[发明专利]基于深度置信网络和k均值聚类的签名图像鉴定方法

摘要

本发明涉及一种基于深度置信网络和k均值聚类的签名图像鉴定方法，该方法包括以下步骤：S1训练深度置信网络：输入手写签名图像作为训练集，通过深度置信网络提取每幅输入手写签名图像的第一特征向量，使用k均值聚类算法把所述第一特征向量聚为1类，获取聚类中心和聚类中心到类中最远向量的距离df，实现训练深度置信网络；S2鉴定签名图像：输入需要鉴定的手写签名图像，通过训练好的深度置信网络提取第二特征向量，计算第二特征向量到训练集特征向量聚类中心的距离d，如果d≥df，则输入需要鉴定的手写签名图像为假签名图像，否则为真签名图像。本发明能够自动对签名图像进行鉴定而无需人为干预，并且加快了鉴定的速度，提高了鉴定的正确率。

主权项

1.一种基于深度置信网络和k均值聚类的签名图像鉴定方法，其特征在于，包括以下步骤：S1训练深度置信网络：输入手写签名图像作为训练集，通过深度置信网络提取每幅输入手写签名图像的第一特征向量，使用k均值聚类算法把所述第一特征向量聚为1类，获取聚类中心和聚类中心到该1类中最远向量的距离df，实现训练深度置信网络，具体包括：S1.1、输入多张的真实签名图像作为训练集，将所有真实签名图像尺寸统一为同样的大小，将每幅图像的三元组RGB颜色空间转化为灰度图像，将灰度像素值归一化；S1.2、卷积自动编码机和反演神经网络构成深度置信网络用于提取图像特征向量；根据输入图像大小用户设定卷积自动编码机的参数，所述参数包括卷积自动编码机使用卷积层数量、采样层数量、每层卷积层中卷积模板使用数量及卷积模板大小和每层采样层中采样模板使用数量及采样模板大小；S1.3、卷积自动编码机的训练算法采用梯度下降算法，用户初始化梯度下降算法的参数，所述参数包括学习率和最大迭代次数；S1.4、然后将训练集中每幅图像逐个输入到卷积自动编码机中去，使用梯度下降算法对卷积编码机进行训练以获取每幅图像的特征子图集，并将获取的特征子图集输入到反演神经网络中去；S1.5、根据输入每幅特征子图的大小和数量，用户设定反演神经网络的参数，这些参数包括反演神经网络的层数、每层使用神经元的数量、每个神经元的激活函数选择；S1.6、反演神经网络的训练算法采用演化策略，用户初始化演化策略的参数，所述参数包括种群规模、变异概率、最大演化代数、变异方式，反演神经网络的权值和偏置作为演化策略的个体；S1.7、反演神经网络的输入层神经元返回的数据和原始输入特征向量之间的每维平均误差作为演化策略的评估函数；S1.8、演化策略训练反演神经网络S1.9、用户初始化k均值聚类算法参数，所述参数包括最大迭代次数和聚类个数；其中，在签名鉴定中，聚类个数固定为1类；将反演神经网络输出的所有特征向量使用k均值聚类算法聚为1类，记为K，产生聚类中心C，在类K中找到距离聚类中心C最远的第一特征向量，记录聚类中心C到该第一特征向量的距离，记为d_f，至此，签名图像鉴定网络训练全部完成，鉴定网络已经构建完毕；S2鉴定签名图像：输入需要鉴定的手写签名图像，通过训练好的深度置信网络提取第二特征向量，计算第二特征向量到训练集特征向量聚类中心的距离d，如果d≥df，则输入需要鉴定的手写签名图像为假签名图像，否则为真签名图像。