一种真伪鉴别方法、装置以及电子设备与流程

本申请涉及人工智能技术领域，具体为计算机视觉、深度学习和文字识别技术领域，尤其涉及一种真伪鉴别方法、装置以及电子设备。

背景技术：

在日常生活或工作中，会产生大量的文件或合同等，很多重要的文件或者合同，为确保真实性，需要对上面的印章以及签名等进行真伪验证。

目前，对于文件或合同中的印章以及签名等主体的真伪验证，常采用方式是通过人工核对验证。

技术实现要素：

本申请提供一种真伪鉴别方法、装置和电子设备。

第一方面，本申请一个实施例提供一种真伪鉴别方法，所述方法包括：

获取第一图像；

在检测到所述第一图像包括目标主体的情况下，识别所述目标主体中的文字内容和/或提取所述目标主体的特征信息，其中，所述目标主体包括印章和签名中至少一项，所述特征信息包括形状特征、拓扑特征和卷积特征中的至少一项；

基于所述目标主体的文字内容和/或所述目标主体的特征信息，确定所述目标主体的目标真伪鉴别结果。

本实施例的真伪鉴别方法中，通过获取第一图像，并在第一图像中检测到目标主体情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果。目标主体包括印章和签名中的至少一项，特征信息可包括形状特征、拓扑特征和卷积特征中的至少一项，即在本实施例中，可利用目标主体的文字内容和/或目标主体的形状特征、拓扑特征和卷积特征中的至少一项来确定目标主体的真伪，无需人工核对以鉴别真伪，可提高真伪鉴别的效率。与此同时，通过本实施例的真伪鉴别方法，可表面通过人工核对鉴别真伪时容易产生错误的情况，可提高鉴别准确性。

第二方面，本申请一个实施例提供一种真伪鉴别装置，所述装置包括：

获取模块，用于获取第一图像；

处理模块，用于在检测到所述第一图像包括目标主体的情况下，识别所述目标主体中的文字内容和/或提取所述目标主体的特征信息，其中，所述目标主体包括印章和签名中至少一项，所述特征信息包括形状特征、拓扑特征和卷积特征中的至少一项；

确定模块，用于基于所述目标主体的文字内容和/或所述目标主体的特征信息，确定所述目标主体的目标真伪鉴别结果。

本实施例的真伪鉴别装置进行真伪鉴别过程中，通过获取第一图像，并在第一图像中检测到目标主体情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果。目标主体包括印章和签名中的至少一项，特征信息可包括形状特征、拓扑特征和卷积特征中的至少一项，即在本实施例中，可利用目标主体的文字内容和/或目标主体的形状特征、拓扑特征和卷积特征中的至少一项来确定目标主体的真伪，无需人工核对以鉴别真伪，可提高真伪鉴别的效率。与此同时，通过本实施例的真伪鉴别方法，可表面通过人工核对鉴别真伪时容易产生错误的情况，可提高鉴别准确性。

第三方面，本申请一个实施例还提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请各实施例提供的方法。

第四方面，本申请一个实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请各实施例提供的方法。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请提供的一个实施例的真伪鉴别方法的流程示意图之一；

图2是本申请提供的一个实施例的真伪鉴别方法的流程示意图之二；

图3是本申请提供的一个实施例的真伪鉴别方法的流程示意图之三；

图4是本申请提供的一个实施例的实现真伪鉴别方法的真伪鉴别系统的原理图；

图5是本申请提供的一个实施例的真伪鉴别方法的流程示意图之四；

图6是本申请提供的一个实施例的真伪鉴别装置的结构图之一；

图7是本申请提供的一个实施例的真伪鉴别装置的结构图之二；

图8是本申请提供的一个实施例的真伪鉴别装置的结构图之三；

图9是用来实现本申请实施例的真伪鉴别方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，根据本申请的实施例，本申请提供一种真伪鉴别方法，可应用于电子设备，方法包括：

步骤s101：获取第一图像。

第一图像可以是对待鉴别主体(即待鉴别实物)进行拍摄得到的图像，也可以是扫描得到的图像，也可以是截图得到的图像。在真伪鉴别过程中，可将第一图像输入到进行真伪鉴别方法的执行主体例如电子设备中。例如，对于有印章的合同等，通过拍摄装置对该合同进行拍摄，即可得到该合同对应的图像。又例如，对于有签名的文件等，通过拍摄装置对该文件进行拍摄，即可得到该文件对应的图像。

步骤s102：在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息。

其中，目标主体包括印章和签名中至少一项，特征信息包括形状特征、拓扑特征和卷积特征中的至少一项。

对不同待鉴别主体进行拍摄得到的第一图像中包括的目标主体不同，例如，对有印章的合同拍摄得到的第一图像中，包括的目标主体为印章，对有签名的文件拍摄得到的第一图像中，包括的目标主体为签名。在本实施例中，在检测到第一图像包括印章和签名中至少一项的情况下，即可识别目标主体中的文字内容和/或提取目标主体的特征信息，作为一个示例，对于印章，可识别印章中的文字内容和提取印章的形状特征，对于签名，可提取签名的拓扑特征和/或卷积特征。

作为一个示例，可通过预训练的目标检测模型对第一图像进行目标检测，在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息。作为一个示例，该目标检测模型可以是yolov3检测模型(一种目标检测网络)，通过该模型进行目标检测可提高目标检测效率。

步骤s103：基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果。

在识别目标主体中的文字内容和/或提取目标主体的特征信息后，即可利用目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果，即可确定第一图像中印章和/或签名的真伪，实现印章和/或签名真伪鉴别。目标真伪鉴别结果包括真鉴别结果或伪鉴别结果。

本实施例的真伪鉴别方法中，通过获取第一图像，并在第一图像中检测到目标主体情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果。目标主体包括印章和签名中的至少一项，特征信息可包括形状特征、拓扑特征和卷积特征中的至少一项，即在本实施例中，可利用目标主体的文字内容和/或目标主体的形状特征、拓扑特征和卷积特征中的至少一项来确定目标主体的真伪，无需人工核对以鉴别真伪，可提高真伪鉴别的效率。与此同时，通过本实施例的真伪鉴别方法，可表面通过人工核对鉴别真伪时容易产生错误的情况，可提高鉴别准确性。

可选的，目标主体包括印章，目标主体的特征信息包括印章的形状特征。在本实施例中，基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果，包括：将印章的文字内容与印章的真实文字内容进行比对，得到印章的第一真伪鉴别结果；基于印章的形状特征，确定印章的第二真伪鉴别结果；根据第一真伪鉴别结果以及第二真伪鉴别结果，确定目标真伪结果。即在本实施例中，如图2所示，提供一种真伪鉴别方法，包括以下步骤：

步骤s201：获取第一图像。

第一图像可以是对待鉴别主体(即待鉴别实物)进行拍摄得到的图像，也可以是扫描得到的图像，也可以是截图得到的图像。在真伪鉴别过程中，可将第一图像输入到进行真伪鉴别方法的执行主体例如电子设备中。例如，对于有印章的合同等，通过拍摄装置对该合同进行拍摄，即可得到该合同对应的图像。又例如，对于有签名的文件等，通过拍摄装置对该文件进行拍摄，即可得到该文件对应的图像。

步骤s202：在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息。

其中，目标主体包括印章，特征信息包括形状特征。

对不同待鉴别主体进行拍摄得到的第一图像中包括的目标主体不同，例如，对有印章的合同拍摄得到的第一图像中，目标主体包括印章，对有签名的文件拍摄得到的第一图像中，目标主体包括签名。在本实施例中，在检测到第一图像包括印章和签名中至少一项的情况下，即可识别目标主体中的文字内容和/或提取目标主体的特征信息，作为一个示例，对于印章，可识别印章中的文字内容和提取印章的形状特征。在本实实施例中，目标主体是包括印章，目标主体的特征信息包括印章的形状特征，即是在检测到第一图像包括印章的情况下，识别印章中的文字内容和提取印章的形状特征。

步骤s203：将印章的文字内容与印章的真实文字内容进行比对，得到印章的第一真伪鉴别结果。

步骤s204：基于印章的形状特征，确定印章的第二真伪鉴别结果。

步骤s205：根据第一真伪鉴别结果以及第二真伪鉴别结果，确定目标真伪结果。

在检测到第一图像中包括印章的情况下，识别印章中的文字内容，并提取印章的形状特征，然后将印章的文字内容与印章的真实文字内容进行比对，得到印章的第一真伪鉴别结果。基于印章的形状特征，确定印章的第二真伪鉴别结果。即印章的鉴别涉及两方面，一方面是文字内容的比对，另一方面通过第一图像中印章图像(区域)的形状特征判断真伪，在这两方面均为真的情况下，可确定印章的目标鉴别结果为真。如此，可提高对印章真伪鉴别的准确性。

作为一个示例，提取印章的形状特征，可以包括通过vgg16模型(一种卷积神经网路)对印章进行特征提取，得到印章的形状特征。

作为一个示例，根据第一真伪鉴别结果以及第二真伪鉴别结果，确定目标真伪结果，包括：在第一真伪鉴别结果以及第二真伪鉴别结果均为真鉴别结果的情况下，确定目标鉴别结果为真鉴别结果；或者，在第一真伪鉴别结果和第二真伪鉴别结果中至少一项伪真鉴别结果的情况下，确定目标鉴别结果为伪鉴别结果。

作为一个示例，识别印章中的文字内容，可以包括：对印章中的文字进行检测，得到印章的文字主体，然后对文字主体进行文字识别，得到印章的文字内容。作为一个示例，可利用lomo模型(一种文本检测器)对对印章中的文字进行检测，利用lomo模型能够较准确地检测出印章上面的文字，包括红章上面的弯曲文字等。lomo模型包括依次连接的直接回归器(dr)、迭代细化模块(irm)和形状表达模块(sem)。首先，dr分支生成四边形的文本proposals(预选框)。然后irm基于提取的文本proposals的特征块，通过迭代细化逐步感知整个长文本。再通过考虑文本实例的几何属性，包括文本区域、文本中心线和边界偏移等，引入sem来得到更精确的弯曲文本表示。利用lomo模型，能够非常准确地检测出红章上的弯曲文字。作为一个示例，可通过文字识别模型对文字主体进行文字识别，即识别检测的文字，该文字识别模型可以采用crnn(convolutionalrecurrentneuralnetwork,rnn，卷积循环神经网络)模型等。

可选的，特征信息包括拓扑特征和卷积特征中至少一项。在本实施例中，基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果，包括：将目标主体的拓扑特征以及目标主体对应的真实主体的真实拓扑特征输入至第一神经网络，通过第一神经网络输出目标主体的第一真实概率；和/或，将目标主体的卷积特征以及目标主体对应的真实主体的真实卷积特征输入至第二神经网络，通过第二神经网络输出目标主体的第二真实概率；基于第一真实概率和/或第二真实概率，确定目标真伪鉴别结果。即在本实施例中，如图3所示，提供一种真伪鉴别方法，包括以下步骤：

步骤s301：获取第一图像。

第一图像可以是对待鉴别主体(即待鉴别实物)进行拍摄得到的图像，也可以是扫描得到的图像，也可以是截图得到的图像。在真伪鉴别过程中，可将第一图像输入到进行真伪鉴别方法的执行主体例如电子设备中。例如，对于有印章的合同等，通过拍摄装置对该合同进行拍摄，即可得到该合同对应的图像。又例如，对于有签名的文件等，通过拍摄装置对该文件进行拍摄，即可得到该文件对应的图像。

步骤s302：在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息。

其中，特征信息包括拓扑特征和卷积特征中至少一项。

对不同待鉴别主体进行拍摄得到的第一图像中包括的目标主体不同，例如，对有印章的合同拍摄得到的第一图像中，目标主体包括印章，对有签名的文件拍摄得到的第一图像中，目标主体包括签名。在本实施例中，在检测到第一图像包括印章和签名中至少一项的情况下，即可识别目标主体中的文字内容和/或提取目标主体的特征信息。作为一个示例，对于签名，可提取签名的拓扑特征和/或卷积特征。例如，在本实实施例中，目标主体是包括签名，目标主体的特征信息包括签名的拓扑特征和/或卷积特征，即是在检测到第一图像包括签名的情况下，和提取签名的拓扑特征和/或卷积特征。

步骤s303：将目标主体的拓扑特征以及目标主体对应的真实主体的真实拓扑特征输入至第一神经网络，通过第一神经网络输出目标主体的第一真实概率；和/或，将目标主体的卷积特征以及目标主体对应的真实主体的真实卷积特征输入至第二神经网络，通过第二神经网络输出目标主体的第二真实概率。

步骤s304：基于第一真实概率和/或第二真实概率，确定目标真伪鉴别结果。

在本实施例中，采用目标主体的拓扑特征和卷积特征中至少一项来鉴别目标主体的真伪，例如，可先将目标主体的拓扑特征以及目标主体对应的真实主体的真实拓扑特征输入至第一神经网络，通过第一神经网络输出目标主体的第一真实概率，和/或，将目标主体的卷积特征以及目标主体对应的真实主体的真实卷积特征输入至第二神经网络，通过第二神经网络输出目标主体的第二真实概率。如此，可得到第一真实概率和/或第二真实概率，然后，可基于第一真实概率和/或第二真实概率，确定目标真伪鉴别结果，以提高目标主体真伪鉴别的准确性。

作为一个示例，第一神经网络可以是第一bp(backpropagation，前馈)神经网络，第二神经网络可以是第二卷积神经网络。作为一个示例，该目标主体可以是签名。

可选的，将目标主体的拓扑特征以及目标主体对应的真实主体的真实拓扑特征输入至第一神经网络，通过第一神经网络输出目标主体的第一真实概率，包括：基于目标主体的拓扑特征以及真实拓扑特征，得到第一特征向量；将第一特征向量输入至第一神经网络，得到第一真实概率。

以目标主体为签名为例，对应的真实主体即为真实签名，由于每个人的签名笔记有自己的特点和相对稳定性。在鉴别过程中，可以把签名看成一个平面无向图，然后通过算法提取无向图的拓扑特征。拓扑特征可以包括：连通片(互相边连结在一起的笔迹)、网孔(由笔迹围成的闭合空白区域)、一度定点(笔迹的端点)以及多度顶点(由相交笔迹形成的三叉点、四差点等)等。

为了提供拓扑结构的区分度，可利用opencv(是一个基于bsd(berkeleysoftwaredistribution，伯克利软件套件)许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在linux、windows、android和macos操作系统上)对签名进行了骨架提取。骨架是签名中文字符号的形状特征，由一些细曲线或圆弧组成。这些曲线或弧线可以较好地保持文字符号原始形状的连通性，同时展示文字符号的拓扑属性，是结构形状的重要表示，可以将签名文字简化为骨架图像。骨架提取，实际上是提取签名中文字在图像上的中心像素轮廓。提取文字的骨架能够简化图像的特征，也有利于后续深度学习中的特征提取。实现的方法是从文字目标外围往文字目标中心不断腐蚀，直至腐蚀到不能再腐蚀为止，剩下单层像素宽度，此即为文字骨架。

获取到签名的拓扑结构(即拓扑特征)后，将签名的拓扑特征和真实签名的拓扑特征(提取过程与签名的拓扑特征的提取过程类似，不同在于签名不同，这里是真实签名)进行向量化得到第一特征向量，并输入到第一神经网络，进行二分类，判断签名是否与比对的真实签名出自同一人之手，并给出相应的置信度(即第一真实概率)。

真实主体的真实拓扑特征可预先得到，在得到目标主体的拓扑特征后，可对目标主体的拓扑特征以及真实拓扑特征进行向量化，得到第一特征向量，将其输入至第一神经网络，通过第一神经网络输出第一真实概率。如此，可提高第一真实概率的准确性。

可选的，将目标主体的卷积特征以及目标主体对应的真实主体的真实卷积特征输入至第二神经网络，通过第二神经网络输出目标主体的第二真实概率，包括：对目标主体进行二值化处理，得到第一二值化主体；对第一二值化主体进行字符切割，得到第一二值化主体的切割后的字符；通过第一卷积神经网络提取第一二值化主体的切割后的字符的卷积特征；将第一二值化主体的切割后的字符的卷积特征以及真实主体的切割后的字符的真实卷积特征输入第二神经网络，得到第二真实概率。

真实主体的切割后的字符的真实卷积特征可预先提取得到，真实主体的切割后的字符的真实卷积特征的提取过程与目标主体的切割后的字符的卷积特征的过程类似，即预先对真实主体进行二值化处理，得到第二二值化主体；对第二二值化主体进行字符切割，得到第二二值化主体的切割后的字符；通过第一卷积神经网络提取第二二值化主体的切割后的字符的卷积特征，实现真实主体的卷积特征的提取。通过对目标主体进行二值化处理，得到第一二值化主体；对第一二值化主体进行字符切割，得到第一二值化主体的切割后的字符；通过第一卷积神经网络提取第一二值化主体的切割后的字符的卷积特征，实现目标主体的卷积特征的提取。然后将第一二值化主体的切割后的字符的卷积特征以及真实主体的切割后的字符的真实卷积特征输入第二神经网络，通过第二神经网络输出第二真实概率，如此，可提高第二真实概率的准确性。

作为一个示例，对于字符切割，可通过opencv中的连通域算法对字符进行切割。这里选择应用连通域算法进行切割，是基于签名往往存在连笔的情况，对于这种情况，通过连通域算法不会将连笔的字符切割，而是将这种连笔的情况作为重要特征输入到第一卷积神经网络中。

作为一个示例，将第一二值化主体的切割后的字符的卷积特征以及真实主体的切割后的字符的真实卷积特征输入第二神经网络之前，还可以包括：对第一二值化主体的切割后的字符的卷积特征进行降维处理，得到第一降维特征，对第一降维特征通过fishervectors编码方式对第一降维特征进行编码，得到第二特征，可形成维度一样的具有全局特征的特征。如此，可将第一二值化主体的切割后的字符的第二特征以及真实主体的切割后的字符的第三特征输入第二神经网络，通过第二神经网络输出第二真实概率，其中，第三特征为对真实主体的切割后的字符的卷积特征进行降维处理以及通过fishervectors编码方式对降维后的特征进行编码得到的特征。作为一个示例，可通过pca(principalcomponentanalysis，主成分分析)降维方式进行降维处理。

作为一个示例，第一卷积神经网络可以是alexnet网络(一种卷积神经网络)，利用alexnet网络进行卷积特征提取，例如，alexnet网络可包含依次连接的5个卷积层、3个池化层和2个全连接层，用于特征提取。第一个卷积层有96个卷积核，卷积核的大小是11*11，卷积步长是4。第二个卷积层有256个卷积核，卷积核大小为5，卷积步长为1。接下来的三个卷积层的卷积核大小均为3，卷积步长均为1。第三个和第四个卷积层的卷积核个数为384，第五个卷积层卷积核个数为256。最后连接两个全连接层节点数目4096，输出层节点数为1000。选择以alexnet网络来提取特征，是基于该网络在图像分类的效果要优于同类网络，如此，可提高提取的卷积特征的准确性。

可选的，在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息之前，还包括：提取第一图像的待鉴别子图像；对待鉴别子图像进行角度矫正，得到矫正后的子图像；

其中，在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，包括：

在检测到矫正后的图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息。

待鉴别子图像可以理解为待鉴别主体的图像，由于在对待鉴别主体进行拍摄过程中，可能存在其他背景或干扰，在获取第一图像后，需对第一图像进行待鉴别主体检测，将待鉴别主体与背景分离，实现待鉴别主体的提取，即提取待鉴别子图像。待鉴别主体检测主要是通过算法将第一图像中待鉴别主体部分进行提取，去掉背景的干扰。第一图像的待鉴别主体提取应用的模型可以是图像语义分割模型，即通过图像语义分割模型提取第一图像的待鉴别子图像。图像语义分割应用的算法可以是paddleseg(一种图像分割库)，该算法能够较准确地将待鉴别主体检测出。

提取第一图像的待鉴别子图像后，还需对其进行角度矫正，由于拍摄角度的问题，拍摄得到的第一图像可能存在一定的倾斜，则提取的待鉴别子图像可能存在一定的倾斜，从而可对待鉴别子图像进行角度矫正，得到矫正后的子图像，以提高后续进行文字内容识别和特征提取的准确性。作为一个示例，可利用opencv中的矫正算法完成图像的矫正。

下面以一个具体实施例对上述真伪鉴别方法的过程加以具体说明。

如图4所示，为实现上述真伪鉴别方法的真伪鉴别系统的原理图，真伪鉴别系统包括：图像接入模块、图像预处理模块、印章检测和校验模块、发票号码校验模块、签名校验模块、交互界面和存储模块。图像接入模块接收第一图像，图像预处理模块进行待鉴别子图像的提取以及矫正，印章检测和校验模块用于检测印章以及鉴别印章真伪，发票号码校验模块用于识别发票号码以及鉴别发票号码真伪，签名校验模块用于检测签名以及鉴别签名真伪。

如图5所示，为一实施例的真伪鉴别方法的流程图，以先检测印章，再检测发票号码，最后检测签名的顺序为例进行说明，通过真伪鉴别系统实现真伪鉴别方法的流程如下：

首先，用户通过扫描、拍摄或截图等方式得到第一图像，将第一图像输入到真伪鉴别系统中。

真伪鉴别系统首先通过印章检测模块检测第一图像中是否包含有印章。

如果第一图像中包含有印章，则对第一图像进行印章进行真伪鉴别，例如，通过印章内容识别模块识别印章中的文本内容，印章对比模块将文本内容与真实文本内容进行比对等；如果第一图像中不包含印章，则跳过此步骤，进入检测第一图像是否包含发票号码。

真伪鉴别系统通过通用光学字符识别(opticalcharacterrecognition，ocr)模块检测第一图像中是否包含有发票号码。如果第一图像中包含有发票号码，则通过调用发票查询接口，进行发票验真。如果第一图像中不包含发票号码，则系统跳过此步骤，进入检测第一图像是否包含手写签名。

真伪鉴别系统接着检测第一图像上是否包含有手写签名。如果第一图像中包含有手写签名，则系统通过签名校验模块中的基于拓扑结构鉴别模块提取拓扑特征，利用拓扑特征进行真伪鉴别，以及通过图像分析鉴别模块提取卷积特征，基于卷积特征进行真伪鉴别，从而确定签名的真伪。

以上鉴别的结果都会展示在交互界面上，人工通过交互界面可以查看鉴别的结果，也可以通过交互界面录入手写签名和印章图像。

最后，真伪鉴别系统的存储模块将以上所有的鉴别结果进行保存，用于系统训练。存储模块主要是将系统接收到的第一图像、印章和签名等进行保存。后续这些数据经过标注后，都会成为本系统的训练数据。为了更准确地进行签名的验真，需要对保留在系统中的签名进行训练。训练过程主要针对基于拓扑特征进行鉴别的分类器、alexnet模型以及基于图像信息进行分类的分类器。为了数据增广，本申请实施例利用保存的签名生成更多的签名。例如，首先把70*60大小的签名放大到76*66，即宽高各增加6个像素。然后用滑动窗的形式在放大后的图像中采集70*60的子区域，滑动窗的步长为3，这样总共可以得到9个同类的样本。除此之外，本申请还可通过旋转签名来进行签名的增广。

本申请通过人工智能的技术(包括手写内容识别、印刷文字识别、发票号码验真、手写签名验真、印章检测等技术)来完成验真工作。整个验真过程自动化进行，效率高，而且成本低。且可提高真伪鉴别的效率，而且响应速度快，能够形成稳定服务，具有较强的泛化能力。本申请包含有训练数据生成模块，能够降低人工收集数据和标注数据的成本。

如图6所示，根据本申请的实施例，本申请还提供一种真伪鉴别装置600，可应用于电子设备，装置600包括：

获取模块601，用于获取第一图像；

处理模块602，用于在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，其中，目标主体包括印章和签名中至少一项，特征信息包括形状特征、拓扑特征和卷积特征中的至少一项；

确定模块603，用于基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果。

可选的，目标主体包括印章，目标主体的特征信息包括印章的形状特征；

确定模块，包括：

比对模块，用于将印章的文字内容与印章的真实文字内容进行比对，得到印章的第一真伪鉴别结果；

第一子确定模块，用于基于印章的形状特征，确定印章的第二真伪鉴别结果；

第二子确定模块，用于根据第一真伪鉴别结果以及第二真伪鉴别结果，确定目标真伪结果。

即在本实施例中，如图7所示，本申请还提供一种真伪鉴别装置700，可应用于电子设备，装置700包括：

获取模块701，用于获取第一图像；

处理模块702，用于在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，其中，所述目标主体包括所述印章，所述目标主体的特征信息包括所述印章的形状特征；

比对模块703，用于将印章的文字内容与印章的真实文字内容进行比对，得到印章的第一真伪鉴别结果；

第一子确定模块704，用于基于印章的形状特征，确定印章的第二真伪鉴别结果；

第二子确定模块705，用于根据第一真伪鉴别结果以及第二真伪鉴别结果，确定目标真伪结果。

可选的，特征信息包括拓扑特征和卷积特征中至少一项；

确定模块，包括：

概率确定模块，用于将目标主体的拓扑特征以及目标主体对应的真实主体的真实拓扑特征输入至第一神经网络，通过第一神经网络输出目标主体的第一真实概率；和/或，用于将目标主体的卷积特征以及目标主体对应的真实主体的真实卷积特征输入至第二神经网络，通过第二神经网络输出目标主体的第二真实概率；

第三子确定模块，用于基于第一真实概率和/或第二真实概率，确定目标真伪鉴别结果。

即在本实施例中，如图8所示，本申请还提供一种真伪鉴别装置800，可应用于电子设备，装置800包括：

获取模块801，用于获取第一图像；

处理模块802，用于在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，其中，所述目标主体包括所述印章，所述目标主体的特征信息包括所述印章的形状特征；

概率确定模块803，用于将目标主体的拓扑特征以及目标主体对应的真实主体的真实拓扑特征输入至第一神经网络，通过第一神经网络输出目标主体的第一真实概率；和/或，用于将目标主体的卷积特征以及目标主体对应的真实主体的真实卷积特征输入至第二神经网络，通过第二神经网络输出目标主体的第二真实概率；

第三子确定模块804，用于基于第一真实概率和/或第二真实概率，确定目标真伪鉴别结果。

可选的，概率确定模块803，包括：

特征向量确定模块，用于基于目标主体的拓扑特征以及真实拓扑特征，得到第一特征向量；

第一概率获取模块，用于将第一特征向量输入至第一神经网络，得到第一真实概率。

可选的，概率确定模块803，包括：

二值化模块，用于对目标主体进行二值化处理，得到第一二值化主体；

切割模块，用于对第一二值化主体进行字符切割，得到第一二值化主体的切割后的字符；

特征提取模块，用于通过第一卷积神经网络提取第一二值化主体的切割后的字符的卷积特征；

第二真实概率确定模块，用于将第一二值化主体的切割后的字符的卷积特征以及真实主体的切割后的字符的真实卷积特征输入第二神经网络，得到第二真实概率。

可选的，真伪鉴别装置还包括：

子图像提取模块，用于提取第一图像的待鉴别子图像；

矫正模块，用于对待鉴别子图像进行角度矫正，得到矫正后的子图像；

其中，在检测到第一图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，包括：

在检测到矫正后的图像包括目标主体的情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息。

上述各实施例的真伪鉴别装置为实现上述各实施例的真伪鉴别方法的装置，技术特征对应，技术效果对应，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图9所示，是根据本申请实施例的真伪鉴别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图9所示，该电子设备包括：一个或多个处理器901、存储器902，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gum的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。

存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的真伪鉴别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的真伪鉴别方法。

存储器902作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的真伪鉴别方法对应的程序指令/模块(例如，附图6所示的获取模块601、处理模块602、确定模块603)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的真伪鉴别方法。

存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据键盘显示的电子设备的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至键盘显示的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

真伪鉴别方法的电子设备还可以包括：输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接，图9中以通过总线连接为例。

输入装置903可接收输入的数字或字符信息，以及产生与键盘显示的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asmc(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过获取第一图像，并在第一图像中检测到目标主体情况下，识别目标主体中的文字内容和/或提取目标主体的特征信息，基于目标主体的文字内容和/或目标主体的特征信息，确定目标主体的目标真伪鉴别结果。目标主体包括印章和签名中的至少一项，特征信息可包括形状特征、拓扑特征和卷积特征中的至少一项，即在本实施例中，可利用目标主体的文字内容和/或目标主体的形状特征、拓扑特征和卷积特征中的至少一项来确定目标主体的真伪，无需人工核对以鉴别真伪，可提高真伪鉴别的效率。与此同时，通过本实施例的真伪鉴别方法，可表面通过人工核对鉴别真伪时容易产生错误的情况，可提高鉴别准确性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。