一种基于模糊均值哈希学习的签名自动判别方法技术

本发明专利技术公开了一种基于模糊均值哈希学习的签名自动判别方法，涉及计算机应用技术领域，包括步骤一、对签字正数据集中的图像进行预处理，学习图像特征，利用卷积神经网络算法对签字正数据集中的图像提取图像特征。本发明专利技术的应用装置多样化，即可以通过移动终端直接访问服务端系统，也可以通过电子屏连接服务端系统，适用面广，通过本发明专利技术可以自动判别签字是否为本人，提高了身份识别的准确性；本发明专利技术自动学习用户签字模型，简化了判别真伪的难度，降低了专家人员的负担，通过实时处理的方式进行哈希学习，大大降低了计算机内存的开销，减轻了服务端的硬件压力。

【技术实现步骤摘要】
一种基于模糊均值哈希学习的签名自动判别方法
本专利技术涉及计算机应用
，特别涉及一种基于模糊均值哈希学习的签名自动判别方法。
技术介绍
目前，工作人员在工作中比对是否为用户本人签字时，存在辨别过程难、用户隐私安全性不足和相似图像的区别度比较方法匮乏等问题，而且，一般的签字区分系统需要耗费大量的专家资源，该领域专家的培养成本很高，生活中比较匮乏。现有的图像系统大都是采用近似近邻搜索，缺乏针对相似图片中具体区别域的分析；现有哈希学习方法大都应用在近似近邻检索领域，没有针对区分相似图像区别的方法，而且已有的哈希方法难以应对数据的在线处理，缺乏反馈机制，哈希学习一般需要大量训练数据，而现实中想采集大量同一个人的签字数据是很困难的。因此，需要一个可以实时处理，自动反馈的签字判别系统，有助于帮助工作人员识别用户的身份信息，减轻专家负担，提高系统安全性。
技术实现思路
本专利技术实施例提供了一种基于模糊均值哈希学习的签名自动判别方法，用以解决现有技术中存在的问题。一种基于模糊均值哈希学习的签名自动判别方法，包括步骤一、对签字正数据集中的图像进行预处理利用卷积神经网络算法对签字正数据集中的图像提取图像特征，降低噪声数据对签字正数据集中的图像在哈希学习过程中造成的影响；步骤二、对签字正数据集中的图像特征进行哈希编码采用模糊均值哈希算法，对提取的图像特征数据进行动态哈希学习，模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类，得到动态更新的聚类中心后，再通过偏移超平面进行哈希编码，得到具有区域代表性的签字正数据集中的图像的哈希码段；步骤三、对签字负数据集中的图像进行预处理利用卷积神经网络算法对签字负数据集中的图像提取图像特征，降低噪声数据对签字负数据集中的图像在哈希学习过程中造成的影响；步骤四、对签字负数据集中的图像特征进行哈希编码采用模糊均值哈希算法，对提取的图像特征数据进行动态哈希学习，模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类，得到动态更新的聚类中心后，再通过偏移超平面进行哈希编码，得到具有区域代表性的签字负数据集中的图像的哈希码段；步骤五、对签字正负数据集中的图像的哈希码段进行近似度区分比对签字正负数据集中的图像的哈希码段，计算签字正负数据集中的图像间的哈希码距离，得到签字正负数据集中的图像的近似度区分系数，用于对签结果字图像区分时使用；步骤六、对签字结果图像进行判别首先利用卷积神经网络算法对签字结果图像进行预处理，得到签字结果图像特征，然后再对签字结果图像特征进行哈希编码，得到签字结果图像的哈希码段，再将签字结果图像的哈希码段与现有签字正负数据集图像的近似度区分系数进行比较，得到判别结果，同时将判别结果进行反馈，调整签字正负数据集中的图像的近似度区分系数。较佳地，所述签字结果图像通过电子屏获取签字输入并扫描上传，或者通过移动设备拍照或扫描上传，所述电子屏为压感式触摸屏，所述移动设备为手机或ipad。本专利技术有益效果：(1)本专利技术应用装置多样化，即可以通过移动终端直接访问服务端系统，也可以通过电子屏连接服务端系统，适用面广；(2)本专利技术可以自动判别签字是否为本人，提高了身份识别的准确性；(3)本专利技术通过自动学习用户签字模型，简化了判别真伪的难度，降低了专家人员的负担；(4)本专利技术通过实时处理的方式进行哈希学习，大大降低了计算机内存的开销，减轻了服务端的硬件压力。附图说明图1为本专利技术实施例提供的一种基于模糊均值哈希学习的签名自动判别方法的结构示意图；图2为卷积层的结构示意图；图3为哈希层的结构示意图；图4为签名自动判别系统的结构示意图；图5为本专利技术实施例提供的一种基于模糊均值哈希学习的签名自动判别方法的流程示意图；图6为正样本的签名图片；图7为正样本的编码结果；图8为负样本的签名图片；图9为负样本的编码结果；图10为查询样本的签名图片；图11为查询样本的编码结果；图12为查询样本的判别结果。具体实施方式下面结合专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。为了解决工作人员在工作中比对是否为用户本人签字的过程难、用户隐私安全性不足和相似图像的区别度比较方法匮乏等问题，本专利技术通过软硬件结合的方式，设计实现一种基于卷积神经网络和模糊均值哈希学习的B/S结构的签字自动判别系统，它充分利用卷积神经网络挖掘图像内部特征的能力，和哈希编码查询快的特点，解决了签字验证系统判别难，需要大量专业人士进行比对等问题。本专利技术是结合大数据哈希检索的信息校对系统实例的。参照图1、图2和图3，本专利技术提供了一种基于模糊均值哈希学习的签名自动判别方法，包括步骤一、对签字正数据集中的图像进行预处理利用卷积神经网络算法对签字正数据集中的图像提取图像特征，降低噪声数据对签字正数据集中的图像在哈希学习过程中造成的影响；利用卷积层学习图像特征，利用卷积神经网络算法对图像处理的有效性提取图像特征，降低掉噪声数据对图像样本在哈希学习过程中造成的影响。而且由于卷积神经网络属于局部连接网络，可以提取出图像的局部特征信息，有利于判别签字图像细节的区别，卷积层的计算方法如下：其中，“act”表示激活函数；“X′”表示输入的灰度图像矩阵，由于签字主要需要图像的形态，所以选用灰度图像；“W”表示卷积核，智能签字判别系统中采用较常见的Sobel卷积核；代表进行卷积操作；“bias”表示偏置位，对数据进行偏移操作。步骤二、对签字正数据集中的图像特征进行哈希编码采用模糊均值哈希算法，对动态加入的数据进行动态哈希学习，模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类，得到动态更新的聚类中心后，再通过偏移超平面进行哈希编码，得到具有区域代表性的正数据集中的图像的哈希码段，便于比较签字图像的区别；利用哈希层对签字正数据集中的图像特征进行哈希编码，所述哈希层，包括无监督学习层、量化层和编码层，所述无监督学习层包括初始静态无监督学习层和动态无监督学习层，所述量化层包括选取最大近邻组对层和建立偏移超平面层，所述编码层用于对样本进行数据的二值化学习；所述哈希层采用一种模糊均值哈希算法，该算法可以对动态加入的数据进行动态哈希学习，有效的解决了现有哈希算法难以应对数据实时更新的问题；模糊均值哈希算法首先利用一种在线模糊C均值聚类算法(OFCM)对无标记数据进行聚类，采用最小二乘法降低损失函数，有效的提高了聚类学习过程，聚类结果可以用来对数据进行区分度学习。聚类过程采用一种带权的损失函数：其中，xi代表数据样本，cj代表聚类中心，代表隶属度，即每个数据样本对于聚类类别的隶属度，通过约束条件得到聚类中心的动态更新公式：其中，xi代表数据样本，cj(t)代表初始聚类中心,其中，xi代表数据样本，代表初始隶属度；通过上述公式得到动态更新的聚类中心后，再通过聚类中心的偏移超平面进行哈希编码，得到具有区域代表性的哈希码段，便于比较签字图像的区别。步骤三、对签字负数据集中的图像进行预处理利用卷积神经网络算法对签字负数据集中的图像提取图像特征，降低噪声数据对签字负数据集中的图像在哈希学习过程中造成的影响。步骤四、对签字负数据集中的图像特征进行哈希编码采用模糊均值哈希算法，本文档来自技高网...

【技术保护点】
1.一种基于模糊均值哈希学习的签名自动判别方法，其特征在于，包括：步骤一、对签字正数据集中的图像进行预处理利用卷积神经网络对签字正数据集中的图像提取图像特征，降低噪声数据对签字正数据集中的图像在哈希学习过程中造成的影响；步骤二、对签字正数据集中的图像特征进行哈希编码采用模糊均值哈希算法，对提取的图像特征数据进行动态哈希学习，模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类，得到动态更新的聚类中心后，再通过偏移超平面进行哈希编码，得到具有区域代表性的正数据集中的图像的哈希码段；步骤三、对签字负数据集中的图像进行预处理利用卷积神经网络对签字负数据集中的图像提取图像特征，降低噪声数据对签字负数据集中的图像在哈希学习过程中造成的影响；步骤四、对签字负数据集中的图像特征进行哈希编码采用模糊均值哈希算法，对提取的图像特征数据进行动态哈希学习，模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类，得到动态更新的聚类中心后，再通过偏移超平面进行哈希编码，得到具有区域代表性的签字负数据集中的图像的哈希码段；步骤五、对签字正负数据集中的图像的哈希码段进行近似度区分比对签字正负数据集中的图像的哈希码段，计算签字正负数据集中的图像间的哈希距离，得到签字正负数据集中的图像的近似度区分系数，用于对签结果字图像区分时使用；步骤六、对签字结果图像进行判别首先利用卷积神经网络对签字结果图像进行预处理，得到签字结果图像特征，然后再对签字结果图像特征进行哈希编码，得到签字结果图像的哈希码段，再将签字结果图像的哈希码段与签字正负数据集中的图像的近似度区分系数进行比较，得到判别结果，同时将判别结果进行反馈，调整签字正负数据集中的图像的近似度区分系数。...

【技术特征摘要】
1.一种基于模糊均值哈希学习的签名自动判别方法，其特征在于，包括：步骤一、对签字正数据集中的图像进行预处理利用卷积神经网络对签字正数据集中的图像提取图像特征，降低噪声数据对签字正数据集中的图像在哈希学习过程中造成的影响；步骤二、对签字正数据集中的图像特征进行哈希编码采用模糊均值哈希算法，对提取的图像特征数据进行动态哈希学习，模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进行聚类，得到动态更新的聚类中心后，再通过偏移超平面进行哈希编码，得到具有区域代表性的正数据集中的图像的哈希码段；步骤三、对签字负数据集中的图像进行预处理利用卷积神经网络对签字负数据集中的图像提取图像特征，降低噪声数据对签字负数据集中的图像在哈希学习过程中造成的影响；步骤四、对签字负数据集中的图像特征进行哈希编码采用模糊均值哈希算法，对提取的图像特征数据进行动态哈希学习，模糊均值哈希算法首先采用在线模糊C均值聚类算法对图像特征数据进...

【专利技术属性】
技术研发人员：王星，闫慧斌，陈吉，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁,21