签名审核方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种签名审核方法、装置、计算机设备和存储介质，其中方法通过获取与用户标识对应的待审核的签名图像，并提取签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征，查询与用户标识对应的历史签名特征，进而采用深度学习神经网络模型检测当前签名特征是否与查询到的历史签名特征相匹配，若匹配，则确定签名图像审核通过，从而完成对签名图像的自动审核，不仅提高了对签名图像的审核速度，而且具有较高的准确度。

Signature audit methods, devices, computer equipment and storage media

【技术实现步骤摘要】
签名审核方法、装置、计算机设备和存储介质
本申请涉及图像识别
，特别是涉及一种签名审核方法、装置、计算机设备和存储介质。
技术介绍
随着社会经济的持续发展，银行日常开展的业务量也逐渐增多。但随之而来的业务中手写签名量也越来越多，因此，手写签名的审核工作也越来越繁杂，传统的人工审核已不能满足需求。基于此，有人提出了手写签名识别审核系统，目前，手写签名的识别审核主要集中在手写单个字符识别和签名整体字符识别两个方向。而单个字符识别主要以数字字符和单个中文字符为主，但该方法无法识别多个书写连续的字符，需要对连续字符进行分割后再识别。而签名整体字符识别虽然可以有效的识别出连续字符，但是传统的整体字符识别其准确率并不高。
技术实现思路
基于此，有必要针对上述传统的手写签名审核准确度不高的问题，提供一种能够有效提高手写签名审核准确度的签名审核方法、装置、计算机设备和存储介质。为了实现上述目的，一方面，本申请实施例提供了一种签名审核方法，所述方法包括：获取与用户标识对应的待审核的签名图像；提取签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征；查询与用户标识对应的历史签名特征；采用深度学习神经网络模型检测当前签名特征是否与查询到的历史签名特征相匹配；若匹配，则确定签名图像审核通过。在其中一个实施例中，提取签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征，包括：采用第一神经网络提取签名图像的边缘特征；采用第二神经网络提取签名图像的笔迹特征；通过按列合并的方式将边缘特征和笔迹特征进行合并，以得到当前签名特征。在其中一个实施例中，在查询与用户标识对应的历史签名特征之前，还包括：获取历史签名图像，其中，历史签名图像具有对应的用户标识；提取历史签名图像的历史签名特征；根据历史签名图像对应的用户标识将历史签名特征存储于分布式数据库中。在其中一个实施例中，查询与用户标识对应的历史签名特征，包括：采用词统计命令，在分布式数据库中查找与用户标识对应的历史签名特征；若查找到的历史签名特征的数量达到目标数量，则提取目标数量的历史签名特征。在其中一个实施例中，深度学习神经网络模型的生成方法包括：获取样本签名图像数据集，其中，样本签名图像数据集中包括正样本数据集和负样本数据集；分别通过正样本数据集和负样本数据集训练支持向量机，直至参数收敛，得到深度学习神经网络模型。在其中一个实施例中，分别通过正样本数据集和负样本数据集训练支持向量机，包括：提取正样本数据集和负样本数据集中每一个样本签名图像对应的样本签名特征；分别通过正样本数据集和负样本数据集中每一个样本签名图像对应的样本签名特征，训练支持向量机。在其中一个实施例中，确定签名图像审核通过之后，还包括：根据用户标识将签名图像对应的当前签名特征存储于分布式数据库中。另一方面，本申请实施例还提供了一种签名审核装置，所述装置包括：图像获取模块，用于获取与用户标识对应的待审核的签名图像；特征提取模块，用于提取签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征；查询模块，用于查询与用户标识对应的历史签名特征，特征检测模块，用于采用深度学习神经网络模型检测当前签名特征是否与查询到的历史签名特征相匹配；若匹配，则确定签名图像审核通过。又一方面，本申请实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。再一方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。上述签名审核方法、装置、计算机设备和存储介质，通过获取与用户标识对应的待审核的签名图像，并提取签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征，查询与用户标识对应的历史签名特征，进而采用深度学习神经网络模型检测当前签名特征是否与查询到的历史签名特征相匹配，若匹配，则确定签名图像审核通过，从而完成对签名图像的自动审核，不仅提高了对签名图像的审核速度，而且具有较高的准确度。附图说明图1为一个实施例中签名审核方法的应用环境图；图2为一个实施例中签名审核方法的流程示意图；图3为一个实施例中提取签名特征步骤的流程示意图；图4为另一个实施例中签名审核方法的流程示意图；图5为一个实施例中深度学习神经网络模型的生成步骤的流程示意图；图6为又一个实施例中签名审核方法的流程示意图；图7为一个实施例中签名审核装置的结构框图；图8为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的签名审核方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信，终端102可以是各种具有图像采集或存储功能的设备，如可以但不限于各种智能手机、平板电脑、相机和便携式图像采集设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。具体的，终端102用于采集或存储签名图像，并将采集的签名图像通过网络发送至服务器104，当然签名图像也可以预先存储在服务器104中。服务器104在获取到与用户标识对应的待审核的签名图像后，则提取签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征，并查询与用户标识对应的历史签名特征，进而采用深度学习神经网络模型检测当前签名特征是否与查询到的历史签名特征相匹配，若匹配，则确定签名图像审核通过，从而完成对签名图像的自动审核，不仅提高了对签名图像的审核速度，而且具有较高的准确度。且可以广泛的应用于，如智能柜台、柜外清系统、移动厅堂无纸化交易业务等。在一个实施例中，如图2所示，提供了一种签名审核方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：步骤202，获取与用户标识对应的待审核的签名图像。其中，待审核的签名图像是指需要进行真实性验证的签名图像，即验证图像中的签名笔迹是否为本人笔迹。用户标识则是指可以区分不同用户的唯一标识，如用户的身份证号等。具体的，当用户在线上或线下办理金融业务或其他实名制且需要用户签名的业务时，通常会与用户标识相关联，且需要对用户的签名进行真实性验证，只有在真实性验证通过后才进入业务的下一个流程。在本实施例中，待审核的签名图像可以是在用户办理业务过程中采集的用户书写的签名的矢量文件。步骤204，提取签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征。其中，边缘特征是指图像中具有明显变化的边缘或者不连续的区域，通常边缘是一幅图像中不同区域之间的边界线，而提取边缘特征的目的是捕捉图像中亮度急剧变化的区域。笔迹特征则是指一个人笔迹不同于他人笔迹的具体形象。本文档来自技高网...

【技术保护点】
1.一种签名审核方法，其特征在于，所述方法包括：/n获取与用户标识对应的待审核的签名图像；/n提取所述签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征；/n查询与所述用户标识对应的历史签名特征；/n采用深度学习神经网络模型检测所述当前签名特征是否与查询到的历史签名特征相匹配；/n若匹配，则确定所述签名图像审核通过。/n

【技术特征摘要】
1.一种签名审核方法，其特征在于，所述方法包括：
获取与用户标识对应的待审核的签名图像；
提取所述签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征；
查询与所述用户标识对应的历史签名特征；
采用深度学习神经网络模型检测所述当前签名特征是否与查询到的历史签名特征相匹配；
若匹配，则确定所述签名图像审核通过。


2.根据权利要求1所述的签名审核方法，其特征在于，所述提取所述签名图像的边缘特征和笔迹特征，以得到合并后的当前签名特征，包括：
采用第一神经网络提取所述签名图像的边缘特征；
采用第二神经网络提取所述签名图像的笔迹特征；
通过按列合并的方式将所述边缘特征和所述笔迹特征进行合并，以得到当前签名特征。


3.根据权利要求1所述的签名审核方法，其特征在于，在所述查询与所述用户标识对应的历史签名特征之前，还包括：
获取历史签名图像，所述历史签名图像具有对应的用户标识；
提取所述历史签名图像的历史签名特征；
根据所述历史签名图像对应的用户标识将所述历史签名特征存储于分布式数据库中。


4.根据权利要求3所述的签名审核方法，其特征在于，所述查询与所述用户标识对应的历史签名特征，包括：
采用词统计命令，在所述分布式数据库中查找与所述用户标识对应的历史签名特征；
若查找到的所述历史签名特征的数量达到目标数量，则提取目标数量的历史签名特征。


5.根据权利要求1所述的签名审核方法，其特征在于，所述深度学习神经网络模型的生成方法包括：
获取样本签名图像数据集，所述样...

【专利技术属性】
技术研发人员：居胜峰，郁敏，李军，付劲，朱曦，苏蒙娅，
申请(专利权)人：江苏常熟农村商业银行股份有限公司，
类型：发明
国别省市：江苏;32