[发明专利]一种签字识别的方法

说明书

本发明提供了一种签字识别的方法，通过采集签名过程中出现较多的特征点，通过矩阵运算采集其对应的特征值。通过比较各个特征点的相似性和各个特征点之间的对应的函数关系，从而大致的对其样品的签名进行有效的比对。该方法通过建立在签名上建立对应的二维坐标系，将签名的样品进行单位化，按对应的比例进行缩小，然后找到其对应的特征点。通过对X和Y进行偏导，计算其特征点起点方向向量，作为其特征点对应的特征属性之一。

技术领域

在本发明涉及深度学习中计算机视觉领域，图像处理，特征识别领域。

背景技术

签字识别是一种特殊是图像识别的情况。相比于一般是图像处理，签名识别有以下几大特点：签字风格的随意性，且不同情况下同一个人签名有较大的差异，所以如何对其进行有效的识别和处理是目前离线识别情况下需要解决的一个问题。

发明内容

针对现有技术中的不足，本发明的目的在于本发明提供了一种签字识别的方法用于解决离线状态下对签字进行识别的方法，提取其样品的特征点，特征点中对应的属性，然后比较对其特征属性,然后比较其特征值间的函数关系，然后通过制定的权重分配策略进行选择对应的汉字，需要做以下操作：

1、提取特征点，在汉字签名中大家往往关注的是字体以下几个部分：字体的起点，终点，弯曲点，交叉点。这几个点一定程度上反映了签字过程中的几何变化。起点和重点反应了力度的变化，交叉点反应汉字间笔划变化。

2、特征点和特征点属性的描述，我们将特征点分为起点，终点，弯曲点，交叉点。但是交叉点又可以细分：双叉点，三叉点等。给它们编号：起点（Ⅰ），终点（Ⅱ），弯点（Ⅲ），双叉点（Ⅳ），三叉点（Ⅴ），则点A描述为A={S,P,F,C,D}, S为该点的类型，P特征点坐标系位置，F为相互连接的特征点，C为相互连接的链表，D为方向向量。

方向向量计算：

。

3、特征点匹配策略描述，可以一定程度上解决签名过程中的问题，需要进行降噪解决其主要问题，其大致流程为：提取特征点，接着对特征点进行过归一化处理，固定特征点进行匹配，最后通过策略权重进行得到结果。

4、策略分配：长笔画匹配：如果是长笔画的其特征点比其他特征点比较稳定，其特征点比较少，所以比较好一一进行匹配；一般特征进行匹配，相对于长笔画而言，其波动较大，特征点比较多且无法对其进行有效的描述，需要借助各个特征点之间的相互关系进行匹配其相似程度，通过将一对特征点之间关系，进行比对；这种匹配有可能是一对一或者一对多的关系，可以分为两部分：其一为：这个点到其他点间相似度进行匹配，其二为:比较该特征点间各个点相似度进行匹配。所以这两个方法是相较于特征点数量较少，且局部变量明显，但是对于变量不明显且特征点变化较大时，需要对其图像进行迭代处理，通过一重重迭代挑选出相似度最高的值；这就需要将其范围变大，从原来的局部变成整体，从整体的范围内寻找局部相似的特征值；分为局部松弛和全局松弛。

局部松弛就是一种局部上进行扩大，计算其邻点与该点的相似性

进一步进行推导，进行t次迭代计算，计算t次迭代的可能性，将其代入(1)式

其中N为间相连特征点的最小数目，其中a为(0,1)间的数目

此方法一定程度上可以解决局部特征值较多，变化差异较大，且相似值不多，适合用此方法。

如果一个图像里面，一个结构重复出现，但是无法用上述方法解决，可以使用全局法进行判别：将所有匹配的结果划分在一个集合里面，然后安装其可能匹配特征集进行划分；其可以抽象的表示为

同理其迭代式为：

。

附图说明

图1示出了根据本发明示例实施例的一种签名识别方法的流程图。

具体实施方式