电子签名识别方法、装置、设备及存储介质制造方法及图纸

本申请适用于计算机技术领域，公开了一种电子签名识别方法、装置、设备及存储介质，通过获取电子签名数据和随机变量，电子签名数据包括签名图像和运笔数据，并基于电子签名数据和随机变量，对预设的生成对抗网络进行训练，直至生成对抗网络达到预设收敛条件，得到第一签名识别模型，以及基于签名用户在每次签名场景中的待识别签名数据，对第一签名识别模型进行训练，得到训练完成的第二签名识别模型，最后利用第二签名识别模型中的目标判别器，对待识别签名图像进行识别，得到识别结果数据，从而利用主动学习机制和生成对抗网络结合的方式，采用实际签名场景下的签名数据对模型进行更新，提高模型的鲁棒性、准确度和识别效率。准确度和识别效率。准确度和识别效率。

【技术实现步骤摘要】
电子签名识别方法、装置、设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种电子签名识别方法、装置、设备及存储介质。

技术介绍

[0002]随着计算机技术的发展，电子签名识别被广泛应用于各种需要确定签名人身份的场景中，例如银行系统和电子合同等。为了防止数据泄露，当前签名识别技术通常围绕签名识别的安全性建立一整套安全机制，但是增加安全机制的同时也会导致签名识别难度提高，识别效率降低。同时当前签名识别技术需要获取签名人的多次签名数据用于模型训练，对训练样本的要求较高。
[0003]然而，对于日常生活中的签名场景，例如课堂签到和公司打卡签到等，其对安全性的要求并不高，更多的是追求识别效率和准确度。可见，当前签名识别技术不能很好的适用于各种场景。

技术实现思路

[0004]本申请提供了一种电子签名识别方法、装置、设备及存储介质，以解决当前电子签名识别技术无法很好的适用于各种场景的技术问题。
[0005]为了解决上述技术问题，第一方面，本申请实施例提供了一种电子签名识别方法，包括：
[0006]获取电子签名数据和随机变量，电子签名数据包括签名图像和运笔数据；
[0007]基于电子签名数据和随机变量，对预设的生成对抗网络进行训练，直至生成对抗网络达到预设收敛条件，得到第一签名识别模型；
[0008]基于签名用户在每次签名场景中的待识别签名数据，对第一签名识别模型进行训练，得到训练完成的第二签名识别模型；
[0009]利用第二签名识别模型中的目标判别器，对待识别签名图像进行识别，得到待识别签名图像对应的识别结果数据。
[0010]本申请通过获取电子签名数据和随机变量，电子签名数据包括签名图像和运笔数据，并基于电子签名数据和随机变量，对预设的生成对抗网络进行训练，直至生成对抗网络达到预设收敛条件，得到第一签名识别模型，以利用生成对抗网络提高签名识别模型的准确度，同时能够保证安全性；以及基于签名用户在每次签名场景中的待识别签名数据，对第一签名识别模型进行训练，得到训练完成的第二签名识别模型，以利用主动学习机制，采用实际签名场景下的签名数据对模型进行更新，提高模型的鲁棒性；最后，利用第二签名识别模型中的目标判别器，对待识别签名图像进行识别，得到待识别签名图像对应的识别结果数据，以只采用签名图像即可实现签名识别，提高实际签名场景下的识别效率。
[0011]作为优选，基于电子签名数据和随机变量，对预设的生成对抗网络进行训练，直至生成对抗网络达到预设收敛条件，得到第一签名识别模型，包括：
[0012]利用生成对抗网络中的第一生成器，根据随机变量生成对抗样本；
[0013]利用生成对抗网络中的第一判别器，对电子签名数据和对抗样本进行判别，输出判别数据；
[0014]根据判别数据，确定生成对抗网络的损失函数；
[0015]根据损失函数更新生成对抗网络的网络参数，直至损失函数小于预设值，得到第一签名识别模型。
[0016]作为优选，基于签名用户在每次签名场景中的待识别签名数据，对第一签名识别模型进行训练，得到训练完成的第二签名识别模型，包括：
[0017]利用第一签名识别模型，对待识别签名数据进行识别；
[0018]若待识别签名数据识别通过，则基于待识别签名数据，对第一签名识别模型进行训练，直至第一签名识别模型达到预设收敛条件，得到训练完成的第二签名识别模型。
[0019]作为优选，利用第一签名识别模型，对待识别签名数据进行识别，包括：
[0020]基于第一签名识别模型中的第二判别器，对待识别签名数据进行真实度预测，输出第一真实度预测阈值；
[0021]若第一真实度预测阈值大于预设阈值，则判定待识别签名数据识别通过。
[0022]作为优选，利用第二签名识别模型中的目标判别器，对待识别签名图像进行识别，得到待识别签名图像对应的识别结果数据，包括：
[0023]利用目标判别器，对待识别签名图像进行真实度预测，得到第二真实度预测阈值；
[0024]若第二真实度预测阈值大于预设阈值，则输出与待识别签名图像的匹配度最高的用户身份信息。
[0025]作为优选，运笔数据包括运笔压力数据、运笔时间数据和运动停顿数据。
[0026]第二方面，本申请提供一种电子签名识别装置，包括：
[0027]获取模块，用于获取电子签名数据和随机变量，电子签名数据包括签名图像和运笔数据；
[0028]第一训练模块，用于基于电子签名数据和随机变量，对预设的生成对抗网络进行训练，直至生成对抗网络达到预设收敛条件，得到第一签名识别模型；
[0029]第二训练模块，用于基于签名用户在每次签名场景中的待识别签名数据，对第一签名识别模型进行训练，得到训练完成的第二签名识别模型；
[0030]识别模块，用于利用第二签名识别模型中的目标判别器，对待识别签名图像进行识别，得到待识别签名图像对应的识别结果数据。
[0031]作为优选，第一训练模块，包括：
[0032]生成单元，用于利用生成对抗网络中的第一生成器，根据随机变量生成对抗样本；
[0033]判别单元，用于利用生成对抗网络中的第一判别器，对电子签名数据和对抗样本进行判别，输出判别数据；
[0034]确定单元，用于根据判别数据，确定生成对抗网络的损失函数；
[0035]更新单元，用于根据损失函数更新生成对抗网络的网络参数，直至损失函数小于预设值，得到第一签名识别模型。
[0036]第三方面，本申请提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的电子签名识别方法。
[0037]第四方面，本申请提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的电子签名识别方法。
[0038]需要说明的是，上述第二方面至第四方面的有益效果请参见上述第一方面的相关描述，在此不再赘述。
附图说明
[0039]图1为本申请实施例示出的电子签名识别方法的流程示意图；
[0040]图2为本申请实施例示出的电子签名识别装置的结构示意图；
[0041]图3为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
[0042]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0043]如相关技术记载，对于日常生活中的签名场景，例如课堂签到和公司打卡签到等，其对安全性的要求并不高，更多的是追求识别效率和准确度。而当前签名识别技术通常围绕签名识别的安全性建立一整套安全机制，会导致签名识别难度提高，识别效率降低。
[0044]为此，本申请实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电子签名识别方法，其特征在于，包括：获取电子签名数据和随机变量，所述电子签名数据包括签名图像和运笔数据；基于所述电子签名数据和所述随机变量，对预设的生成对抗网络进行训练，直至所述生成对抗网络达到预设收敛条件，得到第一签名识别模型；基于签名用户在每次签名场景中的待识别签名数据，对所述第一签名识别模型进行训练，得到训练完成的第二签名识别模型；利用所述第二签名识别模型中的目标判别器，对待识别签名图像进行识别，得到所述待识别签名图像对应的识别结果数据。2.如权利要求1所述的电子签名识别方法，其特征在于，所述基于所述电子签名数据和所述随机变量，对预设的生成对抗网络进行训练，直至所述生成对抗网络达到预设收敛条件，得到第一签名识别模型，包括：利用所述生成对抗网络中的第一生成器，根据所述随机变量生成对抗样本；利用所述生成对抗网络中的第一判别器，对所述电子签名数据和所述对抗样本进行判别，输出判别数据；根据所述判别数据，确定所述生成对抗网络的损失函数；根据所述损失函数更新所述生成对抗网络的网络参数，直至所述损失函数小于预设值，得到所述第一签名识别模型。3.如权利要求1所述的电子签名识别方法，其特征在于，所述基于签名用户在每次签名场景中的待识别签名数据，对所述第一签名识别模型进行训练，得到训练完成的第二签名识别模型，包括：利用所述第一签名识别模型，对所述待识别签名数据进行识别；若所述待识别签名数据识别通过，则基于所述待识别签名数据，对所述第一签名识别模型进行训练，直至所述第一签名识别模型达到预设收敛条件，得到训练完成的所述第二签名识别模型。4.如权利要求3所述的电子签名识别方法，其特征在于，所述利用所述第一签名识别模型，对所述待识别签名数据进行识别，包括：基于所述第一签名识别模型中的第二判别器，对所述待识别签名数据进行真实度预测，输出第一真实度预测阈值；若所述第一真实度预测阈值大于预设阈值，则判定所述待识别签名数据识别通过。5.如权利要求1所述的电子签名识别方法，其特征在于，所...

【专利技术属性】
技术研发人员：丁烨，邵明禹，廖清，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：