CN114581922B 一种基于深度学习的中文手写签名识别方法及系统 （航天信息股份有限公司）

号一种基于深度学习的中文手写签名识别方本发明公开了一种基于深度学习的中文手当所述中文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分别达对经过预处理的所述待识别的中文手写签名图2通过所述增强数据集对中文签名检测算法模型进行训练，当所述中文签基于开源的EfficientNet作为基础网络，并结合开源的PANet对所述中文手写签名图通过检测算法提取所述中文手写签名图片中包含的中文签名通过分类算法计算检测出的所述边框坐标为中文签基于smoothL1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框差基于交叉熵损失函数计算预测分类结果与真实结果的分类差距，获取分类差距准确通过最终中文签名检测算法模型对经过预处理的所述待识别的中文手写签名图片进将背景作为图片的背景，将人名按照字体以及字体的大小添加到图片将所述中文手写签名图片缩放到第一预设尺寸，再粘贴至第二预设尺寸的空白图片；将所述中文手写签名图片进行随机裁剪或随通过开源的Mosaic增强方法随机混合多张所述中文手写签名图片作为新的中文手写3将待识别的中文手写签名图片的宽高尺寸等比例缩放到640x640，所有像素值除以5.根据权利要求1所述的方法，所述输出所述待识别的中文手写签名图片中中文手写输出所述待识别的中文手写签名图片中中文手写签名的边框坐标，包含四个坐标输出所述待识别的中文手写签名图片中中文手写签名的分类结果，训练单元，用于生成包括中文手写签名图片的训练数据述中文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分别达基于开源的EfficientNet作为基础网络，并结合开源的PANet对所述中文手写签名图通过检测算法提取所述中文手写签名图片中包含的中文签名通过分类算法计算检测出的所述边框坐标为中文签基于smoothL1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框差基于交叉熵损失函数计算预测分类结果与真实结果的分类差距，获取分类差距准确识别单元，用于采集待识别的中文手写签名图片，并对所述待7.根据权利要求6所述的系统，所述训练单元用于生成包括中文手写签名图片的训练将背景作为图片的背景，将人名按照字体以及字体的大小添加到图片4将所述中文手写签名图片缩放到第一预设尺寸，再粘贴至第二预设尺寸的空白图片；将所述中文手写签名图片进行随机裁剪或随通过开源的Mosaic增强方法随机混合多张所述中文手写签名图片作为新的中文手写将待识别的中文手写签名图片的宽高尺寸等比例缩放到640x640，所有像素值除以输出所述待识别的中文手写签名图片中中文手写签名的边框坐标，包含四个坐标输出所述待识别的中文手写签名图片中中文手写签名的分类结果，5[0003]现有技术1(公开号CN110008909A)通过建立基于深度学习的二分类模型，对输入[0004]现有技术2(公开号CN113095203A)采用现有的视频解析技术对视频进行解析，得[0007]为了解决上述问题，本发明提供了一种基于深度学习的[0012]通过最终中文签名检测算法模型对经过预处理的所述待识别的中文手写签名图6[0025]通过开源的Mosaic增强方法随机混合多张所述中文手写签名图片作为新的中文[0027]基于开源的EfficientNet作为基础网络，并结合开源的PANet对所述中文手写签[0030]基于smoothL1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框7[0039]基于本发明的另一方面，本发明提供一种基于深度学习的中文手写签名识别系当所述中文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分[0054]通过开源的Mosaic增强方法随机混合多张所述中文手写签名图片作为新的中文[0056]基于开源的EfficientNet作为基础网络，并结合开源的PANet对所述中文手写签[0059]基于smoothL1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框8手写签名识别系统。本发明技术方案实现了在未知签名位置的图片中检测出签名的位置。[0070]图1为根据本发明优选实施方式的一种基于深度学习的中文手写签名识别方法流[0071]图2为根据本发明优选实施方式的基于深度学习的中文手写签名检测方法的总体9[0076]图7为根据本发明优选实施方式的训练阶段中文签名检测算法检测/分类部分结[0081]图12为根据本发明优选实施方式的一种基于深度学习的中文手写签名识别系统[0084]图1为根据本发明优选实施方式的一种基于深度学习的中文手写签名识别流程[0093]本发明的训练阶段主要包括数据集生成模块、数据集增强模块和模型训练模[0099]将中文手写签名图片缩放到第一预设尺寸，再粘贴至第二预[0105]通过开源的Mosaic增强方法随机混合多张中文手写签名图片作为新的中文手写[0117]基于开源的EfficientNet作为基础网络，并结合开源的PANet对中文手写签名图[0120]基于smoothL1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框[0126]3)训练。使用smoothL1损失函数计算真实签名矩形框与预测的签名矩形框之间[0131]本发明使用smoothL1损失函数计算真实签名矩形框与预测的签名矩形框之间的[0136]步骤105：通过最终中文签名检测算法模型对经过预处理的待识别的中文手写签[0138]输出待识别的中文手写签名图片中中文手写签名的边框坐标，包含四个坐标[0146]图12为根据本发明优选实施方式的一种基于深度学习的中文手写签名识别系统文签名检测算法模型对中文手写签名的边框坐标以及分类结果的识别准确率分别达到阈[0154]将中文手写签名图片缩放到第一预设尺寸，再粘贴至第二预[0160]通过开源的Mosaic增强方法随机混合多张中文手写签名图片作为新的中文手写[0161]优选地，训练单元1201用于通过增强数据集对中文签名[0162]基于开源的EfficientNet作为基础网络，并结合开源的PANet对中文手写签名图[0165]基于smoothL1损失函数计算真实中文签名边框与检测出的边框坐标之间的边框[0173]输出待识别的中文手写签名图片中中文手写签名的边框坐标，包含四个坐标[0175]本发明优选实施方式的一种基于深度学习的中文手写签名识别系统1200与本发明另一优选实施方式的一种基于深度学习的中文手写签名识别方法100相对应，在此不再[0177]通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解