崔英杰　田根源

【摘要】在我们生活中有很多重要场合需要使用手写签名，这涉及到巨大的利益，而伪造签名也层出不穷。因此，建立一种快速、有效、科学的签名识别工具一直是一个现实而重要的问题。在现实生活中，收集专业伪造签名识别难度很大。目前，深度学习在图像处理中表现良好，而卷积神经网络是深度学习中的一种重要算法，卷积神经网络可以通过自动搜索图像中的特征并从中发现更多的抽象特征，在图像识别中具有优势。因此，本文探索从深度学习中寻找离线中文签名识别。

【关键词】卷积神经网络;特征抽取;特征分析;离线签名;签名识别

1.卷积神经网络

深度学习的迅速兴起，首先从图像识别领域，深度学习在计算机视觉领域取得了突破。深度学习可以自动学习特征，大大提高人脸识别、语音识别和目标检测等各种任务的性能。表情识别是一个图像分类问题。卷积神经网络（CNN）是深度学习中的一个重要算法，与其它深度学习的结构相比，CNN在图像目标识别领域具有良好的性能。CNN是在多层神经网络的基础上发展起来的针对影像分类和辨识而特别设计的一种深度学习架构。卷积神经网络是参照人脑视觉组织发展起来的一种网络。其主要应用于图像的分类处理问题中。CNN属于监督式学习。通过梯度下降法对参数进行修正，使误差函数最小化。它具有特征提取的能力。通过叠加卷积运算，产生抽象特征，使模型具有识别能力。卷积神经网络由一个或多个卷积层和池化层组成。它的功能是发现图像中的局部特征。卷积层有一组过滤器，可以捕获输入数据的特征，而池化层可以压缩和保留特征。经过卷积和合并后，它将连接到完全连接的层，以合并所有的输入特性。在分类方面，该层次化组织模型对模式识别结果有较好的效果。

2. 签名识别意义

随着科学技术的进步，我们生活中的许多事物都已电子化，签名也逐渐走向电子化。尽管技术进步，但仍有许多场合需要使用传统的纸和笔签名。比如，政府签公文和证件，民营企业和社会公众签住房、租车、各种销售合同、信用卡支付、银行开户等，都是用传统的纸和笔签的。对于签名，总是存在伪造的问题。到目前为止，因伪造签名而引发的法律纠纷还很多。纸质签名的识别通常是由具有自己知识和经验的识别人员来完成的。鉴定过程大约需要一个月。没有有效、可靠和快速的科学工具可供使用。离线签名是指通过笔签名在各种媒体资料上获得的签名。要识别只能依据媒体材料上签名的图像。离线签名识别是一个巨大的挑战，CNN是用于图像识别的最佳方法之一，在图像的防伪识别中具有优势，因此研究卷积神经网络在中文离线签名识别中具有重要意义。

3. 签名识别流程

在签名识别过程中，为了提高识别率和安全性，需要从原始数据中提取各种特征信息。但提取许多特征信息的同时，也造成了许多相同或冗余的特征信息。通常情况下，特征数目的多少实际上会影响签名识别的速度和计算量。因此，在分类过程之前，利用特征分析可以提高特征的质量和稳定性，删除相似度高的特征。如果不通过特征分析的过程，签名识别系统的性能将不能发挥更好的作用。基于签名识别系统的数据检索方法，可分成在线与离线签名识别两种方式。在线与离线签名识别系统的不同，在于书写签名时的动态信息，比如书写的压力、角度等动态信息资料，这些是离线签名识别系统所无法取得的特征。离线签名识别更加困难和复杂。卷积神经网络是一种新的图像识别方法。因此，运用CNN可以更好地进行离线签名识别。签名识别系统包括签名样本的获取。提取的签名样本含有噪声和无用信息，影响识别效果。在特征提取之前，需要对其进行预处理，去除噪声，减少计算量。预处理后进行特征提取，识别结果对特征选择有很大的依赖性。然后，训练特征可以将训练结果保存到数据库中。在辨识过程中，通过对收集的签名样本数据进行去噪等预处理，然后对预处理后的数据信息进行特征提取，并与之前训练中使用的特征进行匹配，根据匹配结果得到识别结果。签名识别系统流程如图1所示。

4. 数据集建立和图像预处理

4.1 数据集建立

在离线签名识别系统中，利用数码相机或光学扫描仪器获取签名的数字图像，将签名图像输入计算机，对签名图像进行处理，获得各种外部特征，但不包括压力、角度等动态特征。光学扫描仪器无法获取书写时的动态信息。由于没有动态签名信息，签名特征相对不稳定，很难收集到有效的特征进行分类。

4.2 图像预处理

数据集建立后，必须对数据集中的离线签名数据图像信息进行预处理，首先是平滑去噪，由于数据采集过程是手写的，实验的数据源是在A4打印纸上手写签名，如签名时笔划上的毛刺等噪声干扰是不可避免的，另外由打印机扫描形成图像库。打印纸上不可避免地会出现杂质。在扫描过程中，黑点可能出现在签名图像的边缘或签名上。所以平滑去噪是图像预处理中不可缺少的一步，因为平滑处理的质量直接影响实验结果。选取中值滤波器方法进行平滑和去噪，它的主要目的是消除数据采集过程中形成的噪声。其目的是在抑制图像噪声的同时，减少图像上的噪声点，保存所需的图像细节。保证源数据的真实性，提高实验结果的准确性。图像要能被卷积神经网络来进行处理，就需要将数据集的彩色图像大小统一。所以要把灰度图像转换成二值图像，减少处理数据量，并进行大小归一化。对所有的图像都进行尺寸转换和反转。因为大多数中文签名是水平书写，所以基于长边来将图像等比缩放到224像素。等比缩放生成缩略图后，需要将图像反相处理，使得卷积类神经网络去关注签名的部分，不关注空白的部分。规范化方法可以将所有签名图像的大小设置为一致。

4.3 离线手写签名的特征提取

在签名识别流程中，需经过特征抽取的步骤，从原始资料选取各种的特征信息。在签名识别研究中，有许多特征被提出来改善辨识率与安全性，也造成有许多雷同或是多余特征产生。特征分析处理之后，可删除性质雷同的特征，使得在签名识别速度上，可以明显增加特征的高利用性与有效性。卷积神经网络具有能抽出签名中特征与分类的能力并且能妥善分类。使用深度卷积生成对抗式网络的鉴别器，利用其鑒别器对签名样本数据进行特征的提取。

5. 结语

生活有许多重要场合需要使用手写签名，当中牵涉庞大的利益，伪造签名的问题也层出不穷。因此，建立快速、有效、科学化的签名真伪辨识工具一直是个实际且重要的议题。依靠传统的经验识别签名真伪已经不能应对现在的各种伪造技术。探索离线中文签名识别的有效方法。将CNN应用到离线中文签名识别中去，用计算机来进行重要特征信息的提取，并对提取的特征信息进行比对，实现签名真伪的识别，因此，利用卷积神经网络，通过自动搜索图像中的特征，从中发现更多的抽象特征并进行分类处理，在离线签名图像识别中具有优势。提高了签名真伪辨识的准确性，CNN辨识系统在无法接受伪造签名的签名识别下具有优势，更具有安全保证。

参考文献：

[1]陈洁萍.手写签名脱机识别图像的预处理方法[J].轻工科技，2013（7）：92-93.

[2]颜兵，王金鹤，赵静.基于均值滤波和小波变换的图像去噪技术研究[J].计算机技术与发展，2011，21（2）：51-53.

[3]金浙良，覃娟.基于神经网络的手写体签名识别的研究[J].装备制造技术，2013（5）：64-65.

[4]马小晴，桑庆兵.基于LBP和深度学习的手写签名识别算法[J].量子电子学报，2017，34（01）：23-31

[5]左文明，黎绍发，曾宪贵.脱机手写签名纹理特征分析[J].微电子学与计算机，2005（02）：154-157.

[6]欧阳星明，陈 杲，邱德红.联机手写签名动态信息的获取[J].计算机应用研究，2002（02）：103-105

[7]崔英杰.云雾网络架构的大数据分析平台研究[J].电子设计工程，2020（05）：98-101

[8]吴冰，秦志远.自动确定图像二值化最佳阈值的新方法[J].测绘学院学报，2001，18（4）：283-286

[9]崔英杰.浅析基于MOOCs平台的自主学习模式构建[J].现代信息科技， 2019（15）：130-134

[10]张智威，孙子文，丛琳，等.基于Markov-BP神经网络的手写签名手机身份认证技术[J].信息网络安全，2013 （9）：64-67.

[11]李彦冬，郝宗波，雷航.卷积神经网络研究综述[J].计算机应用，2016，36（9）：2508-2515.

[12]张新峰，沈兰荪.模式识别及其在图像处理中的应用[J].测控技术，2004，23（5）：28-32.

作者简介崔英杰，河南驻马店人，硕士，助教。研究方向：物联网。田根源，河南驻马店人，硕士，助教，研究方向：深度學习。