[發明專利]一種基于卷積神經網絡的中文簽名筆跡鑒定方法

在審

• 申請號: 201911239266.0
• 申請日: 2019-12-06
• 公開（公告）號: CN111046774A
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 蔡德福;曹侃;嚴道波;萬磊;周鴻雁;余飛;周鯤鵬;王文娜;肖繁;閆秉科;劉海光;王瑩;萬黎;余笑東;唐澤洋
• 申請（專利權）人: 國網湖北省電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08;G06T5/00;G06T7/11;G06T7/13;G06T7/136
• 代理公司: 武漢楚天專利事務所 42113
• 代理人: 孔敏

1.一種基于卷積神經網絡的中文簽名筆跡鑒定方法，其特征在于：首先采集本人重復簽名和他人代簽手寫圖片，得到簽名圖像，對簽名圖像兩兩組合形成數據集D和以及與數據集D對應的標簽集T，其中標簽集T使用代碼表示全為本人簽字或不全為本人簽字，其次對簽名圖像進行處理，包括改變簽名圖像的大小、灰度化處理、二值化處理和去噪處理后形成數據集D′，將數據集D′劃分為訓練集和測試集，然后構造多層卷積神經網絡，通過構造適合識別簽名筆跡差異的損失函數，利用數據集D′、標簽集T、損失函數對多層卷積神經網絡進行訓練得到多層卷積神經網絡模型，最終利用所述多層卷積神經網絡模型實現對中文簽名筆跡的鑒定。

2.如權利要求1所述的基于卷積神經網絡的中文簽名筆跡鑒定方法，其特征在于：所述方法具體包括如下步驟：

(1)采集簽名筆跡，得到簽名圖像：本人重復簽名N張圖片，本人簽名圖片編號1至N，由他人代簽N張圖片，代簽圖片編號N+1至2*N，將N張本人簽名非重復兩兩組合，形成數據集D₁，組合數為將N張本人簽名依次與N張代簽圖片非重復兩兩組合，形成數據集D₂，組合數為N²，將兩個數據集D₁和D₂組合成數據集D，樣本數為數據集D中每組圖片的標簽為0或1，標簽0表示輸入的兩張圖片全為本人簽字，標簽1表示輸入的兩張圖片不全為本人簽字，數據集D對應個標簽，形成標簽集T；

(2)改變簽名圖像的大小：設置改變圖像的最終分辨率大小為S*S*3，當數據集中圖片小于S*S*3，使用雙線性插值方式放大圖片；當數據集中圖片大于S*S*3，使用區域插值方式縮小圖片；

(3)圖像的灰度化處理：為R、G、B的值賦予不同的權值；

(4)圖像的二值化處理：運用局部閾值法中的Bernsen算法，通過圖像局部的灰度值自適應的選擇閾值，實現二值化處理；

(5)圖像的去噪處理：針對常出現的椒鹽噪聲，運用中值濾波法，選取保護圖像邊緣效果較好的大小3×3窗口進行濾波去噪；

(6)劃分數據集：將數據集D按照(1)-(5)步驟經過預處理，形成數據集D′，標簽集為T，然后70％作為訓練集，30％作為測試集；

(7)構造多層卷積神經網絡：第一層為卷積層，卷積核大小為KK1，圖像通道數為1，卷積核個數K1，步長為S1，邊緣填充為0，添加激活層為RELU，第二層為卷積層，卷積核大小為KK2，圖像通道數為T2，卷積核個數K2，步長為S2，邊緣填充為0，添加激活層為RELU，第三層為卷積層，卷積核大小為KK3，圖像通道數為T3，卷積核個數K3，步長為S3，邊緣填充為0，添加激活層為RELU，第四層為池化層，尺寸KK4，步長為S4，第五層為卷積層，卷積核大小為KK5，圖像通道數為T5，卷積核個數K5，步長為S5，邊緣填充為0，添加激活層為RELU，第六層為卷積層，卷積核大小為KK6，圖像通道數為T6，卷積核個數K6，步長為S6，邊緣填充為0，添加激活層為RELU，第七層為全連接層，添加激活層為RELU、Dropout層和batch_norma1ization，Dropout率設置為0.6，第八層全連接層，添加激活層為RELU、Dropout層和batch_normalization，Dropout率設置為0.6，第九層為全連接層，其中卷積核大小KK1、KK2、KK3、KK4、KK5、KK6可選范圍3×3、5×5，卷積核個數K1、K2、K3、K5、K6可選范圍為16、32、64、128，步長S1、S2、S3、S4、S5、S6可選范圍1、2、3；

(8)構造損失函數：運用Adam算法的梯度下降訓練多層卷積神經網絡，引入識別簽名筆跡差異的損失函數，

其中，E_w為輸出值之間的歐氏距離，E_w(X₁，X₂)＝||G_W(X₁)-G_W(X₂)||，G_W(X₁)和G_W(X₂)為多層卷積神經網絡模型的兩個輸出，Y值為1或0，如果多層卷積神經網絡模型預測輸入是相似的，那么Y的值為0，否則Y為1，m為閾值；

(9)訓練、測試、優化多層卷積神經網絡模型：將訓練集中每對圖片組合作為多層卷積神經網絡輸入，其多層卷積神經網絡的輸出結合標簽集T作為損失函數輸入，利用梯度下降實現從多層卷積神經網絡輸出層到輸入層之間權值與偏置的梯度求解和更新，最終得到優化后的多層卷積神經網絡模型；

(10)應用訓練完成的多層卷積神經網絡模型鑒定中文簽名：將本人重復簽名N張圖片分別與待鑒別的一張簽名圖片作為N 組輸入，代入已訓練完成的多層卷積神經網絡模型計算，根據模型輸出計算N個輸出值之間的歐氏距離E_w，如果N個E_w小于閾值m的占比大于閾值P，則待鑒別的簽名圖片為本人簽名。