新方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305076B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648723A (zh) * | 2024-01-30 | 2024-03-05 | 北京点聚信息技术有限公司 | 一种基于人工智能的电子签章数据安全监管方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455741A (zh) * | 2013-09-06 | 2013-12-18 | 武汉汉德瑞庭科技有限公司 | 一种基于字符的在线笔迹认证的模板扩充方法 |
CN109190351A (zh) * | 2018-09-19 | 2019-01-11 | 宁辛 | 基于移动终端的在线签名者身份认证系统、设备及方法 |
CN111695502A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 用于人脸识别的特征更新方法、装置和计算机设备 |
CN114049686A (zh) * | 2021-11-15 | 2022-02-15 | 北京百度网讯科技有限公司 | 签名识别模型训练方法、装置及电子设备 |
CN115620312A (zh) * | 2022-09-09 | 2023-01-17 | 重庆傲雄在线信息技术有限公司 | 跨模态字符笔迹验证方法、系统、设备及存储介质 |
-
2023
- 2023-03-30 CN CN202310330227.1A patent/CN116305076B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455741A (zh) * | 2013-09-06 | 2013-12-18 | 武汉汉德瑞庭科技有限公司 | 一种基于字符的在线笔迹认证的模板扩充方法 |
CN109190351A (zh) * | 2018-09-19 | 2019-01-11 | 宁辛 | 基于移动终端的在线签名者身份认证系统、设备及方法 |
CN111695502A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 用于人脸识别的特征更新方法、装置和计算机设备 |
CN114049686A (zh) * | 2021-11-15 | 2022-02-15 | 北京百度网讯科技有限公司 | 签名识别模型训练方法、装置及电子设备 |
CN115620312A (zh) * | 2022-09-09 | 2023-01-17 | 重庆傲雄在线信息技术有限公司 | 跨模态字符笔迹验证方法、系统、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648723A (zh) * | 2024-01-30 | 2024-03-05 | 北京点聚信息技术有限公司 | 一种基于人工智能的电子签章数据安全监管方法及系统 |
CN117648723B (zh) * | 2024-01-30 | 2024-03-29 | 北京点聚信息技术有限公司 | 一种基于人工智能的电子签章数据安全监管方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116305076B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564954B (zh) | 深度神经网络模型、电子装置、身份验证方法和存储介质 | |
WO2019205369A1 (zh) | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 | |
WO2019105163A1 (zh) | 目标人物的搜索方法和装置、设备、程序产品和介质 | |
US11482050B2 (en) | Intelligent gallery management for biometrics | |
WO2019196303A1 (zh) | 用户身份验证方法、服务器及存储介质 | |
US9202035B1 (en) | User authentication based on biometric handwriting aspects of a handwritten code | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN116305076B (zh) | 基于签名的身份信息注册样本在线更新方法、系统及存储介质 | |
US20100045787A1 (en) | Authenticating apparatus, authenticating system, and authenticating method | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN114925348B (zh) | 一种基于指纹识别的安全验证方法及系统 | |
CN111488798B (zh) | 指纹识别方法、装置、电子设备及存储介质 | |
CN111553241B (zh) | 掌纹的误匹配点剔除方法、装置、设备及存储介质 | |
US10755074B2 (en) | Latent fingerprint pattern estimation | |
CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
CN110874570A (zh) | 面部识别方法、装置、设备及计算机可读存储介质 | |
Shahab et al. | Android application for presence recognition based on face and geofencing | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
US10546179B2 (en) | Distorted fingerprint matching using pose and minutia grouping | |
CN114333024B (zh) | 基于对抗训练网络进行学生面部表情识别的方法、装置、设备及存储介质 | |
CN112632508A (zh) | 一种基于云计算的身份识别方法及装置 | |
CN115841703A (zh) | 基于笔迹特征的签署意愿识别方法、系统、设备及介质 | |
CN113596436A (zh) | 视频特效的检验方法、装置、计算机设备和存储介质 | |
CN115564350A (zh) | 一种设备盘点方法及装置 | |
CN115455393A (zh) | 用户身份验证方法、装置和服务器 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 401121 no.17-1, building 13, No.106, west section of Jinkai Avenue, Yubei District, Chongqing Applicant after: Chongqing Sign Digital Technology Co.,Ltd. Address before: 401121 no.17-1, building 13, No.106, west section of Jinkai Avenue, Yubei District, Chongqing Applicant before: CHONGQING AOS ONLINE INFORMATION TECHNOLOGY CO.,LTD. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |