[發(fā)明專利]一種異常簽名的識別方法及其系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201810922210.4
• 申請日: 2018-08-14
• 公開（公告）號: CN110826380A
• 公開（公告）日: 2020-02-21
• 發(fā)明（設(shè)計）人: 周曄;穆海潔;裔雋
• 申請（專利權(quán)）人: 上海匯付數(shù)據(jù)服務(wù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種異常簽名的識別方法，其特征在于，包括以下步驟：

步驟1：對樣本簽名圖片進行預(yù)處理，將圖像轉(zhuǎn)換成相同大小的矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)形成簽名樣本庫；

步驟2：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置輸入層、卷積層、池化層、全連接層和分類層，并設(shè)置卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

步驟3：對步驟2中的卷積神經(jīng)網(wǎng)絡(luò)模型進行調(diào)優(yōu)；將簽名樣本庫分為訓(xùn)練集和測試集，使用訓(xùn)練集樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，使用測試集測試訓(xùn)練后卷積神經(jīng)網(wǎng)絡(luò)的準確性和穩(wěn)定性并調(diào)整步驟2中的分層結(jié)構(gòu)及模型參數(shù)，獲得調(diào)優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟4：獲取客戶簽名圖像并進行預(yù)處理，將圖像轉(zhuǎn)換成相同大小的矩陣；

步驟5：調(diào)用調(diào)優(yōu)后的卷積神經(jīng)網(wǎng)絡(luò)模型的輸出分類模型對預(yù)處理后的客戶簽名圖像數(shù)據(jù)進行判斷，確定是否為非正常簽名，并將該簽名圖像數(shù)據(jù)加入簽名樣本庫進行模型持續(xù)訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的異常簽名的識別方法，其特征在于，所述步驟1中的圖片預(yù)處理過程包括：將圖片的好樣本或壞樣本的標(biāo)簽加入圖片信息中。

3.根據(jù)權(quán)利要求2所述的異常簽名的識別方法，其特征在于，所述相同大小的矩陣的像素尺寸為64*64，所述樣本庫好樣本和壞樣本的比例接近1∶1。

4.根據(jù)權(quán)利要求1所述的異常簽名的識別方法，其特征在于，所述步驟2中所述的卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)主要包括：批次尺寸，訓(xùn)練步數(shù)，損失函數(shù)和優(yōu)化器。

5.根據(jù)權(quán)利要求1所述的異常簽名的識別方法，其特征在于，所述步驟5中的簽名圖像數(shù)據(jù)在加入簽名樣本庫前進行壓縮處理；在卷積神經(jīng)網(wǎng)絡(luò)模型調(diào)優(yōu)過程中對該預(yù)處理數(shù)據(jù)進還原處理。

6.根據(jù)權(quán)利要求6所述的異常簽名的識別方法，其特征在于：所述壓縮處理過程包括：簽名圖像去除白邊；簽名圖像大小壓縮；添加數(shù)字簽名；圖片格式壓縮。

7.根據(jù)權(quán)利要求6所述的異常簽名的識別方法，其特征在于：所述還原處理過程包括：圖像數(shù)據(jù)驗簽；圖像格式還原；矩陣黑白通道統(tǒng)一化處理。

8.一種異常簽名的識別系統(tǒng)，其特征在于，包括：

簽名樣本庫收集模塊：用于對樣本簽名圖片進行預(yù)處理，將圖像轉(zhuǎn)換成相同大小的矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)形成簽名樣本庫；

卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊：用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置輸入層、卷積層、池化層、全連接層和分類層，并設(shè)置卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊：用于對卷積神經(jīng)網(wǎng)絡(luò)模型進行調(diào)優(yōu)；將簽名樣本庫分為訓(xùn)練集和測試集，使用訓(xùn)練集樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，使用測試集測試訓(xùn)練后卷積神經(jīng)網(wǎng)絡(luò)的準確性和穩(wěn)定性并調(diào)整步驟2中的分層結(jié)構(gòu)及模型參數(shù)，獲得調(diào)優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型；

客戶簽名圖像收集處理模塊：用于獲取客戶簽名圖像并進行預(yù)處理，獲得壓縮數(shù)據(jù)；

簽名識別模塊：用于調(diào)用調(diào)優(yōu)后的卷積神經(jīng)網(wǎng)絡(luò)模型的輸出分類模型對預(yù)處理后的客戶簽名圖像數(shù)據(jù)進行判斷，確定是否為非正常簽名，并將簽名圖像資源加入簽名樣本庫進行模型持續(xù)訓(xùn)練。

9.根據(jù)權(quán)利要求8所述的異常簽名的識別系統(tǒng)，其特征在于：所述卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊具體用于持續(xù)優(yōu)化，建立輸出分類模型，用于判斷待測簽名是否為異常簽名。