卷積神經(jīng)網(wǎng)絡(luò)在離線簽名識(shí)別中的應(yīng)用探討

崔英杰　田根源

【摘要】在我們生活中有很多重要場(chǎng)合需要使用手寫簽名，這涉及到巨大的利益，而偽造簽名也層出不窮。因此，建立一種快速、有效、科學(xué)的簽名識(shí)別工具一直是一個(gè)現(xiàn)實(shí)而重要的問(wèn)題。在現(xiàn)實(shí)生活中，收集專業(yè)偽造簽名識(shí)別難度很大。目前，深度學(xué)習(xí)在圖像處理中表現(xiàn)良好，而卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一種重要算法，卷積神經(jīng)網(wǎng)絡(luò)可以通過(guò)自動(dòng)搜索圖像中的特征并從中發(fā)現(xiàn)更多的抽象特征，在圖像識(shí)別中具有優(yōu)勢(shì)。因此，本文探索從深度學(xué)習(xí)中尋找離線中文簽名識(shí)別。

【關(guān)鍵詞】卷積神經(jīng)網(wǎng)絡(luò);特征抽取;特征分析;離線簽名;簽名識(shí)別

1.卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)的迅速興起，首先從圖像識(shí)別領(lǐng)域，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了突破。深度學(xué)習(xí)可以自動(dòng)學(xué)習(xí)特征，大大提高人臉識(shí)別、語(yǔ)音識(shí)別和目標(biāo)檢測(cè)等各種任務(wù)的性能。表情識(shí)別是一個(gè)圖像分類問(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)中的一個(gè)重要算法，與其它深度學(xué)習(xí)的結(jié)構(gòu)相比，CNN在圖像目標(biāo)識(shí)別領(lǐng)域具有良好的性能。CNN是在多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來(lái)的針對(duì)影像分類和辨識(shí)而特別設(shè)計(jì)的一種深度學(xué)習(xí)架構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)是參照人腦視覺(jué)組織發(fā)展起來(lái)的一種網(wǎng)絡(luò)。其主要應(yīng)用于圖像的分類處理問(wèn)題中。CNN屬于監(jiān)督式學(xué)習(xí)。通過(guò)梯度下降法對(duì)參數(shù)進(jìn)行修正，使誤差函數(shù)最小化。它具有特征提取的能力。通過(guò)疊加卷積運(yùn)算，產(chǎn)生抽象特征，使模型具有識(shí)別能力。卷積神經(jīng)網(wǎng)絡(luò)由一個(gè)或多個(gè)卷積層和池化層組成。它的功能是發(fā)現(xiàn)圖像中的局部特征。卷積層有一組過(guò)濾器，可以捕獲輸入數(shù)據(jù)的特征，而池化層可以壓縮和保留特征。經(jīng)過(guò)卷積和合并后，它將連接到完全連接的層，以合并所有的輸入特性。在分類方面，該層次化組織模型對(duì)模式識(shí)別結(jié)果有較好的效果。

2. 簽名識(shí)別意義

隨著科學(xué)技術(shù)的進(jìn)步，我們生活中的許多事物都已電子化，簽名也逐漸走向電子化。盡管技術(shù)進(jìn)步，但仍有許多場(chǎng)合需要使用傳統(tǒng)的紙和筆簽名。比如，政府簽公文和證件，民營(yíng)企業(yè)和社會(huì)公眾簽住房、租車、各種銷售合同、信用卡支付、銀行開(kāi)戶等，都是用傳統(tǒng)的紙和筆簽的。對(duì)于簽名，總是存在偽造的問(wèn)題。到目前為止，因偽造簽名而引發(fā)的法律糾紛還很多。紙質(zhì)簽名的識(shí)別通常是由具有自己知識(shí)和經(jīng)驗(yàn)的識(shí)別人員來(lái)完成的。鑒定過(guò)程大約需要一個(gè)月。沒(méi)有有效、可靠和快速的科學(xué)工具可供使用。離線簽名是指通過(guò)筆簽名在各種媒體資料上獲得的簽名。要識(shí)別只能依據(jù)媒體材料上簽名的圖像。離線簽名識(shí)別是一個(gè)巨大的挑戰(zhàn)，CNN是用于圖像識(shí)別的最佳方法之一，在圖像的防偽識(shí)別中具有優(yōu)勢(shì)，因此研究卷積神經(jīng)網(wǎng)絡(luò)在中文離線簽名識(shí)別中具有重要意義。

3. 簽名識(shí)別流程

在簽名識(shí)別過(guò)程中，為了提高識(shí)別率和安全性，需要從原始數(shù)據(jù)中提取各種特征信息。但提取許多特征信息的同時(shí)，也造成了許多相同或冗余的特征信息。通常情況下，特征數(shù)目的多少實(shí)際上會(huì)影響簽名識(shí)別的速度和計(jì)算量。因此，在分類過(guò)程之前，利用特征分析可以提高特征的質(zhì)量和穩(wěn)定性，刪除相似度高的特征。如果不通過(guò)特征分析的過(guò)程，簽名識(shí)別系統(tǒng)的性能將不能發(fā)揮更好的作用?；诤灻R(shí)別系統(tǒng)的數(shù)據(jù)檢索方法，可分成在線與離線簽名識(shí)別兩種方式。在線與離線簽名識(shí)別系統(tǒng)的不同，在于書寫簽名時(shí)的動(dòng)態(tài)信息，比如書寫的壓力、角度等動(dòng)態(tài)信息資料，這些是離線簽名識(shí)別系統(tǒng)所無(wú)法取得的特征。離線簽名識(shí)別更加困難和復(fù)雜。卷積神經(jīng)網(wǎng)絡(luò)是一種新的圖像識(shí)別方法。因此，運(yùn)用CNN可以更好地進(jìn)行離線簽名識(shí)別。簽名識(shí)別系統(tǒng)包括簽名樣本的獲取。提取的簽名樣本含有噪聲和無(wú)用信息，影響識(shí)別效果。在特征提取之前，需要對(duì)其進(jìn)行預(yù)處理，去除噪聲，減少計(jì)算量。預(yù)處理后進(jìn)行特征提取，識(shí)別結(jié)果對(duì)特征選擇有很大的依賴性。然后，訓(xùn)練特征可以將訓(xùn)練結(jié)果保存到數(shù)據(jù)庫(kù)中。在辨識(shí)過(guò)程中，通過(guò)對(duì)收集的簽名樣本數(shù)據(jù)進(jìn)行去噪等預(yù)處理，然后對(duì)預(yù)處理后的數(shù)據(jù)信息進(jìn)行特征提取，并與之前訓(xùn)練中使用的特征進(jìn)行匹配，根據(jù)匹配結(jié)果得到識(shí)別結(jié)果。簽名識(shí)別系統(tǒng)流程如圖1所示。

4. 數(shù)據(jù)集建立和圖像預(yù)處理

4.1 數(shù)據(jù)集建立

在離線簽名識(shí)別系統(tǒng)中，利用數(shù)碼相機(jī)或光學(xué)掃描儀器獲取簽名的數(shù)字圖像，將簽名圖像輸入計(jì)算機(jī)，對(duì)簽名圖像進(jìn)行處理，獲得各種外部特征，但不包括壓力、角度等動(dòng)態(tài)特征。光學(xué)掃描儀器無(wú)法獲取書寫時(shí)的動(dòng)態(tài)信息。由于沒(méi)有動(dòng)態(tài)簽名信息，簽名特征相對(duì)不穩(wěn)定，很難收集到有效的特征進(jìn)行分類。

4.2 圖像預(yù)處理

數(shù)據(jù)集建立后，必須對(duì)數(shù)據(jù)集中的離線簽名數(shù)據(jù)圖像信息進(jìn)行預(yù)處理，首先是平滑去噪，由于數(shù)據(jù)采集過(guò)程是手寫的，實(shí)驗(yàn)的數(shù)據(jù)源是在A4打印紙上手寫簽名，如簽名時(shí)筆劃上的毛刺等噪聲干擾是不可避免的，另外由打印機(jī)掃描形成圖像庫(kù)。打印紙上不可避免地會(huì)出現(xiàn)雜質(zhì)。在掃描過(guò)程中，黑點(diǎn)可能出現(xiàn)在簽名圖像的邊緣或簽名上。所以平滑去噪是圖像預(yù)處理中不可缺少的一步，因?yàn)槠交幚淼馁|(zhì)量直接影響實(shí)驗(yàn)結(jié)果。選取中值濾波器方法進(jìn)行平滑和去噪，它的主要目的是消除數(shù)據(jù)采集過(guò)程中形成的噪聲。其目的是在抑制圖像噪聲的同時(shí)，減少圖像上的噪聲點(diǎn)，保存所需的圖像細(xì)節(jié)。保證源數(shù)據(jù)的真實(shí)性，提高實(shí)驗(yàn)結(jié)果的準(zhǔn)確性。圖像要能被卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行處理，就需要將數(shù)據(jù)集的彩色圖像大小統(tǒng)一。所以要把灰度圖像轉(zhuǎn)換成二值圖像，減少處理數(shù)據(jù)量，并進(jìn)行大小歸一化。對(duì)所有的圖像都進(jìn)行尺寸轉(zhuǎn)換和反轉(zhuǎn)。因?yàn)榇蠖鄶?shù)中文簽名是水平書寫，所以基于長(zhǎng)邊來(lái)將圖像等比縮放到224像素。等比縮放生成縮略圖后，需要將圖像反相處理，使得卷積類神經(jīng)網(wǎng)絡(luò)去關(guān)注簽名的部分，不關(guān)注空白的部分。規(guī)范化方法可以將所有簽名圖像的大小設(shè)置為一致。

4.3 離線手寫簽名的特征提取

在簽名識(shí)別流程中，需經(jīng)過(guò)特征抽取的步驟，從原始資料選取各種的特征信息。在簽名識(shí)別研究中，有許多特征被提出來(lái)改善辨識(shí)率與安全性，也造成有許多雷同或是多余特征產(chǎn)生。特征分析處理之后，可刪除性質(zhì)雷同的特征，使得在簽名識(shí)別速度上，可以明顯增加特征的高利用性與有效性。卷積神經(jīng)網(wǎng)絡(luò)具有能抽出簽名中特征與分類的能力并且能妥善分類。使用深度卷積生成對(duì)抗式網(wǎng)絡(luò)的鑒別器，利用其鑒別器對(duì)簽名樣本數(shù)據(jù)進(jìn)行特征的提取。

5. 結(jié)語(yǔ)

生活有許多重要場(chǎng)合需要使用手寫簽名，當(dāng)中牽涉龐大的利益，偽造簽名的問(wèn)題也層出不窮。因此，建立快速、有效、科學(xué)化的簽名真?zhèn)伪孀R(shí)工具一直是個(gè)實(shí)際且重要的議題。依靠傳統(tǒng)的經(jīng)驗(yàn)識(shí)別簽名真?zhèn)我呀?jīng)不能應(yīng)對(duì)現(xiàn)在的各種偽造技術(shù)。探索離線中文簽名識(shí)別的有效方法。將CNN應(yīng)用到離線中文簽名識(shí)別中去，用計(jì)算機(jī)來(lái)進(jìn)行重要特征信息的提取，并對(duì)提取的特征信息進(jìn)行比對(duì)，實(shí)現(xiàn)簽名真?zhèn)蔚淖R(shí)別，因此，利用卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)自動(dòng)搜索圖像中的特征，從中發(fā)現(xiàn)更多的抽象特征并進(jìn)行分類處理，在離線簽名圖像識(shí)別中具有優(yōu)勢(shì)。提高了簽名真?zhèn)伪孀R(shí)的準(zhǔn)確性，CNN辨識(shí)系統(tǒng)在無(wú)法接受偽造簽名的簽名識(shí)別下具有優(yōu)勢(shì)，更具有安全保證。

參考文獻(xiàn)：

[1]陳潔萍.手寫簽名脫機(jī)識(shí)別圖像的預(yù)處理方法[J].輕工科技，2013（7）：92-93.

[2]顏兵，王金鶴，趙靜.基于均值濾波和小波變換的圖像去噪技術(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011，21（2）：51-53.

[3]金浙良，覃娟.基于神經(jīng)網(wǎng)絡(luò)的手寫體簽名識(shí)別的研究[J].裝備制造技術(shù)，2013（5）：64-65.

[4]馬小晴，桑慶兵.基于LBP和深度學(xué)習(xí)的手寫簽名識(shí)別算法[J].量子電子學(xué)報(bào)，2017，34（01）：23-31

[5]左文明，黎紹發(fā)，曾憲貴.脫機(jī)手寫簽名紋理特征分析[J].微電子學(xué)與計(jì)算機(jī)，2005（02）：154-157.

[6]歐陽(yáng)星明，陳 杲，邱德紅.聯(lián)機(jī)手寫簽名動(dòng)態(tài)信息的獲取[J].計(jì)算機(jī)應(yīng)用研究，2002（02）：103-105

[7]崔英杰.云霧網(wǎng)絡(luò)架構(gòu)的大數(shù)據(jù)分析平臺(tái)研究[J].電子設(shè)計(jì)工程，2020（05）：98-101

[8]吳冰，秦志遠(yuǎn).自動(dòng)確定圖像二值化最佳閾值的新方法[J].測(cè)繪學(xué)院學(xué)報(bào)，2001，18（4）：283-286

[9]崔英杰.淺析基于MOOCs平臺(tái)的自主學(xué)習(xí)模式構(gòu)建[J].現(xiàn)代信息科技， 2019（15）：130-134

[10]張智威，孫子文，叢琳，等.基于Markov-BP神經(jīng)網(wǎng)絡(luò)的手寫簽名手機(jī)身份認(rèn)證技術(shù)[J].信息網(wǎng)絡(luò)安全，2013 （9）：64-67.

[11]李彥冬，郝宗波，雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2016，36（9）：2508-2515.

[12]張新峰，沈蘭蓀.模式識(shí)別及其在圖像處理中的應(yīng)用[J].測(cè)控技術(shù)，2004，23（5）：28-32.

作者簡(jiǎn)介崔英杰，河南駐馬店人，碩士，助教。研究方向：物聯(lián)網(wǎng)。田根源，河南駐馬店人，碩士，助教，研究方向：深度學(xué)習(xí)。