本发明专利技术提供了一种基于多通道及注意力机制的CNN笔迹鉴别方法，包括如下步骤，收集真实有效的个人签名图例构建数据库，针对笔迹图像进行预处理提取有效图像特征，并算出运笔8方向色彩特征图，形成多通道笔迹数据对；基于多通道笔迹数据对的多通道特征图数据，设计一种特征图自注意力机制，计算综合注意力特征矩阵；利用多通道笔迹数据，和综合注意力特征矩阵，基于incepion v3的结构构建CNN网络用于笔迹鉴别；若笔迹鉴别为同一个人则为1，结果为不同人则为0。本发明专利技术利用了多通道数据及自注意力机制的CNN网络模型对笔迹进行真伪鉴别。将笔迹鉴别与计算机技术结合以辅助进行笔迹真伪的判断，达到了更准确的鉴定结果，也在一定程度上保障了司法鉴定的公正性。程度上保障了司法鉴定的公正性。程度上保障了司法鉴定的公正性。
【技术实现步骤摘要】
基于多通道及注意力机制的CNN笔迹鉴别方法
[0001]本专利技术属于笔迹鉴定
，具体涉及一种基于多通道及注意力机制的CNN笔迹鉴别方法。
技术介绍
[0002]生活中，人们进行金融交易、文件批复等都离不开各类文档，例如表单表格、证件文书、票据单据、手书文稿等。当发生争议事实进入诉讼程序，这些文件通常会成为重要的证据材料，而其中留有的相关人员的笔迹通常会存在非常重要的证据问题：笔迹的真伪问题。
[0003]由于生活中人们书写随意性大，缺乏规范性，同一个人在不同场合书写的相同字符也会存有差异性特征，而不同的人书写相同字符又存有字符本身的相似特征。在司法领域，现有的笔迹鉴别通常是由笔迹鉴定专家对涉案笔迹(1个或数个)与提供的有限个样本笔迹(通常只有3
‑
8个)来进行比对，但这种完全依靠人力和个人经验，通过对比待检笔迹与提供的样本笔迹之间的符合程度来得出真伪结论的方式，很大程度上依赖对个人经验，因此，很难保证其准确性和可靠性。如何提出一种更有效的笔记鉴定方法以更好更准确的保证鉴定结果的准确性，成为了目前需要解决的技术问题。
技术实现思路
[0004]为了解决现有技术的不足，本专利技术提供了一种基于多通道及注意力机制的CNN笔迹鉴别方法。
[0005]本专利技术的目的通过以下技术方案来实现：
[0006]基于多通道及注意力机制的CNN笔迹鉴别方法，包括如下步骤，
[0007]S1、构建数据库，收集真实有效的个人签名笔迹图例构建数据库；
[0008]S2、图像预处理，针对S1数据库中的笔记图例进行预处理提取有效图像特征，并算出运笔8方向色彩特征图，形成多通道笔迹数据对；
[0009]S3、信息交互，基于S2中多通道笔迹数据对的多通道特征图数据，利用给定的特征图注意力机制，计算综合注意力特征矩阵；
[0010]S4、笔迹鉴别，利用多通道笔迹数据，和综合注意力特征矩阵，基于incepion v3的结构构建CNN网络用于笔迹鉴别；若笔迹鉴别为同一个人则为1，结果为不同人则为0。
[0011]优选地，所述S2包括如下步骤：
[0012]S21、针对提取的图像特征构建八个方向的sobel算子模板，分别表示为d1,d2,d3,d4,d5,d6,d7,d8；
[0013]S22、分别用d1,d2,d3,d4,d5,d6,d7,d8对两对需要对比真伪的笔迹图像进行卷积运算，得到8个卷积图即：I1,I2,I3,I4,I5,I6,I7,I8；
[0014]S23、在八个卷积图中，数值最小的即为其对应的方向，并赋予其对应方向的不同颜色值：
[0015]d1,d2,d3,d4,d5,d6,d7,d8各方向的颜色依次为红、绿、蓝、黄、玫红、青、蓝紫、黑色，背景设置为白色。
[0016]优选地，所述S3包括如下步骤：
[0017]S31、全局平均池化得到每个通道图像在横向和纵向的均值信息，
[0018]S32、结合横向和纵向均值特征及其k个近邻特征，通过一维卷积捕获跨通道的交互信息；
[0019]S33、采用激活函数分别完成横向和纵向特征权重的计算，计算多通道特征图的综合注意力权重。
[0020]优选地，所述S33中综合注意力权重的计算方法为：
[0021][0022]w
i
＝sigmoid(conv1d
k
(A(I
w
))(2)
[0023][0024]w
j
＝sigmoid(conv1d
k
(B(I
h
))(4)
[0025]w
ij
＝w
i
w
j
(5)
[0026]I
hw
'＝I
i,j
×
w
ij
(6)
[0027]其中,A，B分别表示特征图序列的横向和纵向的全局平均池化,w
i
,w
j
分别为计算出的特征图序列在横向和纵向的注意力权重，其中设H和W为特征图像序列的高和宽。I
hw
、I
hw
’
分别表示注意力机制模块之前的特征图序列和注意力机制模块运算之后的特征图序列；I
w
和I
h
分别表示I
hw
进行横向和纵向全局平均池化后的特征图序列，conv1d
k
表示卷积核为K个参数的一维卷积计算，sigmoid表示用sigmoid函数进行数值计算计算。
[0028]优选地，所述S4中构建的CNN网络为5层的卷积神经网络。
[0029]优选地，构建的所述sobel算子模板的尺寸为5
×
5。
[0030]本专利技术的有益效果体现在：本专利技术利用了笔迹的方向、形态结构特征的多通道数据及注意力机制的CNN网络模型对笔迹进行真伪鉴别。将笔迹鉴别与计算机技术结合以辅助进行笔迹真伪的判断，达到了更准确的鉴定结果，也在一定程度上保障了司法鉴定的公正性。
附图说明
[0031]图1：本专利技术的构建数据库时收集签名图像展示示意图。
[0032]图2：本专利技术的针对数据库中的图像预处理前后对比示意图。
[0033]图3：本专利技术应用的八方向的sobel算子模板示意图。
[0034]图4：本专利技术方法形成的签名的笔痕的8方向彩色图示意。
[0035]图5：本专利技术构建的多通道笔迹数据对示意图。
[0036]图6：本专利技术中的特征图注意力机制示意图。
[0037]图7：本专利技术鉴别方法的示意图。
[0038]图8：CNN网络表格中3
×
inception下的卷积示意图。
[0039]图9：CNN网络表格中5
×
inception下的卷积示意图。
[0040]图10：CNN网络表格中2
×
inception下的卷积示意图。
具体实施方式
[0041]本专利技术揭示了一种基于多通道及注意力机制的CNN笔迹鉴别方法，包括如下步骤，结合图1
‑
图7所示，
[0042]S1、构建数据库，收集真实有效的个人签名图例构建数据库，如图1所示；
[0043]S2、图像预处理，针对S1数据库中的笔记图像进行预处理提取有效图像特征，并算出运笔8方向色彩特征图，形成多通道笔迹数据对；
[0044]所述S2中的预处理一般通过CNN网络进行，包括去除背景，去除冗余、去除标识信息等以获得干净无底色的签名笔迹，如图2所示。
[0045]然而，笔迹的方向特征无法通过CNN网络学习得到，通常模仿笔迹无法在方向上保持与原笔迹保持一致，所以，为了准确的进行笔迹的鉴别，本专利技术中对经过预处理后的有效图像特征做了进一步的分析，具体包括：
[0046]S21、本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于多通道及注意力机制的CNN笔迹鉴别方法，其特征在于：包括如下步骤，S1、构建数据库，收集真实有效的个人签名笔迹图例构建数据库；S2、图像预处理，针对S1数据库中的笔记图例进行预处理提取有效图像特征，并算出运笔8方向色彩特征图，形成多通道笔迹数据对；S3、信息交互，基于S2中多通道笔迹数据对的多通道特征图数据，利用给定的特征图注意力机制，计算综合注意力特征矩阵；S4、笔记鉴别，利用多通道笔迹数据，和综合注意力特征矩阵，基于incepionv3的结构构建CNN网络用于笔迹鉴别；若笔记鉴别为同一个人则为1，结果为不同人则为0。2.如权利要求1所述的基于多通道及注意力机制的CNN笔迹鉴别方法，其特征在于：所述S2包括如下步骤：S21、针对提取的图像特征构建八个方向的sobel算子模板，分别表示为d1,d2,d3,d4,d5,d6,d7,d8；S22、分别用d1,d2,d3,d4,d5,d6,d7,d8对两对需要对比真伪的笔迹图像进行卷积运算，得到8个卷积图即：I1,I2,I3,I4,I5,I6,I7,I8；S23、在八个卷积图中，数值最小的即为其对应的方向，并赋予其对应方向的不同颜色值：d1,d2,d3,d4,d5,d6,d7,d8各方向的颜色依次为红、绿、蓝、黄、玫红、青、蓝紫、黑色，背景设置为白色。3.如权利要求1所述的基于多通道及注意力机制的CNN笔迹鉴别方法，其特征在于：所述S3包括如下步骤：S31、全局平均池化得到每个通道图像在横向和纵向的均值信息，S32、结合横向和纵向均值特征及其k个近邻特征，通过一维卷积捕获跨通道的交互信息；S33、采用激活函数分别完成横向和纵向特征权重的计算，计算多通道特征图的综合注意力权重。4.如权利要求3所述的基于多通道及注意力机制的CNN笔迹鉴别方法，其特征...
【专利技术属性】
技术研发人员：周娟，唐艳君，涂舜，
申请(专利权)人：西南政法大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。