[发明专利]用于识别字迹的方法、装置及计算机可读介质

说明书

本发明的实施例公开了用于识别字迹的方法、装置和计算机可读存储介质。该方法包括：利用从时间采样的历史字迹数据集获得的多个用户的历史字迹段数据和与历史字迹段数据相关的历史用户标签数据作为训练样本，训练生成包含循环神经网络和深度神经网络的判别模型，其中，将历史字迹段数据输入到循环神经网络，循环神经网络输出指示用户字迹风格的特征值，特征值被输入到深度神经网络；将历史用户标签数据输入到深度神经网络，深度神经网络用于进行用户字迹分类；对循环神经网络和深度神经网络一起进行训练。本发明使用循环神经网络有效地对字迹风格进行建模，可以实时、准确地识别字迹，同时对不同的语言有较为良好的扩展性。

技术领域

概括地说，本公开涉及数据处理领域，更具体地说，涉及用于识别字迹的方法、装置及计算机可读存储介质。

背景技术

神经网络(Neural Network)是一种人为设计的网络结构，其本质是多层感知机(Multi-layer Perceptron)。感知机由若干神经元(Neuron)构成，每个神经元从外部或其它节点收到输入信号，并通过激活函数得到输出信号，就像大脑中神经元的信号传递。神经元按层相连，形成网络结构。与神经细胞不同，人工神经元的信号能够反向传播，这种反馈机制让感知机具备学习功能。除了学习功能，多层感知机可以表示非线性映射，因此神经网络能够帮助人们解决一些相对复杂的问题，如模式识别、自动控制、决策评估、预测等。

在现代社会中，尽管诸如指纹、虹膜和面部识别等生物识别技术已经有了长足的进步，但传统的手写签字仍然经常被用于个人身份的验证，字迹识别与认证在安全、金融、司法和电子商务等应用领域中尤为重要，诸如合同签订、消费账单签字、司法鉴定等场景。由于手写签字具有法律效应，因此对签字的验证有非常重要的意义。

一类字迹的识别方法是使用卷积神经网络(CNN)等识别算法，通过提取字迹图像的结构信息进行字迹识别。然而，现有的通过字迹图像的图像信息进行字迹识别的算法，会忽略手写过程中笔迹坐标序列的时间特性，而缺失的时间特性中实际包含有大量的书写识别特征。例如，具有近似图像结构的字迹可能在时间上的书写过程差异很大。电子签字数据是将签字序列化，例如采用数位板等抽样设备将笔迹抽样为时序信号，每一个时间点的信号包含有数字笔此时的坐标，有些更精确的设备还会包括笔的压力抽样数据、运动速度抽样数据等。现有的针对这种时间序列的字迹的验证可以使用多种基于深度学习的方法，例如对写字时手腕运动数据进行采集(诸如利用可佩带智能设备)并进行频谱差异特征学习、字迹序列的动态时间规整(DTW)差异特征学习等。

然而，这些方法往往需要相对大量的字迹数据支持，有些方法还需要伪造字迹的数据样本，同时对不同语言(例如，汉字、英文等)的兼容性较差，较难训练一个足够健壮的模型进行字迹识别。

因此，亟需一种用于识别字迹的改进的方法。

发明内容

现有的字迹识别方法主要考虑字迹图像，忽略了字迹生成过程中的大量信息，而且往往需要相对大量的字迹数据支持，同时对不同语言的兼容性较差，难以训练一个足够健壮的模型进行字迹识别。本发明针对以上问题，提出了用于识别字迹的方法、装置和计算机可读存储介质。

本公开的第一方面提供了一种用于字迹识别的方法，所述方法包括：利用从时间采样的历史字迹数据集获得的多个用户的历史字迹段数据和与所述历史字迹段数据相关的历史用户标签数据作为训练样本，训练生成包含循环神经网络和深度神经网络的判别模型，其中，将所述历史字迹段数据输入到所述循环神经网络，所述循环神经网络输出指示用户字迹风格的特征值，所述特征值被输入到所述深度神经网络；将所述历史用户标签数据输入到所述深度神经网络，所述深度神经网络用于进行用户字迹分类；对所述循环神经网络和深度神经网络一起进行训练。