一种基于深度学习的中文手写签名识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的中文手写签名识别方法及系统，方法包括：生成包括中文手写签名图片的训练数据集；对所述中文手写签名图片进行处理，生成增强数据集；通过所述增强数据集对中文签名检测算法模型进行训练，当所述中文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分别达到阈值时，将所述中文签名检测算法模型作为最终中文签名检测算法模型；采集待识别的中文手写签名图片，并对所述待识别的中文手写签名图片进行预处理；通过最终中文签名检测算法模型对经过预处理的所述待识别的中文手写签名图片进行识别，输出所述待识别的中文手写签名图片中中文手写签名的边框坐标以及分类结果。片中中文手写签名的边框坐标以及分类结果。片中中文手写签名的边框坐标以及分类结果。

【技术实现步骤摘要】
一种基于深度学习的中文手写签名识别方法及系统


[0001]本专利技术涉及图像识别
，更具体地，涉及一种基于深度学习的中文手写签名识别方法及系统。

技术介绍

[0002]手写签名在日常生活中随处可见，简单来说就是亲笔书写自己的名字，在纸质文档上使用手写签名主要用以确定签字者的身份，并表示签字者同意所签署文档中规定的内容，对文档的真实性负责，且具有法律效力。由此看见手写签名的重要性。现有技术对电子文档中的中文手写签名识别准确性不高，识别效率较低。
[0003]现有技术1(公开号CN110008909A)通过建立基于深度学习的二分类模型，对输入的签名图片进行分类，分为有效签名或者无效签名。然而，现有技术1是在已知签名位置的基础上进行签名图片的分类，判断是否是有效签名，现有技术1无法解决未知签名位置对签名进行实别的问题。
[0004]现有技术2(公开号CN113095203A)采用现有的视频解析技术对视频进行解析，得到多张连续的图片，作为签名图片组，然后采用YoloV4算法对签名图片组进行检测，得到签字笔识别结果，然后再采用Faster R
‑
CNN算法进行检测，得到识别结果，两者结合判断是否签名通过。现有技术2还需要单独判断签名是否有效，识别效率低。
[0005]因此，需要一种技术，以实现基于深度学习模型对的中文手写签名进行识别。

技术实现思路

[0006]本专利技术技术方案提供一种基于深度学习的中文手写签名识别方法及系统，以解决如何基于深度学习对中文手写签名识别的问题。
[0007]为了解决上述问题，本专利技术提供了一种基于深度学习的中文手写签名识别方法，所述方法包括：
[0008]生成包括中文手写签名图片的训练数据集；
[0009]对所述中文手写签名图片进行处理，生成增强数据集；
[0010]通过所述增强数据集对中文签名检测算法模型进行训练，当所述中文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分别达到阈值时，将所述中文签名检测算法模型作为最终中文签名检测算法模型；
[0011]采集待识别的中文手写签名图片，并对所述待识别的中文手写签名图片进行预处理；
[0012]通过最终中文签名检测算法模型对经过预处理的所述待识别的中文手写签名图片进行识别，输出所述待识别的中文手写签名图片中中文手写签名的边框坐标以及分类结果。
[0013]优选地，所述生成包括中文手写签名图片的训练数据集，包括：
[0014]设置图片的尺寸，以及设置字体的大小；
[0015]基于背景库随机挑选背景，基于人名库随机挑选人名，基于字体库随机挑选字体；
[0016]将背景作为图片的背景，将人名按照字体以及字体的大小添加到图片中，生成中文手写签名图片。
[0017]优选地，所述对所述中文手写签名图片进行处理，生成增强数据集，包括以下至少一种处理方法：
[0018]将所述中文手写签名图片进行部分随机擦除；
[0019]将所述中文手写签名图片缩放到第一预设尺寸，再粘贴至第二预设尺寸的空白图片；所述第二预设尺寸大于所述第一预设尺寸；
[0020]将所述中文手写签名图片进行随机裁剪或随机翻转；
[0021]将所述中文手写签名图片进行随机角度旋转，θ代表旋转角度，取值范围为θ∈(
‑
5,5)；
[0022]将所述中文手写签名图片进行随机亮度、对比度以及色调调整；
[0023]将所述中文手写签名图片进行随机噪声调整；
[0024]将所述中文手写签名图片进行随机高斯模糊调整；
[0025]通过开源的Mosaic增强方法随机混合多张所述中文手写签名图片作为新的中文手写签名图片。
[0026]优选地，所述通过所述增强数据集对中文签名检测算法模型进行训练，还包括：
[0027]基于开源的EfficientNet作为基础网络，并结合开源的PANet对所述中文手写签名图片进行特征提取；
[0028]通过检测算法提取所述中文手写签名图片中包含的中文签名的边框坐标；
[0029]通过分类算法计算检测出的所述边框坐标为中文签名边框的概率；
[0030]基于smooth L1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框差距，获取边框差距准确率；
[0031]基于交叉熵损失函数计算预测分类结果与真实结果的分类差距，获取分类差距准确率；
[0032]当所述边框差距准确率以及所述分类差距准确率分别达到阈值时，停止对所述中文签名检测算法模型进行训练。
[0033]优选地，所述采集待识别的中文手写签名图片，并对所述待识别的中文手写签名图片进行预处理，包括：
[0034]通过移动终端、PC端或图像采集装置采集待识别的中文手写签名图片，或通过相册、图库中上传待识别的中文手写签名图片；所述待识别的中文手写签名图片的颜色通道包括彩色或灰度，方向为正方向向上；
[0035]将待识别的中文手写签名图片的宽高尺寸等比例缩放到640
×
640，所有像素值除以255后归一化到0
‑
1之间。
[0036]优选地，所述输出所述待识别的中文手写签名图片中中文手写签名的边框坐标以及分类结果，包括：
[0037]输出所述待识别的中文手写签名图片中中文手写签名的边框坐标，包含四个坐标Center_x/Center_y/Width/Height，其中Center_x/Center_y为边框的中心点坐标，Width为边框的宽，Height为边框的高；
[0038]输出所述待识别的中文手写签名图片中中文手写签名的分类结果，所述分类结果为所述边框坐标满足识别要求的概率值，当所述概率值大于阈值时，保留所述待识别的中文手写签名图片的边框坐标。
[0039]基于本专利技术的另一方面，本专利技术提供一种基于深度学习的中文手写签名识别系统，所述系统包括：
[0040]训练单元，用于生成包括中文手写签名图片的训练数据集；对所述中文手写签名图片进行处理，生成增强数据集；通过所述增强数据集对中文签名检测算法模型进行训练，当所述中文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分别达到阈值时，将所述中文签名检测算法模型作为最终中文签名检测算法模型；
[0041]识别单元，用于采集待识别的中文手写签名图片，并对所述待识别的中文手写签名图片进行预处理；通过最终中文签名检测算法模型对经过预处理的所述待识别的中文手写签名图片进行识别，输出所述待识别的中文手写签名图片中中文手写签名的边框坐标以及分类结果。
[0042]优选地，所述训练单元用于生成包括中文手写签名图片的训练数据集，包括：
[0043]设置图片的尺寸，以及设置字体的大小；
[0044]基于背景库随机挑选背景，基于人名库随机挑选人名，基于字体库随机挑选字体；
[0045]将背景作为图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的中文手写签名识别方法，所述方法包括：生成包括中文手写签名图片的训练数据集；对所述中文手写签名图片进行处理，生成增强数据集；通过所述增强数据集对中文签名检测算法模型进行训练，当所述中文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分别达到阈值时，将所述中文签名检测算法模型作为最终中文签名检测算法模型；采集待识别的中文手写签名图片，并对所述待识别的中文手写签名图片进行预处理；通过最终中文签名检测算法模型对经过预处理的所述待识别的中文手写签名图片进行识别，输出所述待识别的中文手写签名图片中中文手写签名的边框坐标以及分类结果。2.根据权利要求1所述的方法，所述生成包括中文手写签名图片的训练数据集，包括：设置图片的尺寸，以及设置字体的大小；基于背景库随机挑选背景，基于人名库随机挑选人名，基于字体库随机挑选字体；将背景作为图片的背景，将人名按照字体以及字体的大小添加到图片中，生成中文手写签名图片。3.根据权利要求1所述的方法，所述对所述中文手写签名图片进行处理，生成增强数据集，包括以下至少一种处理方法：将所述中文手写签名图片进行部分随机擦除；将所述中文手写签名图片缩放到第一预设尺寸，再粘贴至第二预设尺寸的空白图片；所述第二预设尺寸大于所述第一预设尺寸；将所述中文手写签名图片进行随机裁剪或随机翻转；将所述中文手写签名图片进行随机角度旋转，θ代表旋转角度，取值范围为θ∈(
‑
5,5)；将所述中文手写签名图片进行随机亮度、对比度以及色调调整；将所述中文手写签名图片进行随机噪声调整；将所述中文手写签名图片进行随机高斯模糊调整；通过开源的Mosaic增强方法随机混合多张所述中文手写签名图片作为新的中文手写签名图片。4.根据权利要求1所述的方法，所述通过所述增强数据集对中文签名检测算法模型进行训练，还包括：基于开源的EfficientNet作为基础网络，并结合开源的PANet对所述中文手写签名图片进行特征提取；通过检测算法提取所述中文手写签名图片中包含的中文签名的边框坐标；通过分类算法计算检测出的所述边框坐标为中文签名边框的概率；基于smooth L1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框差距，获取边框差距准确率；基于交叉熵损失函数计算预测分类结果与真实结果的分类差距，获取分类差距准确率；当所述边框差距准确率以及所述分类差距准确率分别达到阈值时，停止对所述中文签名检测算法模型进行训练。5.根据权利要求1所述的方法，所述采集待识别的中文手写签名图片，并对所述待识别
的中文手写签名图片进行预处理，包括：通过移动终端、PC端或图像采集装置采集待识别的中文手写签名图片，或通过相册、图库中上传待识别的中文手写签名图片；所述待识别的中文手写签名图片的颜色通道包括彩色或灰度，方向为正方向向上；将待识别的中文手写签名图片的宽高尺寸等比例缩放到640
×
640，所有像素值除以255后归一化到0
‑
1之间。6.根据权利要求1所述的方法，所述输出所述待识别的中文手写签名图片中中文手写签名的边框坐标以及分类结果，包括：输出所述待识别的中文手写签名图片中中文手写签名的边框坐标，包含四个坐标Center_x/Center_y/Width/Height，其中Center_x/Center_y为边框的中心点坐标，Width为边框的宽，Height为边框的高；输出所述待识别的中文手写签名图片中中文手写签名的分类结果，所述分类结果为所述边框坐标满足识别要求的概率值，当所述概率值大于阈值时，保留所述待识别的中文手写签名图片的边框坐标。7.一种基于深度学习的中文手写签名识别系统，所述系统...

【专利技术属性】
技术研发人员：梅俊辉，金洪亮，李宏伟，徐书豪，王芳，王志刚，林文辉，
申请(专利权)人：航天信息股份有限公司，
类型：发明
国别省市：