[发明专利]自学型签名笔迹深化识别方法及系统

权利要求书

1.一种自学型签名笔迹深化识别方法，其特征在于，包括：

获取签名图像，对签名笔迹进行细化处理；

对细化处理后的所述签名笔迹进行消除锯齿处理；

采用二值化方法获取所述签名图像的完整像素矩阵，并将一维数组转换为二维数组；

去除所述二维数组的边缘信息，并将所述二维数组简化为最小矩阵；

根据所述最小矩阵计算所述签名笔迹的tan比值特征值、四象限加权特征值、像素点比值特征值和投影片段比值特征值；

将计算得到的各特征值与数据库中预存的笔迹三维特征逐一进行相似度比较；

将相似度结果超出预设阈值的签名笔迹对应的用户作为当前签名笔迹的识别结果。

2.根据权利要求1所述的自学型签名笔迹深化识别方法，其特征在于，还包括：将相似度超出预设阈值的签名笔迹相应的特征值存储至数据库中，并与当前用户的原有笔迹三维特征数据相融合形成新的笔迹三维特征，将相似度未超出预设阈值的签名笔迹数据删除。

3.根据权利要求1或2所述的自学型签名笔迹深化识别方法，其特征在于，所述采用二值化方法获取所述签名图像的完整像素矩阵并将一维数组转换为二维数组的具体方法包括：

计算每个坐标点的灰度、整个签名图像的灰度平均值以及整个签名图像的二值化阈值；

采用二值化的判断，确定灰度超出所述二值化阈值的坐标点为黑色，确定灰度未超出所述二值化阈值的坐标点为白色；

将黑色坐标点置为1，将白色坐标点置为0，得到所述签名图像的完整像素矩阵；

将所述签名图像的一维数组转化为与所述签名图像的长度和宽度相等的二维数组。

4.根据权利要求3所述的自学型签名笔迹深化识别方法，其特征在于，所述去除所述二维数组的边缘信息并将所述二维数组简化为最小矩阵的具体方法包括：

将二维数组的四周边界的预设数量层元素置为0；

将所述二维数组由外至内地将上下两个方向的全0元素行删除；

将所述二维数组进行矩阵转置，由外至内地将左右两个方向的全0元素列删除；

以缩小后的二维数组作为所述最小矩阵。

5.根据权利要求4所述的自学型签名笔迹深化识别方法，其特征在于，所述根据所述最小矩阵计算所述签名笔迹的tan比值特征值、四象限加权特征值、像素点比值特征值和投影片段比值特征值的具体方法包括：

以所述最小矩阵的宽长之比作为所述签名笔迹的tan比值特征值；

创建与所述最小矩阵相等大小的中间矩阵，所述中间矩阵的斜对角线元素均为1、其余元素均为0，将所述最小矩阵与所述中间矩阵重叠进行短路与操作得到特征矩阵，获取所述特征矩阵中每个象限的元素1的加和并对每个象限进行加权处理，得到所述签名笔迹的四象限加权特征值；

根据所述最小矩阵中元素1在四象限的分布，计算得到四象限中像素点数量的比值，作为所述签名笔迹的像素点比值特征值；

将所述最小矩阵分别进行上下方向和左右方向的投影，计算两个方向每个线段片段的比例，作为投影片段比值特征值。

6.根据权利要求5所述的自学型签名笔迹深化识别方法，其特征在于，所述将计算得到的各特征值与数据库中预存的笔迹三维特征逐一进行相似度比较并将相似度结果超出预设阈值的签名笔迹对应的用户作为当前签名笔迹的识别结果的具体方法包括：

对计算得到的各特征值进行归一化处理；

将归一化处理后的特征值与数据库中预存的笔迹三维特征进行逐一比较，并判断差值是否在预设阈值范围内；

若在预设阈值范围内，则将当前特征值对应的签名笔迹作为数据库中当前笔迹对应用户的笔迹；

否则，当前特征值对应的签名笔迹在数据库中找不到对应的笔迹。

7.根据权利要求6所述的自学型签名笔迹深化识别方法，其特征在于，还包括：

多次采集同一用户的多个签名笔迹，并对所述多个签名笔迹的特征值进行加权处理；

将加权处理后的特征值与数据库中预存的笔迹三维特征值逐一进行相似度比较以判断是否在预设阈值范围内。