签名鉴定方法、装置、存储介质及电子设备与流程

1.本技术涉及信息安全领域，具体而言，涉及一种签名鉴定方法、装置、存储介质及电子设备。


背景技术：

2.目前金融机构的字据防伪主要采用人工签名鉴定和利用神经网络的人工智能鉴定。人工签名鉴定精度高，但存在鉴定的经济花费大，鉴定时间长的缺点。人工智能鉴定方法存在计算资源占用大，计算时间长，前期需要大量客户签名数据作为模型的训练数据的问题。现在金融机构对客户签名数据保存较少，因此很难保证模型的准确度。
3.针对相关技术中可获取的样本量较少，导致的签名鉴定准确性不理想的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术的主要目的在于提供一种签名鉴定方法、装置、存储介质及电子设备，以解决相关技术中可获取的样本量较少，导致的签名鉴定准确性不理想的问题。
5.为了实现上述目的，根据本技术的一个方面，提供了一种签名鉴定方法。该方法包括：获取签名图像；基于所述签名图像，得到n个子图像，其中，所述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；确定所述n个子图像分别对应的频谱数据，其中，所述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；基于所述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到所述签名图像的鉴定结果。
6.为了实现上述目的，根据本技术的另一方面，提供了一种签名鉴定装置。该装置包括：获取模块，用于获取签名图像；分割模块，用于基于所述签名图像，得到n个子图像，其中，所述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；量化模块，用于确定所述n个子图像分别对应的频谱数据，其中，所述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；确定模块，用于基于所述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到所述签名图像的鉴定结果。
7.为了实现上述目的，根据本技术的另一方面，提供了一种非易失性存储介质，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行任意一项所述的签名鉴定方法。
8.为了实现上述目的，根据本技术的另一方面，提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现任意一项所述的签名鉴定方法。
9.通过本技术，采用以下步骤：获取签名图像；基于所述签名图像，得到n个子图像，其中，所述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；确定所
述n个子图像分别对应的频谱数据，其中，所述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；基于所述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到所述签名图像的鉴定结果。达到了减少对样本数量依赖性的目的，解决了相关技术中可获取的样本量较少，导致的签名鉴定准确性不理想的问题。进而达到了提升鉴定准确性的效果。
附图说明
10.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
11.图1是根据本技术实施例提供的签名鉴定方法的流程图；
12.图2是根据本技术实施例提供的签名鉴定方法的应用示意图；
13.图3是根据本技术实施例提供的签名鉴定方法的流程示意图；
14.图4是根据本技术实施例提供的签名鉴定方法的转化示意图；以及
15.图5是根据本技术实施例提供的签名鉴定装置的示意图。
具体实施方式
16.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
17.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
18.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
19.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
20.ctpn(connectionist text proposal network)，一种文字检测算法，ctpn结合了cnn(卷积神经网络算法)与lstm(深度神经网络)，能有效检测数场景中横向分布的文字，并按照文字所在位置划分出区域。
21.卷积(convolution)，一种数学分析中的计算，通过两个函数生成第三个函数的数学算子。通常表示为表征函数f与经过翻转和平移的g的乘积函数所围成的曲边梯形的面积。
22.数字图像处理(digital image processing)，通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
23.dtw(dynamic time warping)动态时间规整算法，一种衡量两个时间序列之间的
相似度的方法。将两个代表同一个类型的事务的不同长度序列进行时间上的对齐。
24.需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于签名图像，笔记数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取签名图像之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取签名图像。
25.目前金融机构常用的笔迹鉴定技术主要分为两类：第一种人工笔迹鉴定，通常需要将待检测的笔迹原件送到专业笔迹鉴定处进行人工鉴定。通过人工对待鉴定字迹进行观察，与样本字迹进行比较对照，观察其书写风貌特征，布局特征，写法特征，形体特征，结构特征等笔迹特征，得出笔迹是否可能被伪造的结论。
26.对于第一种方法，由于人工鉴定的精度较高，但鉴定周期长，花费较高。尤其金融机构的笔迹鉴定数量多，要求时间短，人工鉴定效率低，总花费高。除此之外，可能还需要寄送待鉴定笔迹原件、客户留存原件到鉴定处，存在遗失客户文件的可能，因此风险较高。
27.第二种图像识别技术鉴定，将待检测的笔迹原件进行扫描，并将图像送入到神经网络中，与留存的客户笔迹进行比较，计算得出阈值，根据阈值结果得出结论。
28.对于第二种方法，图像识别技术鉴定可以通过分布式服务器进行并行鉴定，比人工鉴定速度快，效率高，花费低，具有一定的优势。但图像识别技术在准确度上存在缺陷。在预训练模型时，需要大量标准数据对模型进行训练，而大多数客户仅留存少量签名数据在金融机构中，因此标准数据获取困难，模型精度很难得到提高，影响鉴定准确度。另外进行鉴定时需要将图像输入网络计算，但神经网络普遍计算时间长，计算量大，占用大量服务器资源。而且神经网络是一个黑盒过程，常常会在训练过程中丢失签名的一些图像信息特征，而很难进行针对性控制。
29.基于上述问题，本发明实施例提供了一种签名鉴定方法，图1是根据本技术实施例提供的签名鉴定方法的流程图，如图1所示，该方法包括如下步骤：
30.步骤s102，获取签名图像；
31.步骤s104，基于上述签名图像，得到n个子图像，其中，上述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；
32.步骤s106，确定上述n个子图像分别对应的频谱数据，其中，上述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；
33.步骤s108，基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果。
34.可以理解，签名图像需要进行鉴定，对于签名图像进行分割，得到n个子图像，每个子图像中都包括了局部笔迹。基于上述n个子图像进行处理，进行量化得到频谱数据。将上述n个子图像分别对应的频谱数据，与预定笔迹进行对应，确定得到鉴定结果。通过上述处理，无需进行算法训练以达到更好的鉴定能力，因此对于预定笔迹的数量要求并不高，识别准确性不依赖于预定参照图像的个数，对于实际应用场景中用户仅留有3、4个签名的情况，有着良好的适应能力和识别准确性
35.本技术实施例提供的签名鉴定方法，通过步骤s102，获取签名图像；步骤s104，基于上述签名图像，得到n个子图像，其中，上述n个子图像分别包括待鉴定签名的局部笔迹，n
为大于或等于1的正整数；步骤s106，确定上述n个子图像分别对应的频谱数据，其中，上述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；步骤s108，基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果。达到了减少对样本数量依赖性的目的，解决了相关技术中可获取的样本量较少，导致的签名鉴定准确性不理想的问题。进而达到了提升鉴定准确性的效果。
36.在一种可选实施例中，对包括待鉴定签名的初始图像进行扫描，得到扫描后的第一图像；采用预设的ctpn网络进行文字识别，在上述第一图像中确定出签名图像。
37.可以理解，将有待鉴定签名的文件(如纸质或其他实体文件)进行高精度扫描，得到较高像素值的扫描图像。接下来设备将会利用ctpn网络对扫描图像进行文字识别，其主要目的是识别图像中哪一个部分为待鉴定签名部分，并将签名部分从扫描图像上切割出来。
38.可选地，在上述第一图像中确定出签名图像，包括：在第一图像中确定出第二图像，对上述第二图像进行缩放处理，得到签名图像，使得上述签名图像的尺寸满足预设的尺寸要求。由于签名存在大小不一致的情况，所以需要利用图像放缩的方式，将签名图像统一为标准像素大小，例如：长度为768像素，宽度为256像素的图像，上述具体数值仅为示意，不做限定。
39.在一种可选的实施例中，上述基于上述签名图像，得到n个子图像，包括：对上述签名图像进行灰度化，得到灰度图像；对上述灰度图像进行分割，得到上述n个子图像。
40.可以理解，图像的本质是各种颜色的波的叠加，每个像素点的颜色主要分为红黄蓝(r，g，b)和透明度四个值进行描述，每个值可以用一个字节进行表示。每个值的取值范围为0～255，常见的黑色的值为[0，0，0，255]，白色为[255，255，255，255]。由于签名图像是实际采集得到的，有着背景色和笔迹颜色为底色。而上述底色对于笔迹特征是一种干扰，需要进行灰度化处理，灰度图像中保留了笔画位置、笔画粗细和签名深浅信息。其中笔画位置和笔画粗细可表示为图像中的位置信息，签名深浅可以表示为图像的颜色信息。通过对灰度图像进行分割，可以得到n个子图像。
[0041]
可选地，通过预设的转换工具，将签名图像转换为数字信息，并进行灰度化，例如：首先获得待鉴定笔迹的像素颜色信息和位置信息，接下来对待鉴定图像进行灰度化，有转化方程：r＝g＝b＝(r+g+b)/3，并得到灰度值g＝r＝g＝b。其中，r、g、b分别为红绿蓝三原色，g为灰度值。第二步进行横向分割，横向切分为八块宽度32像素，长度768像素的矩形子图像，上述具体对长度、宽度进行设置的像素数值为预定像素值，可以按照具体需求进行调整，子图像的形状不做限定，矩形仅为举例。通过切分图像，得到了每一个子图像小块图像数据，上述8个子图像分别保留了对应的局部笔迹的位置、粗细、深浅特征。
[0042]
在一种可选的实施例中，上述确定上述n个子图像分别对应的频谱数据，包括：确定上述n个子图像分别在上述签名图像中的图像数据，其中，上述图像数据是对对应的子图像进行数字信息处理得到的；基于上述n个子图像分别对应的图像数据，确定上述n个子图像分别对应的三维矩阵，其中，上述n个子图像分别对应的三维矩阵用于表示对应子图像的位置坐标和灰度值，上述位置坐标包括长度和宽度；基于n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的频谱数据。
[0043]
可以理解，上述图像数据为经过数字信息化的得到的，基于每个子图像的图像数
据进行量化处理，得到用于表示子图像位置坐标和灰度值关联的三维矩阵，进而得到n个子图像分别对应的频谱数据，用于与参照图像进行对比。
[0044]
在一种可选的实施例中，上述基于上述n个子图像分别对应的位置坐标和灰度值，确定上述n个子图像分别对应的三维矩阵，包括：基于预设的卷积核，对上述n个子图像分别对应的图像数据进行处理，得到上述n个子图像分别对应的三维矩阵。
[0045]
可以理解，采用预设的卷积核，对每一个子图像进行卷积处理，生成了对应的三维矩阵，三维矩阵包括了对应子图像的位置信息和灰度值。需要说明的是，虽然用到人工智能技术(如卷积神经网络)，但是进行图像数据的提取，计算量较小，无需进行大量签名样本的数据训练。通过上述处理，仅利用卷积处理进行处理，将位置信息与对应的灰度值进行了关联，得到子图像的三维矩阵，三维矩阵中包括的位置坐标表示了笔画顺序，灰度值表示了笔画粗细和深浅，有利于进行进一步的特征提取和量化，得到对应的频谱数据。
[0046]
可选地，进行卷积处理的方式有多种，例如：定义函数f作为子图像的图像数据和g作为卷积核进行卷积，采用连续形式进行卷积，得到卷积结果。
[0047]
可选地，上述卷积核可以设置为多种，例如：32*32大小,步长为1填充为0的卷积核，对子图像的图像数据进行处理，可以得到一个宽度为1，长度为225，灰度为g的三维矩阵与该子图像对应。
[0048]
需要说明的是，通过卷积将宽度和灰度值压缩，实际对应了笔画顺序特征和笔画深浅信息压缩，并将笔画位置特征保留下来。
[0049]
在一种可选的实施例中，上述基于n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的频谱数据，包括：基于上述n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的二维矩阵，其中，上述二维矩阵用于表示对应子图像的灰度值与长度之间的对应关系；采用预设的傅里叶变换，将上述n个子图像分别对应的二维矩阵转换为对应的频谱数据。
[0050]
可以理解，子图像的三维矩阵中包括了位置坐标和灰度值，位置坐标又包括了长度和宽度，以灰度值作为y轴，长度作为x轴，可以得到一个形似波形图的二维矩阵，用于表示子图像灰度值与长度之间的对应关系。采用预设的傅里叶变换，将子图像对应的二维矩阵进行转换，得到对应的频谱数据。通过上述处理，利用卷积得到的三维矩阵进行了进一步的量化，将签名图像中的每个子图像的特征转化为了可以进行量化比较的频谱数据。
[0051]
需要说明的是，有效解决了签名位置不对应和每次签名笔画深浅不一致的问题，将文字签名的高维度特征压缩，但没有丢失这些信息，并且将图像信息特征转化为可量化的频谱数据。
[0052]
可选地，上述预设的傅里叶变化可以为多种，例如：一维傅里叶变换，将波形图转换为频谱图，频谱图通过对每种频率的表示，将波形图中的信息特征通过振幅表现出来。
[0053]
在一种可选的实施例中，上述基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果，包括：采用得到上述n个子图像的分割方式，对上述预定参照图像进行分割，得到n个参照子图像，以及上述n个参照子图像分别对应的预定频谱数据，其中，上述n个参照子图像分别与上述n个子图像一一对应；基于上述n个子图像分别对应的频谱数据，以及上述n个参照子图像分别对应的预定频谱数据，确定上述签名图像与上述预定参照图像的相似度值；在上述相似度值大于预定阈值的情况
下，确定上述鉴定结果为真迹签名。
[0054]
可以理解，笔画的深浅粗细和位置有关，也体现了签名者的写作习惯，因此需要采用对应比较的方式进行处理，不同位置的子图像和参照子图像进行对比是没有意义的。因此，采用得到n个子图像的分割方式，对预定参照图像进行分割，得到n个参照子图像，以及n个参照子图像分别对应的预定频谱数据，上述n个参照子图像分别与上述n个子图像一一对应。将n个子图像分别与n个参照子图像进行比较，得到整体的签名鉴定结果。通过上述处理，使得每一个子图像与对应的参照子图像分别进行对比，确定出签名图像整体的相似度值，无需与大量样本进行比较即可得到鉴定结果。
[0055]
可选地，在鉴定结果为真迹签名的情况下，将n个子图像分别对应的频谱数据进行拟合，得到拟合结果。基于上述拟合结果对存有预定笔迹的数据库进行更新，得到更新后的数据库。可以理解，通过上述方式，对该签名者的预定笔迹进行了丰富，是一种自更新方法，有利于提高笔迹鉴定的准确性。
[0056]
为了便于理解进行具体举例，例如：上述预定阈值设置为0.7，相似度值的范围为0至1，在相似度值小于或等于0.7，则确定鉴定结果为风险签名。在相似度值大于0.7，则确定鉴定结果为真迹签名。对于上述真迹签名中相似度值大于预定阈值，且小于或等于复核阈值的情况，需要对上述真迹签名进行复核处理，其中，上述复核阈值大于上述预定阈值。在上述真迹签名的相似度值大于复核阈值的情况下，确定上述真迹签名对存有预定笔迹的数据库进行更新。
[0057]
在一种可选的实施例中，上述基于上述n个子图像分别对应的频谱数据，以及上述n个参照子图像分别对应的预定频谱数据，确定上述签名图像与上述预定参照图像的相似度值，包括：采用预设的动态时间规整法，对上述n个子图像分别对应的频谱数据与对应的预定频谱数据进行相似度计算，得到上述n个子图像分别对应的子相似度值；对上述n个子图像分别对应的子相似度值求取平均值，得到上述相似度值。
[0058]
可以理解，由于频谱数据与预定频谱数据是一一对应的，将对应的频谱数据与预定频谱数据进行相似度计算，分别得到每一个子图像的子相似度值。对n个子图像分别对应的子相似度值求取平均值，得到相似度值。通过上述处理，基于每一个子图像的子相似度值反映整体的相似值，有利于提高得到相似度值的准确性，避免由于任意一个子图像的处理结果出现波动，使得鉴定结果发生偏差。
[0059]
根据上述可选实施例，本发明还提供了一种具体实施方式，图2是根据本技术实施例提供的签名鉴定方法的应用示意图，如图2所示，相关工作人员将待鉴定签名文件进行扫描，将高精度的扫描数据输入进行鉴定处理的鉴定终端中。鉴定终端与数据库进行交互，数据库中存有预定笔迹，用于进行参照。在鉴定终端鉴定出真迹签名之后，还可以对数据库中的存储笔迹进行更新。鉴定终端具有结论显示设备，对相关工作人员进行鉴定结论提示。
[0060]
图3是根据本技术实施例提供的签名鉴定方法的流程示意图，当客户提交签名文件后，工作人员在设备上输入该客户的信息，并将签名文件放入到扫描设备中。会对签名文件进行扫描，并通过签名ctpn网络将客户的签名图像分割出来，得到签名图像用于进行数字图像转换，得到由签名图像转化出的可量化的频谱数据，并根据频谱的特征与调取保存在数据库中对应客户的签名频谱数据特征进行相似度计算，并得出最后的鉴定结论。按照具体应用场景对相似度处理的预定阈值(以下设置为0.7)进行调节，相似度值范围为0～1，
如果相似度值小于等于0.7，则签名伪造的可能性增加，如果相似度值大于0.7，则签名为客户本人签名。
[0061]
具体地对签名图像进行转换包括多个步骤，图4是根据本技术实施例提供的签名鉴定方法的转化示意图，在以下步骤中进行具体说明：
[0062]
步骤s1，通过预设转换工具，将签名图像转化为数字信息并灰度化。首先获得待鉴定笔迹的像素颜色信息和位置信息，接下来对待鉴定图像进行灰度化。
[0063]
步骤s2，对签名图像进行横向分割，横向切分为八块宽度32像素，长度768像素的矩形子图像。通过切分签名图像，得到了8块子图像数据，每一个子图像保留了局部笔迹的位置特征和粗细深浅特征。
[0064]
步骤s3，对每一块矩形子图像进行卷积处理。可以将图像数据转化为一个三维矩阵，三个维度分别包含位置信息a,b和灰度g，其中，a表示长度，b表示宽度。卷积核为按照需求进行预设的，例如使用32*32大小,步长为1填充为0的卷积核，对矩形图像数据进行处理，此时会得到一个宽度为1，长度为225，灰度为g的三维矩阵。通过卷积将宽度和灰度值压缩，实际对应了笔画顺序特征和笔画深浅信息压缩，并将笔画位置特征保留下来。
[0065]
步骤s4，以灰度g作为y轴，长度a作为x轴，可以得到一个形似波形图的二维矩阵。这个波形矩阵包含有这一小图像块的笔画位置信息和顺序特征信息以及笔画深浅信息。
[0066]
步骤s5，利用一维傅里叶变换，将波形图转换为频谱图，频谱图通过对每种频率的表示，将波形图中的信息特征通过振幅表现出来，得到8个子图像分别对应的频谱数据。
[0067]
根据本发明实施例提供的具体实施方法，可以实现以下效果：仅利用人工智能技术对签名图像进行分割，并通过步骤s1至s5中的数字图像转化技术，保存待鉴定签名的各种特征信息，有计算量较小，不需要前期大量客户签名数据训练，准确度较高，自更新的特点，有利于在客户签名的样本量很少的情况下，保持鉴定签名较高的准确性。
[0068]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0069]
本技术实施例还提供了一种签名鉴定装置，需要说明的是，本技术实施例的签名鉴定装置可以用于执行本技术实施例所提供的用于签名鉴定方法。以下对本技术实施例提供的签名鉴定装置进行介绍。
[0070]
图5是根据本技术实施例的签名鉴定装置的示意图。如图5所示，该装置包括：第一获取模块502，第一分割模块504，第一量化模块506，第一确定模块508，以下具体说明：
[0071]
第一获取模块502，用于获取签名图像；
[0072]
第一分割模块504，与第一获取模块502连接，用于基于上述签名图像，得到n个子图像，其中，上述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；
[0073]
第一量化模块506，与分割模块504连接，用于确定上述n个子图像分别对应的频谱数据，其中，上述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；
[0074]
第一确定模块508，与量化模块506连接，用于基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果。
[0075]
本技术实施例提供的签名鉴定装置，通过第一获取模块502，用于获取签名图像；
第一分割模块504，与第一获取模块502连接，用于基于上述签名图像，得到n个子图像，其中，上述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；第一量化模块506，与分割模块504连接，用于确定上述n个子图像分别对应的频谱数据，其中，上述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；第一确定模块508，与量化模块506连接，用于基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果。达到了减少对样本数量依赖性的目的，解决了相关技术中可获取的样本量较少，导致的签名鉴定准确性不理想的问题，进而达到了提升鉴定准确性的效果。
[0076]
可选的，在本技术实施例提供的签名鉴定装置中，上述分割模块，包括：灰度模块，用于对上述签名图像进行灰度化，得到灰度图像；第二分割模块，用于对上述灰度图像进行分割，得到上述n个子图像。
[0077]
可选的，在本技术实施例提供的签名鉴定装置中，上述量化模块，包括：第二确定模块，用于确定上述n个子图像分别在上述签名图像中的图像数据，其中，上述图像数据是对对应的子图像进行数字信息处理得到的；第三确定模块，用于基于上述n个子图像分别对应的图像数据，确定上述n个子图像分别对应的三维矩阵，其中，上述n个子图像分别对应的三维矩阵用于表示对应子图像的位置坐标和灰度值，上述位置坐标包括长度和宽度；第二量化模块，用于基于n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的频谱数据。
[0078]
可选的，在本技术实施例提供的签名鉴定装置中，上述第三确定模块，包括：第四确定模块，用于基于预设的卷积核，对上述n个子图像分别对应的图像数据进行处理，得到上述n个子图像分别对应的三维矩阵。
[0079]
可选的，在本技术实施例提供的签名鉴定装置中，上述第二量化模块，包括：第二获取模块，用于基于n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的二维矩阵，其中，上述二维矩阵用于表示对应子图像的灰度值与长度之间的对应关系；转换模块，用于采用预设的傅里叶变换，将上述n个子图像分别对应的二维矩阵转换为对应的频谱数据。
[0080]
可选的，在本技术实施例提供的签名鉴定装置中，上述确定模块，包括：第三分割模块，用于采用得到上述n个子图像的分割方式，对上述预定参照图像进行分割，得到n个参照子图像，以及上述n个参照子图像分别对应的预定频谱数据，其中，上述n个参照子图像分别与上述n个子图像一一对应；第一计算模块，用于基于上述n个子图像分别对应的频谱数据，以及上述n个参照子图像分别对应的预定频谱数据，确定上述签名图像与上述预定参照图像的相似度值；鉴定模块，用于在上述相似度值大于预定阈值的情况下，确定上述鉴定结果为真迹签名。
[0081]
可选的，在本技术实施例提供的签名鉴定装置中，上述第一计算模块，包括：第二计算模块，用于采用预设的动态时间规整法，对上述n个子图像分别对应的频谱数据与对应的预定频谱数据进行相似度计算，得到上述n个子图像分别对应的子相似度值；第三计算模块，用于对上述n个子图像分别对应的子相似度值求取平均值，得到上述相似度值。
[0082]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意
组合的方式位于不同的处理器中。
[0083]
此处需要说明的是，上述第一获取模块502，第一分割模块504，第一量化模块506，第一确定模块508，对应于实施例中的步骤s102至步骤s108，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
[0084]
需要说明的是，本实施例的可选或优选实施方式可以参见实施例中的相关描述，此处不再赘述。
[0085]
上述签名鉴定装置包括处理器和存储器，上述单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0086]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来执行签名鉴定。
[0087]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0088]
本发明实施例提供了一种非易失性存储介质，其上存储有程序，该程序被处理器执行时实现上述签名鉴定方法。
[0089]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述签名鉴定方法。
[0090]
本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取签名图像；基于上述签名图像，得到n个子图像，其中，上述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；确定上述n个子图像分别对应的频谱数据，其中，上述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果。本文中的设备可以是服务器、pc、pad、手机等。
[0091]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取签名图像；基于上述签名图像，得到n个子图像，其中，上述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；确定上述n个子图像分别对应的频谱数据，其中，上述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果。
[0092]
可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：上述基于上述签名图像，得到n个子图像，包括：对上述签名图像进行灰度化，得到灰度图像；对上述灰度图像进行分割，得到上述n个子图像。
[0093]
可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：上述确定上述n个子图像分别对应的频谱数据，包括：确定上述n个子图像分别在上述签名图像中的图像数据，其中，上述图像数据是对对应的子图像进行数字信息处理得到的；基于上述n个子图像分别对应的图像数据，确定上述n个子图像分别对应的三维矩阵，其中，上述n个子图像分别对应的三维矩阵用于表示对应子图像的位置坐标和灰度值，上述位置坐标包括长
度和宽度；基于n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的频谱数据。
[0094]
可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：上述基于上述n个子图像分别对应的位置坐标和灰度值，确定上述n个子图像分别对应的三维矩阵，包括：基于预设的卷积核，对上述n个子图像分别对应的图像数据进行处理，得到上述n个子图像分别对应的三维矩阵。
[0095]
可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：上述基于n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的频谱数据，包括：基于上述n个子图像分别对应的三维矩阵，得到上述n个子图像分别对应的二维矩阵，其中，上述二维矩阵用于表示对应子图像的灰度值与长度之间的对应关系；采用预设的傅里叶变换，将上述n个子图像分别对应的二维矩阵转换为对应的频谱数据。
[0096]
可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：上述基于上述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到上述签名图像的鉴定结果，包括：采用得到上述n个子图像的分割方式，对上述预定参照图像进行分割，得到n个参照子图像，以及上述n个参照子图像分别对应的预定频谱数据，其中，上述n个参照子图像分别与上述n个子图像一一对应；基于上述n个子图像分别对应的频谱数据，以及上述n个参照子图像分别对应的预定频谱数据，确定上述签名图像与上述预定参照图像的相似度值；在上述相似度值大于预定阈值的情况下，确定上述鉴定结果为真迹签名。
[0097]
可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：上述基于上述n个子图像分别对应的频谱数据，以及上述n个参照子图像分别对应的预定频谱数据，确定上述签名图像与上述预定参照图像的相似度值，包括：采用预设的动态时间规整法，对上述n个子图像分别对应的频谱数据与对应的预定频谱数据进行相似度计算，得到上述n个子图像分别对应的子相似度值；对上述n个子图像分别对应的子相似度值求取平均值，得到上述相似度值。
[0098]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0099]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0100]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0101]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0102]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0103]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0104]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0105]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0106]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0107]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种签名鉴定方法，其特征在于，包括：获取签名图像；基于所述签名图像，得到n个子图像，其中，所述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；确定所述n个子图像分别对应的频谱数据，其中，所述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；基于所述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到所述签名图像的鉴定结果。2.根据权利要求1所述的方法，其特征在于，所述基于所述签名图像，得到n个子图像，包括：对所述签名图像进行灰度化，得到灰度图像；对所述灰度图像进行分割，得到所述n个子图像。3.根据权利要求1所述的方法，其特征在于，所述确定所述n个子图像分别对应的频谱数据，包括：确定所述n个子图像分别在所述签名图像中的图像数据，其中，所述图像数据是对对应的子图像进行数字信息处理得到的；基于所述n个子图像分别对应的图像数据，确定所述n个子图像分别对应的三维矩阵，其中，所述n个子图像分别对应的三维矩阵用于表示对应子图像的位置坐标和灰度值，所述位置坐标包括长度和宽度；基于n个子图像分别对应的三维矩阵，得到所述n个子图像分别对应的频谱数据。4.根据权利要求3所述的方法，其特征在于，所述基于所述n个子图像分别对应的位置坐标和灰度值，确定所述n个子图像分别对应的三维矩阵，包括：基于预设的卷积核，对所述n个子图像分别对应的图像数据进行处理，得到所述n个子图像分别对应的三维矩阵。5.根据权利要求3所述的方法，其特征在于，所述基于n个子图像分别对应的三维矩阵，得到所述n个子图像分别对应的频谱数据，包括：基于所述n个子图像分别对应的三维矩阵，得到所述n个子图像分别对应的二维矩阵，其中，所述二维矩阵用于表示对应子图像的灰度值与长度之间的对应关系；采用预设的傅里叶变换，将所述n个子图像分别对应的二维矩阵转换为对应的频谱数据。6.根据权利要求1至5任意一项所述的方法，其特征在于，所述基于所述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到所述签名图像的鉴定结果，包括：采用得到所述n个子图像的分割方式，对所述预定参照图像进行分割，得到n个参照子图像，以及所述n个参照子图像分别对应的预定频谱数据，其中，所述n个参照子图像分别与所述n个子图像一一对应；基于所述n个子图像分别对应的频谱数据，以及所述n个参照子图像分别对应的预定频谱数据，确定所述签名图像与所述预定参照图像的相似度值；在所述相似度值大于预定阈值的情况下，确定所述鉴定结果为真迹签名。
7.根据权利要求6所述的方法，其特征在于，所述基于所述n个子图像分别对应的频谱数据，以及所述n个参照子图像分别对应的预定频谱数据，确定所述签名图像与所述预定参照图像的相似度值，包括：采用预设的动态时间规整法，对所述n个子图像分别对应的频谱数据与对应的预定频谱数据进行相似度计算，得到所述n个子图像分别对应的子相似度值；对所述n个子图像分别对应的子相似度值求取平均值，得到所述相似度值。8.一种签名鉴定装置，其特征在于，包括：第一获取模块，用于获取签名图像；第一分割模块，用于基于所述签名图像，得到n个子图像，其中，所述n个子图像分别包括待鉴定签名的局部笔迹，n为大于或等于1的正整数；第一量化模块，用于确定所述n个子图像分别对应的频谱数据，其中，所述n个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；第一确定模块，用于基于所述n个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到所述签名图像的鉴定结果。9.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至7中任意一项所述的签名鉴定方法。10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的签名鉴定方法。

技术总结
本申请公开了一种签名鉴定方法、装置、存储介质及电子设备。涉及信息安全领域，该方法包括：获取签名图像；基于签名图像，得到N个子图像，其中，N个子图像分别包括待鉴定签名的局部笔迹，N为大于或等于1的正整数；确定N个子图像分别对应的频谱数据，其中，N个子图像分别对应的频谱数据用于表示对应子图像中包括的局部笔迹的特征；基于N个子图像分别对应的频谱数据，以及包括预定笔迹的预定参照图像，得到签名图像的鉴定结果。通过本申请，解决了相关技术中可获取的样本量较少，导致的签名鉴定准确性不理想的问题。确性不理想的问题。确性不理想的问题。


技术研发人员：宁顺宇 罗伟 吴延生 曾光
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.15
技术公布日：2023/8/16