基于深度置信网络和k均值聚类的签名图像鉴定方法与流程

本发明涉及图像鉴定，尤其是涉及一种深度置信网络和k均值聚类的签名图像鉴定方法，属于深度学习和模式识别领域。
背景技术：
：当前，许多场合需要对签名进行鉴定，签名鉴定作为一种身份认证方式有着广泛的应用，如财务签名鉴定，法律签名鉴定等。签名鉴定主要通过2种方式进行鉴定：1)人工进行鉴定，但耗时长，鉴定结果受到主观影响大；2)计算机进行鉴定，通过人设计签名图像的特征模式并用于提取对应的图像特征，通过对比提取的特征进行鉴定，然而，由于签名的随意性，导致设计合适的图像特征模式难度较高，无法设计有效的签名图像通用特征模式，因此，对比特征的鉴定方法鉴定正确率难以得到有效提高。技术实现要素：本发明目的在于克服上述现有签名鉴定技术所存在的各种问题，针对传统人工签名图像鉴定和计算机技术的签名鉴定中存在的缺点，如：传统鉴定依赖人的经验，计算机鉴定中人为设定签名图像特征模式较复杂，对于不同的签名需要设定不同的图像特征，对签名图像有特殊要求，鉴定正确率不高等缺点，提出一种基于深度置信网络和k均值聚类的签名图像鉴定方法。本发明能够自动对签名图像进行鉴定而无需人为干预，并且加快了鉴定的速度，提高了鉴定的正确率。实现本发明目的采用的技术方案是一种基于深度置信网络和k均值聚类的签名图像鉴定方法，该方法包括以下步骤：S1训练深度置信网络：输入手写签名图像作为训练集，通过深度置信网络提取每幅输入手写签名图像的第一特征向量，使用k均值聚类算法把所述第一特征向量聚为1类，获取聚类中心和聚类中心到类中最远向量的距离df，实现训练深度置信网络；S2鉴定签名图像：输入需要鉴定的手写签名图像，通过训练好的深度置信网络提取第二特征向量，计算第二特征向量到训练集特征向量聚类中心的距离d，如果d≥df，则输入需要鉴定的手写签名图像为假签名图像，否则为真签名图像。本发明具有如下优点：本发明提出了反演神经网络，并和卷积编码自动机共同组成了一个新的深度置信网络，该深度置信网络的特点是可以从任意大小的图像中直接提取出特征向量而不是特征子图，扩展了深度置信网络的特征提取能力；反演神经网络采用演化策略进行训练，由于演化策略寻找全局最优解能力较强并且不需要梯度信息，所以训练的反演神经网络适用性较广，并且从特征子图中提取有效特征向量的能力较强。使用k均值聚类算法对提取出的签名图像特征向量进行聚类，通过比较新输入的待鉴定手写图像的特征向量和聚类中心的距离进行鉴定输入，该方法将真伪鉴定问题转为聚类问题，使鉴定的正确率得到了提高，并有效减少了过拟合性。与同类方法相比，本发明能够提高手写鉴定的速度，提高鉴定正确率。附图说明图1为本发明基于深度置信网络和k均值聚类的签名图像鉴定方法的流程图。图2为图1中训练深度置信网络的一种优选实施方式的流程图。图3为图1中鉴定签名图像的一种优选实施方式的流程图。具体实施方式下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。图1示出的是本发明基于深度置信网络和k均值聚类的签名图像鉴定方法的总体流程图，整个鉴定流程分为：S1训练深度置信网络：输入作为训练集的签名图像对鉴定网络进行训练和S2鉴定签名图像：将待鉴定的签名图像输入训练好的鉴定网络中获得网络的鉴定结果。本实施例假设输入RBG色彩空间的真实签名图像为100幅，基于图2的鉴定网络训练流程图，本发明步骤S1输入作为训练集的签名图像对鉴定网络进行训练的具体训练实施步骤如下:S1.1、将100张RBG色彩空间的签名图像转为8位灰度图，所有输入图像的尺寸统一为256*256个像素，所有图像的像素全部归一化。S1.2、用户根据输入图像信息初始化卷积自动编码机参数，卷积自动编码机共有4层，其中卷积层数量为2层，采样层数量为2层，组合顺序为第1层卷积层，第2层采样层，第3层卷积层，第4层采样层。第1层卷积模板大小为33*33，卷积模板数量为6个；第2层采样模板大小为4*4，采样模板数量为6个；第3层卷积模板大小为33*33，卷积模板个数为16个；第4层采样模板大小为4*4，采样模板数量为16。S1.3、用户初始化梯度下降算法的参数，梯度下降的学习率是0.03，最大迭代次数是15。S1.4、将100张作为训练集的签名图像逐个输入到卷积自动编码机中去，使用梯度下降算法对卷积自动编码机进行训练以获取每幅训练集图像的特征子图，每幅训练集图像的特征子图数量为16，每个特征子图大小为6*6，将特征子图集输入到反演神经网络中去。S1.5、用户根据输入特征子图信息初始化反演神经网络参数，反演神经网络分为2层，第1层为300个神经元，第2层为120个神经元，每个神经元的激活函数是sigomd函数。S1.6、用户初始化演化策略的参数，使用1+4策略，变异概率为0.06，最大演化代数为50000代，变异方式为高斯变异。反演神经网络的权值和偏置作为演化策略的个体，个体长度为300*16*6*6+120*300+300+120＝209220。S1.7、反演神经网络第1层神经元返回的数据和原始输入特征向量之间的每维平均误差作为演化策略的评估函数。评估函数由3个部分组成：1)特征向量正向传递。首先，将卷积自动编码机提取的每幅输入图像的特征子图集按照每个像素展开为16*6*6＝576维的特征向量，并将这特征向量输入到第1层中的神经元进行处理，然后第1层中神经元的处理结果输入到第2层中的神经元中去计算整个反演神经网络的正向输出，其具体过程和普通神经网络的数据正向传递过程完全相同。其中，第1层中第i个神经元的输出计算式为：为第1层中第i个神经元的输出，为第1层中第i个神经元的第j个权值，为输入特征向量的第j维，为第1层中第i个神经元的偏置，在该层正向输出中，i＝1,2,…,300。第2层第i个神经元的输出计算式为：为第2层中第i个神经元的输出，为第2层中第i个神经元的第j个权值，为第1层中第j个神经元的输出，为第2层中第i个神经元的偏置，在该层正向输出中，i＝1,2,…,120。2)反演神经网络正向输出数据反向传递。本实施例中，第2层神经元向第1层神经元反向输入数据，第1层神经元对反向输入的数据进行处理后反向输出反演的向量。其中，第1层中第i个神经元的反向输出计算式为：为第1层中第i个神经元的反向输出，为第2层中第j个神经元的第i个权值，为第2层中第j个神经元的输出，是第1层中第i个神经元的偏置，在该层反演中，i＝1,2,…,300。第1层中第i个神经元向反演神经网络外部反向输出反演向量，其计算式为：为反向输出向量的第i维，为第1层中第j个神经元的第i个权值，为第1层中第j个神经元的输出，在该层反演中，i＝1,2,…,576。3)计算原始输入向量和反向输出向量的每维平均误差，根据平均误差评估反演神经网络的提取特征效果，其评估函数为：为卷积编码自动机提取的输入特征向量，为反演神经网络的反向输出向量。S1.8，演化策略训练反演神经网络，具体步骤如下；S1.8.1、随机初始化4个个体，评估所有个体；S1.8.2、选出最好个体，如果达到终止条件则转步骤8.5，否则转步骤8.3；S1.8.3、对于最好个体中的每1维，根据变异概率进行高斯变异。对当前最好个体进行变异产生4个新个体，评估所有新产生的个体；S1.8.4、上代最好个体和变异产生的4个新个体组成了1+4个个体，转步骤8.2；S1.8.5、输出最好个体；反演神经网络训练完成，最终输出每幅签名图像的第一特征向量。S1.9、用户初始化k均值聚类算法参数，k均值聚类算法的最大迭代次数为2000代，聚类个数为1，即将所有输入数据聚为1类。将反演神经网络输出的100个特征向量使用k均值聚类算法聚为1类，记为K，产生聚类中心C，在类K中找到距离聚类中心C最远的特征向量，记录聚类中心C到该特征向量的距离，记为df。至此，签名图像鉴定网络训练全部完成，鉴定网络已经构建完毕。基于图3的鉴定网络训练流程图，本发明S2将待鉴定的签名图像输入训练好的鉴定网络中获得网络的鉴定结果的步骤如下:S2.1、将待鉴定的签名图像进行预处理，包括将图像灰度化，统一图像尺寸，图像的像素全部归一化。S2.2、将预处理后的图像输入前述训练好的深度置信网络提取对应的图像特征向量；S2.3、计算待鉴定的签名图像的特征向量到聚类中心C的距离，记为d。对比d和df，如果d≥df，则判断待鉴定的签名图像为假，反之，如果d＜df，则判断待鉴定的签名图像为真。采用本实施例方法对签名为“李文斌”的手写签名图像进行鉴定的性能数据如下表：表1.本实施例性能数据鉴定速度1s鉴定正确率100％上表表明本鉴定方法鉴定速度快，正确率高。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属
技术领域：
的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。当前第1页1 2 3