CN112733645B - 手写签名校验方法、装置、计算机设备及存储介质 - Google Patents

手写签名校验方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112733645B
CN112733645B CN202011609053.5A CN202011609053A CN112733645B CN 112733645 B CN112733645 B CN 112733645B CN 202011609053 A CN202011609053 A CN 202011609053A CN 112733645 B CN112733645 B CN 112733645B
Authority
CN
China
Prior art keywords
image
signature
face
signature image
user
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.)
Active
Application number
CN202011609053.5A
Other languages
English (en)
Other versions
CN112733645A (zh
Inventor
何小臻
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011609053.5A priority Critical patent/CN112733645B/zh
Priority to PCT/CN2021/091266 priority patent/WO2022142032A1/zh
Publication of CN112733645A publication Critical patent/CN112733645A/zh
Application granted granted Critical
Publication of CN112733645B publication Critical patent/CN112733645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种手写签名校验方法、装置、计算机设备及存储介质，其中方法包括：获取待校验的手写签名图像和待校验的人脸图像；将手写签名图像输入到深度学习神经网络模型中进行特征提取，获得手写签名图像特征；检索预设的用户签名图像数据库，获取最接近的用户签名图像特征；计算两者之间的签名特征相似度；并与第一阈值比较，当大于第一阈值时，再检索用户签名图像数据库，得到最接近的用户人脸特征；计算两者之间的人脸特征相似度；并与第二阈值比较，当大于第二阈值时，确定所述待校验的手写签名图像通过验证。通过同时比较手写签名图像和人脸图像与预设的数据之间以的相似度，确定签名有效性，可避免签名被冒用。

Description

手写签名校验方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种手写签名校验方法、装置、计算机设备及存储介质。
背景技术
手写签名是验证用户真实签署意愿的重要手段，互联网金融、B2B电子商务、旅游、教育等互联网应用的迅猛发展，也带动了在线电子签名的应用需求，为了使互联网商务行为有法可依、有据可循，越来越多的互联网平台积极寻求合法有效的在线手写电子签名校对方案。
目前，主流的手写签名校对方案多是采用手写体识别，基于手写轨迹或者像素的空间关系，然后把识别结果与姓名进行比对，这种方式不能避免签名被冒用的风险。
发明内容
本申请实施例的目的在于提出一种手写签名校验方法、装置、计算机设备及存储介质，以解决签名被冒用的问题。
为了解决上述技术问题，本申请实施例提供一种手写签名校验方法，采用了如下所述的技术方案：
获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；
将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；
根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；
计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；
将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；
将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；
计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；
将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
进一步的，在所述将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征的步骤之前还包括：
获取签名图像训练样本，所述签名图像训练样本为N个标注了用户ID的手写签名图像；
将所述签名图像训练样本输入到深度学习神经网络模型，获得所述深度学习神经网络模型响应所述签名图像训练样本输出的N个签名预测结果；
通过softmax损失函数比对所述N个签名预测结果和所述标注是否一致，其中所述softmax损失函数为：
；
其中，N为训练样本数，针对第 i 个样本其对应的yi是标注的结果，h=（h1,h2,...,hc）为样本 i 的预测结果，其中 C 是所有分类的数量；
调整所述深度学习神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的深度学习神经网络模型。
进一步的，所述预设用户签名图像数据库包含用户指纹特征，所述指纹特征与用户签名图像特征一一对应，在所述将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证的步骤之前，还包括：
获取待校验的指纹图像，所述指纹图像和所述待校验的手写签名图像源于同一载体；
将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征；
根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到与所述最接近的用户签名图像特征对应的用户指纹特征；
计算所述待校验指纹特征和所述用户指纹特征之间的指纹特征相似度；
将所述指纹特征相似度与预设的第三阈值比较，当所述指纹特征相似度大于预设的第三阈值，且所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
进一步的，所述指纹特征提取模型基于第一卷积神经网络模型，在所述将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征的步骤之前，还包括：
获取指纹图像训练样本，所述指纹图像训练样本为N个标注了用户ID的指纹图像；
将所述指纹图像训练样本输入到第一卷积神经网络模型，获得所述第一卷积神经网络模型响应所述指纹图像训练样本输出的N个指纹预测结果；
通过softmax损失函数比对所述N个指纹预测结果和所述标注是否一致；
调整所述第一卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的指纹特征提取模型。
进一步的，所述人脸特征提取模型基于第二卷积神经网络模型，在所述将所述待校验的人脸图像输入到预先训练的人脸特征提取模型中进行特征提取，获得待校验人脸特征的步骤之前，还包括：
获取人脸图像训练样本，所述人脸图像训练样本为N个标注了用户ID的人脸图像；
将所述人脸图像训练样本输入到第二卷积神经网络模型，获得所述第二卷积神经网络模型响应所述人脸图像训练样本输出的N个人脸预测结果；
通过softmax损失函数比对所述N个人脸预测结果和所述标注是否一致；
调整所述第二卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的人脸特征提取模型。
进一步的，在所述获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体的步骤之后还包括：
将所述待校验的手写签名图像和待校验的人脸图像存储至区块链中。
为了解决上述技术问题，本申请实施例还提供一种手写签名校验装置，采用了如下所述的技术方案：
获取模块，用于获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；
第一提取模块，用于将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；
第一检索模块，用于根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；
第一计算模块，用于计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；
第二检索模块，用于将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；
第二提取模块，用于将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；
第二计算模块，用于计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；
确定模块，用于将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
进一步的，所述手写签名校验装置还包括：
第一获取子模块，用于获取签名图像训练样本，所述签名图像训练样本为N个标注了用户ID的手写签名图像；
第一预测子模块，用于将所述签名图像训练样本输入到深度学习神经网络模型，获得所述深度学习神经网络模型响应所述签名图像训练样本输出的N个签名预测结果；
第一比对子模块，用于通过softmax损失函数比对所述N个签名预测结果和所述标注是否一致，其中所述softmax损失函数为：
；
其中，N为训练样本数，针对第 i 个样本其对应的yi是标注的结果，h=（h1,h2,...,hc）为样本 i 的预测结果，其中 C 是所有分类的数量；
第一调整子模块，用于调整所述深度学习神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的深度学习神经网络模型。
进一步的，所述预设用户签名图像数据库包含用户指纹特征，所述指纹特征与用户签名图像特征一一对应，所述手写签名校验装置还包括：
第二获取子模块，用于获取待校验的指纹图像，所述指纹图像和所述待校验的手写签名图像源于同一载体；
第一提取子模块，用于将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征；
第一检索子模块，用于根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到与所述最接近的用户签名图像特征对应的用户指纹特征；
第一计算子模块，用于计算所述待校验指纹特征和所述用户指纹特征之间的指纹特征相似度；
第一确定子模块，用于将所述指纹特征相似度与预设的第三阈值比较，当所述指纹特征相似度大于预设的第三阈值，且所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
进一步的，所述指纹特征提取模型基于第一卷积神经网络模型，所述手写签名校验装置，还包括：
第三获取子模块，用于获取指纹图像训练样本，所述指纹图像训练样本为N个标注了用户ID的指纹图像；
第二预测子模块，用于将所述指纹图像训练样本输入到第一卷积神经网络模型，获得所述第一卷积神经网络模型响应所述指纹图像训练样本输出的N个指纹预测结果；
第二比对子模块，用于通过softmax损失函数比对所述N个指纹预测结果和所述标注是否一致；
第二调整子模块，用于调整所述第一卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的指纹特征提取模型。
进一步的，所述人脸特征提取模型基于第二卷积神经网络模型，所述手写签名校验装置，还包括：
第五获取子模块，用于获取人脸图像训练样本，所述人脸图像训练样本为N个标注了用户ID的人脸图像；
第三预测子模块，用于将所述人脸图像训练样本输入到第二卷积神经网络模型，获得所述第二卷积神经网络模型响应所述人脸图像训练样本输出的N个人脸预测结果；
第三比对子模块，用于通过softmax损失函数比对所述N个人脸预测结果和所述标注是否一致；
第三调整子模块，用于调整所述第二卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的人脸特征提取模型。
进一步的，所述手写签名校验装置，还包括：
存储模块，用于将所述待校验的手写签名图像和待校验的人脸图像存储至区块链中。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，处理器执行计算机可读指令时实现如上述手写签名校验方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，计算机可读存储介质上存储有计算机可读指令，计算机可读指令被处理器执行时实现如上述手写签名校验方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：通过获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。通过将手写签名图像特征与预设的用户签名图像数据库比较，确定手写签名的有效性，可较大程度避免签名被冒用的风险，通过annoy算法和相似度计算的结合，可以兼顾手写签名校验的速度和精度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图；
图2根据本申请的手写签名校验方法的一个实施例的流程图；
图3是手写签名校验的一种具体实施方式的流程图；
图4是根据本申请的手写签名校验装置的一个实施例的结构示意图；
图5是根据本申请的计算机设备的一个实施例的结构示意图。
实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的手写签名校验方法一般由服务器/终端设 备执行，相应地，手写签名校验装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的手写签名校验的方法的一个实施例的流程图。所述的手写签名校验方法，包括以下步骤：
步骤S201，获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体。
在本实施例中，手写签名校验方法运行于其上的电子设备(例如图1所示的服务 器/终端设备)可以通过有线连接方式或者无线连接方式获取待校验的手写签名图像和待校验的人脸图像。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。
通过带摄像头的电子设备对用户进行手写签名的同时进行人脸图像的拍摄，或者通过电子设备上的预设的手写签名模块在电子设备的屏幕上签名时，同时通过电子设备的摄像头对人脸图像进行了拍摄。获得待校验的手写签名图像和待校验的人脸图像。也可以导入已经拍摄的签名视频，对视频进行解析，获得待检验的手写签名图像和待校验的人脸图像。
步骤S202，将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征。
在本实施例中，将待校验的手写签名图像输入到预先训练的深度学习神经网络模型进行特征提取，预先训练的深度学习神经网络学习不同用户的手写签名图像，使深度学习神经网络可以提取不同用户的手写签名图像的高维度特征。
步骤S203，根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征。
在本实施例中，在一些应用场景下，预设用户签名图像数据库，只要待校验的手写签名图像与预设用户签名图像数据库中的数据之一匹配，就认为待校验的手写签名有效。在这种场景下，根据手写签名图像特征检索预设的用户签名图像数据库，为了在海量的ID中进行快速的特征查找，我们采用了annoy（Approximate Nearest Neighbors Oh Yeah）算法，这种方法具有快速、稳定的查找能力；annoy的原理为随机选择两个点，以这两个点为初始的中心点，执行聚类数为2的kmeans过程，最终产生收敛后的两个聚类中心点，以到这两个聚类中心点的等距超平面将数据空间分成两个子空间。在划分的子空间内进行不停的递归迭代继续划分，直到每个子空间最多只剩下K个数据节点。通过多次递归迭代划分，最终原始数据会形成类似二叉树结构。二叉树底层是叶子节点记录原始数据节点，其他中间节点记录的是分割超平面的信息。这样查询一个点最接近的点的时间复杂度是次线性。具体的可以通过Python API实现。
步骤S204，计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度。
由于annoy算法不能同时兼顾检索速度和精度，当构建的二叉树层数越多，精度越高，但检索速度越慢，且检索得到仅为最接近的点。而本申请对精度要求高，在采用annoy算法检索到最接近的用户签名图像特征之后，再计算手写签名图像特征和所述最接近的用户签名图像特征之间的相似度，可以兼顾检索速度和精度。通过计算两个特征向量之间的欧式距离计算相似度。
步骤S205，将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；
步骤206，将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征。
在本实施例中，将待校验的人脸图像输入到预先训练的人脸特征提取模型模型进行人脸特征提取，预先训练的人脸特征提取模型基于第二卷积神经网络模型，第二卷积神经网络模型学习不同用户的人脸图像，使第二卷积神经网络模型可以提取不同用户的人脸图像的高维度特征。
步骤207，计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；
通过计算两个特征向量之间的欧式距离计算相似度。
步骤208，将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
当待校验的人脸特征与最接近的用户人脸特征之间的人脸相似度大于预设的第二阈值时，认为待校验的手写签名图像和待校验的人脸图像与预设的用户签名图像数据库中的数据一致，通过验证。
本申请通过获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。通过将手写签名图像特征与预设的用户签名图像数据库比较，确定手写签名的有效性，可较大程度避免签名被冒用的风险，通过annoy算法和相似度计算的结合，可以兼顾手写签名校验的速度和精度。
在本实施例的一些可选的实现方式中，在步骤202之前，上述电子设备还可以执行以下步骤：
获取签名图像训练样本，所述签名图像训练样本为N个标注了用户ID的手写签名图像；
将所述签名图像训练样本输入到深度学习神经网络模型，获得所述深度学习神经网络模型响应所述签名图像训练样本输出的N个签名预测结果；
通过softmax损失函数比对所述N个签名预测结果和所述标注是否一致，其中所述softmax损失函数为：
；
其中，N为训练样本数，针对第 i 个样本其对应的yi是标注的结果，h=（h1,h2,...,hc）为样本 i 的预测结果，其中 C 是所有分类的数量；
调整所述深度学习神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的深度学习神经网络模型。
深度学习神经网络模型可以看成图像特征提取模型连接输出层，其中输出层为softmax输出层，softmax输出层用于根据前述图像特征提取模型提取的特征对输入的手写签名图像进行识别，训练时，通过softmaxloss比较预测结果和标注的结果是否一致，当softmaxloss达到最小值时，深度学习神经网络模型训练结束，被训练好的深度学习神经网络模型具备提取签名图像高维度特征的能力。
在一些可选的实现方式中，预设用户签名图像数据库包含用户指纹特征，且指纹特征与用户签名图像特征一一对应，在步骤S208之前，上述电子设备可以执行以下步骤：
获取待校验的指纹图像，所述指纹图像和所述待校验的手写签名图像源于同一载体；
将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征；
根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到与所述最接近的用户签名图像特征对应的用户指纹特征；
计算所述待校验指纹特征和所述用户指纹特征之间的指纹特征相似度；
将所述指纹特征相似度与预设的第三阈值比较，当所述指纹特征相似度大于预设的第三阈值，且所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
在一些场景下，重要文件的签署不但要求手写签名，也会要求留下签署人的指纹。为了防止模仿字迹情况，同时对指纹进行识别。指纹特征的特征的提取通过预先训练的指纹特征提取模型，指纹特征提取模型基于第一卷积神经网络模型。
预设的用户签名图像数据库中，用户指纹特征与用户签名图像特征一一对应，根据最接近的用户签名图像特征得到对应的用户指纹特征，计算所述待校验指纹特征和所述用户指纹特征之间的指纹特征相似度，可以计算两个特征向量之间的欧式距离。
将所述指纹特征相似度与预设的第三阈值比较，当所述指纹特征相似度大于预设的第三阈值，且所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
验证签名的同时，同时验证指纹，可以避免字迹是被模仿，但被认为是有效签名的情况，提高了签名校验的准确性。
在一些可选的实现方式中，在上述将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征的步骤之前，上述电子设备可以执行以下步骤：
获取指纹图像训练样本，所述指纹图像训练样本为N个标注了用户ID的指纹图像；
将所述指纹图像训练样本输入到第一卷积神经网络模型，获得所述第一卷积神经网络模型响应所述指纹图像训练样本输出的N个指纹预测结果；
通过softmax损失函数比对所述N个指纹预测结果和所述标注是否一致；
调整所述第一卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的指纹特征提取模型。
第一卷积神经网络的训练采用有监督的训练，即将标注了用户身份的指纹图像输入到第一卷积神经网络，调节第一卷积神经网络各节点的参数，使第一卷积神经网络输出的指纹预测结果与标注结果一致，第一卷积神经网络的输出层使用softmax输出层，通过softmaxloss衡量第一卷积神经网络是否收敛，到softmaxloss值达到最小时，第一卷积神经网络训练结束，经过训练的第一卷积神经网络的输出层之前的结构构成指纹特征提取模型。
在一些可选的实现方式中，在上述将所述待校验的人脸图像输入到预先训练的人脸特征提取模型中进行特征提取，获得待校验人脸特征的步骤之前，上述电子设备可以执行以下步骤：
获取人脸图像训练样本，所述人脸图像训练样本为N个标注了用户ID的人脸图像；
将所述人脸图像训练样本输入到第二卷积神经网络模型，获得所述第二卷积神经网络模型响应所述人脸图像训练样本输出的N个人脸预测结果；
通过softmax损失函数比对所述N个人脸预测结果和所述标注是否一致；
调整所述第二卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的人脸特征提取模型。
第二卷积神经网络的训练采用有监督的训练，即将标注了用户身份的人脸图像输入到第二卷积神经网络，调节第二卷积神经网络各节点的参数，使第二卷积神经网络输出的人脸预测结果与标注结果一致，第二卷积神经网络的输出层使用softmax输出层，通过softmaxloss衡量第二卷积神经网络是否收敛，到softmaxloss值达到最小时，第二卷积神经网络训练结束，经过训练的第二卷积神经网络输出层之前的结构构成人脸特征提取模型。
需要强调的是，为进一步保证上述手写签名信息的私密和安全性，上述待校验的手写签名图像还可以存储于一区块链的节点中。
本申请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。
本申请可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种手写签名校验装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的手写签名校验装置400包括：获取模块401、第一提取模块402、第一检索模块403、第一计算模块404、第二检索模块405、第二提取模块406、第二计算模块407以及确定模块408。其中：
获取模块401，用于获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；
第一提取模块402，用于将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；
第一检索模块403，用于根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；
第一计算模块404，用于计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；
第二检索模块405，用于将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；
第二提取模块406，用于将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；
第二计算模块407，用于计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；
确定模块408，用于将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
在本实施例中，通过获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。通过将手写签名图像特征与预设的用户签名图像数据库比较，确定手写签名的有效性，可较大程度避免签名被冒用的风险，通过annoy算法和相似度计算的结合，可以兼顾手写签名校验的速度和精度。
在本实施例的一些可选的实现方式中，所述手写签名校验装置400还包括：
第一获取子模块，用于获取签名图像训练样本，所述签名图像训练样本为N个标注了用户ID的手写签名图像；
第一预测子模块，用于将所述签名图像训练样本输入到深度学习神经网络模型，获得所述深度学习神经网络模型响应所述签名图像训练样本输出的N个签名预测结果；
第一比对子模块，用于通过softmax损失函数比对所述N个签名预测结果和所述标注是否一致，其中所述softmax损失函数为：
；
其中，N为训练样本数，针对第 i 个样本其对应的yi是标注的结果，h=（h1,h2,...,hc）为样本 i 的预测结果，其中 C 是所有分类的数量；
第一调整子模块，用于调整所述深度学习神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的深度学习神经网络模型。
在本实施例的一些可选的实现方式中，所述手写签名校验装置400还包括：
第二获取子模块，用于获取待校验的指纹图像，所述指纹图像和所述待校验的手写签名图像源于同一载体；
第一提取子模块，用于将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征；
第一检索子模块，用于根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到与所述最接近的用户签名图像特征对应的用户指纹特征；
第一计算子模块，用于计算所述待校验指纹特征和所述用户指纹特征之间的指纹特征相似度；
第一确定子模块，用于将所述指纹特征相似度与预设的第三阈值比较，当所述指纹特征相似度大于预设的第三阈值，且所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
在本实施例的一些可选的实现方式中，所述手写签名校验装置400还包括：
第三获取子模块，用于获取指纹图像训练样本，所述指纹图像训练样本为N个标注了用户ID的指纹图像；
第二预测子模块，用于将所述指纹图像训练样本输入到第一卷积神经网络模型，获得所述第一卷积神经网络模型响应所述指纹图像训练样本输出的N个指纹预测结果；
第二比对子模块，用于通过softmax损失函数比对所述N个指纹预测结果和所述标注是否一致；
第二调整子模块，用于调整所述第一卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的指纹特征提取模型。
在本实施例的一些可选的实现方式中，所述手写签名校验装置400还包括：
第五获取子模块，用于获取人脸图像训练样本，所述人脸图像训练样本为N个标注了用户ID的人脸图像；
第三预测子模块，用于将所述人脸图像训练样本输入到第二卷积神经网络模型，获得所述第二卷积神经网络模型响应所述人脸图像训练样本输出的N个人脸预测结果；
第三比对子模块，用于通过softmax损失函数比对所述N个人脸预测结果和所述标注是否一致；
第三调整子模块，用于调整所述第二卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的人脸特征提取模型。
在本实施例的一些可选的实现方式中，所述手写签名校验装置400还包括：
存储模块，用于将所述待校验的手写签名图像和待校验的人脸图像存储至区块链中。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过***总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是，图中仅示出了具有组件51-53的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51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、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器51可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器51也可以是所述计算机设备5的外部存储设备，例如该计算机设备5上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。当然，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器51通常用于存储安装于所述计算机设备5的操作***和各类应用软件，例如手写签名校验方法的计算机可读指令等。此外，所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中，所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据，例如运行所述手写签名校验方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口，该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
通过获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。通过将手写签名图像特征与预设的用户签名图像数据库比较，确定手写签名的有效性，可较大程度避免签名被冒用的风险，通过annoy算法和相似度计算的结合，可以兼顾手写签名校验的速度和精度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的手写签名校验方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种手写签名校验方法，其特征在于，包括下述步骤：
获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；
将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；
根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；
计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；
将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；
将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；
计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；
将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
2.根据权利要求1所述的手写签名校验方法，其特征在于，在所述将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征的步骤之前还包括：
获取签名图像训练样本，所述签名图像训练样本为N个标注了用户ID的手写签名图像；
将所述签名图像训练样本输入到深度学习神经网络模型，获得所述深度学习神经网络模型响应所述签名图像训练样本输出的N个签名预测结果；
通过softmax损失函数比对所述N个签名预测结果和所述标注是否一致，其中所述softmax损失函数为：
其中，N为训练样本数，针对第i个样本其对应的yi是标注的结果，h＝(h1,h2,...,hc)为样本i的预测结果，其中C是所有分类的数量；
调整所述深度学习神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的深度学习神经网络模型。
3.根据权利要求1所述的手写签名校验方法，其特征在于，所述预设用户签名图像数据库包含用户指纹特征，所述指纹特征与用户签名图像特征一一对应，在所述将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证的步骤之前，还包括：
获取待校验的指纹图像，所述指纹图像和所述待校验的手写签名图像源于同一载体；
将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征；
根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到与所述最接近的用户签名图像特征对应的用户指纹特征；
计算所述待校验指纹特征和所述用户指纹特征之间的指纹特征相似度；
将所述指纹特征相似度与预设的第三阈值比较，当所述指纹特征相似度大于预设的第三阈值，且所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
4.根据权利要求3所述的手写签名校验方法，其特征在于，所述指纹特征提取模型基于第一卷积神经网络模型，在所述将所述指纹图像输入到预先训练的指纹特征提取模型中进行特征提取，获得待校验指纹特征的步骤之前，还包括：
获取指纹图像训练样本，所述指纹图像训练样本为N个标注了用户ID的指纹图像；
将所述指纹图像训练样本输入到第一卷积神经网络模型，获得所述第一卷积神经网络模型响应所述指纹图像训练样本输出的N个指纹预测结果；
通过softmax损失函数比对所述N个指纹预测结果和所述标注是否一致；
调整所述第一卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的指纹特征提取模型。
5.根据权利要求1所述的手写签名校验方法，其特征在于，所述人脸特征提取模型基于第二卷积神经网络模型，在所述将所述待校验的人脸图像输入到预先训练的人脸特征提取模型中进行特征提取，获得待校验人脸特征的步骤之前，还包括：
获取人脸图像训练样本，所述人脸图像训练样本为N个标注了用户ID的人脸图像；
将所述人脸图像训练样本输入到第二卷积神经网络模型，获得所述第二卷积神经网络模型响应所述人脸图像训练样本输出的N个人脸预测结果；
通过softmax损失函数比对所述N个人脸预测结果和所述标注是否一致；
调整所述第二卷积神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的人脸特征提取模型。
6.根据权利要求1所述的手写签名校验方法，其特征在于，在所述获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体的步骤之后还包括：
将所述待校验的手写签名图像和待校验的人脸图像存储至区块链中。
7.一种手写签名校验装置，其特征在于，包括：
获取模块，用于获取待校验的手写签名图像和待校验的人脸图像，其中所述待校验的手写签名图像和所述待校验的人脸图像来源于同一载体；
第一提取模块，用于将所述待校验的手写签名图像输入到预先训练的深度学习神经网络模型中进行特征提取，获得手写签名图像特征；
第一检索模块，用于根据所述手写签名图像特征采用annoy搜索算法对预设的用户签名图像数据库进行检索，获取与所述手写签名图像特征最接近的用户签名图像特征；
第一计算模块，用于计算所述手写签名图像特征和所述最接近的用户签名图像特征之间的签名特征相似度；
第二检索模块，用于将所述签名特征相似度与预设的第一阈值比较，当所述签名特征相似度大于预设的第一阈值时，根据所述最接近的用户签名图像特征检索预设的用户签名图像数据库，得到最接近的用户人脸特征，其中，所述预设的用户签名图像数据库中的用户签名图像特征与用户人脸特征一一对应；
第二提取模块，用于将所述待校验的人脸图像输入到预先训练的人脸特征提取模型进行人脸特征提取，获得待校验的人脸特征；
第二计算模块，用于计算所述待校验的人脸特征与所述最接近的用户人脸特征之间的人脸特征相似度；
确定模块，用于将所述人脸特征相似度与预设的第二阈值比较，当所述人脸特征相似度大于预设的第二阈值时，确定所述待校验的手写签名图像通过验证。
8.根据权利要求7所述的手写签名校验装置，其特征在于，还包括：
第一获取子模块，用于获取签名图像训练样本，所述签名图像训练样本为N个标注了用户ID的手写签名图像；
第一预测子模块，用于将所述签名图像训练样本输入到深度学习神经网络模型，获得所述深度学习神经网络模型响应所述签名图像训练样本输出的N个签名预测结果；
第一比对子模块，用于通过softmax损失函数比对所述N个签名预测结果和所述标注是否一致，其中所述softmax损失函数为：
其中，N为训练样本数，针对第i个样本其对应的yi是标注的结果，h＝(h1,h2,...,hc)为样本i的预测结果，其中C是所有分类的数量；
第一调整子模块，用于调整所述深度学习神经网络模型各节点的参数，至所述损失函数达到最小时结束，得到训练好的深度学习神经网络模型。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的手写签名校验方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的手写签名校验方法的步骤。
CN202011609053.5A 2020-12-30 2020-12-30 手写签名校验方法、装置、计算机设备及存储介质 Active CN112733645B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011609053.5A CN112733645B (zh) 2020-12-30 2020-12-30 手写签名校验方法、装置、计算机设备及存储介质
PCT/CN2021/091266 WO2022142032A1 (zh) 2020-12-30 2021-04-30 手写签名校验方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011609053.5A CN112733645B (zh) 2020-12-30 2020-12-30 手写签名校验方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112733645A CN112733645A (zh) 2021-04-30
CN112733645B true CN112733645B (zh) 2023-08-01

Family

ID=75610874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011609053.5A Active CN112733645B (zh) 2020-12-30 2020-12-30 手写签名校验方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN112733645B (zh)
WO (1) WO2022142032A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437650A (zh) * 2023-12-20 2024-01-23 山东山大鸥玛软件股份有限公司 基于深度学习的手写体签名比对方法、***、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107302433A (zh) * 2016-04-15 2017-10-27 平安科技（深圳）有限公司 电子签名的校验方法、校验服务器及用户终端
CN109409254A (zh) * 2018-10-10 2019-03-01 成都优易数据有限公司 一种基于孪生神经网络的电子合同手写签名鉴定方法
CN111428557A (zh) * 2020-02-18 2020-07-17 深圳壹账通智能科技有限公司 基于神经网络模型的手写签名的自动校验的方法和装置
WO2020211387A1 (zh) * 2019-04-18 2020-10-22 深圳壹账通智能科技有限公司 电子合同显示方法、装置、电子设备及计算机存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995995A (zh) * 2013-04-22 2014-08-20 厦门维觉电子科技有限公司 多媒体签字识别方法及***
CN105631272B (zh) * 2016-02-02 2018-05-11 云南大学 一种多重保险的身份认证方法
CN106779665A (zh) * 2016-11-23 2017-05-31 广东微模式软件股份有限公司 一种基于人体生物特征识别与防抵赖技术的pos取现方法
CN108388813A (zh) * 2018-02-28 2018-08-10 中国平安财产保险股份有限公司 电子化签名方法、用户设备、存储介质及装置
CN108595927B (zh) * 2018-04-04 2023-09-19 北京市商汤科技开发有限公司 身份认证、解锁及支付方法、装置、存储介质、产品和设备
CN109523392B (zh) * 2018-10-19 2024-06-28 中国平安财产保险股份有限公司 签名文件生成方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107302433A (zh) * 2016-04-15 2017-10-27 平安科技（深圳）有限公司 电子签名的校验方法、校验服务器及用户终端
CN109409254A (zh) * 2018-10-10 2019-03-01 成都优易数据有限公司 一种基于孪生神经网络的电子合同手写签名鉴定方法
WO2020211387A1 (zh) * 2019-04-18 2020-10-22 深圳壹账通智能科技有限公司 电子合同显示方法、装置、电子设备及计算机存储介质
CN111428557A (zh) * 2020-02-18 2020-07-17 深圳壹账通智能科技有限公司 基于神经网络模型的手写签名的自动校验的方法和装置

Also Published As

Publication number Publication date
WO2022142032A1 (zh) 2022-07-07
CN112733645A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN108629043B (zh) 网页目标信息的提取方法、装置及存储介质
CN108564954B (zh) 深度神经网络模型、电子装置、身份验证方法和存储介质
CN110069709B (zh) 意图识别方法、装置、计算机可读介质及电子设备
CN113435583B (zh) 基于联邦学习的对抗生成网络模型训练方法及其相关设备
CN112395979B (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
US20230032728A1 (en) Method and apparatus for recognizing multimedia content
CN111898550B (zh) 建立表情识别模型方法、装置、计算机设备及存储介质
CN112231569A (zh) 新闻推荐方法、装置、计算机设备及存储介质
CN112417887B (zh) 敏感词句识别模型处理方法、及其相关设备
CN112668482B (zh) 人脸识别训练方法、装置、计算机设备及存储介质
CN113343898B (zh) 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN112330331A (zh) 基于人脸识别的身份验证方法、装置、设备及存储介质
CN113626704A (zh) 基于word2vec模型的推荐信息方法、装置及设备
CN116935449A (zh) 指纹图像匹配模型训练方法、指纹匹配方法及相关介质
US11810388B1 (en) Person re-identification method and apparatus based on deep learning network, device, and medium
CN111552865A (zh) 用户兴趣画像方法及相关设备
CN112733645B (zh) 手写签名校验方法、装置、计算机设备及存储介质
CN114282019A (zh) 目标多媒体数据查找方法、装置、计算机设备、存储介质
Sokolova et al. Computation-efficient face recognition algorithm using a sequential analysis of high dimensional neural-net features
Punyani et al. A comparison study of face, gait and speech features for age estimation
CN113259369B (zh) 一种基于机器学习成员推断攻击的数据集认证方法及***
CN114513578A (zh) 外呼方法、装置、计算机设备及存储介质
CN115840817A (zh) 基于对比学习的信息聚类处理方法、装置和计算机设备
CN111597453A (zh) 用户画像方法、装置、计算机设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant