【技术实现步骤摘要】
本申请涉及人工智能领域，尤其涉及一种手写签字识别方法、装置、设备、存储介质及产品。
技术介绍
1、随着金融系统信息化、电子化的发展，银行电子系统中的手写签字作为客户签订重要协议、同意所签署内容的重要凭证，逐渐成为一种重要的身份验证方式，具有对应的法律效应，已成为客户办理业务时的重要环节。
2、在现有技术中，常通过采用已有的汉字字库，对其进行预处理后送入训练好的卷积神经网络中生成第一特征向量序列，再将第一特征向量序列送入双向循环神经网络中以生成第二特征向量序列，接着按一定的规则将第一特征向量序列和第二特征向量序列进行拼接以生成第三特征向量序列，然后使用训练好的循环神经网络模型对第三特征向量序列进行分类识别，最后根据识别模型进行姓名识别得到识别结果。
3、然而，根据现有汉字字库训练的识别模型对客户的手写签字的识别，存在识别准确率低的问题。
技术实现思路
1、本申请提供一种手写签字识别方法、装置、设备、存储介质及产品，用以解决对客户的手写签字的识别准确率低的问题。
2、第一方面，本申请提供一种手写签字识别方法，包括：获取手写签字图像，所述手写签字图像用于表征用户参照业务提示信息所手写的签字内容，所述业务提示信息表征针对目标业务的签字核验内容；将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息，所述形态卷积神经网络模型包括形态神经网络层，所述形态神经网络层用于对所述手写签字图像进行形态学变换处理，所述模型输出信息表征所述形态卷积神经
3、在一种可能的实现方式中，所述将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息，包括：通过输入层将所述手写签字图像输入至所述形态卷积神经网络模型中；通过卷积层对所述手写签字图像进行图像特征提取，得到第一特征矩阵；通过所述形态神经网络层对所述第一特征矩阵进行形态学变换处理，得到第二特征矩阵；通过卷积块层对所述第二特征矩阵进行二次特征提取，得到第三特征矩阵；通过全连接层对所述第三特征矩阵进行汇总处理，得到第四特征矩阵；通过输出层对所述第四特征矩阵进行映射，得到第五特征矩阵；根据softmax函数对所述第五特征矩阵进行概率归一化处理，得到所述模型输出信息。
4、在一种可能的实现方式中，所述形态神经网络层包括多路子网，所述多路子网至少包括第一形态层和第二形态层，所述通过所述形态神经网络层对所述第一特征矩阵进行形态学变换处理，包括：所述第一形态层对所述第一特征矩阵进行边缘检测处理；所述第二形态层对所述第一特征矩阵进行斑点检测处理。
5、在一种可能的实现方式中，在所述得到签字识别结果之后，还包括：获取所述签字识别结果对应的人工修正结果；对所述手写签字图像进行仿射变换处理和/或形态学变换处理，得到扩充签字图像；根据所述扩充签字图像和所述人工修正结果，生成加强训练样本，所述加强训练样本用于对所述形态卷积神经网络模型进行训练。
6、在一种可能的实现方式中，所述形态卷积神经网络模型包括卷积块层；所述卷积块层包括第一卷积块和第二卷积块，所述第一卷积块包括三个第一残差块，所述第二卷积块包括四个第二残差块；所述第一残差块包括两个第一卷积层，所述第一卷积层的步长为1；所述第二残差块包括一个第三残差块和三个第四残差块，所述第三残差块包括第二卷积层、第三卷积层和第四卷积层，所述第二卷积层的步长为2，所述第三卷积层的步长为1，所述第四卷积层的步长为2，所述第四残差块包括两个第五卷积层，所述第五卷积层的步长为1。
7、在一种可能的实现方式中，在将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息之前，包括：对所述手写签字图像进行图像预处理，得到预处理图像，所述图像预处理包括以下至少一项：灰度化处理、高斯处理、归一化处理；所述将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息，包括：将所述预处理图像输入至所述形态卷积神经网络模型中，得到所述模型输出信息。
8、第二方面，本申请提供一种模型训练方法，包括：获取训练样本和初始形态卷积神经网络模型；基于所述训练样本对所述初始形态卷积神经网络模型进行训练，直至所述初始形态卷积神经网络模型收敛为如本申请实施例第一方面任一项所述的所述的形态卷积神经网络模型。
9、在一种可能的实现方式中，所述获取训练样本，包括：获取原始签字图像，所述原始签字图像用于指示训练所述初始形态卷积神经网络模型的基础数据集；对所述原始签字图像进行图像预处理，得到初始签字图像；对所述初始签字图像进行仿射变换处理和/或形态学变换处理，得到扩充签字图像集合；根据所述扩充签字图像集合和对应的业务提示信息，生成所述训练样本。
10、第三方面，本申请提供一种手写签字识别装置，包括：
11、第一获取模块，用于获取手写签字图像，所述手写签字图像用于表征用户参照业务提示信息所手写的签字内容，所述业务提示信息表征针对目标业务的签字核验内容；
12、处理模块，用于将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息，所述形态卷积神经网络模型包括形态神经网络层，所述形态神经网络层用于对所述手写签字图像进行形态学变换处理，所述模型输出信息表征所述形态卷积神经网络模型基于所述签字内容输出的预测签字内容；
13、确定模块，用于根据所述模型输出信息和所述业务提示信息，得到签字识别结果。
14、在一种可能的实现方式中，所述处理模块在将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息时，具体用于：通过输入层将所述手写签字图像输入至所述形态卷积神经网络模型中；通过卷积层对所述手写签字图像进行图像特征提取，得到第一特征矩阵；通过所述形态神经网络层对所述第一特征矩阵进行形态学变换处理，得到第二特征矩阵；通过卷积块层对所述第二特征矩阵进行二次特征提取，得到第三特征矩阵；通过全连接层对所述第三特征矩阵进行汇总处理，得到第四特征矩阵；通过输出层对所述第四特征矩阵进行映射，得到第五特征矩阵；根据softmax函数对所述第五特征矩阵进行概率归一化处理，得到所述模型输出信息。
15、在一种可能的实现方式中，所述形态神经网络层包括多路子网，所述多路子网至少包括第一形态层和第二形态层，所述处理模块在通过所述形态神经网络层对所述第一特征矩阵进行形态学变换处理时，具体用于：所述第一形态层对所述第一特征矩阵进行边缘检测处理；所述第二形态层对所述第一特征矩阵进行斑点检测处理。
16、在一种可能的实现方式中，在所述得到签字识别结果之后，所述确定模块还用于：获取所述签字识别结果对应的人工修正结果；对所述手写签字图像进行仿射变换处理和/或形态学变换处理，得到扩充签字图像；根据所述扩充签字图像和所述人工修正结果，生成加强训练样本，所述加强训练样本用于对所述形本文档来自技高网...
【技术保护点】
1.一种手写签字识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息，包括：
3.根据权利要求2所述的方法，其特征在于，所述形态神经网络层包括多路子网，所述多路子网至少包括第一形态层和第二形态层，所述通过所述形态神经网络层对所述第一特征矩阵进行形态学变换处理，包括：
4.根据权利要求1所述的方法，其特征在于，在所述得到签字识别结果之后，还包括：
5.根据权利要求1所述的方法，其特征在于，所述形态卷积神经网络模型包括卷积块层；
6.根据权利要求1所述的方法，其特征在于，在将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息之前，包括：对所述手写签字图像进行图像预处理，得到预处理图像，所述图像预处理包括以下至少一项：灰度化处理、高斯处理、归一化处理；
7.一种模型训练方法，其特征在于，所述方法包括：
8.根据权利要求7所述的方法，其特征在于，所述获取训练样本，包括：
10.一种模型训练装置，包括：
11.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的方法。
13.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法。
...【技术特征摘要】
1.一种手写签字识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息，包括：
3.根据权利要求2所述的方法，其特征在于，所述形态神经网络层包括多路子网，所述多路子网至少包括第一形态层和第二形态层，所述通过所述形态神经网络层对所述第一特征矩阵进行形态学变换处理，包括：
4.根据权利要求1所述的方法，其特征在于，在所述得到签字识别结果之后，还包括：
5.根据权利要求1所述的方法，其特征在于，所述形态卷积神经网络模型包括卷积块层；
6.根据权利要求1所述的方法，其特征在于，在将所述手写签字图像输入至预训练的形态卷积神经网络模型中，得到模型输出信息之前，包括：对所述手写签字...
【专利技术属性】
技术研发人员：焦青，陈永录，乔晓艳，
申请(专利权)人：中国工商银行股份有限公司，
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。