CN111814743A - 笔迹识别方法、装置及计算机可读存储介质 - Google Patents

笔迹识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111814743A
CN111814743A CN202010752375.9A CN202010752375A CN111814743A CN 111814743 A CN111814743 A CN 111814743A CN 202010752375 A CN202010752375 A CN 202010752375A CN 111814743 A CN111814743 A CN 111814743A
Authority
CN
China
Prior art keywords
handwriting
training
model
picture
basic stroke
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010752375.9A
Other languages
English (en)
Inventor
高立志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010752375.9A priority Critical patent/CN111814743A/zh
Publication of CN111814743A publication Critical patent/CN111814743A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/30—Writer recognition; Reading and verifying signatures
    • G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能，揭露一种笔迹识别方法，包括：利用笔迹原始图片集训练预构建的两个卷积神经网络模型得到基础笔画特征图模型及偏旁部首特征图模型；利用所述基础笔画特征图模型及所述偏旁部首特征图模型对所述测试笔迹图片集进行特征提取，得到基础笔画特征图集及偏旁部首特征图集；利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练得到笔迹识别模型；利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。本发明实施例还涉及一种区块链技术，所述模型训练的数据可以存储在区块链中。本发明还提出一种笔迹识别装置、电子设备以及一种计算机可读存储介质。本发明可以提高笔迹识别的准确度。

Description

笔迹识别方法、装置及计算机可读存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种笔迹识别方法、装置、电子设备及计算机可读存储介质。
背景技术
目前，市面上的笔迹识别鉴定工作主要是委托鉴定机构或者专业人士来进行鉴定，主要采取物理鉴定的方法，整个鉴定的周期非常长，效率低。
另外，现有技术中所采用的模型鉴定方法都只是利用笔迹图片进行训练，笔迹特征丢失较多，导致模型识别的准确度低，因此需要一种笔迹识别准确度高的模型识别方法。
发明内容
本发明提供一种笔迹识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高笔迹识别的准确度。
为实现上述目的，本发明提供的一种笔迹识别方法，包括：
获取目标用户的笔迹原始图片集，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型；
获取测试笔迹图片集，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，得到基础笔画特征图集；
利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型；
利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，得到偏旁部首特征图集；
利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型；
当接收到待检测图片时，利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。
可选地，所述利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型，包括：
将所述笔迹原始图片集作为第一训练集；
对所述笔迹原始图片集进行基础笔画标记得到第一标签集；
利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型，得到所述基础笔画特征图模型。
可选地，所述利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型，包括：
根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作，得到第一降维数据集；
根据预设的第一反卷积次数，对所述第一降维数据集进行反卷积操作，得到第一升维数据集；
利用预设的第一激活函数对所述第一升维数据集进行计算得到第一预测值，根据所述第一预测值和所述第一标签集包含的标签值，利用预构建的第一损失函数的输入参数计算得到第一损失值；
对比所述第一损失值与预设的第一损失阈值的大小，若所述第一损失值大于或等于所述第一损失阈值，返回所述根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作；若所述第一损失值小于所述第一损失阈值，停止训练，得到所述基础笔画特征图模型。
可选地，所述利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型，包括：
将所述测试笔迹图片集、所述基础笔画特征图集、所述偏旁部首特征图集进行汇总，得到第三训练集；
对所述第三训练集进行笔迹标记得到第三标签集；
利用所述第三训练集及所述第三标签集训练所述第三卷积神经网络模型，得到所述笔迹识别模型。
可选地，所述利用所述第三训练集及所述第三标签集训练所述第三卷积神经网络模型，得到所述笔迹识别模型，包括：
根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集；
利用预设的第三激活函数对所述第三降维数据集进行计算得到第三预测值，根据所述第三预测值和所述第三标签集中包含的标签值，利用预构建的第三损失函数的输入参数计算得到第三损失值；
对比所述第三损失值与预设的第三损失阈值的大小，若所述第三损失值大于或等于所述第三损失阈值，返回所述根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作步骤；若所述第三损失值小于所述第三损失阈值，停止训练，得到所述笔迹识别模型。
可选地，所述对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集，包括：
对所述第三训练集进行分组卷积运算得到深度卷积数据集；
对所述深度卷积数据集进行逐点卷积运算得到逐点卷积数据集；
对所述逐点卷积数据集进行平均池化操作得到所述第三降维数据集。
为了解决上述问题，本发明还提供一种笔迹识别装置，所述装置包括：
基础笔画识别模块，用于获取目标用户的笔迹原始图片集，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型；获取测试笔迹图片集，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，得到基础笔画特征图集；
偏旁部首识别模块，用于利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型；利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，得到偏旁部首特征图集；
笔迹识别模块，用于利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型；当接收到待检测图片时，利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。
可选地，所述基础笔画识别模块利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型，包括：
将所述笔迹原始图片集作为第一训练集；
对所述笔迹原始图片集进行基础笔画标记得到第一标签集；
利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型，得到所述基础笔画特征图模型。
可选地，所述基础笔画识别模块利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型，包括：
根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作，得到第一降维数据集；
根据预设的第一反卷积次数，对所述第一降维数据集进行反卷积操作，得到第一升维数据集；
利用预设的第一激活函数对所述第一升维数据集进行计算得到第一预测值，根据所述第一预测值和所述第一标签集包含的标签值，利用预构建的第一损失函数的输入参数计算得到第一损失值；
对比所述第一损失值与预设的第一损失阈值的大小，若所述第一损失值大于或等于所述第一损失阈值，返回所述根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作；若所述第一损失值小于所述第一损失阈值，停止训练，得到所述基础笔画特征图模型。
可选地，所述笔迹识别模块利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型，包括：
将所述测试笔迹图片集、所述基础笔画特征图集、所述偏旁部首特征图集进行汇总，得到第三训练集；
对所述第三训练集进行笔迹标记得到第三标签集；
利用所述第三训练集及所述第三标签集训练所述第三卷积神经网络模型，得到所述笔迹识别模型。
可选地，所述笔迹识别模块利用所述第三训练集及所述第三标签集训练所述第三卷积神经网络模型，得到所述笔迹识别模型，包括：
根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集；
利用预设的第三激活函数对所述第三降维数据集进行计算得到第三预测值，根据所述第三预测值和所述第三标签集中包含的标签值，利用预构建的第三损失函数的输入参数计算得到第三损失值；
对比所述第三损失值与预设的第三损失阈值的大小，若所述第三损失值大于或等于所述第三损失阈值，返回所述根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作步骤；若所述第三损失值小于所述第三损失阈值，停止训练，得到所述笔迹识别模型。
可选地，所述笔迹识别模块对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集，包括：
对所述第三训练集进行分组卷积运算得到深度卷积数据集；
对所述深度卷积数据集进行逐点卷积运算得到逐点卷积数据集；
对所述逐点卷积数据集进行平均池化操作得到所述第三降维数据集。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的笔迹识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的笔迹识别方法。
本发明实施例中，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，通过基础笔画特征图模型实现对基础笔画的定义识别，缩小了识别范围；利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型，利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，通过偏旁部首特征图模型实现了对偏旁部首的定义识别，提升了笔迹识别的细节特征范围；利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型，通过将基础笔画特征图集、偏旁部首特征图集作为额外的训练集，缩小了模型训练中特征提取的范围，提升了笔迹识别模型的训练精度；当接收到待检测笔迹的图片，利用所述笔迹识别模型对所述笔迹图片进行识别，得到识别结果，对基础笔画及偏旁部首进行了定义识别，缩小了笔迹识别模型训练中特征提取的范围，提升了笔迹识别模型的训练精度，从而提升了笔迹识别的准确率。
附图说明
图1为本发明一实施例提供的笔迹识别方法的流程示意图；
图2为本发明一实施例提供的笔迹识别装置的模块示意图；
图3为本发明一实施例提供的实现笔迹识别方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种笔迹识别方法。参照图1所示，为本发明一实施例提供的笔迹识别方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，笔迹识别方法包括：
S1、获取目标用户的笔迹原始图片集，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型。
本发明实施例中，所述笔迹原始图片集为目标用户历史笔迹的集合，如所述历史笔记可以是图片形式。所述目标用户的笔迹原始图片集可以利用图片扫描的方式从目标用户的过往的档案资料、学历资料、手写稿子等中进行获取。所述目标用户为需要笔迹识别鉴定的当事人。
较佳地，本发明实施例中所述第一卷积神经网络模型可以为全卷积神经网络模型。
详细地，本发明实施例中将所述笔迹原始图片集确定为第一训练集，对所述笔迹原始图片集进行基础笔画标记得到第一标签集。其中，所述基础笔画为(丶)、横(一)、竖(丨)、撇(丿)、捺
Figure BDA0002610439490000061
提
Figure BDA0002610439490000062
折(乛)、钩(亅)八种。较佳地，本发明实施例可使用Label Me图像标注工具人工进行基础笔画标记。
进一步地，本发明实施例利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型包括：
步骤A：根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作得到得到第一降维数据集；
步骤B：根据预设的第一反卷积次数，对所述第一降维数据集进行反卷积操作得到第一升维数据集；
步骤C：利用预设的第一激活函数对所述第一升维数据集进行计算得到第一预测值，根据所述第一预测值和所述第一标签集包含的标签值，利用预构建的第一损失函数计算得到第一损失值。
步骤D：对比所述第一损失值与预设的第一损失阈值的大小，若所述第一损失值大于或等于所述第一损失阈值，返回A；若所述第一损失值小于所述第一损失阈值，停止训练，得到所述基础笔画识别特征图模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作为：
Figure BDA0002610439490000071
其中，ω’为第一卷积数据集，ω为所述第一训练集，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵。
较佳地，本发明实施例中所述池化操作为对所述第一卷积数据集进行最大池化操作得到所述第一降维数据集。
进一步地，本发明较佳实施例所述第一激活函数包括：
Figure BDA0002610439490000072
其中，μt表示所述第一预测值，s表示所述第一升维数据集中的数据。
详细地，本发明较佳实施例所述第一损失函数包括：
Figure BDA0002610439490000073
其中，T表示所述第一损失值，n为所述所述第一训练集的数据数目，t为正整数，yt为所述第一标签值，μt为所述第一预测值。
S2、获取测试笔迹图片集，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，得到基础笔画特征图集；
本发明实施例中，所述测试笔迹图片集为与所述笔迹原始图片集不同的目标用户的另一部分笔迹图片的集合。
通过基础笔画特征图模型实现对基础笔画的定义识别，提升了后续笔迹识别模型的训练精度。
S3、利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型。
详细地，本发明实施例将所述笔迹原始图片集确定为第二训练集，对所述笔迹原始图片集进行偏旁部首标记得到第二标签集。其中，所述偏旁部首如：“三点水”(氵)、“提手旁”(扌)、“四点底”(灬)等。
较佳地，本发明实施例可使用Label Me图像标注工具人工进行偏旁部首标记。
进一步地，本发明实施例利用所述第二训练集及所述第二标签集训练所述第二卷积神经网络模型包括：
S31：根据预设的第二卷积池化次数，对所述第二训练集进行卷积池化操作，得到第二降维数据集；
S32：根据预设的第二反卷积次数，对所述第二降维数据集进行反卷积操作，得到第二升维数据集；
S33：利用预设的第二激活函数对所述第二升维数据集进行计算得到第二预测值，根据所述第二预测值和所述第二标签集中包含的标签值，利用预构建的第二损失函数计算得到第二损失值。
S34：对比所述第二损失值与预设的第二损失阈值的大小，若所述第二损失值大于或等于所述第二损失阈值，返回S31。若所述第二损失值小于所述第二损失阈值，停止训练，得到所述偏旁部首特征图模型。
详细地，本发明较佳实施例中所述第二损失函数E可以采用下述公式计算：
Figure BDA0002610439490000081
其中，b表示所有第二标签集中包含的标签值组成的集合，c表示所有第二预测值组成的集合。
S4、利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，得到偏旁部首特征图集；
通过偏旁部首特征图模型实现了对偏旁部首的定义识别，提升了后续笔迹识别模型训练的精度。
S5、利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型。
本发明实施例中，将所述测试笔迹图片集、所述基础笔画特征图集、偏旁部首特征图集进行汇总，得到第三训练集，对所述第三训练集进行笔迹标记得到第三标签集。较佳地，本发明实施例可使用Label Me图像标注工具人工进行笔迹标记。
较佳地，本发明较佳实施例中所述第三神经卷积网络模型可用深度可分离卷积网络模型进行构建。
进一步地，本发明实施例利用所述第三训练集及所述第三标签集训练所述第三卷积神经网络模型包括：
S51：根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集；
S52：利用预设的第三激活函数对所述第三降维数据集进行计算得到第三预测值，根据所述第三预测值和所述第三标签集中包含的标签值，利用预构建的第三损失函数计算得到第三损失值。
S53：对比所述第三损失值与预设的第三损失阈值的大小，若所述第三损失值大于或等于所述第三损失阈值，返回S51；若所述第三损失值小于所述第三损失阈值，停止训练，得到所述笔迹识别模型。
详细地，所述深度可分离卷积池化操作包括：对所述第三训练集进行分组卷积运算得到深度卷积数据集，再对所述深度卷积数据集进行逐点卷积运算得到逐点卷积数据集，对所述逐点卷积数据集进行平均池化操作得到所述第三降维数据集。
本发明较佳实施例所述第三激活函数可以采用下述公式计算：
f(x)＝ax(0,x)
其中，f(x)为所述第三预测值，x为所述第三降维数据集中的数据。
本发明较佳实施例所述第三损失函数可以采用下述公式计算：
Figure BDA0002610439490000091
其中，N为所述第三训练样本包含的数据数目，i为正整数，hi为所述第三标签集中包含的标签值，mi为所述第三预测值。
通过将基础笔画特征图集、偏旁部首特征图集确定为额外的训练集，缩小了模型训练中特征提取的范围，提升了笔迹识别模型的训练精度。
本发明的另一实施例中，所述基础笔画特征图模型、所述偏旁部首特征图模型及所述笔迹识别模型训练的数据可以存储在区块链中。
S6、当接收到待检测图片时，利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。
本发明实施例中，所述待检测图片为不同的手写笔迹的图片。例如：手写签名图片、手写文章图片。
进一步地，本发明实施例利用所述笔迹识别模型对所述待检测图片进行笔迹识别，输出笔迹识别概率；利用约登指数原则确认所述笔迹识别的置信阈值；将所述笔迹识别概率与所述置信阈值进行比较；当所述笔迹识别概率大于或等于所述置信阈值时，判断所述待检测笔迹是目标用户笔迹，当所述笔迹识别概率小于或等于所述置信阈值时，判断所述待检测笔迹不是目标用户笔迹。
本发明实施例中，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，通过基础笔画特征图模型实现对基础笔画的定义识别，缩小了识别范围；利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型，利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，通过偏旁部首特征图模型实现了对偏旁部首的定义识别，提升了笔迹识别的细节特征范围；利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型，通过将基础笔画特征图集、偏旁部首特征图集作为额外的训练集，缩小了模型训练中特征提取的范围，提升了笔迹识别模型的训练精度；当接收到待检测笔迹的图片，利用所述笔迹识别模型对所述笔迹图片进行识别，得到识别结果，对基础笔画及偏旁部首进行了定义识别，缩小了笔迹识别模型训练中特征提取的范围，提升了笔迹识别模型的训练精度，从而提升了笔迹识别的准确率。
如图2所示，是本发明笔迹识别装置的功能模块图。
本发明所述笔迹识别装置100可以安装于电子设备中。根据实现的功能，所述笔迹识别装置可以包括基础笔画识别模块101、偏旁部首识别模块102、笔迹识别模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述基础笔画识别模块101用于获取目标用户的笔迹原始图片集，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型；获取测试笔迹图片集，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，得到基础笔画特征图集。
本发明实施例中，所述笔迹原始图片集为目标用户历史笔迹的集合，如所述历史笔记可以是图片的形式。所述目标用户的笔迹原始图片集可以利用图片扫描的方式从目标用户的过往的档案资料、学历资料、手写稿子等中进行获取。
较佳地，本发明实施例中所述第一卷积神经网络模型可以为全卷积神经网络模型。
详细地，本发明实施例中所述基础笔画识别模块101将所述笔迹原始图片集确定为第一训练集，对所述笔迹原始图片集进行基础笔画标记得到第一标签集。其中，所述基础笔画为(丶)、横(一)、竖(丨)、撇(丿)、捺()、提()、折(乛)、钩(亅)八种。较佳地，本发明实施例可使用Label Me图像标注工具人工进行基础笔画标记。
进一步地，本发明实施例所述基础笔画识别模块101利用如下手段训练所述第一卷积神经网络模型：
A：根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作得到得到第一降维数据集；
B：根据预设的第一反卷积次数，对所述第一降维数据集进行反卷积操作得到第一升维数据集；
C：利用预设的第一激活函数对所述第一升维数据集进行计算得到第一预测值，根据所述第一预测值和所述第一标签集包含的标签值，利用预构建的第一损失函数计算得到第一损失值。
D：对比所述第一损失值与预设的第一损失阈值的大小，若所述第一损失值大于或等于所述第一损失阈值，返回A；若所述第一损失值小于所述第一损失阈值，停止训练，得到所述基础笔画识别特征图模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作为：
Figure BDA0002610439490000121
其中ω’为第一卷积数据集，ω为所述第一训练集，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵；
较佳地，本发明实施例中所述池化操作为所述基础笔画识别模块101对所述第一卷积数据集进行最大池化操作得到所述第一降维数据集。
进一步地，本发明较佳实施例所述第一激活函数包括：
Figure BDA0002610439490000122
其中μt表示所述第一预测值，s表示所述第一升维数据集中的数据。
详细地，本发明较佳实施例所述第一损失函数包括：
Figure BDA0002610439490000123
其中，T表示所述第一损失值，n为所述所述第一训练集的数据数目，t为正整数，yt为所述第一标签值，μt为所述第一预测值。
本发明实施例中，所述测试笔迹图片集为与所述笔迹原始图片集不同的目标用户的另一部分笔迹图片的集合。
通过基础笔画特征图模型实现对基础笔画的定义识别，提升了后续笔迹识别模型训练精度。
所述偏旁部首识别模块102用于利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型；利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，得到偏旁部首特征图集。
详细地，本发明实施例所述偏旁部首识别模块102将所述笔迹原始图片集确定为第二训练集，对所述笔迹原始图片集进行偏旁部首标记得到第二标签集。其中，所述偏旁部首如：“三点水”(氵)、“提手旁”(扌)、“四点底”(灬)等。
较佳地，本发明实施例可使用Label Me图像标注工具人工进行偏旁部首标记。
进一步地，本发明实施例所述偏旁部首识别模块102利用如下手段训练所述第二卷积神经网络模型包括：
H：根据预设的第二卷积池化次数，对所述第二训练集进行卷积池化操作，得到第二降维数据集；
I：根据预设的第二反卷积次数，对所述第二降维数据集进行反卷积操作，得到第二升维数据集；
J：利用预设的第二激活函数对所述第二升维数据集进行计算得到第二预测值，根据所述第二预测值和所述第二标签集中包含的标签值，利用预构建的第二损失函数计算得到第二损失值。
K：对比所述第二损失值与预设的第二损失阈值的大小，若所述第二损失值大于或等于所述第二损失阈值，返回H。若所述第二损失值小于所述第二损失阈值，停止训练，得到所述偏旁部首特征图模型。
详细地，本发明较佳实施例中所述第二损失函数E可以采用下述公式计算：
Figure BDA0002610439490000131
其中，b表示所有第二标签集中包含的标签值组成的集合，c表示所有第二预测值组成的集合。
通过偏旁部首特征图模型实现了对偏旁部首的定义识别，提升了后续笔迹识别模型训练的精度。
所述笔迹识别模块103用于利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型；当接收到待检测图片时，利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。
本发明实施例中，所述笔迹识别模块103将所述测试笔迹图片集、所述基础笔画特征图集、偏旁部首特征图集进行汇总，得到第三训练集；所述笔迹识别模块103对所述第三训练集进行笔迹标记得到第三标签集。较佳地，本发明实施例可使用Label Me图像标注工具人工进行笔迹标记。
较佳地，本发明较佳实施例中所述第三神经卷积网络模型可用深度可分离卷积网络模型进行构建。
进一步地，本发明实施例所述笔迹识别模块103利用如下手段训练所述第三卷积神经网络模型包括：
X：根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集；
Y：利用预设的第三激活函数对所述第三降维数据集进行计算得到第三预测值，根据所述第三预测值和所述第三标签集中包含的标签值，利用预构建的第三损失函数计算得到第三损失值。
Z：对比所述第三损失值与预设的第三损失阈值的大小，若所述第三损失值大于或等于所述第三损失阈值，返回X；若所述第三损失值小于所述第三损失阈值，停止训练，得到所述笔迹识别模型。
详细地，所述笔迹识别模块103利用如下手段进行深度可分离卷积池化操作：
对所述第三训练集进行分组卷积运算得到深度卷积数据集；
对所述深度卷积数据集进行逐点卷积运算得到逐点卷积数据集；
对所述逐点卷积数据集进行平均池化操作得到所述第三降维数据集。
本发明较佳实施例所述第三激活函数可以采用下述公式计算：
f(x)＝ax(0,x)
其中f(x)为所述第三预测值，x为所述第三降维数据集中的数据。
本发明较佳实施例所述第三损失函数可以采用下述公式计算：
Figure BDA0002610439490000141
其中，N为所述第三训练样本包含的数据数目，i为正整数，hi为所述第三标签集中包含的标签值，mi为所述第三预测值。
本发明的另一实施例中，所述基础笔画特征图模型、所述偏旁部首特征图模型及所述笔迹识别模型训练的数据可以存储在区块链中。
通过将基础笔画特征图集、偏旁部首特征图集确定为额外的训练集，缩小了模型训练中特征提取的范围，提升了笔迹识别模型的训练精度。
本发明实施例中，所述待检测图片为不同的手写笔迹的图片。例如：手写签名图片、手写文章图片。
进一步地，本发明实施例所述笔迹识别模块103利用所述笔迹识别模型所述待检测图片进行笔迹识别，输出笔迹识别概率；所述笔迹识别模块103利用约登指数原则确认所述笔迹识别的置信阈值；所述笔迹识别模块103将所述笔迹识别概率与所述置信阈值进行比较；当所述笔迹识别概率大于或等于所述置信阈值，判断所述待检测笔迹是目标用户笔迹，当所述笔迹识别概率小于或等于所述置信阈值，判断所述待检测笔迹不是目标用户笔迹。
如图3所示，是本发明实现笔迹识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如笔迹识别程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如笔迹识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如笔迹识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的笔迹识别程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标用户的笔迹原始图片集，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型；
获取测试笔迹图片集，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，得到基础笔画特征图集；
利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型；
利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，得到偏旁部首特征图集；
利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型；
当接收到待检测图片时，利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种笔迹识别方法，其特征在于，所述方法包括：
获取目标用户的笔迹原始图片集，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型；
获取测试笔迹图片集，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，得到基础笔画特征图集；
利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型；
利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，得到偏旁部首特征图集；
利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型；
当接收到待检测图片时，利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。
2.如权利要求1所述的笔迹识别方法，其特征在于，所述利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型，包括：
将所述笔迹原始图片集作为第一训练集；
对所述笔迹原始图片集进行基础笔画标记得到第一标签集；
利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型，得到所述基础笔画特征图模型。
3.如权利要求2所述的笔迹识别方法，其特征在于，所述利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型，包括：
根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作，得到第一降维数据集；
根据预设的第一反卷积次数，对所述第一降维数据集进行反卷积操作，得到第一升维数据集；
利用预设的第一激活函数对所述第一升维数据集进行计算得到第一预测值，根据所述第一预测值和所述第一标签集包含的标签值，利用预构建的第一损失函数的输入参数计算得到第一损失值；
对比所述第一损失值与预设的第一损失阈值的大小，若所述第一损失值大于或等于所述第一损失阈值，返回所述根据预设的第一卷积池化次数，对所述第一训练集进行卷积池化操作；若所述第一损失值小于所述第一损失阈值，停止训练，得到所述基础笔画特征图模型。
4.如权利要求1所述的笔迹识别方法，其特征在于，所述利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型，包括：
将所述测试笔迹图片集、所述基础笔画特征图集、所述偏旁部首特征图集进行汇总，得到第三训练集；
对所述第三训练集进行笔迹标记得到第三标签集；
利用所述第三训练集及所述第三标签集训练所述第三卷积神经网络模型，得到所述笔迹识别模型。
5.如权利要求4所述的笔迹识别方法，其特征在于，所述利用所述第三训练集及所述第三标签集训练所述第三卷积神经网络模型，得到所述笔迹识别模型，包括：
根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集；
利用预设的第三激活函数对所述第三降维数据集进行计算得到第三预测值，根据所述第三预测值和所述第三标签集中包含的标签值，利用预构建的第三损失函数的输入参数计算得到第三损失值；
对比所述第三损失值与预设的第三损失阈值的大小，若所述第三损失值大于或等于所述第三损失阈值，返回所述根据预设的深度可分离卷积池化次数，对所述第三训练集进行深度可分离卷积池化操作步骤；若所述第三损失值小于所述第三损失阈值，停止训练，得到所述笔迹识别模型。
6.如权利要求5所述的笔迹识别方法，其特征在于，所述对所述第三训练集进行深度可分离卷积池化操作，得到第三降维数据集，包括：
对所述第三训练集进行分组卷积运算得到深度卷积数据集；
对所述深度卷积数据集进行逐点卷积运算得到逐点卷积数据集；
对所述逐点卷积数据集进行平均池化操作得到所述第三降维数据集。
7.一种笔迹识别装置，其特征在于，所述装置包括：
基础笔画识别模块，用于获取目标用户的笔迹原始图片集，利用所述笔迹原始图片集训练预构建的第一卷积神经网络模型得到基础笔画特征图模型；获取测试笔迹图片集，利用所述基础笔画特征图模型对所述测试笔迹图片集进行基础笔画特征提取，得到基础笔画特征图集；
偏旁部首识别模块，用于利用所述笔迹原始图片集训练预构建的第二卷积神经网络模型得到偏旁部首特征图模型；利用所述偏旁部首特征图模型对所述测试笔迹图片集进行偏旁部首特征提取，得到偏旁部首特征图集；
笔迹识别模块，用于利用所述测试笔迹图片集、所述基础笔画特征图集及所述偏旁部首特征图集训练预构建的第三卷积神经网络模型得到笔迹识别模型；当接收到待检测图片时，利用所述笔迹识别模型对所述待检测图片进行识别，得到识别结果。
8.如权利要求7所述的一种笔迹识别装置，其特征在于，所述基础笔画识别模块利用如下手段得到基础笔画特征图模型，包括：
将所述笔迹原始图片集作为第一训练集；
对所述笔迹原始图片集进行基础笔画标记得到第一标签集；
利用所述第一训练集及所述第一标签集训练所述第一卷积神经网络模型，得到所述基础笔画特征图模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的笔迹识别方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的笔迹识别方法。
CN202010752375.9A 2020-07-30 2020-07-30 笔迹识别方法、装置及计算机可读存储介质 Pending CN111814743A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010752375.9A CN111814743A (zh) 2020-07-30 2020-07-30 笔迹识别方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010752375.9A CN111814743A (zh) 2020-07-30 2020-07-30 笔迹识别方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111814743A true CN111814743A (zh) 2020-10-23

Family

ID=72862860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010752375.9A Pending CN111814743A (zh) 2020-07-30 2020-07-30 笔迹识别方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111814743A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112198966A (zh) * 2020-12-08 2021-01-08 中南大学 基于fmcw雷达***的笔画识别方法以及***
CN112699780A (zh) * 2020-12-29 2021-04-23 上海臣星软件技术有限公司 对象识别方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0896081A (ja) * 1994-09-29 1996-04-12 Toshiba Corp 文字認識装置及び文字認識方法
CN1641686A (zh) * 2004-01-17 2005-07-20 中国科学院计算技术研究所 乱笔顺库建立方法及联机手写汉字识别评测***
JP2005208729A (ja) * 2004-01-20 2005-08-04 Toshiba Corp 筆者識別方法及び筆者識別装置
CN105809100A (zh) * 2014-12-31 2016-07-27 中国刑事警察学院 笔迹与签名量化检验鉴定特征总积法
CN109446905A (zh) * 2018-09-26 2019-03-08 深圳壹账通智能科技有限公司 电子签名审核方法、装置、计算机设备和存储介质
CN110555403A (zh) * 2019-08-29 2019-12-10 韶关市启之信息技术有限公司 一种手写字评价方法与***
CN111046774A (zh) * 2019-12-06 2020-04-21 国网湖北省电力有限公司电力科学研究院 一种基于卷积神经网络的中文签名笔迹鉴定方法
CN111079503A (zh) * 2019-08-02 2020-04-28 广东小天才科技有限公司 一种文字识别方法及电子设备
CN111259726A (zh) * 2019-12-04 2020-06-09 湖北工业大学 在线笔迹认证中一种笔画动态特征的提取及认证方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0896081A (ja) * 1994-09-29 1996-04-12 Toshiba Corp 文字認識装置及び文字認識方法
CN1641686A (zh) * 2004-01-17 2005-07-20 中国科学院计算技术研究所 乱笔顺库建立方法及联机手写汉字识别评测***
JP2005208729A (ja) * 2004-01-20 2005-08-04 Toshiba Corp 筆者識別方法及び筆者識別装置
CN105809100A (zh) * 2014-12-31 2016-07-27 中国刑事警察学院 笔迹与签名量化检验鉴定特征总积法
CN109446905A (zh) * 2018-09-26 2019-03-08 深圳壹账通智能科技有限公司 电子签名审核方法、装置、计算机设备和存储介质
CN111079503A (zh) * 2019-08-02 2020-04-28 广东小天才科技有限公司 一种文字识别方法及电子设备
CN110555403A (zh) * 2019-08-29 2019-12-10 韶关市启之信息技术有限公司 一种手写字评价方法与***
CN111259726A (zh) * 2019-12-04 2020-06-09 湖北工业大学 在线笔迹认证中一种笔画动态特征的提取及认证方法
CN111046774A (zh) * 2019-12-06 2020-04-21 国网湖北省电力有限公司电力科学研究院 一种基于卷积神经网络的中文签名笔迹鉴定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
文颖, 龚裕, 张宪荣: "基于基本笔画运笔特征的汉字笔迹鉴定的研究", 上海大学学报(自然科学版), no. 01, 28 February 2002 (2002-02-28) *
李琰延;李大娟;李楠;邢问天;: "基于狼群优化概率神经网络的笔迹鉴定应用", 中国新通信, no. 10, 20 May 2015 (2015-05-20) *
杜英杰;陈杰;李晴;: "笔迹检验鉴定量化研究理论与方法", 山东化工, no. 22, 23 November 2017 (2017-11-23) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112198966A (zh) * 2020-12-08 2021-01-08 中南大学 基于fmcw雷达***的笔画识别方法以及***
CN112198966B (zh) * 2020-12-08 2021-03-16 中南大学 基于fmcw雷达***的笔画识别方法以及***
CN112699780A (zh) * 2020-12-29 2021-04-23 上海臣星软件技术有限公司 对象识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112528863A (zh) 表格结构的识别方法、装置、电子设备及存储介质
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN112036292B (zh) 基于神经网络的文字识别方法、装置及可读存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112581227A (zh) 产品推荐方法、装置、电子设备及存储介质
CN111932534A (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN112528616A (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN112860905A (zh) 文本信息抽取方法、装置、设备及可读存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111814743A (zh) 笔迹识别方法、装置及计算机可读存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN112885423A (zh) 疾病标签检测方法、装置、电子设备及存储介质
CN112132016A (zh) 票据信息提取方法、装置及电子设备
CN111930897B (zh) 专利检索方法、装置、电子设备及计算机可读存储介质
CN112528984A (zh) 图像信息抽取方法、装置、电子设备及存储介质
CN112329666A (zh) 人脸识别方法、装置、电子设备及存储介质
CN114996386A (zh) 业务角色识别方法、装置、设备及存储介质
CN114863344A (zh) 服务质量评估方法、装置、设备及存储介质
CN114120347A (zh) 表单校验方法、装置、电子设备及存储介质
CN113869385A (zh) 基于目标检测的海报比对方法、装置、设备及存储介质
CN112561893A (zh) 图片匹配方法、装置、电子设备及存储介质
CN113255456A (zh) 非主动活体检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination