-
公开(公告)号：CN109344856B
公开(公告)日：2022-04-08
申请号：CN201810910833.X
申请日：2018-08-10
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
Abstract: 本发明公开了一种基于多层判别式特征学习的脱机签名鉴别方法，包括：采集签名图像并进行预处理；建立多层判别式特征学习神经网络模型并进行训练；进行签名图像的特征提取，并进行特征归一化；针对每位用户的签名数据，取其中的真签名特征作为正样本，除该用户之外的其他用户的真签名特征作为负样本，通过正样本加权，训练二分类SVM模型；对于待鉴定签名图像，进行特征提取并归一化，然后用SVM模型鉴定其真伪。本发明充分利用深度网络模型的特征学习能力，以及签名数据中不同层次、多尺度特征，基于深度网络模型和二分类SVM模型，实现了高精度的脱机签名鉴定方法，具有准确率高、适应性好等特点，具有较好的实用价值。
-
公开(公告)号：CN112699349A
公开(公告)日：2021-04-23
申请号：CN202011566442.4
申请日：2020-12-25
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
Abstract: 本发明公开了一种基于样本合成以及排序学习的联机签名鉴定方法。所述方法包括以下步骤：采集签名序列并进行预处理；建立签名序列的Sigma Lognormal拟合模型；对拟合参数增加扰动采样合成真实签名以及伪造签名；进行排序学习优化平均精度损失训练神经网络模型参数；对于待鉴定签名序列，利用训练完成的神经网络模型提取特征并进行归一化，计算特征向量间欧式距离判断真伪。本发明解决了联机签名鉴别任务中伪造样本难以获取的困难，使用Sigma Lognormal模型生成样本，不再依赖于伪造签名数据的采集，并且进行排序学习以学习签名样本间的相关性和相似度信息，实现了高精度的联机签名鉴定方法，具有准确率高、适应性好等特点，具有较好的实用价值。
-
公开(公告)号：CN109344856A
公开(公告)日：2019-02-15
申请号：CN201810910833.X
申请日：2018-08-10
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
IPC: G06K9/62
Abstract: 本发明公开了一种基于多层判别式特征学习的脱机签名鉴别方法，包括：采集签名图像并进行预处理；建立多层判别式特征学习神经网络模型并进行训练；进行签名图像的特征提取，并进行特征归一化；针对每位用户的签名数据，取其中的真签名特征作为正样本，除该用户之外的其他用户的真签名特征作为负样本，通过正样本加权，训练二分类SVM模型；对于待鉴定签名图像，进行特征提取并归一化，然后用SVM模型鉴定其真伪。本发明充分利用深度网络模型的特征学习能力，以及签名数据中不同层次、多尺度特征，基于深度网络模型和二分类SVM模型，实现了高精度的脱机签名鉴定方法，具有准确率高、适应性好等特点，具有较好的实用价值。
-
公开(公告)号：CN111428727A
公开(公告)日：2020-07-17
申请号：CN202010227200.6
申请日：2020-03-27
Applicant: 华南理工大学
Abstract: 本发明公开一种基于序列变换纠正及注意力机制的自然场景文本识别方法,包括数据获取、数据处理、标签制作、训练网络、测试网络；所述训练网络包括：构建识别网络，并将训练数据及处理好的标签输入预先设计好的识别网络，完成识别网络的训练；所述识别网络包括序列变换纠正器、基于注意力机制的文本识别器；所述序列变换纠正器包括若干个卷积层、非线性层和池化层；所述序列变换纠正器还包括分解层、由若干个全连接层组成的定位网络；所述基于注意力机制的文本识别器包括特征编码网络和基于注意力机制的解码器。本发明极大降低了识别模型的识别难度，识别准确率高、鲁棒性强，针对形状不规则的文本具有很好的识别性能。
-
公开(公告)号：CN114996688A
公开(公告)日：2022-09-02
申请号：CN202210582665.2
申请日：2022-05-26
Applicant: 华南理工大学
Abstract: 本申请公开了一种基于软动态时间规整的联机签名认证系统和方法，包括：数据采集模块、数据预处理模块、签名序列特征提取神经网络模块和签名序列特征测试模块；通过采集待测试签名序列；基于所述签名序列进行预处理，获取预处理数据，并提取所述签名序列的时间函数；构建神经网络，基于所述签名序列的时间函数对所述神经网络进行训练，获得签名序列特征提取神经网络；基于所述预处理数据，通过所述签名序列特征提取神经网络，计算签名序列特征间的动态时间规整距离判断真伪。本申请实现了神经网络与经典动态时间规整算法的融合，使得神经网络可以进行端到端的训练，从而达到高精度的联机签名认证效果。
-
Patent Agency Ranking
-
公开(公告)号：CN116469176A
公开(公告)日：2023-07-21
申请号：CN202310241090.2
申请日：2023-03-13
Applicant: 华南理工大学
IPC: G06V40/30 , G06V10/774 , G06V10/82 , G06V10/77 , G06N3/0442 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种文本无关联机笔迹身份认证方法、系统、装置及介质，其中方法包括：获取文本无关的笔迹时间序列数据；对笔迹时间序列数据进行压力归一化和坐标中心归一化处理；构建基于深度神经网络的鉴别模型，采用归一化处理后的笔迹时间序列数据对鉴别模型进行训练；获取模板笔迹和待测试笔迹，将模板笔迹和待测试笔迹输入训练后的鉴别模型进行特征提取，获得第一表征向量和第二表征向量；根据第一表征向量和第二表征向量判定待测试笔迹为真实笔迹或者伪造笔迹。本发明在文本无关场景下进行笔迹认证，针对文本无关场景下内容无法使用只有风格可以使用的特点，自适应地增强风格特征的学习，降低错误率，可广泛应用于深度学习与模式识别领域。
-
公开(公告)号：CN111428727B
公开(公告)日：2023-04-07
申请号：CN202010227200.6
申请日：2020-03-27
Applicant: 华南理工大学
IPC: G06V20/62 , G06V30/16 , G06V30/19 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048
Abstract: 本发明公开一种基于序列变换纠正及注意力机制的自然场景文本识别方法,包括数据获取、数据处理、标签制作、训练网络、测试网络；所述训练网络包括：构建识别网络，并将训练数据及处理好的标签输入预先设计好的识别网络，完成识别网络的训练；所述识别网络包括序列变换纠正器、基于注意力机制的文本识别器；所述序列变换纠正器包括若干个卷积层、非线性层和池化层；所述序列变换纠正器还包括分解层、由若干个全连接层组成的定位网络；所述基于注意力机制的文本识别器包括特征编码网络和基于注意力机制的解码器。本发明极大降低了识别模型的识别难度，识别准确率高、鲁棒性强，针对形状不规则的文本具有很好的识别性能。
-
公开(公告)号：CN115083023B
公开(公告)日：2024-12-31
申请号：CN202210573892.9
申请日：2022-05-25
Applicant: 华南理工大学
IPC: G06V40/30 , G06V30/32 , G06V30/166 , G06V30/162 , G06V10/82 , G06N3/045 , G06N3/044 , G06N3/0475 , G06N3/088 , G06N3/094 , G06N3/096
Abstract: 本发明提供了一种笔画宽度可控的脱机签名图像生成方法，包括如下步骤：获得单像素轨迹图像和脱机签名图像，并对所述单像素轨迹图像和所述脱机签名图像进行预处理；计算预处理后的所述脱机签名图像的笔画宽度等级；构建并训练基于笔画宽度条件向量的循环生成对抗网络；基于训练后的所述基于笔画宽度条件向量的循环生成对抗网络，获得笔画宽度可控的脱机签名图像。本发明给出的模型可以自动生成大量形变自然的手写风格逼真的脱机签名图像，缓解了深度脱机签名认证领域训练数据不足的问题，具有较高的应用价值。
-
公开(公告)号：CN115083023A
公开(公告)日：2022-09-20
申请号：CN202210573892.9
申请日：2022-05-25
Applicant: 华南理工大学
IPC: G06V40/30 , G06V30/32 , G06V30/166 , G06V30/162 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种笔画宽度可控的脱机签名图像生成方法，包括如下步骤：获得单像素轨迹图像和脱机签名图像，并对所述单像素轨迹图像和所述脱机签名图像进行预处理；计算预处理后的所述脱机签名图像的笔画宽度等级；构建并训练基于笔画宽度条件向量的循环生成对抗网络；基于训练后的所述基于笔画宽度条件向量的循环生成对抗网络，获得笔画宽度可控的脱机签名图像。本发明给出的模型可以自动生成大量形变自然的手写风格逼真的脱机签名图像，缓解了深度脱机签名认证领域训练数据不足的问题，具有较高的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.037 seconds)
