[发明专利]笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质

说明书

本发明提供了一种笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质。其中，该训练方法包括：分别从签名图像集中选取多个签名图像叠加为合成图像，构成由多个合成图像组成的训练集，其中，多个签名图像中的每个签名图像被处理为合成图像中互不相同的颜色通道；将训练集中的合成图像作为训练样本，根据预设损失函数训练笔迹鉴定模型。通过本发明，不仅提高了训练效率，还提高了笔迹鉴定模型鉴定笔迹的准确度。

技术领域

本发明涉及人工智能领域，具体而言，涉及一种笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和计算机可读存储介质。

背景技术

用户无关的离线手写签名鉴定在司法场景中有这重大意义，相关的程序算法也有很长的研究历史。

相关技术中离线手写签名鉴定通常采用Siamese Network神经网络(简称为Siamese)。近年来有很多的研究者将深度卷积神经网络(CNN)技术应用到离线手写签名鉴定的领域中，相比传统算法取得了一些进步。但是因为离线手写签名包含的信息较少，并且专业水平伪造的样本不够多，在目前最新包含数据最多的GPDS-Synthetic数据集上，最好的鉴定算法仍只能达到22.24的等概率错误(EER)成绩，相当于鉴定准确率77.76％，笔迹鉴定的准确率仍难以达到“可用”级别。

发明内容

本发明提供了一种笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质，以至少解决相关技术中笔迹鉴定算法的准确率低的问题。

第一方面，本发明实施例提供了一种笔迹鉴定模型的训练方法，包括：

分别从签名图像集中选取多个签名图像叠加为合成图像，构成由多个合成图像组成的训练集，其中，所述多个签名图像中的每个签名图像被处理为所述合成图像中互不相同的颜色通道；

将所述训练集中的合成图像作为训练样本，根据预设损失函数训练笔迹鉴定模型。

可选地，叠加为所述合成图像的多个签名图像的数量为两个、三个、四个或者五个。

可选地，所述训练模型为双通道卷积神经网络2ChannelCNN。

可选地，所述损失函数为：

式中，ω代表模型中的权重参数，N代表训练样本的总数量，i代表训练样本中的第i个样本，代表第i个样本经过网络模型运算的结果。

或者，所述损失函数为：

式中，j代表输出向量的索引，e为自然常数，是网络模型输出的向量的正确分类索引的权重。

可选地，被叠加为所述合成图像的所述签名图像被缩放到预设高宽。

可选地，被叠加为所述合成图像的所述签名图像经过二值化处理。

可选地，所述方法还包括：将所述签名图像集中的签名图像进行同向翻转，并分别从签名图像同向翻转后的签名图像集中选取多个签名图像叠加为合成图像，构成由多个合成图像组成的另一训练集。

可选地，所述笔迹鉴定模型的训练输出为两个浮点数值，这两个浮点数值a、b分别代表：a、被叠加为所述合成图像的签名图像为同一人书写的签名笔迹的可能性；b、被叠加为所述合成图像的签名图像不为同一人书写的签名笔迹的可能性；当a-b大于预设阈值则确定被叠加为所述合成图像的签名图像为同一人书写，否则，确定被叠加为所述合成图像的签名图像不为同一人书写。