CN109766825A - 基于神经网络的手写签名识别*** - Google Patents

Abstract

本发明公开了基于神经网络的手写签名识别***，鉴于实际领域，本发明旨在解决现如今身份验证时确保手写签名识别的可靠性和实时性等问题。***包括：手写签名采集模块；CPU模块；显示模块；接口芯片模块。通过所述手写签名采集模块采集大量实际手写签名数据并将数据传输到存储模块，然后将存储模块中的数据经所述接口芯片模块导入所述CPU模块中，所述CPU模块采用已搭建好的卷积神经网络算法模型对导入的训练数据进行有、无监督的多次迭代训练之后保存模型，实时数据传入此模型中能够快速精确的识别新输入的手写签名是否为签名人本人所签，并将识别结果显示在所述显示模块上，达到实时鉴别手写签名真伪的效果。

Description

基于神经网络的手写签名识别***

技术领域

本发明涉及基于神经网络的手写签名识别***，属于人工智能图像识别技术领域，尤其涉及功能型手写签名识别***。

背景技术

为了解决当下社会上经常发生的个人信息泄露等问题，尤其在当今科学技术飞速发展的信息时代，对于个人身份信息的认证也变得必要以及重要。在日常生活中，银行取款、单位出入、酒店进出以及线上交易等都需要正确的身份信息；而在互联网时代下，公共信息安全显得尤为重要，例如***、司法、电子财务、国家安全等都需要更加精确的身份鉴定。对此，个人生物特征识别技术也变成了研究热点，其中，手写签名作为人体比较稳定且较容易获取的生物行为特征，在众多领域中被普遍使用并一直发挥着自己的重要作用，但是，它的简单性亦是它的被侵犯缺口，经常被不法分子利用。因此，为了满足人类目前社会对于保护个人及公共信息安全的需求，研究出更加安全、简易、有效且实用性高的身份信息认证方式具有巨大的现实意义和实用价值。

传统的手写签名识别仅识别出“是不是”，而并非“对不对”，如若想要精确识别出“对不对”，则需要把手写签名的图像、笔顺、流畅度以及压力等物理特征与其真实签名的样本信息进行对比，以鉴别手写签名的真伪。这种耗时耗力的识别技术并不能满足现如今实现手写签名快速精确识别的要求。

发明内容

针对上述问题，即在进行身份验证时确保手写签名识别的可靠性和实时性等问题，本发明要解决的技术问题是提供基于神经网络的手写签名识别***。

本发明解决其技术问题所采用的技术方案是：基于神经网络的手写签名识别***，包括：手写签名采集模块、CPU模块、显示模块和接口芯片模块，其中，

手写签名采集模块，用于采集大量手写签名数据；

CPU模块，用于网络模型的搭建以及于数据的训练与识别；

显示模块，用于识别之后显示真伪结果；

接口芯片模块，用于手写签名采集模块和CPU模块之间的数据衔接。

进一步地，所述手写签名采集模块包括采集模块和存储模块，其中，

所述采集模块采用的是电磁式触摸屏，用于将采集到的手写签名数据通过中央控制单元传输到存储手写签名数据的存储模块；

所述存储模块，用于存储大量实际手写签名图片数据并将其传输到CPU模块。

进一步地，所述CPU模块是基于卷积神经网络算法进行拓展模型的搭建以及对不同数据集进行训练和测试，其中，

所述数据集包括实际手写签名数据集和公共单个汉字数据集并按照3:1的比例划分为实验所用测试集和训练集；

所述实际手写数据集是通过所述手写签名采集模块获取，所述公共数据集来源于HWDB数据集拼接而成的模拟手写签名的数据集；

所述训练集可源于实际手写数据集和HWDB公共数据集，分别做有、无监督的网络训练，测试集只能来源所述实际手写数据集，且是与训练数据集无重复的相同类别的崭新数据。

进一步地，所述显示模块采用的是UFB显示屏，其中，

所述UFB显示屏，用于将识别之后的真伪结果直观显现，且具有较高的图像质量。

本发明的有益效果为：通过手写签名采集模块采集大量实际手写签名数据并将数据传输到存储模块，然后将存储模块中的数据经接口芯片模块导入CPU模块中，CPU模块采用已搭建好的卷积神经网络算法模型对导入的训练数据进行有、无监督的多次迭代训练之后保存模型，实时数据传入此模型中能够快速精确的识别新输入的手写签名是否为签名人本人所签，并将识别结果显示在显示模块上，最终达到实时鉴别手写签名真伪的效果。

附图说明

图1为本发明具体实施方式的整体结构示意图。

图2为本发明具体实施方式的手写签名采集模块的结构示意图。

图3为本发明具体实施方式的CPU模块的结构示意图。

图4为本发明具体实施方式的神经网络算法执行流程图。

具体实施方法

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。另外还需要说明，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在本实施例中，如图1所示，本发明具体实施方式采用以下技术方案：它包含手写签名采集模块1，用于采集大量手写签名数据；CPU模块2，用于网络模型的搭建以及数据的训练与识别；显示模块3，用于识别之后显示真伪结果；接口芯片模块4，用于手写签名采集模块和CPU模块之间的数据衔接；接口芯片模块5，用于CPU模块和显示模块之间的数据衔接。

在本实施例中，如图2所示，所述的手写签名采集模块1包括采集模块6和存储模块7。

在本实施例中，所述的手写签名采集模块1是采集模块6通过电磁式触摸屏9将采集到的手写签名数据通过中央控制单元8传输到存储手写签名数据的存储模块7。

在本实施例中，如图3所示，所述的CPU模块2首先对存储模块7导入的手写签名图片数据作预处理，使图片数据归一化，同时给每一类手写签名匹配一个标签，然后采用保存好的卷积神经网络算法模型对图片数据进行分类和识别的训练以及测试。训练的数据采用的是签名人多次签名累积的数据，并且之后新签名先作为测试数据进行识别，若为签名人本人所签，则被存储到该签名人的历史签名记录中并作为之后的训练数据。在实验中所用的到的签名有17类，训练数据有3672张，测试数据有1020张。

在本实施例中，如图4所示，所述的CPU模块2的神经网络算法在实验中包括数据准备和网络模型两部分。

在本实施例中，所述的数据准备有两种数据集，是实际手写签名数据，是来自HWDB的公共数据集，实际手写签名数据通过预处理后可按比例分为训练数据和测试数据，将其中的训练数据送到网络模型中进行有监督训练，HWDB的公共数据集为单个手写汉字，将其进行2-3个汉字拼接以模拟手写签名数据进而送到网络模型中进行无监督训练。

在本实施例中，所述的网络模型有三种模型结构，均为基于卷积神经网络的，第是经典算法LeNet-5的改进算法，第二种是加入了残差函数的算法，第三种是与循环神经网络组成双通道网络的算法，三种网络模型所针对的数据特征不同，导致最终识别效果的差异，最终的测试数据会通过筛选算法择优选取。

在本实施例中，所述的显示模块3采用的是UFB显示屏，在显示屏上会出现识别结果正确与否，并且会有两个按钮，若识别正确点击继续按钮，若识别错误点击重新输入按钮。

在本实施例中，所述的接口芯片模块4是将存储模块7中的数据传输到CPU模块2。

在本实施例中，所述的接口芯片模块5是将CPU模块2识别之后的识别结果显示在显示模块3。

以上具体实施方式介绍和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本领域技术人员当可根据本发明做出各种相应的改变和变形，这些变化和改进都落入要求保护的本发明范围内。

Claims (4)

1.基于神经网络的手写签名识别***，其特征在于：所述手写签名识别***包括：手写签名采集模块、CPU模块、显示模块和接口芯片模块，其中，

所述手写签名采集模块，用于采集大量手写签名数据；

所述CPU模块，用于网络模型的搭建以及数据的训练与识别；

所述显示模块，用于识别之后显示真伪结果；

所述接口芯片模块，用于手写签名采集模块和CPU模块之间的数据衔接。

2.根据权利要求1所述基于神经网络的手写签名识别***，其特征在于：所述手写签名采集模块包括采集模块和存储模块，其中，

所述采集模块采用的是电磁式触摸屏，用于将采集到的手写签名数据通过中央控制单元传输到存储手写签名数据的存储模块；

所述存储模块，用于存储大量实际手写签名图片数据并将其传输到CPU模块。

3.根据权利要求1所述基于神经网络的手写签名识别***，其特征在于：所述CPU模块是基于卷积神经网络算法进行拓展模型的搭建以及对不同数据集进行训练和测试，其中，

所述数据集包括实际手写签名数据集和公共单个汉字数据集并按照3:1的比例划分为实验所用测试集和训练集；

所述实际手写数据集是通过所述手写签名采集模块获取，所述公共数据集来源于HWDB数据集拼接而成的模拟手写签名的数据集；

所述训练集可源于实际手写数据集和HWDB公共数据集，分别做有、无监督的网络训练，测试集只能来源所述实际手写数据集，且是与训练数据集无重复的相同类别的崭新数据。

4.根据权利要求1所述基于神经网络的手写签名识别***，其特征在于：所述显示模块采用的是UFB显示屏，其中，

所述UFB显示屏，用于将识别之后的真伪结果直观显现，且具有较高的图像质量。