1.一种基于三通道神经网络的离线签名鉴定方法,其特征在于,包括如下步骤:
获取签名图像和对比图像,并将签名图像和对比图像转换为灰度图或二值图;
将签名图像和对比图像进行对比,得出差值图像;
设置三通道神经网络,将签名图像和对比图像分别输入三通道神经网络的前两个通道,差值图像输入三通道神经网络的第三通道;
签名图像、对比图像和差值图像在三通道上进行叠加,得到三通道图像;
以三通道图像作为输入,训练神经网络模型,得到鉴定结果。
2.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,签名图像和对比图像为灰度图或二值图,其尺寸为w×h×1;
当签名图像和对比图像作对比时,读入模型的数据尺寸为w×h×2;
差值图像的尺寸为w×h×1,签名图像、对比图像和差值图像叠加得到三通道图像,其尺寸为w×h×3。
3.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,在神经网络中加入空洞卷积层。
4.如权利要求3所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,空洞卷积层位于神经网络的基线网络mix2层中。
5.如权利要求3所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,具体空洞卷积的方法如下:
将空洞率设置为锯齿状结构,空洞率表达式如下:
mi=max[mi+1-2ri,mi+1-2(mi+1-ri),ri]
其中,mi代表第i层的最大空洞率,ri代表第i层空洞率,设卷积核尺寸为k×k,当满足m2≤k时,即符合设计条件的要求。
6.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,在神经网络中设置注意力机制。
7.如权利要求6所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,注意力机制位于神经网络的最末层,用于对神经网络模型提取的笔迹特征赋予不同的权重。
8.如权利要求6所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,具体注意力机制的方法采用senet模块如下:
以x为网络输入,u为网络提取的特征图,将大小为w×h×3的特征图通过fsq函数进行squeeze操作,得到一个大小为1×1×c的向量,其公式为:
uc为第c通道的特征图;
将1×1×c的向量转换为一个新的具有权重信息的1×1×c的向量,即为excitation操作,门机制的公式为:
fex(z,w)=σ(g(z,w))=σ(w2δ(w1z))
其中,δ为relu激活函数,σ为sigmoid激活函数,z代表特征图,w表示参数,参数与特征图相乘,得到下一步的特征图;g为中间计算函数;w1将1×1×c的向量压缩到设定好的1×1×r,r即为降维系数,w2再将向量恢复为1×1×c;
得到1×1×c的向量即为所需要的通道权重向量,并与w×h×c的特征向量相乘,即可得到输出图像特征图x%。
9.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法,其特征在于,对三通道神经网络进行5折交叉验证,评估三通道神经网络的性能;设置训练集、验证集、测试集的分配比例为0.75:0.05:0.20,将所有数据分为5份,测试集在其中依次选取,完成数据集的5折分配。
10.一种基于权利要求1-9之一所述离线签名鉴定方法的鉴定系统,其特征在于,包括图像采集模块、存储模块、对比模块和鉴定模块;
所述图像采集模块用于采集实时手写的签名图像;
所述存储模块用于存储对比图像;
所述对比模块的第一输入端与图像采集模块连接,对比模块的第二输入端与存储模块连接,用于获取差值图像;
所述鉴定模块分别与图像采集模块、存储模块和对比模块的输出端连接,用于输出签名的鉴定结果。