基于孪生网络与空间变换的印鉴识别方法技术

本发明专利技术提出了一种基于孪生网络与空间变换的印鉴识别方法，针对印鉴数据角度参差的特点，进行初步的旋转矫正归一化，大角度的样本会导致模型训练不收敛，通过预处理对待识别印鉴进行初步的矫正，解决了样本不均匀的问题。并且基于孪生网络思想，自建相似度衡量网络，并引入空间变换网络来对印鉴数据进行进一步的旋转矫正，再通过STN网络对印鉴数据进行进一步的旋转矫正，通过网络获得适合印鉴分类的仿射变换，在此基础上提高了识别准确率。本发明专利技术方法对于印鉴这种特殊的数据识别具有可行性与有效性。本发明专利技术可以避免有新种类印鉴数据引入时，算法失效的情况，可以做到一次训练，永久使用的效果，在一定程度上减少了训练网络的繁琐。繁琐。繁琐。

【技术实现步骤摘要】
基于孪生网络与空间变换的印鉴识别方法


[0001]本专利技术涉及的是图像识别这一领域，具体指一种基于孪生网络与空间变换的印鉴识别方法，该方法能够快速并且准确的识别出电子印鉴图像。

技术介绍

[0002]随着档案馆的数字化发展，印鉴印文作为一种用作身份凭证和象征法人权利的工具是数字化管理的重点对象。印鉴分类中，不同种类的印鉴在外形上往往具有较大的相似度，如相同的外部形状，相同的中央图案。而在同一类别中却有比较大的差异性，如图案变形，印墨不完整等。早期的印鉴分类主要依靠人工设计的特征信息，如字符的局部和全局特征，笔画的拓扑结构，字符的边缘信息。虽然方法简单，但是分类效果并不理想，因此需要如何提取鲁棒性强的印鉴特征仍是一个具有挑战性的课题。
[0003]印鉴分类算法按照其方法可以分为传统分类方法和基于卷积神经网络的分类方法。K Ude和Y Nakamura提出的一种基于印鉴的局部和全局特征进行模版匹配的统计决策方法。该方法通过平移和旋转配准后，提取局部和全局特征，如外轮廓边界点的坐标，字符线宽，笔画方向，均值线宽。但是该方法容易收到噪声影响。Fan和Tsai根据印鉴笔画拓扑结构的相对稳定性，提出了一种提取印鉴字符细化后的笔画骨架，利用骨架配准后进行匹配决策的分类方法，但容易受到噪声的干扰。Horiuchi将印鉴图像分割成等间隔的小区域，并将其中的像素点作为特征向量，利用一种改进的只考虑正差的循环卷积来计算配准偏转角，算法对盖印倾斜十分敏感。Lee Kim引入笔画特征图，把关系图和几何位置结合起来,该方法在两个印鉴的中心骨架相似而笔画粗细有差别的时候难以识别验证。R.Haruki等则提出了一种降低倾斜盖印影响的圆形印鉴边缘特征提取算法。Jia Hong
‑
yu
[0004]和Ge Zheng提出。Wen Gao和Shengfu Dong等人提出了一种基于笔画边缘匹配与图像差分析的改进的印鉴验证方法。随着卷积神经网络(CNN)在数字图像识别领域的发展，相关的技术有望为印鉴分类算法提供更好的特征提取和分类方法。针对印鉴的CNN分类的特定算法几乎没有，业界的分类算法通常是对通用数据集进行验证，如VGG，Resnet。然而对于印鉴数据集，具有样本种类多，同种类样本少的特点，类间差异小的特点，通用数据集上的分类算法无法达到较好的结果。并且在实际实现相关印鉴识别任务的时候，训练好的模型无法解决当有新印鉴样本种类引入时能够有效识别的问题，导致需要重新针对新样本进行新一轮的训练。

技术实现思路

[0005]针对印鉴这类特殊的样本，为了能有效解决前面提到的问题，本专利技术提出了一种基于孪生网络与空间变换的印鉴识别方法，该方法能够快速并且准确的识别出电子印鉴图像，首先通过基于梯度直方图的印鉴旋转矫正方法对待识别印鉴图像进行初步的旋转校正。然后在原始的孪生网络的结构上修改损失函数，引入了一个空间变换网络STN，自建了一个相似度衡量网络。在初步归一化印鉴样本之后，再通过STN网络对印鉴数据进行进一步
的旋转矫正，通过网络获得适合印鉴分类的仿射变换，最终完成印鉴种类的识别，并且在此基础上提高了识别准确率。
[0006]本专利技术的技术方案步骤如下：
[0007]步骤1、从预留印鉴模版集中选取一张标准印鉴图，记作O，将标准印鉴图O映射成梯度直方图，获得直方图主峰横坐标位置X
‑
o。
[0008]步骤2、对待矫正印鉴图进行滤波处理(中值滤波处理)，获得待矫正印鉴图D，将待矫正印鉴图D映射成梯度直方图，获得直方图主峰横坐标位置X
‑
d。
[0009]步骤3、通过直方图主峰横坐标偏移量offset＝X
‑
o
‑
X
‑
d，获得待旋转角度A＝offset*b，b为角度差，最终获得矫正后的待识别印鉴图像D_j。
[0010]步骤4、搭建一个基础的孪生网络N，由两路结构相同的一系列卷积层构成。
[0011]步骤5、在孪生网络N输入开头添加一个空间变换层并修改损失函数，将对抗损失函数(contrastive Loss)改为二元交叉熵(binary cross entropy)，从而得到空间变换网络，所述空间变换网络的输入为105*105,输出为105*105。
[0012]步骤6、训练空间变换网络。
[0013]步骤7、将步骤3获得的矫正后的待识别印鉴图像D
‑
j，输入到训练好的空间变换网络中，最终获得印鉴识别的结果。
[0014]本专利技术的有益效果：
[0015]本专利技术针对印鉴数据角度参差的特点，提出了一种基于梯度直方图的矫正算法，对其进行初步的旋转矫正归一化，大角度的样本会导致模型训练不收敛，通过预处理对待识别印鉴进行初步的矫正，解决了样本不均匀的问题。并且基于孪生网络思想，自建相似度衡量网络，并引入空间变换网络(STN)来对印鉴数据进行进一步的旋转矫正，最终衡量输入印鉴对的相似性，最终对印鉴进行分类。本专利技术方法对于印鉴这种特殊的数据识别具有可行性与有效性。此外，与现有的CNN模型分类算法相比，本专利技术可以避免有新种类印鉴数据引入时，算法失效的情况，可以做到一次训练，永久使用的效果，在一定程度上减少了训练网络的繁琐。
附图说明
[0016]图1本专利技术实施例的算法流程图。
[0017]图2本专利技术实施例中印鉴图像样本。
[0018]图3基于梯度直方图初步旋转矫正示意图。
[0019]图4基于空间变换层STN的孪生网络结构。
[0020]图5为空间变换层进行空间变换的网络示意图。
[0021]图6本专利技术和其他方法识别印鉴的准确率对比结果。
具体实施方式
[0022]下面结合附图，对本专利技术的具体实施方案作进一步详细描述。基于孪生网络与空间变换的印鉴识别方法，其具体步骤描述如图1所示：
[0023]步骤1、从预留印鉴模版集中选取一张标准印鉴图，记作O，将标准印鉴图O映射成梯度直方图，获得直方图主峰横坐标位置X_o。
[0024]步骤2、对待矫正印鉴图进行滤波处理(中值滤波处理)，获得待矫正印鉴图D，将待矫正印鉴图D映射成梯度直方图，获得直方图主峰横坐标位置X_d。
[0025]步骤3、通过直方图主峰横坐标偏移量offset＝X_o
‑
X
‑
d，获得待旋转角度A＝offset*b，b为角度差，最终获得矫正后的待识别印鉴图像D
‑
j。
[0026]步骤4、搭建一个基础的孪生网络N，由两路结构相同的一系列卷积层构成。
[0027]步骤5、在孪生网络N输入开头添加一个空间变换层并修改损失函数，将对抗损失函数(contrastive Loss)改为二元交叉熵(binary cross entropy)，从而得到空间变换网络，所述空间变换网络的输入为105*105,输出为105*105。
[0028]步骤6、训练空间变换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生网络与空间变换的印鉴识别方法，其特征在于，包括如下步骤：步骤1、获取印鉴模版集，并从印鉴模版集中选取一张标准印鉴图，记作O，将标准印鉴图O映射成梯度直方图，获得直方图主峰横坐标位置X_o；步骤2、对待矫正印鉴图进行滤波处理，获得待矫正印鉴图D，将待矫正印鉴图D映射成梯度直方图，获得直方图主峰横坐标位置X_d；步骤3、通过直方图主峰横坐标偏移量offset＝X_o
‑
X_d，获得待旋转角度A＝offset*b，b为角度差，最终获得矫正后的待识别印鉴图像D_j；步骤4、搭建一个基础的孪生网络N，由两路结构相同的一系列卷积层构成；步骤5、在孪生网络N输入开头添加一个空间变换层并修改损失函数，将对抗损失函数改为二元交叉熵，从而得到空间变换网络，所述空间变换网络的输入为105*105,输出为105*105；步骤6、训练空间变换网络；步骤7、将步骤3获得的矫正后的待识别印鉴图像D_j，输入到训练好的空间变换网络中，最终获得印鉴识别的结果。2.根据权利要求1所述的基于孪生网络与空间变换的印鉴识别方法，其特征在于，所述步骤1具体过程如下：首先用[
‑
1,0,1]梯度算子对原图像做卷积运算，得到x方向的梯度分量g
x
，然后用[1,0,
‑
1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量g_y，通过下式计算该像素点的梯度大小G(x,y)和方向a(x,y)，G
y
(x,y)＝H(x,y+1)
‑
H(x,y
‑
1)G
x
(x,y)＝H(x+1,y)
‑
H(x
‑
1,y)1,y)在HOG中绘制直方图的，直方图的横坐标为60个bin，由于图像旋转范围为0～360度，所以每个bin代表x到x+6的图像梯度方向对应角度的范围，X＝6N,N∈(0,59)，直方图的纵坐标为在这个bin范围内图像梯度大小的累加和；根据绘制的直方图获得获得直方图主峰横坐标位置X_o。3.根据权利要求2所述的基于孪生网络与空间变换的印鉴识别方法，其特征在于，所述步骤4搭建的孪生网络N中，每一个层使用一个单一的通道，带有可变大小并且步长为1的卷积核，卷积核的数量为16的倍数，所述孪生网络N对输出特性的映射用Relu激活函数，后面紧跟最大池化，该池化层的大小为2*2，步长设置成2，最后一个卷积层的单元被一个全连接层映射成一个4096的向量，由于是网...

【专利技术属性】
技术研发人员：陆剑锋，俞韬，王兴伟，陈昱杰，杨高敏，李黎，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：