[發明專利]一種基于模糊均值哈希學習的簽名自動判別方法

有效

• 申請號: 201810620961.0
• 申請日: 2018-06-15
• 公開（公告）號: CN108830217B
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 王星;閆慧斌;陳吉
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 俞曉明

本發明公開了一種基于模糊均值哈希學習的簽名自動判別方法，涉及計算機應用技術領域，包括步驟一、對簽字正數據集中的圖像進行預處理，學習圖像特征，利用卷積神經網絡算法對簽字正數據集中的圖像提取圖像特征。本發明的應用裝置多樣化，即可以通過移動終端直接訪問服務端系統，也可以通過電子屏連接服務端系統，適用面廣，通過本發明可以自動判別簽字是否為本人，提高了身份識別的準確性；本發明自動學習用戶簽字模型，簡化了判別真偽的難度，降低了專家人員的負擔，通過實時處理的方式進行哈希學習，大大降低了計算機內存的開銷，減輕了服務端的硬件壓力。

技術領域

本發明涉及計算機應用技術領域，特別涉及一種基于模糊均值哈希學習的簽名自動判別方法。

背景技術

目前，工作人員在工作中比對是否為用戶本人簽字時，存在辨別過程難、用戶隱私安全性不足和相似圖像的區別度比較方法匱乏等問題，而且，一般的簽字區分系統需要耗費大量的專家資源，該領域專家的培養成本很高，生活中比較匱乏。

現有的圖像系統大都是采用近似近鄰搜索，缺乏針對相似圖片中具體區別域的分析；現有哈希學習方法大都應用在近似近鄰檢索領域，沒有針對區分相似圖像區別的方法，而且已有的哈希方法難以應對數據的在線處理，缺乏反饋機制，哈希學習一般需要大量訓練數據，而現實中想采集大量同一個人的簽字數據是很困難的。因此，需要一個可以實時處理，自動反饋的簽字判別系統，有助于幫助工作人員識別用戶的身份信息，減輕專家負擔，提高系統安全性。

發明內容

本發明實施例提供了一種基于模糊均值哈希學習的簽名自動判別方法，用以解決現有技術中存在的問題。

一種基于模糊均值哈希學習的簽名自動判別方法，包括

步驟一、對簽字正數據集中的圖像進行預處理

利用卷積神經網絡算法對簽字正數據集中的圖像提取圖像特征，降低噪聲數據對簽字正數據集中的圖像在哈希學習過程中造成的影響；

步驟二、對簽字正數據集中的圖像特征進行哈希編碼

采用模糊均值哈希算法，對提取的圖像特征數據進行動態哈希學習，模糊均值哈希算法首先采用在線模糊C均值聚類算法對圖像特征數據進行聚類，得到動態更新的聚類中心后，再通過偏移超平面進行哈希編碼，得到具有區域代表性的簽字正數據集中的圖像的哈希碼段；

步驟三、對簽字負數據集中的圖像進行預處理

利用卷積神經網絡算法對簽字負數據集中的圖像提取圖像特征，降低噪聲數據對簽字負數據集中的圖像在哈希學習過程中造成的影響；

步驟四、對簽字負數據集中的圖像特征進行哈希編碼

采用模糊均值哈希算法，對提取的圖像特征數據進行動態哈希學習，模糊均值哈希算法首先采用在線模糊C均值聚類算法對圖像特征數據進行聚類，得到動態更新的聚類中心后，再通過偏移超平面進行哈希編碼，得到具有區域代表性的簽字負數據集中的圖像的哈希碼段；

步驟五、對簽字正負數據集中的圖像的哈希碼段進行近似度區分

比對簽字正負數據集中的圖像的哈希碼段，計算簽字正負數據集中的圖像間的哈希碼距離，得到簽字正負數據集中的圖像的近似度區分系數，用于對簽結果字圖像區分時使用；

步驟六、對簽字結果圖像進行判別

首先利用卷積神經網絡算法對簽字結果圖像進行預處理，得到簽字結果圖像特征，然后再對簽字結果圖像特征進行哈希編碼，得到簽字結果圖像的哈希碼段，再將簽字結果圖像的哈希碼段與現有簽字正負數據集圖像的近似度區分系數進行比較，得到判別結果，同時將判別結果進行反饋，調整簽字正負數據集中的圖像的近似度區分系數。