一种异常签名的识别方法及其系统技术方案

本发明专利技术公开了一种异常签名的识别方法，包括以下步骤：对样本签名图片进行预处理并形成签名样本库；构建卷积神经网络模型，设置输入层、卷积层、池化层、全连接层和分类层，并设置卷积神经网络模型参数；对卷积神经网络模型进行调优；使用训练集样本训练卷积神经网络模型，使用测试集测试训练后卷积神经网络的准确性和稳定性。获取客户签名图像并进行预处理，将图像转换成相同大小的矩阵；调用调优后的卷积神经网络模型的输出分类模型对预处理后的客户签名图像数据进行判断，确定非正常签名，并将该签名图像数据加入签名样本库进行模型持续训练。本发明专利技术创新性地将计算机识别技术应用到非规范签名的识别当中，结合深度学习的方式，输出效果理想。

An anomaly signature recognition method and its system

【技术实现步骤摘要】
一种异常签名的识别方法及其系统
本专利技术涉及签名识别
，尤其涉及一种异常签名的识别方法及其系统。
技术介绍
用户签字，代表着用户本人主观确认行为，在各种业务环节都广泛的使用，有着极其重要的意义。然而，目前在整个获取用户签字留档过程中，对于用户签字内容的判别尚停留在人工鉴定和简单的数据指标筛选层面，前者需要耗费大量的人力资源，后者在判别的准确率上不尽如人意。而本专利技术主要识别用户签名过程中非正常签名，如画圈、画点和画线等随意涂画的现象。通过机器学习方式，来实现高准确率、高度自动化和智能化的签名识别，针对如收单业务需要用户签名确认交易的场景中，确认签名的有效性，以保证交易的合规性。广义上，图像就是所有具有视觉效果的画面，包括纸介质上的、底片或照片上的、电视、投影仪或计算机屏幕上的画面。一幅图像可以定义为一个二维函数f(x，y)，其中x和y是空间坐标，在任何一对空间坐标(x，y)处的幅值f称为图像在该点的强度或灰度。当x，y，f(x，y)是有限的离散数值时，该图像称为数字图像。数字图像由一个个元素组成，每个元素都有一个特定的位置和幅值，这些元素称为像素。像素实质是一个物理尺寸单位。例如，17英寸大的电脑屏幕可以用800*1280个像素来显示图像，也可以用600*800个像素来显示，而前者画面看起来会更清晰，因为在相同大小的屏幕下，前者每一个像素所表示的物理尺寸更小，意味着画面更精细，分辨率更高。一幅图像可以用由像素组成的二维矩阵表示。常见图像色彩模式包括：位图模式：图像只有黑色和白色的像素，每个像素只有2个值可取。灰度模式：使用256级灰度来表示像素，每个像素有一个0(黑)到255(白)之间的强度。RGB模式：用红、绿、蓝三基色形成的三元组来表示像素，三元组的每个数值按照0(相应的基色在该像素中没有)到255(相应的基色在该像素中取得最大值)来表示。当三元组相等时，该像素产生灰色。HSB模式：根据日常生活中人眼的视觉对色彩的观察制定的一套模式，最接近人类对色彩的辨认思考方式。所有像素用色彩的三个属性来描述：H(色相)从物体反射或透过物体传播的颜色；S(饱和度)颜色的强度或纯度，表示色相中灰色成份的比例；B(亮度)颜色的相对明暗程度。目前针对鉴定用户签名是否为非正常签名，如画圈、画点、画线等随意涂画的现象，在交易过程中并未进行鉴定。而是在发生调单情况的时候将用户签名提取出来进行人工鉴定。另外一种方式，在智能POS机上，通过总结如画圈、画点和画线这种签名出现的像素点较少，从而设置一个屏幕中像素点出现的占比，设定阈值，如果低于某个阈值则怀疑用户进行了非正常签名。人工审核的方式，在交易频发的时候，是不现实的，会降低交易的效率。而从业务方比如商户要求监控用户签名行为也不具有可行性，因为对于商户来说使得用户尽快完成交易，提高交易量才是商户的内在动机，并不会特别去规范用户的签名行为，因为发生拒付和调单的概率相对较低。计算像素占比并设置阈值，误判率很高，比如用户名字相对比较简单的情况下，比如叫“丁一”，则会误判。另外该方法容易被破解，比如乱涂增加像素占比，也为非正常签名但系统不能正常判断。
技术实现思路
本专利技术的目的是解决现有技术中的问题，提供一种将计算机识别(图像识别)技术应用到非规范签名的识别当中，结合深度学习的方式，有效防范此类签名带给交易的风险，更加灵活和可靠的异常签名识别方法。本专利技术提供一种异常签名的识别方法，包括以下步骤：步骤1：对样本签名图片进行预处理，将图像转换成相同大小的矩阵作为神经网络的输入数据形成签名样本库；步骤2：构建卷积神经网络模型，设置输入层、卷积层、池化层、全连接层和分类层，并设置卷积神经网络模型参数；步骤3：对步骤2中的卷积神经网络模型进行调优；将签名样本库分为训练集和测试集，使用训练集样本训练卷积神经网络模型，使用测试集测试训练后卷积神经网络的准确性和稳定性并调整步骤2中的分层结构及模型参数，获得调优卷积神经网络模型；步骤4：获取客户签名图像并进行预处理，将图像转换成相同大小的矩阵；步骤5：调用调优后的卷积神经网络模型的输出分类模型对预处理后的客户签名图像数据进行判断，确定是否为非正常签名，并将该签名图像数据加入签名样本库进行模型持续训练。优选地，所述步骤1中的图片预处理过程包括：将图片的好样本或坏样本的标签加入图片信息中。优选地，所述相同大小的矩阵的像素尺寸为64*64，所述样本库好样本和坏样本的比例接近1∶1。优选地，所述步骤2中所述的卷积神经网络模型参数主要包括：批次尺寸，训练步数，损失函数和优化器。优选地，所述步骤5中的签名图像数据在加入签名样本库前进行压缩处理；在卷积神经网络模型调优过程中对该预处理数据进还原处理。优选地，所述压缩处理过程包括：签名图像去除白边；签名图像大小压缩；添加数字签名；图片格式压缩。优选地，所述还原处理过程包括：图像数据验签；图像格式还原；矩阵黑白通道统一化处理。本专利技术提供一种异常签名异常签名的识别系统，包括：签名样本库收集模块：用于对样本签名图片进行预处理，将图像转换成相同大小的矩阵作为神经网络的输入数据形成签名样本库；卷积神经网络模型构建模块：用于构建卷积神经网络模型，设置输入层、卷积层、池化层、全连接层和分类层，并设置卷积神经网络模型参数；卷积神经网络模型训练模块：用于对卷积神经网络模型进行调优；将签名样本库分为训练集和测试集，使用训练集样本训练卷积神经网络模型，使用测试集测试训练后卷积神经网络的准确性和稳定性并调整步骤2中的分层结构及模型参数，获得调优卷积神经网络模型；客户签名图像收集处理模块：用于获取客户签名图像并进行预处理，获得压缩数据；签名识别模块：用于调用调优后的卷积神经网络模型的输出分类模型对预处理后的客户签名图像数据进行判断，确定是否为非正常签名，并将签名图像资源加入签名样本库进行模型持续训练。优选地：所述卷积神经网络模型训练模块具体用于持续优化，建立输出分类模型，用于判断待测签名是否为异常签名。本专利技术的优点是：1，摈弃了原来耗费人力、效率低下、识别准确率低的人工和规则的方式，创新性地将计算机识别(图像识别)技术应用到非规范签名的识别当中，结合深度学习的方式，通过监督式学习，将输入的图片进行归类。一方面，一旦模型训练完成，标记样本仅需要少量的人工参与，模型进行自动更新和训练，降低了对于人的依赖；另一方面，系统能够随着收集的样本及数据的增加，针对新的不合规签名可以迭代式更新，防范此类签名带给交易的风险，更加灵活和可靠。2、模型训练过程总的图片预处理方式、图片尺寸、样本选择比例等较为合理，可以获得最优的训练效果。3、卷积神经网络模型的分层设置方式和参数设置较为合理，输出效果理想。为了使本专利技术实现的技术手段、技术特征、专利技术目的与技术效果易于明白了解，下面结合具体图示，进一步阐述本专利技术。附图说明本文档来自技高网...

【技术保护点】
1.一种异常签名的识别方法，其特征在于，包括以下步骤：/n步骤1：对样本签名图片进行预处理，将图像转换成相同大小的矩阵作为神经网络的输入数据形成签名样本库；/n步骤2：构建卷积神经网络模型，设置输入层、卷积层、池化层、全连接层和分类层，并设置卷积神经网络模型参数；/n步骤3：对步骤2中的卷积神经网络模型进行调优；将签名样本库分为训练集和测试集，使用训练集样本训练卷积神经网络模型，使用测试集测试训练后卷积神经网络的准确性和稳定性并调整步骤2中的分层结构及模型参数，获得调优卷积神经网络模型；/n步骤4：获取客户签名图像并进行预处理，将图像转换成相同大小的矩阵；/n步骤5：调用调优后的卷积神经网络模型的输出分类模型对预处理后的客户签名图像数据进行判断，确定是否为非正常签名，并将该签名图像数据加入签名样本库进行模型持续训练。/n

【技术特征摘要】
1.一种异常签名的识别方法，其特征在于，包括以下步骤：
步骤1：对样本签名图片进行预处理，将图像转换成相同大小的矩阵作为神经网络的输入数据形成签名样本库；
步骤2：构建卷积神经网络模型，设置输入层、卷积层、池化层、全连接层和分类层，并设置卷积神经网络模型参数；
步骤3：对步骤2中的卷积神经网络模型进行调优；将签名样本库分为训练集和测试集，使用训练集样本训练卷积神经网络模型，使用测试集测试训练后卷积神经网络的准确性和稳定性并调整步骤2中的分层结构及模型参数，获得调优卷积神经网络模型；
步骤4：获取客户签名图像并进行预处理，将图像转换成相同大小的矩阵；
步骤5：调用调优后的卷积神经网络模型的输出分类模型对预处理后的客户签名图像数据进行判断，确定是否为非正常签名，并将该签名图像数据加入签名样本库进行模型持续训练。


2.根据权利要求1所述的异常签名的识别方法，其特征在于，所述步骤1中的图片预处理过程包括：将图片的好样本或坏样本的标签加入图片信息中。


3.根据权利要求2所述的异常签名的识别方法，其特征在于，所述相同大小的矩阵的像素尺寸为64*64，所述样本库好样本和坏样本的比例接近1∶1。


4.根据权利要求1所述的异常签名的识别方法，其特征在于，所述步骤2中所述的卷积神经网络模型参数主要包括：批次尺寸，训练步数，损失函数和优化器。


5.根据权利要求1所述的异常签名的识别方法，其特征在于，所述步骤5中的签名图像数据在加入签名样本库前进行压缩处理；在...

【专利技术属性】
技术研发人员：周晔，穆海洁，裔隽，
申请(专利权)人：上海汇付数据服务有限公司，
类型：发明
国别省市：上海;31