TWI777188B

TWI777188B - 契約簽名鑑別方法及其裝置

Info

Publication number: TWI777188B
Application number: TW109122909A
Authority: TW
Inventors: 傅昭凱; 朱昌傑; 鄭雅帆; 蔡陳緯
Original assignee: 新光人壽保險股份有限公司
Priority date: 2020-07-07
Filing date: 2020-07-07
Publication date: 2022-09-11
Also published as: TW202203087A

Abstract

一種契約簽名鑑別裝置，用以驗證一對應一目標簽約者的契約影像的簽名，一儲存單元儲存多張分別對應多個簽約者的簽名影像及該契約影像，一處理單元根據該契約影像，利用一用於擷取影像的簽名區域的簽名擷取模型，獲得一簽名擷取影像，並根據該簽名擷取影像及一在該等簽名影像中對應該目標簽約者的目標簽名影像，利用一用於提取二張影像特徵並計算相似度的相似度模型，獲得一相似度值，且根據該簽名擷取影像、該目標簽名影像，及該相似度值，利用一用於分類簽名真偽的簽名分類模型，獲得一分類結果，該分類結果包括一指示出簽名為真的機率。

Description

契約簽名鑑別方法及其裝置

本發明是有關於一種鑑別方法，特別是指一種契約簽名鑑別方法及其裝置。

在保險產業中，例如要保書、簽收回條、契約變更申請書、及理賠申請書等保險契約均採實際紙本簽名。尤其保險契約不同一般契約，因標的物轉移、加退保投保內容或變更受益人等批改，如果保單遇到有心人士意圖不軌批改，只要偽造簽名就可以異動，因此，鑑別契約上的簽名是否為保戶親簽、代簽或簽錯名字(不同名)是非常重要的工作。

現有契約上的簽名的真偽鑑別是採用人工的方式鑑別，其基本的運作流程大致為內務人員掃描契約上的簽名，再交由核保人員進行簽名鑑別。然而，現有的簽名鑑別流程繁瑣，加上同一人簽名有可能因書寫環境或工具的不同而有些微差異等因素，使得人工鑑別簽名相當地耗時且耗費人力。

因此，本發明的目的，即在提供一種能自動鑑別契約簽名真偽的契約簽名鑑別方法。

於是，本發明契約簽名鑑別方法，用以驗證一對應一目標簽約者的契約影像的簽名，由一簽名鑑別裝置實施，該簽名驗證裝置儲存多張分別對應多個簽約者的簽名影像及該契約影像，該方法包含一步驟(A)、一步驟(B)，及一步驟(C)。

在該步驟(A)中，該簽名鑑別裝置根據該契約影像，利用一用於擷取影像的簽名區域的簽名擷取模型，獲得一簽名擷取影像

在該步驟(B)中，該簽名鑑別裝置根據該簽名擷取影像及一在該等簽名影像中對應該目標簽約者的目標簽名影像，利用一用於提取二張影像特徵並計算相似度的相似度模型，獲得一相似度值。

在該步驟(C)中，該簽名鑑別裝置根據該簽名擷取影像、該目標簽名影像，及該相似度值，利用一用於分類簽名真偽的簽名分類模型，獲得一分類結果，該分類結果包括一指示出簽名為真的機率。

本發明的目的，即在提供一種能自動鑑別契約簽名真偽的契約簽名鑑別裝置。

於是，本發明契約簽名鑑別裝置，用以驗證一對應一目標簽約者的契約影像的簽名，該裝置包含一儲存單元及一處理單元。

該儲存單元儲存多張分別對應多個簽約者的簽名影像及該契約影像。

該處理單元電連接該儲存單元，該處理單元根據該契約影像，利用一用於擷取影像的簽名區域的簽名擷取模型，獲得一簽名擷取影像，並根據該簽名擷取影像及一在該等簽名影像中對應該目標簽約者的目標簽名影像，利用一用於提取二張影像特徵並計算相似度的相似度模型，獲得一相似度值，且根據該簽名擷取影像、該目標簽名影像，及該相似度值，利用一用於分類簽名真偽的簽名分類模型，獲得一分類結果，該分類結果包括一指示出簽名為真的機率。

本發明的功效在於：藉由該處理單元利用該簽名擷取模型，擷取該契約影像的簽名區域，以獲得該簽名擷取影像，並利用該相似度模型提取該簽名擷取影像與該目標簽名影像的特徵，以獲得該相似度，最後利用該簽名分類模型獲得該分類結果，以鑑別該簽名擷取影像的真偽，大幅度節省擷取契約上的簽名與鑑別簽名真偽的時間與人力。

在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，本發明契約簽名鑑別裝置1的一實施例，用以驗證一對應一目標簽約者的契約影像的簽名，包含一儲存單元11及一電連接該儲存單元11的處理單元12。

該儲存單元11儲存有多筆契約訓練資料、多筆簽名訓練資料、多筆分類訓練資料、多張分別對應多個簽約者的簽名影像，及該契約影像。每一契約訓練資料包括一契約訓練影像及至少一簽名區域標註。每一簽名訓練資料包括一簽名訓練影像及一簽約者標註。每一分類訓練資料包括一第一簽名訓練影像、一第二簽名訓練影像、一相關於該第一簽名訓練影像及該第二簽名訓練影像相似度的訓練相似度值，及一指示出該第一簽名訓練影像與該第二簽名訓練影是否由同一人簽署的真偽標註。

值得注意的是，在本實施例中，簽名區域例如為矩形，每一簽名區域標註包括簽名區域的一中心座標、一寬度，及一高度，舉例來說，該簽名區域的該中心座標例如在一直角座標系，其值例如為(x ,y )，該高度例如為

，該寬度例如為

，則簽名區域的四個點分別為(x

,y

)、(x

,y

)、(x

,y

)，及(x

,y

)，但不以此為限。

本發明契約簽名鑑別方法的一實施例包含一建模程序及一簽名鑑別程序，是由圖1所示的本發明契約簽名鑑別裝置11的該實施例來實現。

參閱圖1、2，以下說明本發明契約簽名鑑別方法的該實施例之該建模程序的步驟流程。

在步驟21中，該處理單元12根據該等契約訓練資料，利用一第一深度學習演算法，建立一用於擷取影像的簽名區域的簽名擷取模型。值得注意的是，在本實施例中，該第一深度學習演算法例如但不限於RetinaNet，其詳細作法記載於”Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollár: Focal Loss for Dense Object Detection. In ICCV, 2017”中，為了簡潔，故在此省略了他們的細節，但不以此為限。

在步驟22中，該處理單元12根據該等簽名訓練資料，利用一第二深度學習演算法，建立一用於提取二張影像特徵並計算相似度的相似度模型。值得注意的是，在本實施例中，該第二深度學習演算法例如但不限於FaceNet，FaceNet為2015年Google所提出用於辨識人臉計數的解決方案，並非本發明之重點，在此不加以贅述。

在步驟23中，該處理單元12根據該等分類訓練資料，利用一機器學習演算法，建立一用於分類簽名真偽的簽名分類模型。值得注意的是，在本實施例中，該機器學習演算法例如但不限於極限梯度提升(eXtreme Gradient Boosting, XGBoost)演算法。

搭配參閱圖3，步驟23還包括子步驟231~235，以下說明步驟23的子步驟。

在步驟231中，對於每一分類訓練資料，該處理單元12根據該分類訓練資料的第一簽名訓練影像，獲得一相關於該第一簽名訓練影像的第一訓練黑色像素數量。

在步驟232中，對於每一分類訓練資料，該處理單元12根據該分類訓練資料的第二簽名訓練影像，獲得一相關於該第二簽名訓練影像的第二訓練黑色像素數量。

在步驟233中，對於每一分類訓練資料，該處理單元12根據該分類訓練資料的第一簽名訓練影像及第二簽名訓練影像，獲得一相關於該第一簽名訓練影像及該第二簽名訓練影像的訓練黑色像素差異值。值得注意的是，在本實施例中，該訓練黑色像素差異值，係透過OpenCV(Open Source Computer Vision Library)將於該第一簽名訓練影像及該第二簽名訓練影像轉灰階後，再計算黑色像素點位所獲得。

在步驟234中，對於每一分類訓練資料，該處理單元12根據步驟231及232所獲得的第一訓練黑色像素數量及第二訓練黑色像素數量，獲得一訓練黑色像素數量比例值。舉例來說，若第一訓練黑色像素數量為2989像素，第二訓練黑色像素數量2188像素，則訓練黑色像素數量比例值為2989/2188=1.366088。

在步驟235中，該處理單元12根據步驟231~234所獲得的第一訓練黑色像素數量、第二訓練黑色像素數量、訓練黑色像素差異值、訓練黑色像素數量比例值，及該等分類訓練資料的訓練相似度值與真偽標註，利用該機器學習演算法，建立該簽名分類模型。

參閱圖1、4，以下說明本發明契約簽名鑑別方法的該實施例之該簽名鑑別程序的步驟流程。

在步驟31中，該處理單元12根據該契約影像，利用該簽名擷取模型，獲得一簽名擷取影像。

在步驟32中，該處理單元12根據該簽名擷取影像及一在該等簽名影像中對應該目標簽約者的目標簽名影像，利用該相似度模型，獲得一相似度值。值得注意的是，在本實施例中，該處理單元12係利用該契約影像的檔名獲得該目標簽名影像，舉例來說，該契約影像的檔名為ACND341170_A72.jpg，則該處理單元12於案件ACND341170的其他檔案的簽名區域為該目標簽名影像，該目標簽名影像的檔名例如ACND341170_A01，但不以此為限。

在步驟33中，該處理單元12根據該簽名擷取影像、該目標簽名影像，及該相似度值，利用該簽名分類模型，獲得一分類結果，該分類結果包括一指示出簽名為真的機率。

搭配參閱圖5，步驟33還包括子步驟331~335，以下說明步驟33的子步驟。

在步驟331中，該處理單元12根據該簽名擷取影像，獲得一相關於該簽名擷取影像的擷取影像黑色像素數量。

在步驟332中，該處理單元12根據該目標簽名影像，獲得一相關於該目標簽名影像的目標影像黑色像素數量。

在步驟333中，該處理單元12根據該簽名擷取影像及該目標簽名影像，獲得一相關於該簽名擷取影像與該目標簽名影像的黑色像素差異值。

在步驟334中，該處理單元12根據該擷取影像黑色像素數量及該目標影像黑色像素數量，獲得一黑色像素數量比例值。

在步驟335中，該處理單元12根據該擷取影像黑色像素數量、該目標影像黑色像素數量、該黑色像素差異值、該黑色像素數量比例值，及該相似度值，利用該簽名分類模型，獲得該分類結果。

要特別注意的是，在本實施例中，若該分類結果的該機率大於該簽名分類模型的一閾值，例如0.8，則表示簽名為真，但不以此為限。

綜上所述，本發明契約簽名鑑別方法及其裝置，藉由該處理單元12利用該簽名擷取模型，擷取該契約影像的簽名區域，以獲得該簽名擷取影像，並利用該相似度模型提取該簽名擷取影像與該目標簽名影像的特徵，以獲得該相似度，最後利用該簽名分類模型獲得該分類結果，以鑑別該簽名擷取影像的真偽，大幅度節省擷取契約上的簽名與鑑別簽名真偽的時間與人力，此外，該簽名擷取模型更可支援不同形式的契約影像，該簽名分類模型根據該相似度模型獲得的該相似度獲得該分類結果，更大幅提升該分類結果的準確度，故確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

1:契約簽名鑑別裝置 11:儲存單元 12:處理單元 21~23:步驟 231~235:步驟 31~33:步驟 331~335:步驟

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，說明本發明契約簽名鑑別裝置的一實施例；圖2是一流程圖，說明本發明契約簽名鑑別方法的一實施例之一建模程序；圖3是一流程圖，輔助說明圖2的步驟23的子步驟；圖4是一流程圖，說明本發明契約簽名鑑別方法的該實施例之一簽名鑑別程序；及圖5是一流程圖，輔助說明圖4的步驟33的子步驟。

1:契約簽名鑑別裝置

11:儲存單元

12:處理單元

Claims

一種契約簽名鑑別方法，用以驗證一對應一目標簽約者的契約影像的簽名，由一簽名鑑別裝置實施，該簽名驗證裝置儲存多張分別對應多個簽約者的簽名影像及該契約影像，及多筆分類訓練資料，每一分類訓練資料包括一第一簽名訓練影像、一第二簽名訓練影像、一相關於該第一簽名訓練影像及該第二簽名訓練影像相似度的訓練相似度值，及一指示出該第一簽名訓練影像與該第二簽名訓練影像是否由同一人簽署的真偽標註，該方法包含以下步驟：(A)根據該契約影像，利用一用於擷取影像的簽名區域的簽名擷取模型，獲得一簽名擷取影像；(B)根據該簽名擷取影像及一在該等簽名影像中對應該目標簽約者的目標簽名影像，利用一用於提取二張影像特徵並計算相似度的相似度模型，獲得一相似度值；(C)根據該等分類訓練資料，利用一機器學習演算法，建立一用於分類簽名真偽的簽名分類模型，其中，步驟(C)包括以下子步驟，(C-1)對於每一分類訓練資料，根據該分類訓練資料的第一簽名訓練影像，獲得一相關於該第一簽名訓練影像的第一訓練黑色像素數量；(C-2)對於每一分類訓練資料，根據該分類訓練資料的第二簽名訓練影像，獲得一相關於該第二簽名訓練影像的第二訓練黑色像素數量；(C-3)對於每一分類訓練資料，根據該分類訓練資料的第一簽名訓練影像及第二簽名訓練影像，獲得一相關於該第一簽名訓練影像及該第二簽名訓練影像的訓練黑色像素差異值；(C-4)對於每一分類訓練資料，根據步驟(C-1)及(C-2)所獲得的第一訓練黑色像素數量及第二訓練黑色像素數量，獲得一訓練黑色像素數量比例值；及(C-5)根據步驟(C-1)~(C-4)所獲得的第一訓練黑色像素數量、第二訓練黑色像素數量、訓練黑色像素差異值、訓練黑色像素數量比例值，及該等分類訓練資料的訓練相似度值與真偽標註，利用該機器學習演算法，建立該簽名分類模型；及(D)根據該簽名擷取影像、該目標簽名影像，及該相似度值，利用該簽名分類模型，獲得一分類結果，該分類結果包括一指示出簽名為真的機率。
如請求項1所述的契約簽名鑑別方法，該簽名鑑別裝置還儲存多筆契約訓練資料，每一契約訓練資料包括一契約訓練影像及至少一簽名區域標註，在步驟(A)之前，還包含以下步驟：(E)根據該等契約訓練資料，利用一第一深度學習演算法，建立該簽名擷取模型。
如請求項1所述的契約簽名鑑別方法，該簽名鑑別裝置還儲存多筆簽名訓練資料，每一簽名訓練資料包括一簽名訓練影像及一簽約者標註，在步驟(B)之前，還包含以下步驟： (F)根據該等簽名訓練資料，利用一第二深度學習演算法，建立該相似度模型。
如請求項1所述的契約簽名鑑別方法，其中，步驟(D)包括以下子步驟：(D-1)根據該簽名擷取影像，獲得一相關於該簽名擷取影像的擷取影像黑色像素數量；(D-2)根據該目標簽名影像，獲得一相關於該目標簽名影像的目標影像黑色像素數量；(D-3)根據該簽名擷取影像及該目標簽名影像，獲得一相關於該簽名擷取影像與該目標簽名影像的黑色像素差異值；(D-4)根據該擷取影像黑色像素數量及該目標影像黑色像素數量，獲得一黑色像素數量比例值；及(D-5)根據該擷取影像黑色像素數量、該目標影像黑色像素數量、該黑色像素差異值、該黑色像素數量比例值，及該相似度值，利用該簽名分類模型，獲得該分類結果。
一種契約簽名鑑別裝置，用以驗證一對應一目標簽約者的契約影像的簽名，該裝置包含：一儲存單元，儲存多張分別對應多個簽約者的簽名影像及該契約影像，及多筆分類訓練資料，每一分類訓練資料包括一第一簽名訓練影像、一第二簽名訓練影像、一相關於該第一簽名訓練影像及該第二簽名訓練影像相似度的訓練相似度值，及一指示出該第一簽名訓練影像與該第二簽名訓練影像是否由同一人簽署的真偽標註；及一處理單元，電連接該儲存單元，根據該契約影像，利用一用於擷取影像的簽名區域的簽名擷取模型，獲得一簽名擷取影像，並根據該簽名擷取影像及一在該等簽名影像中對應該目標簽約者的目標簽名影像，利用一用於提取二張影像特徵並計算相似度的相似度模型，獲得一相似度值，並根據該等分類訓練資料，利用一機器學習演算法，建立一用於分類簽名真偽的簽名分類模型，且根據該簽名擷取影像、該目標簽名影像，及該相似度值，利用該簽名分類模型，獲得一分類結果，該分類結果包括一指示出簽名為真的機率，其中，對於每一分類訓練資料，該處理單元根據該分類訓練資料的第一簽名訓練影像，獲得一相關於該第一簽名訓練影像的第一訓練黑色像素數量，並對於每一分類訓練資料，該處理單元根據該分類訓練資料的第一簽名訓練影像及第二簽名訓練影像，獲得一相關於該第一簽名訓練影像及該第二簽名訓練影像的訓練黑色像素差異值，且對於每一分類訓練資料，該處理單元根據所獲得的第一訓練黑色像素數量及第二訓練黑色像素數量，獲得一訓練黑色像素數量比例值，再根據所獲得的第一訓練黑色像素數量、第二訓練黑色像素數量、訓練黑色像素差異值、訓練黑色像素數量比例值，及該等分類訓練資料的訓練相似度值與真偽標註，利用該機器學習演算法，建立該簽名分類模型。
如請求項5所述的契約簽名鑑別裝置，其中，該儲存單元還儲存多筆契約訓練資料，每一契約訓練資料包括一契約訓練影像及至少一簽名區域標註，該處理單元根據該等契約訓練資料，利用一第一深度學習演算法，建立該簽名擷取模型。
如請求項5所述的契約簽名鑑別裝置，其中，該儲存單元還儲存多筆簽名訓練資料，每一簽名訓練資料包括一簽名訓練影像及一簽約者標註，該處理單元根據該等簽名訓練資料，利用一第二深度學習演算法，建立該相似度模型。
如請求項5所述的契約簽名鑑別裝置，其中，該處理單元根據該簽名擷取影像，獲得一相關於該簽名擷取影像的擷取影像黑色像素數量，並根據該目標簽名影像，獲得一相關於該目標簽名影像的目標影像黑色像素數量，且根據該簽名擷取影像及該目標簽名影像，獲得一相關於該簽名擷取影像與該目標簽名影像的黑色像素差異，再根據該擷取影像黑色像素數量及該目標影像黑色像素數量，獲得一黑色像素數量比例值，最後根據該擷取影像黑色像素數量、該目標影像黑色像素數量、該黑色像素差異值、該黑色像素數量比例值，及該相似度值，利用該簽名分類模型，獲得該分類結果。