合同签署单的签名验证方法与流程

合同签署单的签名验证方法
【技术领域】
1.本发明涉及签名验证技术领域，特别涉及合同签署单的签名验证方法。


背景技术：

2.在工程类合同、工程认量单、进度申报单等单据中通常有许多区域需要相关单位和个人的签字，为了防止漏签，需要对单据中的这些签字区域进行核查。现有技术对于这种单据的核查只能依靠人工点开原图去人工观察和记录签字情况，并且需要人工用截图工具记录下来签字区域，这个过程虽然是简单、固定的操作过程，但是由于审核的数量庞大，因此需要占用较多的人工资源，并且效率较低，出错率较高。


技术实现要素：

3.为了克服上述问题，本发明提出一种可有效解决上述问题的合同签署单的签名验证方法。
4.本发明解决上述技术问题提供的一种技术方案是：提供一种合同签署单的签名验证方法，包括如下步骤：
5.步骤s1，对待验证文件进行扫描，获取待验证文件的图像文件；
6.步骤s2，将待验证文件的图像文件输入到签字验证模型进行检测识别，得出识别结果；
7.步骤s3，根据步骤s2的识别结果，采用图片转换技术截取图像文件中的签字区域文字图片；
8.步骤s4，对签字区域文字图片进行像素比对计算，将计算结果与阀值对比，判断文字图片内是否具有有效签字；
9.步骤s5，将判断为具有有效签字的文字图片生成缩略图进行存档。
10.优选地，所述步骤s4中，采用opencv二值化的cv2.threshold函数和cv2.cvtcolor(p1，p2)颜色空间转换函数对签字区域文字图片进行像素比对计算。
11.优选地，所述步骤s2中，签字验证模型采用基于yolo算法3.0版本的基础模型进行训练，用于识别出图像文件中需要签字的目标区域。
12.优选地，所述步骤s2中，采用基于yolo算法3.0版本的基础模型进行训练，当损失函数值达到预期后即可停止训练。
13.优选地，所述yolo算法3.0版本的损失函数包括对预测的边界框中心坐标做损失的函数：
[0014][0015]
优选地，所述yolo算法3.0版本的损失函数包括对预测边界框的宽高做损失的函数：
[0016][0017]
优选地，所述yolo算法3.0版本的损失函数包括对预测的类别做损失的函数：
[0018][0019]
优选地，所述yolo算法3.0版本的损失函数包括对预测的置信度做损失的函数：
[0020][0021]
优选地，所述步骤s1中，对待验证文件进行扫描时，每次扫描规格统一，扫描得到的图像文件清晰完整。
[0022]
优选地，所述步骤s2中，训练前收集两千份的训练样本，训并且在训练样本的目标区域位置进行标记，有多个目标区域的对每个目标区域分别标记。
[0023]
与现有技术相比，本发明的合同签署单的签名验证方法可以替代人工完成90％的繁琐验证工作，自动生成缩略图进行存档，便于记录验证轨迹，自动核验签字有效性，正确率高，极大的提高了工作效率和节省人工成本，极大的增加业务的通过量。
【附图说明】
[0024]
图1为本发明合同签署单的签名验证方法的步骤流程图。
【具体实施方式】
[0025]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
[0026]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅限于指定视图上的相对位置，而非绝对位置。
[0027]
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0028]
请参阅图1，本发明的合同签署单的签名验证方法，包括如下步骤：
[0029]
步骤s1，对待验证文件进行扫描，获取待验证文件的图像文件。
[0030]
所述步骤s1中，待验证文件包括工程类合同、工程认量单、进度申报单等单据，对待验证文件进行扫描时，确保每次扫描规格统一规范，扫描得到的图像文件确保清晰完整。由于待验证文件的签字区域一般是手写体甚至包含艺术字体，很难通过ocr技术获取签字区域的文字，而目前市面上也没有用于识别此类场景的图像文字识别技术。
[0031]
步骤s2，将待验证文件的图像文件输入到签字验证模型进行检测识别，得出识别结果。
[0032]
所述步骤s2中，签字验证模型采用基于yolo算法3.0版本的基础模型进行训练，用于识别出图像文件中需要签字的目标区域。训练前，收集两千份左右的训练样本，训练样本包括工程类合同、工程认量单、进度申报单等单据的图像文件，并且在训练样本的目标区域位置进行标记，有多个目标区域的需要对每个目标区域分别标记。所述图像文件中需要签字的目标区域也可称为签字区域。
[0033]
所述yolo算法是一种对象检测算法，yolo将对象检测重新定义为一个回归问题。
它将单个卷积神经网络(cnn)应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框。例如，以一个100x100的图像为例。我们把它分成网格，比如7x7，然后，对于每个网格，网络都会预测一个边界框和与每个类别(汽车，行人，交通信号灯等)相对应的概率。
[0034]
每个边界框可以使用四个描述符进行描述：1、边界框的中心；2、高度；3、宽度；4、值映射到对象所属的类。yolo算法还可以预测边界框中存在对象的概率。如果一个对象的中心落在一个网格单元中，则该网格单元负责检测该对象。每个网格中将有多个边界框。在训练时，我们希望每个对象只有一个边界框。因此，我们根据哪个box与ground truth box的重叠度最高，从而分配一个box来负责预测对象。最后，我们对每个类的对象应用一个称为“非最大抑制(non max suppression)”的方法来过滤出“置信度”小于阈值的边界框。这为我们提供了图像预测。
[0035]
yolo算法非常快。由于检测问题是一个回归问题，所以不需要复杂的管道。它比“r-cnn”快1000倍，比“fast r-cnn”快100倍。它能够处理实时视频流，延迟小于25毫秒。它的精度是以前实时系统的两倍多，也可以应用于实时系统。同样重要的是，yolo算法遵循的是“端到端深度学习”的实践。
[0036]
所述步骤s2中，采用基于yolo算法3.0版本的基础模型进行训练，当损失函数值达到预期后即可停止训练。预期指的是：训练迭代200次，损失函数接近最小值，本次训练损失值0.15，停止训练。yolo算法3.0版本的损失函数由以下四部分组成：
[0037]
1.对预测的边界框中心坐标做损失的函数：
[0038][0039]
该等式计算了相对于预测的边界框位置(x,y)的loss数值。现在不要担心λ，暂且假定λ是一个给定的常数。该函数计算了每一个网格单元(i＝0,...,s2)(i＝0,...,s^2)(i＝0,...,s2)的每一个边界框预测值(j＝0,...,b)(j＝0,...,b)(j＝0,...,b)的总和。
[0040]
定义如下:
[0041]
1，如果网格单元i中存在目标，则第j个边界框预测值对该网格单元预测有效。
[0042]
0，如果网格单元i中不存在目标。
[0043]
但是我们如何知道哪个预测器对该目标负责呢？原因如下:
[0044]
对每一个网格单元yolo预测到对个边界框。在训练时，我们对每一个目标只希望有一个边界框预测器。我们根据哪个预测有最高的实时iou和基本事实的原则，来确认其对于预测一个目标有效。这里代码使用了tf.reduce_max函数来实现等式中的其他项应该是容易理解的:(x,y)是预测边界框的位置，是从训练数据中得到的实际位置。
[0045]
2.对预测边界框的宽高做损失的函数：
[0046][0047]
这是与预测的边界框的宽度、高度相关的损失。除了平方根之外，该等式看起来与第一个类似。这是怎么回事儿呢？原因如下：
[0048]
我们的误差度量反应出大箱子的小偏差要小于小箱子。为了逐步解决这个问题，我们预测了边界框的宽度和高度的平方根，而不是直接预测宽度和高度。
[0049]
3.对预测的类别做损失的函数：
[0050][0051]
除了项外，该等式看起来类似于分类的正常求和平方误差。使用该术语是因为当单元格上没有对象时，我们不会惩罚分类误差。
[0052]
4.对预测的置信度做损失的函数：
[0053][0054]
此处我们计算了与每个边界框预测值的置信度得分相关的损失。c是置信度得分，是预测边界框与基本事实的交叉部分。当在一个单元格中有对象时，等于1，否则取值为0。此处以及第一部分中出现的λ参数用于损失函数的不同加权部分。这对于提高模型的稳定性是十分键的。最高惩罚是对于坐标预测(λcoord＝5)(λ_{coord}＝5)(λcoord＝5)，当没有探测到目标时，有最低的置信度预测惩罚(λnoobj＝0.5)(λ_{noobj}＝0.5)(λnoobj＝0.5)。
[0055]
步骤s3，根据步骤s2的识别结果，采用图片转换技术截取图像文件中的签字区域文字图片。
[0056]
步骤s4，采用opencv二值化的cv2.threshold函数和cv2.cvtcolor(p1，p2)颜色空间转换函数对签字区域文字图片进行像素比对计算，将计算结果与阀值对比，判断文字图片内是否具有有效签字。
[0057]
所述步骤s4中，判断文字图片内是否具有有效签字，首先通过识别图片样本中的正常打印字体(如xx总监签字)字样，然后得到字样所在区域的宽高，用于计算后面应该出现手写签字的目标区域在图片中的位置；阀值：目标区域的投影直方图内计算水平和垂直像素点比例，水平方向达到25％，垂直方向达到20％。
[0058]
步骤s5，将判断为具有有效签字的文字图片生成缩略图进行存档，便于记录验证轨迹。
[0059]
与现有技术相比，本发明的合同签署单的签名验证方法可以替代人工完成90％的繁琐验证工作，自动生成缩略图进行存档，便于记录验证轨迹，自动核验签字有效性，正确率高，极大的提高了工作效率和节省人工成本，极大的增加业务的通过量。
[0060]
以上所述仅为本发明的较佳实施例，并非因此限制本发明的专利范围，凡是在本发明的构思之内所作的任何修改，等同替换和改进等均应包含在本发明的专利保护范围内。