【技术实现步骤摘要】
一种基于深度学习的手写签名检索方法
[0001]本专利技术涉及签名检测和图像检索领域,尤其涉及一种基于深度学习的手写签名检索方法。
技术介绍
[0002]为了标识作品的版权归属和作者身份,很多画家、插画家、漫画家等艺术家会在其作品上手写签名。而随着互联网的快速发展和普及,网络已然成为了作品发布的平台,各类画家、漫画家将含有自己签名的作品上传到网络中。随着作品的多次传播,已经无法根据最初的标签信息进行作品查找,此时作品的签名成为了最佳查找方案。
[0003]目前,常见的签名检索技术包括:
[0004](1)基于模板匹配的方法;
[0005](2)使用文本检测进行签名定位,提取签名区域传统特征进行比对。
[0006]2、这些现有技术有哪些不足或缺点:
[0007]1.基于模板匹配的签名检索方法,通过提取待检索签名的特征,在海量图片中进行滑窗匹配,由于只能进行平行移动,无法应对签名发生旋转和大小的变化,且效率较低。
[0008]2.由于使用传统特征进行签名区域的特征表示,不能兼顾性能与效果。颜色直方图计算速度高,但对图像纹理和形状描述能力弱;SIFT对于旋转、尺度、亮度等具有不变性,但计算量较大,不适合实时检索。
技术实现思路
[0009]本专利技术所要解决的技术问题是针对
技术介绍
的不足提供一种基于深度学习的手写签名检索方法,其通过手写签名检测、签名区域特征提取,形成手写签名区域的最终特征描述,结合待检索签名特征进行特征比对,实现手写签名检索。
[00 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的手写签名检索方法,其特征在于:包含签名区域检测、签名区域特征学习、签名检索系统三部分,具体包含如下步骤;步骤1,模仿真实漫画作品,生成中英文手写签名图片训练数据集,同时结合数据增强技术,训练手写签名检测器进行手写签名检测,准确定位签名区域;步骤2,对签名检测区域进行规范化处理;步骤3,通过孪生Siamese网络学习签名区域特征,使得相似签名具有较接近的特征表示,而不相似签名学习的特征尽可能远离,得到的特征更具有表征性,基于FH自研的搜索引擎以及FH自研的签名特征数据库实现签名特征入库和签名特征检索。2.根据权利要求1所述的一种基于深度学习的手写签名检索方法,其特征在于:所述签名区域检测,具体包含如下步骤;步骤A,训练数据自动化生成;步骤B,文本检测网络结构;步骤C,检测结果后处理;3.根据权利要求2所述的一种基于深度学习的手写签名检索方法,其特征在于:所述训练数据自动化生成,具体如下:从网络获取大量漫画作品、插画作品,根据有无真实手写签名对其筛选,将不含签名的作品作为背景图片,含有签名的作品通过人工打标,作为测试集验证模型效果;采集若干手写中英文签名作为前景,进行中英文签名漫画图像生成;具体步骤如下:步骤A1,对背景图片进行图片尺寸和极端长宽比检验,过滤无效图片以及灰度图、无法解码的图像;步骤A2,根据签名图片,设置合适的阈值,将签名图像转为灰度图并进行二值化,添加阿尔法alpha通道后转换成透明背景的签名图片;步骤A3,随机选择一张背景图片和签名图片,对签名图片进行随机尺寸缩放、旋转数据增强,以掩码mask的形式粘贴到背景图像上的任意区域,形成漫画签名作品;步骤A4,遍历背景图片和签名图片,按照步骤A3生成训练图片数据,同时记录签名mask的坐标信息和角度信息,用于文本检测模型训练。4.根据权利要求2所述的一种基于深度学习的手写签名检索方法,其特征在于:所述文本检测网络结构,具体如下:DBNet是一种端到端、高鲁棒、高精准的文本检测算法,其中,DBNet中的FPN模块较为耗时,为此我司设计了一个更快的多尺度特征融合模块,基于改进的DBNet进行快速漫画签名检测;它采用跟FPN类似的结构,通过深度可分离卷积极大的减少了模型的参数和计算量,并且可以多次级联,既增强了多尺度特征融合的效果,又提升了模型的速度。5.根据权利要求2所述的一种基于深度学习的手写签名检索方法,其特征在于:所述检测结果后处理,具体如下:根据文本检测结果将检出签名区域进行旋转裁剪,使得签名保持在水平方向,便于后续的特征提取和检索,具体步骤如下:步骤C1,根据矩形框的四个顶点坐标,计算中心点坐标(x
c
,y
c
);步骤C2,利用反正切函数arctan计算中心点与左上角(x
t,l
,y
t,l
)的连线和水平方向的夹角;其中,夹角就是矩形框的旋转角度,angle=arctan(...
【专利技术属性】
技术研发人员:卢山,李鑫,曲宝珠,董文君,王康,
申请(专利权)人:南京烽火天地通信科技有限公司,
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。