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

技术特征：

1.一种基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于，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该1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。

2.根据权利要求1所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于，所述S1训练深度置信网络包括：

S1.1、输入多张的真实签名图像作为训练集，将所有真实签名图像尺寸统一为同样的大小，将每幅图像的三元组RGB颜色空间转化为灰度图像，将灰度像素值归一化；

S1.2、卷积自动编码机和反演神经网络构成深度置信网络用于提取图像特征向量；根据输入图像大小用户设定卷积自动编码机的参数，所述参数包括卷积自动编码机使用卷积层数量、采样层数量、每层卷积层中卷积模板使用数量及卷积模板大小和每层采样层中采样模板使用数量及采样模板大小；

S1.3、卷积自动编码机的训练算法采用梯度下降算法，用户初始化梯度下降算法的参数，所述参数包括学习率和最大迭代次数；

S1.4、然后将训练集中每幅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编码机进行训练以获取每幅图像的特征子图集，并将获取的特征子图集输入到反演神经网络中去；

S1.5、根据输入每幅特征子图的大小和数量，用户设定反演神经网络的参数，这些参数包括反演神经网络的层数、每层使用神经元的数量、每个神经元的激活函数选择；

S1.6、反演神经网络的训练算法采用演化策略，用户初始化演化策略的参数，所述参数包括种群规模、变异概率、最大演化代数、变异方式，反演神经网络的权值和偏置作为演化策略的个体；

S1.7、反演神经网络的输入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；

S1.8、演化策略训练反演神经网络

S1.9、用户初始化k均值聚类算法参数，所述参数包括最大迭代次数和聚类个数；其中，在签名鉴定中，聚类个数固定为1类；将反演神经网络输出的所有特征向量使用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最远的第一特征向量，记录聚类中心C到该第一特征向量的距离，记为d_f，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。

3.根据权利要求2所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于：所述步骤S1.1中输入至少100张的真实签名图像作为训练集。

4.根据权利要求2所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于：所述步骤S1.2中所述深度置信网络是由卷积自动编码机和反演神经网络构成，卷积自动编码机用于提取每幅签名图像的特征子图集，反演神经网络用于从每幅签名图像的特征子图集中提取每幅签名图像的特征向量，两者者共同构成了一个完整的深度置信网络。

5.根据权利要求2所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于所述步骤S1.7中反演神经网络的评估函数计算由3个部分组成，分别是：

1)输入特征向量数据正向传递，计算反演神经网络的正向输出；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t*m*n维的特征向量，t为每幅图像的特征子图集规模，m*n为每个特征子图的大小；然后将特征向量输入反演神经网络，并逐层进行处理以产生反演神经网络的正向输出；

2)反演数据网络正向输出数据反向传递，计算反演神经网络的反向输出；其计算过程如下：首先，反演神经网络的输出层N中的神经元将反演神经网络正向输出数据返回到前一隐含层P中的神经元中去，设输出层N中的神经元数量为N_t，隐含层P中神经元数量为P_t，f(x)为神经元激活函数，隐含层P中第i个神经元的输出计算式为：为隐含层P中第i个神经元的反向输出，为输出层N中第j个神经元的第i个权值，为输出层N中第j个神经元的输出，为隐含层P中第i个神经元的偏置，i＝1,2,…,P_t；

然后，隐含层逐层反向输出，隐含层s中的神经元的输出反向输入到隐含层L中的神经元，设隐含层s中的神经元数量为S_t，隐含层L中的神经元数量为L_t，隐含层L中第i个神经元的输出计算式为：为隐含层L中第i个神经元的反向输出，为隐含层s中第j个神经元的第i个权值，为隐含层s中第j个神经元的反向输出，为第L层中第i个神经元的偏置，i＝1,2,…,L_t；

最后，输入层神经元反向输出数据到反演神经网络外部，反向输出向量的维数和原始输入向量的维数相等；设输入层H中的神经元数量为H_t，反向输出向量的维数为D，反向输出数据的每一维计算式为：是反向输出向量的第i维，为输入层H中第j个神经元的第i个权值，为输入层H中第j个神经元的反向输出，i＝1,2,…,D；

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的第i维，为反演神经网络的反向输出向量的第i维，D为原始输入特征向量的维数。

6.根据权利要求5所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于，反演神经网络的训练算法是演化策略，在演化策略中，反演神经网络评估中的反演计算过程为：

首先，反演神经网络的输出层N中的神经元将反演神经网络正向输出数据返回到前一隐含层P中的神经元中去，设输出层N中的神经元数量为N_t，隐含层P中神经元数量为P_t，f(x)为神经元激活函数，隐含层P中第i个神经元的输出计算式为：为隐含层P中第i个神经元的反向输出，为输出层N中第j个神经元的第i个权值，为输出层N中第j个神经元的输出，为隐含层P中第i个神经元的偏置，i＝1,2,…,P_t。

然后，隐含层逐层反向输出，隐含层s中的神经元的输出反向输入到隐含层L中的神经元，设隐含层s中的神经元数量为S_t，隐含层L中的神经元数量为L_t，隐含层L中第i个神经元的输出计算式为：为隐含层L中第i个神经元的反向输出，为隐含层s中第j个神经元的第i个权值，为隐含层s中第j个神经元的反向输出，为第L层中第i个神经元的偏置，i＝1,2,…,L_t。

最后，输入层神经元反向输出数据到反演神经网络外部，反向输出向量的维数和原始输入向量的维数相等，设输入层H中的神经元数量为H_t，反向输出向量的维数为D，反向输出数据的每一维计算式为：是反向输出向量的第i维，为输入层H中第j个神经元的第i个权值，为输入层H中第j个神经元的反向输出，i＝1,2,…,D。

7.根据权利要求2所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于所述步骤S1.8包括：

S1.8.1、随机初始化λ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λ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λ个新个体组成了1+λ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。

8.根据权利要求1～7任一项所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于，所述S2鉴定签名图像包括：

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第二图像特征向量；

S2.3、计算待鉴定的签名图像的第二特征向量到聚类中心C的距离，记为d，对比d和d_f，如果d≥d_f，则判断待鉴定的签名图像为假，反之，如果d＜d_f，则判断待鉴定的签名图像为真。

9.根据权利要求1所述基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于：通过反演神经网络提取图像的特征向量，以及通过提取到的特征向量还原出原始的图像。