CN117437650A - 基于深度学习的手写体签名比对方法、系统、装置及介质 - Google Patents
基于深度学习的手写体签名比对方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN117437650A CN117437650A CN202311754312.7A CN202311754312A CN117437650A CN 117437650 A CN117437650 A CN 117437650A CN 202311754312 A CN202311754312 A CN 202311754312A CN 117437650 A CN117437650 A CN 117437650A
- Authority
- CN
- China
- Prior art keywords
- signature
- image
- handwriting
- deep learning
- similarity
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 6
- JTSDBFGMPLKDCD-XVFHVFLVSA-N tilmicosin Chemical compound O([C@@H]1[C@@H](C)[C@H](O)CC(=O)O[C@@H]([C@H](/C=C(\C)/C=C/C(=O)[C@H](C)C[C@@H]1CCN1C[C@H](C)C[C@H](C)C1)CO[C@H]1[C@@H]([C@H](OC)[C@H](O)[C@@H](C)O1)OC)CC)[C@@H]1O[C@H](C)[C@@H](O)[C@H](N(C)C)[C@H]1O JTSDBFGMPLKDCD-XVFHVFLVSA-N 0.000 description 4
- 229960000223 tilmicosin Drugs 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/15—Cutting or merging image elements, e.g. region growing, watershed or clustering-based 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
- G06V30/18—Extraction of features or characteristics of the image
-
- 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
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明提出的一种基于深度学习的手写体签名比对方法、系统、装置及介质,属于图像处理技术领域。所述方法包括:扫描答题卡,提取其签名区域,经过预处理后生成签名图像;利用卷积神经网络对签名图像进行手写体签名特征提取;检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度;判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。本发明通过搭建卷积神经网络获得手写体签名特征提取模型,利用模型进行手写签名特征提取,并通过相似度比对的方式进行手写体签名比对,有效提高了比对结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,更具体的说是涉及一种基于深度学习的手写体签名比对方法、系统、装置及介质。
背景技术
目前,在纸笔考试中会采用答题卡进行答题,并在答题卡指定区域填写考生姓名、座号等信息。当考生进行多个科目的考试时,会分别填写每个科目答题卡对应的考生信息。在后续考情事件处理时,如果要检查是否有替考现象,传统的做法是采用人海战术,取出同一考生的所有科目答题卡,人工检查考生手写签名笔迹是否一致。
随着计算机图像处理领域层出不穷的创新成果的出现,计算机逐渐可以进行一些过去完全依赖人的视觉和脑力进行的图像分析工作。相关技术中,采用基于图像识别技术,通过对书写的字符提取特征,然后进行比对的方式,来实现手写签名的比对。但是,相关技术中的手写签名比对方法,提取的手写签名特征不够准确,导致最终的比对结果存在一定的误差,无法准确的检测出是否有替考现象。
发明内容
针对以上问题,本发明的目的在于提供一种基于深度学习的手写体签名比对方法、系统、装置及介质,通过搭建卷积神经网络获得手写体签名特征提取模型,利用模型进行手写签名特征提取,并通过相似度比对的方式进行手写体签名比对,有效提高了比对结果的准确性。
本发明为实现上述目的,通过以下技术方案实现:一种基于深度学习的手写体签名比对方法,包括:
扫描答题卡,提取其签名区域,经过预处理后生成签名图像;
利用卷积神经网络对签名图像进行手写体签名特征提取;
检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度;
判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
进一步,扫描答题卡,提取其签名区域,经过预处理后生成签名图像;
扫描答题卡的图像;
在答题卡的图像上裁剪出签名区域图像;
对签名区域图像进行灰度化、二值化处理;
去除签名区域图像周边的白色区域,生成仅包含签名信息的签名图像。
进一步,所述利用卷积神经网络对签名图像进行手写体签名特征提取,包括:
搭建卷积神经网络,生成特征提取模型;
对预存的手写体签名图像进行标注,生成训练集;
利用训练集训练特征提取模型,以生成手写体签名特征提取模型;
利用手写体签名特征提取模型提取出签名图像中的手写体签名图像特征向量。
进一步,所述卷积神经网络包括:卷积层、激活函数、最大池化层和残差模块;
所述卷积层、激活函数和最大池化层,用于配合完成图像的下采样过程,以降低图像尺寸;
所述残差模块用于增加卷积神经网络的深度;
所述卷积层采用的卷积的计算公式如下:
其中,N为输入图片的尺寸,P为填充大小,F为卷积核大小,S为步长大小,O为输出向量大小。
进一步,所述利用手写体签名特征提取模型提取出签名图像中的手写体签名图像特征向量,包括:
将签名图像设定为同一尺寸,并输入到手写体签名特征提取模型中;
通过手写体签名特征提取模型进行推理预测,将签名图像转化为2048维的手写体签名图像特征向量。
进一步,所述检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度,包括:
根据签名信息检索出同一考生所有科目的答题卡的手写体签名图像特征向量,其中n=2048;
利用欧式距离计算公式进行相似度计算,生成任意两个手写体签名特征的相似度/>。
进一步,所述判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像,包括:
判断相似度是否低于0.6,若是,则判定为相应的两张签名图像不是同一人的签名,并对该签名图像进行存储,以进行审核查阅。
相应的,本发明还公开了一种基于深度学习的手写体签名比对系统,包括:
图像提取处理模块,配置用于扫描答题卡,提取其签名区域,经过预处理后生成签名图像;
特征提取模块,配置用于利用卷积神经网络对签名图像进行手写体签名特征提取;
计算模块,配置用于检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度;
判定模块,配置用于判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
相应的,本发明公开了一种基于深度学习的手写体签名比对装置,包括:
存储器,用于存储基于深度学习的手写体签名比对程序;
处理器,用于执行所述基于深度学习的手写体签名比对程序时实现如上文任一项所述基于深度学习的手写体签名比对方法的步骤。
相应的,本发明公开了一种可读存储介质,所述可读存储介质上存储有基于深度学习的手写体签名比对程序,所述基于深度学习的手写体签名比对程序被处理器执行时实现如上文任一项所述基于深度学习的手写体签名比对方法的步骤。
对比现有技术,本发明有益效果在于:本发明公开了一种基于深度学习的手写体签名比对方法、系统、装置及介质,通过对扫描的答题卡图像签名区域进行手写体签名特征提取,并对所有科目的手写体签名进行相似度比对,当出现相似度得分较低的图像时,会自动保存记录该考生的信息,方便后续进一步核验。本发明通过搭建卷积神经网络获得手写体签名特征提取模型,并利用模型进行手写签名特征提取,并通过相似度比对的方式进行手写体签名比对,有效提高了比对结果的准确性,能够准确的检测出是否有替考现象。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本发明具体实施方式的方法流程图;
图2是本发明具体实施方式的系统结构图。
图中,1、图像提取处理模块;2、特征提取模块;3、计算模块;4、判定模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
参见图1所示,本实施例提供了一种基于深度学习的手写体签名比对方法,包括如下步骤:
S1:扫描答题卡,提取其签名区域,经过预处理后生成签名图像。
本步骤实现了对扫描的答题卡图像进行预处理。具体的,将扫描后的答题卡图像的签名区域裁剪出来,对签名区域图像进行灰度化、二值化处理,然后去除签名四周的白色区域,使图像仅包含签名信息。
作为示例的,利用答题卡扫描仪扫描纸质答题卡的图像,并将答题卡图像中签名区域裁剪出来,然后对签名区域图像进行灰度化、二值化处理,去除签名四周的白色区域,使图像仅包含签名信息,从而生成签名图像。
S2:利用卷积神经网络对签名图像进行手写体签名特征提取。
具体的,首先,搭建卷积神经网络并对已有的手写体签名图像进行人工标注,作为训练集。然后利用标注好的图像进行模型训练,最终获得手写体签名特征提取模型。最后,利用该模型从签名图像中提取出手写体签名图像的高维特征向量,方便后续的签名比对。
作为示例的,本步骤具体如下:
1、搭建卷积神经网络。该卷积神经网络包括卷积层、激活函数、最大池化层和残差模块。经过卷积层、激活函数和最大池化层完成下采样过程,从而降低图像尺寸;通过残差模块可以有效解决深度神经网络训练过程中梯度消失或爆炸的问题,同时通过堆叠多个残差模块,增加网络的深度,可以使网络结构学习到更加抽象的特征信息。
需要特别说明的是,卷积神经网络的核心为卷积层,卷积层采用的卷积计算公式如下:
其中,N代表输入图片的尺寸,P代表填充大小,F为卷积核大小,S为步长大小,O为输出向量大小。
2、采集原始的手写体签名图像约5万张,对手写签名图像进行人工标注,将同一个姓名的两张图像标签设为1,不是同一个姓名的两张图像标签设为0,最终利用生成的训练集进行模型训练,训练批次设为128,轮次设为300。
3、利用训练完成的模型进行推理预测。具体的,将签名图像设定为统一尺寸,输入手写体签名特征提取模型,经特征模型推理最终将一张手写签名图像转化为2048维的特征向量。
S3:检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度。
具体的,根据上述步骤分别对考生的每个科目的答题卡图像进行预处理,并对处理后的签名图像分别进行特征向量提取后,将同一考生的每一个手写签名图像的特征向量与剩余手写签名图像的特征向量进行相似度比对,得到相似度得分。
作为示例的,通过手写体签名特征提取模型,分别得到每个考生各科目的手写签名图像的特征向量,其中n=2048,利用欧式距离进行相似度计算,得到相似度得分/>。欧式距离计算公式如下:
S4:判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
具体来说,将得到的相似度得分与提前设定的相似度阈值进行比较,当相似度得分低于设定阈值时,将该考生的签名图像进行存储,以便后续查验是否为替考考生。
作为示例的,利用步骤S3计算得到两张签名图像间的相似度得分,以及设定相似度阈值为0.6,进行比对判定。
当相似度得分的值小于0.6时,则判定为两张签名图像不是同一个人的签名,自动将该签名图像进行存储,方便后期人工审核查阅。
可见,本发明公开的基于深度学习的手写体签名比对方法,通过搭建卷积神经网络获得手写体签名特征提取模型,利用模型进行手写签名特征提取,并通过相似度比对的方式进行手写体签名比对,有效提高了比对结果的准确性,能够准确的检测出是否有替考现象。
参见图2所示,本发明还公开了一种基于深度学习的手写体签名比对系统,包括:图像提取处理模块1、特征提取模块2、计算模块3和判定模块4。
图像提取处理模块1,配置用于扫描答题卡,提取其签名区域,经过预处理后生成签名图像。
在具体实施方式中,图像提取处理模块1具体用于:扫描答题卡的图像;在答题卡的图像上裁剪出签名区域图像;对签名区域图像进行灰度化、二值化处理;去除签名区域图像周边的白色区域,生成仅包含签名信息的签名图像。
特征提取模块2,配置用于利用卷积神经网络对签名图像进行手写体签名特征提取。
在具体实施方式中,特征提取模块2具体用于:搭建卷积神经网络,生成特征提取模型;对预存的手写体签名图像进行标注,生成训练集;利用训练集训练特征提取模型,以生成手写体签名特征提取模型;利用手写体签名特征提取模型提取出签名图像中的手写体签名图像特征向量。
计算模块3,配置用于检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度。
在具体实施方式中,计算模块3具体用于:根据签名信息检索出同一考生所有科目的答题卡的手写体签名图像特征向量,其中n=2048;利用欧式距离计算公式/>进行相似度计算,生成任意两个手写体签名特征的相似度/>。
判定模块4,配置用于判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
在具体实施方式中,判定模块4具体用于:判断相似度是否低于0.6,若是,则判定为相应的两张签名图像不是同一人的签名,并对该签名图像进行存储,以进行审核查阅。
本实施例的基于深度学习的手写体签名比对系统的具体实施方式与上述基于深度学习的手写体签名比对方法的具体实施方式基本一致,在此不再赘述。
本发明还公开了一种基于深度学习的手写体签名比对装置,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的基于深度学习的手写体签名比对程序时实现以下步骤:
1、扫描答题卡,提取其签名区域,经过预处理后生成签名图像。
2、利用卷积神经网络对签名图像进行手写体签名特征提取。
3、检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度。
4、判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
进一步的,本实施例中的基于深度学习的手写体签名比对装置,还可以包括:
输入接口,用于获取外界导入的基于深度学习的手写体签名比对程序,并将获取到的基于深度学习的手写体签名比对程序保存至所述存储器中,还可以用于获取外界终端设备传输的各种指令和参数,并传输至处理器中,以便处理器利用上述各种指令和参数展开相应的处理。本实施例中,所述输入接口具体可以包括但不限于USB接口、串行接口、语音输入接口、指纹输入接口、硬盘读取接口等。
输出接口,用于将处理器产生的各种数据输出至与其相连的终端设备,以便于与输出接口相连的其他终端设备能够获取到处理器产生的各种数据。本实施例中,所述输出接口具体可以包括但不限于USB接口、串行接口等。
通讯单元,用于在基于深度学习的手写体签名比对装置和外部服务器之间建立远程通讯连接,以便于基于深度学习的手写体签名比对装置能够将镜像文件挂载到外部服务器中。本实施例中,通讯单元具体可以包括但不限于基于无线通讯技术或有线通讯技术的远程通讯单元。
键盘,用于获取用户通过实时敲击键帽而输入的各种参数数据或指令。
显示器,用于运行基于深度学习的手写体签名比对过程的相关信息进行实时显示。
鼠标,可以用于协助用户输入数据并简化用户的操作。
本发明还公开了一种可读存储介质,这里所说的可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动硬盘、CD-ROM或技术领域内所公知的任意其他形式的存储介质。可读存储介质中存储有基于深度学习的手写体签名比对程序,所述基于深度学习的手写体签名比对程序被处理器执行时实现以下步骤:
1、扫描答题卡,提取其签名区域,经过预处理后生成签名图像。
2、利用卷积神经网络对签名图像进行手写体签名特征提取。
3、检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度。
4、判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
综上所述,本发明通过搭建卷积神经网络获得手写体签名特征提取模型,并利用模型进行手写签名特征提取,并通过相似度比对的方式进行手写体签名比对,有效提高了比对结果的准确性,能够准确的检测出是否有替考现象。
结合附图和具体实施例,对本发明作进一步说明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的范围。
Claims (10)
1.一种基于深度学习的手写体签名比对方法,其特征在于,包括:
扫描答题卡,提取其签名区域,经过预处理后生成签名图像;
利用卷积神经网络对签名图像进行手写体签名特征提取;
检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度;
判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
2.根据权利要求1所述的基于深度学习的手写体签名比对方法,其特征在于,所述扫描答题卡,提取其签名区域,经过预处理后生成签名图像,包括:
扫描答题卡的图像;
在答题卡的图像上裁剪出签名区域图像;
对签名区域图像进行灰度化、二值化处理;
去除签名区域图像周边的白色区域,生成仅包含签名信息的签名图像。
3.根据权利要求1所述的基于深度学习的手写体签名比对方法,其特征在于,所述利用卷积神经网络对签名图像进行手写体签名特征提取,包括:
搭建卷积神经网络,生成特征提取模型;
对预存的手写体签名图像进行标注,生成训练集;
利用训练集训练特征提取模型,以生成手写体签名特征提取模型;
利用手写体签名特征提取模型提取出签名图像中的手写体签名图像特征向量。
4.根据权利要求3所述的基于深度学习的手写体签名比对方法,其特征在于,所述卷积神经网络包括:卷积层、激活函数、最大池化层和残差模块;
所述卷积层、激活函数和最大池化层,用于配合完成图像的下采样过程,以降低图像尺寸;
所述残差模块用于增加卷积神经网络的深度;
所述卷积层采用的卷积的计算公式如下:
其中,N为输入图片的尺寸,P为填充大小,F为卷积核大小,S为步长大小,O为输出向量大小。
5.根据权利要求3所述的基于深度学习的手写体签名比对方法,其特征在于,所述利用手写体签名特征提取模型提取出签名图像中的手写体签名图像特征向量,包括:
将签名图像设定为同一尺寸,并输入到手写体签名特征提取模型中;
通过手写体签名特征提取模型进行推理预测,将签名图像转化为2048维的手写体签名图像特征向量。
6.根据权利要求5所述的基于深度学习的手写体签名比对方法,其特征在于,所述检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度,包括:
根据签名信息检索出同一考生所有科目的答题卡的手写体签名图像特征向量,其中n=2048;
利用欧式距离计算公式进行相似度计算,生成任意两个手写体签名特征的相似度/>。
7.根据权利要求6所述的基于深度学习的手写体签名比对方法,其特征在于,所述判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像,包括:
判断相似度是否低于0.6,若是,则判定为相应的两张签名图像不是同一人的签名,并对该签名图像进行存储,以进行审核查阅。
8.一种基于深度学习的手写体签名比对系统,其特征在于,包括:
图像提取处理模块,配置用于扫描答题卡,提取其签名区域,经过预处理后生成签名图像;
特征提取模块,配置用于利用卷积神经网络对签名图像进行手写体签名特征提取;
计算模块,配置用于检索出同一考生所有科目的答题卡的手写体签名特征,并利用欧式距离计算其中任意两个手写体签名特征的相似度;
判定模块,配置用于判断相似度是否低于相似度阈值,若是,则保存相应的两个签名图像。
9.一种基于深度学习的手写体签名比对装置,其特征在于,包括:
存储器,用于存储基于深度学习的手写体签名比对程序;
处理器,用于执行所述基于深度学习的手写体签名比对程序时实现如权利要求1至7任一项所述的基于深度学习的手写体签名比对方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有基于深度学习的手写体签名比对程序,所述基于深度学习的手写体签名比对程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习的手写体签名比对方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754312.7A CN117437650A (zh) | 2023-12-20 | 2023-12-20 | 基于深度学习的手写体签名比对方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754312.7A CN117437650A (zh) | 2023-12-20 | 2023-12-20 | 基于深度学习的手写体签名比对方法、系统、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117437650A true CN117437650A (zh) | 2024-01-23 |
Family
ID=89553876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311754312.7A Pending CN117437650A (zh) | 2023-12-20 | 2023-12-20 | 基于深度学习的手写体签名比对方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437650A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178290A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 一种签名验证方法和装置 |
CN112183494A (zh) * | 2020-11-05 | 2021-01-05 | 新华三大数据技术有限公司 | 基于神经网络的文字识别方法、装置及存储介质 |
CN112733645A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
CN113657354A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市菁优智慧教育股份有限公司 | 基于深度学习的答题卡识别方法及系统 |
CN114220179A (zh) * | 2021-12-16 | 2022-03-22 | 重庆傲雄在线信息技术有限公司 | 一种基于faiss的在线手写签名笔迹检索方法和系统 |
-
2023
- 2023-12-20 CN CN202311754312.7A patent/CN117437650A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178290A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 一种签名验证方法和装置 |
CN112183494A (zh) * | 2020-11-05 | 2021-01-05 | 新华三大数据技术有限公司 | 基于神经网络的文字识别方法、装置及存储介质 |
CN112733645A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 手写签名校验方法、装置、计算机设备及存储介质 |
CN113657354A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市菁优智慧教育股份有限公司 | 基于深度学习的答题卡识别方法及系统 |
CN114220179A (zh) * | 2021-12-16 | 2022-03-22 | 重庆傲雄在线信息技术有限公司 | 一种基于faiss的在线手写签名笔迹检索方法和系统 |
Non-Patent Citations (2)
Title |
---|
孙佳: "《网络安全大数据分析与实战》", 30 April 2022, 机械工业出版社, pages: 140 * |
王贝伦: "《机器学习》", 30 November 2021, 东南大学出版社, pages: 213 - 215 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664996B (zh) | 一种基于深度学习的古文字识别方法及系统 | |
CN111046133B (zh) | 基于图谱化知识库的问答方法、设备、存储介质及装置 | |
KR101376863B1 (ko) | 문서 시각 구조의 문법 분석 | |
CN106951832B (zh) | 一种基于手写字符识别的验证方法及装置 | |
EP3786814A1 (en) | Intelligent extraction of information from a document | |
CN113254654B (zh) | 模型训练、文本识别方法、装置、设备和介质 | |
CN112862024B (zh) | 一种文本识别方法及系统 | |
CN112132099A (zh) | 身份识别方法、掌纹关键点检测模型训练方法和装置 | |
CN113033711A (zh) | 题目批改方法、装置、电子设备及计算机存储介质 | |
CN112560849B (zh) | 基于神经网络算法的文理分割方法及系统 | |
CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
CN112801099B (zh) | 一种图像处理方法、装置、终端设备及介质 | |
CN109145704A (zh) | 一种基于人脸属性的人脸画像识别方法 | |
CN109241869A (zh) | 答题卡分数识别方法、装置及终端设备 | |
CN117437650A (zh) | 基于深度学习的手写体签名比对方法、系统、装置及介质 | |
CN116311281A (zh) | 一种基于生成对抗网络的手写字体纠正系统 | |
CN111738248B (zh) | 字符识别方法、字符译码模型的训练方法及电子设备 | |
Ajao et al. | Yoruba handwriting word recognition quality evaluation of preprocessing attributes using information theory approach | |
CN110533035B (zh) | 基于文本匹配的学生作业页码识别方法 | |
CN112084979A (zh) | 食品成分识别方法、装置、设备及存储介质 | |
Choksi et al. | Hindi optical character recognition for printed documents using fuzzy k-nearest neighbor algorithm: a problem approach in character segmentation | |
CN111986701A (zh) | 基于深度学习的英语发音质量评估方法和系统 | |
CN111402401B (zh) | 一种获取3d人脸数据方法、人脸识别方法及装置 | |
AU2021101278A4 (en) | System and Method for Automatic Language Detection for Handwritten Text | |
CN118279923B (zh) | 基于深度学习训练的图片文字识别方法、系统及存储介质 |
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 |