一种签名识别方法、装置、电子设备及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种签名识别方法、装置、电子设备及存储介质。


背景技术：

2.手写签名在许多重要签署场合代表本人身份及本人真实意愿等重要信息，例如在银行办理业务时需要进行电子的手写签名、银行卡背面的持卡人签名处进行手写签名、护照信息页需要本人手写签名、合同中需要手写签名等。
3.随着通信技术的快速发展，目前一般需要采集包含手写签名的图像，然后基于图像识别包含的签名信息并进行业务处理等。传统做法是由工作人员查看图像并识别其中的签名内容。传统做法消耗人力资源较大，签名识别效率很低。为了解决上述问题，出现了电子设备自动识别图像中签名内容的方案，但是因为签名的不规范或是签名字符中间存在的空隙干扰等原因，现有技术识别图像中的签名区域的准确性较差，进而导致识别的签名内容的准确性较差，甚至无法识别出签名内容。


技术实现要素：

4.本技术实施例提供了一种签名识别方法、装置、电子设备及存储介质，用以解决现有技术因识别图像中的签名区域的准确性较差，进而导致识别的签名内容的准确性较差的问题。
5.本技术提供了一种签名识别方法，所述方法包括：
6.获取包含待识别签名的第一图像，基于已训练的签名区域识别模型确定所述第一图像中的至少两个候选签名区域，基于已训练的语义分割模型确定所述第一图像中的签名像素点；
7.根据所述至少两个候选签名区域中包含的签名像素点的数量，确定目标签名区域；
8.获取所述目标签名区域对应的第二图像，对所述第二图像进行签名识别，确定所述第二图像中的签名内容。
9.进一步地，所述基于已训练的签名区域识别模型确定所述第一图像中的至少两个候选签名区域包括：
10.基于已训练的签名区域识别模型，确定所述第一图像中置信度高的至少两个初始签名区域；
11.针对所述至少两个初始签名区域的每个第一顶点，生成以该第一顶点为中心的正方形区域，其中，该正方形区域的边长为该第一顶点所属的初始签名区域最短边长的一半；
12.确定各个正方形区域的第二顶点，将所述各个第二顶点随机连接，得到至少两个候选签名区域。
13.进一步地，所述根据所述至少两个候选签名区域中包含的签名像素点的数量，确
定目标签名区域包括：
14.分别确定所述至少两个候选签名区域中包含的所述签名像素点的数量，将包含所述签名像素点的数量最多的候选签名区域确定为目标签名区域。
15.进一步地，所述对所述第二图像进行签名识别，确定所述第二图像中的签名内容包括：
16.对所述第二图像进行灰度处理，对灰度处理后的第二图像进行签名识别，确定所述灰度处理后的第二图像中的签名内容。
17.进一步地，所述签名区域识别模型的训练过程包括：
18.获取第一样本集，所述第一样本集中的第一样本图像中标注有样本签名区域的位置信息；
19.将所述第一样本集中的第一样本图像，及对应的样本签名区域的位置信息输入所述签名区域识别模型，对所述签名区域识别模型进行训练。
20.进一步地，所述语义分割模型的训练过程包括：
21.获取第二样本集，所述第二样本集中的第二样本图像中标注有样本签名像素点的位置信息；
22.将所述第二样本集中的第二样本图像，及对应的样本签名像素点的位置信息输入所述语义分割模型，对所述语义分割模型进行训练。
23.进一步地，所述对所述第二图像进行签名识别，确定所述第二图像中的签名内容包括：
24.将所述第二图像输入已训练的签名识别模型，基于所述已训练的签名识别模型确定所述第二图像中的签名内容；
25.所述签名识别模型的训练过程包括：
26.获取第三样本集，所述第三样本集中的第三样本图像中标注有样本签名内容；
27.将所述第三样本集中的第三样本图像，及对应的样本签名内容输入所述签名识别模型，对所述签名识别模型进行训练。
28.另一方面，本技术提供了一种签名识别装置，所述装置包括：
29.第一确定模块，用于获取包含待识别签名的第一图像，基于已训练的签名区域识别模型确定所述第一图像中的至少两个候选签名区域，基于已训练的语义分割模型确定所述第一图像中的签名像素点；
30.第二确定模块，用于根据所述至少两个候选签名区域中包含的签名像素点的数量，确定目标签名区域；
31.识别模块，用于获取所述目标签名区域对应的第二图像，对所述第二图像进行签名识别，确定所述第二图像中的签名内容。
32.进一步地，所述第一确定模块，具体用于基于已训练的签名区域识别模型，确定所述第一图像中置信度高的至少两个初始签名区域；针对所述至少两个初始签名区域的每个第一顶点，生成以该第一顶点为中心的正方形区域，其中，该正方形区域的边长为该第一顶点所属的初始签名区域最短边长的一半；确定各个正方形区域的第二顶点，将所述各个第二顶点随机连接，得到至少两个候选签名区域。
33.进一步地，所述第二确定模块，具体用于分别确定所述至少两个候选签名区域中
包含的所述签名像素点的数量，将包含所述签名像素点的数量最多的候选签名区域确定为目标签名区域。
34.进一步地，所述识别模块，具体用于对所述第二图像进行灰度处理，对灰度处理后的第二图像进行签名识别，确定所述灰度处理后的第二图像中的签名内容。
35.进一步地，所述装置还包括：
36.第一训练模块，用于获取第一样本集，所述第一样本集中的第一样本图像中标注有样本签名区域的位置信息；将所述第一样本集中的第一样本图像，及对应的样本签名区域的位置信息输入所述签名区域识别模型，对所述签名区域识别模型进行训练。
37.进一步地，所述装置还包括：
38.第二训练模块，用于获取第二样本集，所述第二样本集中的第二样本图像中标注有样本签名像素点的位置信息；将所述第二样本集中的第二样本图像，及对应的样本签名像素点的位置信息输入所述语义分割模型，对所述语义分割模型进行训练。
39.进一步地，所述识别模块，具体用于将所述第二图像输入已训练的签名识别模型，基于所述已训练的签名识别模型确定所述第二图像中的签名内容；
40.所述装置还包括：
41.第三训练模块，用于获取第三样本集，所述第三样本集中的第三样本图像中标注有样本签名内容；将所述第三样本集中的第三样本图像，及对应的样本签名内容输入所述签名识别模型，对所述签名识别模型进行训练。
42.另一方面，本技术提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
43.存储器，用于存放计算机程序；
44.处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。
45.另一方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
46.本技术提供了一种签名识别方法、装置、电子设备及存储介质，所述方法包括：获取包含待识别签名的第一图像，基于已训练的签名区域识别模型确定所述第一图像中的至少两个候选签名区域，基于已训练的语义分割模型确定所述第一图像中的签名像素点；根据所述至少两个候选签名区域中包含的签名像素点的数量，确定目标签名区域；获取所述目标签名区域对应的第二图像，对所述第二图像进行签名识别，确定所述第二图像中的签名内容。
47.上述的技术方案具有如下优点或有益效果：
48.本技术中，获取到包含待识别签名的第一图像之后，分别基于已训练的签名区域识别模型和语义分割模型对第一图像进行处理，确定出第一图像中的至少两个候选签名区域和签名像素点。根据至少两个候选签名区域和签名像素点确定出目标签名区域。本技术结合至少两个候选签名区域和签名像素点两个特征进行目标签名区域的确定，提高了确定出的目标签名区域的准确性。进而对目标签名区域对应的第二图像进行签名识别，确定所述第二图像中的签名内容。因为确定出的目标签名区域的准确性较好，因此确定的签名内容准确性较好。
附图说明
49.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1为本技术提供的签名识别过程示意图；
51.图2为本技术提供的另一签名识别过程示意图；
52.图3为本技术提供的签名识别详细流程图；
53.图4为本技术提供的yolov1的模型结构示意图；
54.图5为本技术提供的初始标签区域示意图；
55.图6为本技术提供的候选标签区域示意图；
56.图7为本技术提供的语义分割模型结构示意图；
57.图8为本技术提供的目标签名区域示意图；
58.图9为本技术提供的签名识别装置结构示意图；
59.图10为本技术提供的电子设备结构示意图。
具体实施方式
60.下面将结合附图对本技术作进一步地详细描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
61.图1为本技术提供的签名识别过程示意图，包括以下步骤：
62.s101：获取包含待识别签名的第一图像，基于已训练的签名区域识别模型确定所述第一图像中的至少两个候选签名区域，基于已训练的语义分割模型确定所述第一图像中的签名像素点。
63.s102：根据所述至少两个候选签名区域中包含的签名像素点的数量，确定目标签名区域。
64.s103：获取所述目标签名区域对应的第二图像，对所述第二图像进行签名识别，确定所述第二图像中的签名内容。
65.本技术提供的签名识别方法应用于电子设备，该电子设备可以是pc、平板电脑等设备，也可以是服务器。本技术所提出的签名识别包括手写签名识别。
66.在需要签名的场景中，例如在银行办理业务时用户进行电子的手写签名、银行卡背面的持卡人签名处进行手写签名、护照信息页需要本人手写签名、合同中需要手写签名等。用户签名之后，将用户的签名作为待识别签名，获取包含待识别签名的图像，将包含待识别签名的图像称为第一图像。
67.电子设备中保存有已训练的签名区域识别模型，获取到包含待识别签名的第一图像之后，将第一图像输入签名区域识别模型，签名区域识别模型输出第一图像中的多个签名区域以及各个签名区域各自对应的置信度。按照置信度由高到低的顺序，选取至少两个签名区域作为候选签名区域。
68.电子设备中保存有已训练的语义分割模型，将第一图像输入语义分割模型签名区
域识别模型确定第一图像中哪些是签名像素点，哪些是背景像素点。其中，签名像素点是指第一图像中签名所覆盖的像素点，背景像素点为签名未覆盖的像素点。签名区域识别模型确定第一图像中的签名像素点，并确定签名像素点在第一图像中的位置信息。
69.电子设备确定出第一图像中至少两个候选签名区域，以及第一图像中签名像素点之后，确定各个候选签名区域内分别包含的签名像素点的数量。根据各个候选签名区域内分别包含的签名像素点的数量，从各个候选签名区域中选取出目标签名区域。例如，分别确定各个候选签名区域内分别包含的像素点的总数量和签名像素点的数量，针对各个候选签名区域，根据该候选签名区域内分别包含的像素点的总数量和签名像素点的数量，确定该候选签名区域内签名像素点的数量占比。然后选取数量占比最大的候选签名区域作为目标签名区域。
70.确定目标签名区域之后，从第一图像中截取目标签名区域对应的区域图像，本技术将目标签名区域对应的区域图像称为第二图像。然后对第二图像进行签名识别，确定第二图像中的签名内容。具体的，电子设备包括已训练的签名识别模型，将第二图像输入已训练的签名识别模型，基于已训练的签名识别模型确定第二图像中的签名内容。其中，签名识别模型可以输出多个候选签名内容和各个候选签名内容各自的置信度，然后将置信度最高的候选签名内容确定为第二图像中的签名内容，也就是待识别签名的签名内容。
71.本技术中，获取到包含待识别签名的第一图像之后，分别基于已训练的签名区域识别模型和语义分割模型对第一图像进行处理，确定出第一图像中的至少两个候选签名区域和签名像素点。根据至少两个候选签名区域和签名像素点确定出目标签名区域。本技术结合至少两个候选签名区域和签名像素点两个特征进行目标签名区域的确定，提高了确定出的目标签名区域的准确性。进而对目标签名区域对应的第二图像进行签名识别，确定所述第二图像中的签名内容。因为确定出的目标签名区域的准确性较好，因此确定的签名内容准确性较好。
72.本技术中，为了使确定至少两个候选签名区域更准确，进而使得确定目标签名区域更准确，所述基于已训练的签名区域识别模型确定所述第一图像中的至少两个候选签名区域包括：
73.基于已训练的签名区域识别模型，确定所述第一图像中置信度高的至少两个初始签名区域；
74.针对所述至少两个初始签名区域的每个第一顶点，生成以该第一顶点为中心的正方形区域，其中，该正方形区域的边长为该第一顶点所属的初始签名区域最短边长的一半；
75.确定各个正方形区域的第二顶点，将所述各个第二顶点随机连接，得到至少两个候选签名区域。
76.本技术中，电子设备获取第一图像，将第一图像输入签名区域识别模型，签名区域识别模型输出第一图像中的多个签名区域以及各个签名区域各自对应的置信度。按照置信度由高到低的顺序，选取至少两个签名区域作为初始签名区域。
77.确定出至少两个初始签名区域之后，将至少两个初始签名区域的顶点作为第一顶点。针对每个初始签名区域的每个第一顶点，生成以该第一顶点为中心的正方形区域。其中，首先确定该第一顶点所属的初始签名区域，然后确定该所属的初始签名区域的最短边长，取最短边长的一半作为以该第一顶点为中心的正方形区域的边长。将生成的各个正方
形区域的顶点作为第二顶点。
78.去掉生成的各个正方形区域的边长，保留各个正方形区域的第二顶点。将各个第二顶点随机连接，得到至少两个候选签名区域。
79.本技术通过签名区域识别模型确定至少两个初始签名区域，然后根据至少两个初始签名区域的各个第一顶点生成各个正方形区域，将各个正方形区域的第二顶点随机连接，重新确定出至少两个候选签名区域。其中，可以将随机连接得到的所有区域均作为候选签名区域。
80.为了使确定目标签名区域更准确，本技术中，所述根据所述至少两个候选签名区域中包含的签名像素点的数量，确定目标签名区域包括：
81.分别确定所述至少两个候选签名区域中包含的所述签名像素点的数量，将包含所述签名像素点的数量最多的候选签名区域确定为目标签名区域。
82.本技术确定出至少两个候选签名区域中包含的签名像素点的数量之后，确定包含签名像素点的数量最多的候选签名区域，将包含签名像素点的数量最多的候选签名区域作为目标签名区域。本技术确定出的目标签名区域包含的签名像素点的数量最多，因此目标签名区域内包含的待识别签名更加完整。进而根据目标签名区域识别签名更准确。
83.本技术中，为了使签名识别更准确，所述对所述第二图像进行签名识别，确定所述第二图像中的签名内容包括：
84.对所述第二图像进行灰度处理，对灰度处理后的第二图像进行签名识别，确定所述灰度处理后的第二图像中的签名内容。
85.本技术确定出目标签名区域对应的第二图像之后，首先对第二图像进行灰度处理，通过灰度处理降低第二图像的背景噪声，然后基于去噪后的第二图像进行签名内容的识别。具体的，对第二图像进行灰度处理后，将灰度处理后的第二图像输入已训练的签名识别模型，基于已训练的签名识别模型确定灰度处理后的第二图像中的签名内容。
86.本技术在基于已训练的签名识别模型进行签名识别之前，首先对第二图像进行灰度处理去噪，这样可以避免签名识别模型提取第二图像中的噪声特征，提高了签名识别模型输出的签名内容的准确性。
87.图2为本技术提供的签名识别过程示意图，该过程包括以下步骤：
88.s201：获取包含待识别签名的第一图像，基于已训练的签名区域识别模型确定所述第一图像中的至少两个初始签名区域。
89.s202：针对所述至少两个初始签名区域的每个第一顶点，生成以该第一顶点为中心的正方形区域，其中，该正方形区域的边长为该第一顶点所属的初始签名区域最短边长的一半；确定各个正方形区域的第二顶点，将所述各个第二顶点随机连接，得到至少两个候选签名区域。
90.s203：基于已训练的语义分割模型确定第一图像中的签名像素点。
91.s204：分别确定至少两个候选签名区域中包含的所述签名像素点的数量，将包含签名像素点的数量最多的候选签名区域确定为目标签名区域。
92.s205：获取目标签名区域对应的第二图像，对第二图像进行灰度处理，将灰度处理后的第二图像输入已训练的签名识别模型，基于已训练的签名识别模型确定灰度处理后的第二图像中的签名内容。
93.本技术中，所述签名区域识别模型的训练过程包括：
94.获取第一样本集，所述第一样本集中的第一样本图像中标注有样本签名区域的位置信息；
95.将所述第一样本集中的第一样本图像，及对应的样本签名区域的位置信息输入所述签名区域识别模型，对所述签名区域识别模型进行训练。
96.电子设备中保存有第一样本集，第一样本集中的图像称为第一样本图像。为了提高签名区域识别模型的鲁棒性，第一样本集中的第一样本图像包括存在样本签名区域的第一样本图像和不存在样本签名区域的第一样本图像，可以根据需求设置存在样本签名区域的第一样本图像和不存在样本签名区域的第一样本图像的比例，例如第一样本集中，存在样本签名区域的第一样本图像和不存在样本签名区域的第一样本图像的比例为9:1，或者8:2等。对于存在样本签名区域的第一样本图像，其标注有样本签名区域的位置信息。将第一样本集中的第一样本图像，及对应的样本签名区域的位置信息输入签名区域识别模型，基于签名区域识别模型输出训练签名区域的位置信息，然后根据标注的样本签名区域的位置信息和训练签名区域的位置信息，确定损失函数值。经过迭代训练，当损失函数值满足要求时，签名区域识别模型训练完成。
97.所述语义分割模型的训练过程包括：
98.获取第二样本集，所述第二样本集中的第二样本图像中标注有样本签名像素点的位置信息；
99.将所述第二样本集中的第二样本图像，及对应的样本签名像素点的位置信息输入所述语义分割模型，对所述语义分割模型进行训练。
100.电子设备中保存有第二样本集，第二样本集中的图像称为第二样本图像。为了提高语义分割模型的鲁棒性，第二样本集中的第二样本图像包括存在样本签名的第二样本图像和不存在样本签名的第二样本图像，可以根据需求设置存在样本签名的第二样本图像和不存在样本签名的第二样本图像的比例，例如第二样本集中，存在样本签名的第二样本图像和不存在样本签名的第二样本图像的比例为9:1，或者8:2等。对于存在样本签名的第二样本图像，其标注有样本签名像素点的位置信息。将第二样本集中的第二样本图像，及对应的样本签名像素点的位置信息输入语义分割模型，基于语义分割模型输出训练签名像素点的位置信息，然后根据标注的样本签名像素点的位置信息和训练签名像素点的位置信息，确定损失函数值。经过迭代训练，当损失函数值满足要求时，语义分割模型训练完成。
101.所述签名识别模型的训练过程包括：
102.获取第三样本集，所述第三样本集中的第三样本图像中标注有样本签名内容；
103.将所述第三样本集中的第三样本图像，及对应的样本签名内容输入所述签名识别模型，对所述签名识别模型进行训练。
104.电子设备中保存有第三样本集，第三样本集中的图像称为第三样本图像。为了提高签名识别模型的鲁棒性，第三样本集中的第三样本图像包括存在样本签名的第三样本图像和不存在样本签名的第三样本图像，可以根据需求设置存在样本签名的第三样本图像和不存在样本签名的第三样本图像的比例，例如第三样本集中，存在样本签名的第三样本图像和不存在样本签名的第三样本图像的比例为9:1，或者8:2等。对于存在样本签名的第三样本图像，其标注有样本签名内容。存在样本签名的第三样本图像与以上确定出的第二图
像类似，为样本签名区域对应的第三样本图像。将第三样本集中的第三样本图像，及对应的样本签名内容输入签名识别模型，基于签名识别模型输出训练签名内容，然后根据标注的样本签名内容和训练签名内容，确定损失函数值。经过迭代训练，当损失函数值满足要求时，签名识别模型训练完成。
105.其中，在训练签名识别模型时，可以对第三样本图像进行灰度处理，对灰度处理后的第三样本图像进行签名识别，确定所述灰度处理后的第三样本图像中的训练签名内容。对第三样本图像进行灰度处理的处理参数与对第二图像进行灰度处理的处理参数相同。另外，在训练签名识别模型时，还可以对各个第三样本图像进行尺度的统一，基于统一尺度的各个第三样本图像对签名识别模型进行训练。对签名识别模型训练完成后，基于签名识别模型识别第二图像中的签名内容之前，也将第二图像进行尺度统一，尺度统一后的第二图像与统一尺度后的各个第三样本图像一致，然后再将灰度处理以及尺度统一后的第二图像输入已训练的签名识别模型，基于已训练的签名识别模型确定第二图像中的签名内容。
106.需要说明的是，为了提高签名区域识别模型、语义分割模型和签名识别模型的训练效率，可以先获取一个预训练基础模型，签名区域识别模型、语义分割模型和签名识别模型所对应的预训练基础模型可以相同也可以不同。预训练基础模型是已经过初始训练的一个通用模型。然后再基于第一样本集和对应的预训练基础模型训练得到签名区域识别模型，基于第二样本集和对应的预训练基础模型训练得到语义分割模型，基于第三样本集和对应的预训练基础模型训练得到签名识别模型。
107.下面结合附图对本技术提供的签名识别过程进行详细说明。图3为本技术提供的签名识别详细流程图，包括以下步骤：
108.s301：获取预训练基础模型，或基于样本集训练得到一个基础模型。该预训练基础模型可以是yolov1模型。yolov1的模型结构如图4所示，该网络的前一定数量的卷积层、平均池化层和全连接层。全连接层的输入图像尺寸例如是224*224，在imagenet-1000class做分类的预训练。使用的样本集为pascal voc数据集。损失函数为：
[0109][0110]
利用损失函数反向传播训练模型。
[0111]
s302：收集第一样本集，并基于第一样本集训练步骤一中预训练基础模型，得到签名区域识别模型。
[0112]
s303：基于签名区域识别模型预测初始签名区域。
[0113]
s304：以图5为例，保留两个初始签名区域，去掉初始签名区域边长，保留每个初始签名区域的四个顶点并生成小矩形，使用新生成的小矩形的顶点随机连接进一步生成新的若干候选签名区域，如图6所示。
[0114]
s305：基于第二样本集训练语义分割模型，使用语义分割模型instance-sensitive fcn对包含待识别签名的第一图像进行像素级别的语义分割semantic segmentation，语义分割模型结构如图7所示。
[0115]
s306：根据语义分割模型的结果和签名区域识别模型的结果，分别确定各个候选签名区域中包含的签名像素点的数量，将包含签名像素点的数量最多的候选签名区域确定为目标签名区域，图8为本技术提供的目标签名区域示意图，图8中的0.91和0.56代表签名像素点所占百分比。
[0116]
s307：确定目标签名区域对应的第二图像，对第二图像进行灰度处理，灰度处理包括背景rgb处理及归一化等，使用归一化方法生成格式、大小统一的图像数据。
[0117]
s308：使用开源的casia-hwdb1.0-1.2开源中文手写体数据集训练得到签名识别模型对应的预训练基础模型，预训练基础模型结构为conv2d-maxpool2d-conv2d-maxpool2d-conv2d-maxpool2d-flatten-dense layer-dense layer。
[0118]
s309：使用第三样本集训练签名识别模型对应的预训练基础模型，得到用于手写签名识别及标准中文文本输出的标签识别模型。
[0119]
s310：将灰度处理后的第二图像输入标签识别模型，确定标签内容，得到标准中文文本输出。
[0120]
其中，conv2d表示2d卷积层，maxpool2d表示2d最大池化层，flatten表示拉平，dense layer表示全连接层。nms表示非极大值抑制，semantic segmentation表示语义分割，instance-sensitive fcn表示实例语义分割全卷积神经网络。
[0121]
图9为本技术提供的签名识别装置结构示意图，该装置包括：
[0122]
第一确定模块91，用于获取包含待识别签名的第一图像，基于已训练的签名区域识别模型确定所述第一图像中的至少两个候选签名区域，基于已训练的语义分割模型确定所述第一图像中的签名像素点；
[0123]
第二确定模块92，用于根据所述至少两个候选签名区域中包含的签名像素点的数量，确定目标签名区域；
[0124]
识别模块93，用于获取所述目标签名区域对应的第二图像，对所述第二图像进行签名识别，确定所述第二图像中的签名内容。
[0125]
所述第一确定模块91，具体用于基于已训练的签名区域识别模型，确定所述第一图像中置信度高的至少两个初始签名区域；针对所述至少两个初始签名区域的每个第一顶点，生成以该第一顶点为中心的正方形区域，其中，该正方形区域的边长为该第一顶点所属的初始签名区域最短边长的一半；确定各个正方形区域的第二顶点，将所述各个第二顶点随机连接，得到至少两个候选签名区域。
[0126]
所述第二确定模块92，具体用于分别确定所述至少两个候选签名区域中包含的所述签名像素点的数量，将包含所述签名像素点的数量最多的候选签名区域确定为目标签名区域。
[0127]
所述识别模块93，具体用于对所述第二图像进行灰度处理，对灰度处理后的第二
图像进行签名识别，确定所述灰度处理后的第二图像中的签名内容。
[0128]
所述装置还包括：
[0129]
第一训练模块94，用于获取第一样本集，所述第一样本集中的第一样本图像中标注有样本签名区域的位置信息；将所述第一样本集中的第一样本图像，及对应的样本签名区域的位置信息输入所述签名区域识别模型，对所述签名区域识别模型进行训练。
[0130]
所述装置还包括：
[0131]
第二训练模块95，用于获取第二样本集，所述第二样本集中的第二样本图像中标注有样本签名像素点的位置信息；将所述第二样本集中的第二样本图像，及对应的样本签名像素点的位置信息输入所述语义分割模型，对所述语义分割模型进行训练。
[0132]
所述识别模块93，具体用于将所述第二图像输入已训练的签名识别模型，基于所述已训练的签名识别模型确定所述第二图像中的签名内容；
[0133]
所述装置还包括：
[0134]
第三训练模块96，用于获取第三样本集，所述第三样本集中的第三样本图像中标注有样本签名内容；将所述第三样本集中的第三样本图像，及对应的样本签名内容输入所述签名识别模型，对所述签名识别模型进行训练。
[0135]
本技术还提供了一种电子设备，如图10所示，包括：处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信；
[0136]
所述存储器403中存储有计算机程序，当所述程序被所述处理器401执行时，使得所述处理器401执行以上任一方法步骤。
[0137]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0138]
通信接口402用于上述电子设备与其他设备之间的通信。
[0139]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0140]
上述处理器可以是通用处理器，包括中央处理器、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0141]
本技术还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现以上任一方法步骤。
[0142]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0143]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精
神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。