[發明專利]書寫人的身份識別方法及裝置

在審

• 申請號: 201610049241.4
• 申請日: 2016-01-25
• 公開（公告）號: CN105740786A
• 公開（公告）日: 2016-07-06
• 發明（設計）人: 喬宇;邢林杰
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/02
• 代理公司: 深圳中一專利商標事務所 44237
• 代理人: 張全文

技術領域

本發明屬于計算機技術領域，尤其涉及書寫人的身份識別方法及裝置。

背景技術

不同人的書寫習慣不同，不同的書寫習慣會導致手寫字體呈現不同的特征，這些特征具有一定的統計規律，因此，可以通過對這些統計規律進行學習，區分不同的書寫人，實現對書寫人的身份識別。對書寫人的身份識別，在公共安全、移動終端的訪問控制以及金融支付等領域具有重要作用。

目前常用的書寫人身份識別方法對手寫字體圖像的紋理、筆畫的寬度變化、筆畫的連接等特征進行計算，然后根據預先設計的統計方式，將這些特征編碼以形成高級向量，把高級向量輸入分類器以進行識別，然而，以上方案只能針對特定的文本內容(如簽名)對書寫人進行身份識別，識別范圍受限，且特定的文本內容容易被模仿，由此增加了手寫字體被模仿的風險，降低了身份識別的安全性。

發明內容

有鑒于此，本發明實施例提供了書寫人的身份識別方法及裝置，以解決現有技術增加了手寫字體被模仿的風險，降低了身份識別的安全性的問題。

第一方面，提供了一種書寫人的身份識別方法，包括：

構建深度卷積網絡模型，所述深度卷積網絡模型包括N個輸入，一個輸出，在所述輸入和所述輸出之間包括多個卷積層，還包括池化層和全連接層，所述N為大于1的整數；

通過訓練數據訓練所述深度卷積網絡模型；

將手寫文本圖像隨機切割成圖像塊后，相鄰的N個所述圖像塊分為一組，將每組所述圖像塊分別輸入訓練好的所述深度卷積網絡模型，得到每組所述圖像塊對應的輸出向量；

將得到的所有所述輸出向量的每個元素分別取平均值，將所述平均值最大的元素對應的書寫人作為所述手寫文本圖像的識別結果。

第二方面，提供了一種書寫人的身份識別裝置，包括：

構建單元，用于構建深度卷積網絡模型，所述深度卷積網絡模型包括N個輸入，一個輸出，在所述輸入和所述輸出之間包括多個卷積層，還包括池化層和全連接層，所述N為大于1的整數；

訓練單元，用于通過訓練數據訓練所述深度卷積網絡模型；

計算單元，用于將手寫文本圖像隨機切割成圖像塊后，相鄰的N個所述圖像塊分為一組，將每組所述圖像塊分別輸入訓練好的所述深度卷積網絡模型，得到每組所述圖像塊對應的輸出向量；

識別單元，用于將得到的所有所述輸出向量的每個元素分別取平均值，將所述平均值最大的元素對應的書寫人作為所述手寫文本圖像的識別結果。

本發明實施例中，采用了深度卷積網絡，深度卷積網絡是一種監督式的深度學習模型，通過多層的卷積網絡，從手寫字體圖像訓練數據中自動學習特征并進行分類識別，實現與內容無關的書寫人身份識別，降低了手寫字體被模仿的風險，提高了身份識別的安全性，并同時大幅提高了書寫人身份識別的準確率。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明實施例提供的書寫人的身份識別方法的實現流程圖；

圖2是本發明實施例提供的優選的深度卷積網絡模型的網絡結構圖；

圖3是本發明實施例提供的手寫文本圖像隨機裁剪的示意圖；

圖4是本發明實施例提供的手寫文本圖像裁剪前的示例圖；

圖5是本發明實施例提供的手寫文本圖像裁剪后得到的圖像塊的示例圖；

圖6是本發明實施例提供的書寫人的身份識別裝置的結構框圖。

具體實施方式

以下描述中，為了說明而不是為了限定，提出了諸如特定系統結構、技術之類的具體細節，以便透切理解本發明實施例。然而，本領域的技術人員應當清楚，在沒有這些具體細節的其它實施例中也可以實現本發明。在其它情況中，省略對眾所周知的系統、裝置、電路以及方法的詳細說明，以免不必要的細節妨礙本發明的描述。

本發明實施例中，采用了深度卷積網絡，深度卷積網絡是一種監督式的深度學習模型，通過多層的卷積網絡，從手寫字體圖像訓練數據中自動學習特征并進行分類識別，實現與內容無關的書寫人身份識別，降低了手寫字體被模仿的風險，提高了身份識別的安全性，并同時大幅提高了書寫人身份識別的準確率。

圖1示出了本發明實施例提供的書寫人的身份識別方法的實現流程，詳述如下：