电子签名比对方法、装置、计算机设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种电子签名比对方法、装置、计算机设备及存储介质。


背景技术：

2.在现代无纸化作业流程中，需要对大量的电子文档进行线上签名，将电子签名和签字人的身份进行核对是资料审核中的重要一环。
3.现有的电子签名比对方法，通过对电子签名进行单字符的分割，对单字符进行识别，然后根据识别出的电子签名中的中文字符和用户真实姓名的命中率，来确定电子签名是否合格。但是，在对电子签名进行单字符分割的过程中，存在电子签名中的中文字符之间互相粘连，导致无法正确地分割出单个中文字符的情况，造成后续中文字符识别的错误率大大提高，无法正常完成电子签名的匹配。`


技术实现要素：

4.本发明实施例提供一种电子签名比对方法、装置、计算机设备及存储介质，以解决电子签名识别的错误率高的问题。
5.一种电子签名比对方法，包括：
6.获取签名比对请求，所述签名比对请求包括目标姓名和所述目标姓名对应的用户输入签名；
7.采用预训练的目标签名生成模型对所述目标姓名进行处理，获取与所述目标姓名对应的目标签名；
8.分别对所述用户输入签名和所述目标签名进行特征提取，获取所述用户输入签名对应的第一特征向量和所述目标签名对应的第二特征向量；
9.基于所述第一特征向量和所述第二特征向量，获取电子签名比对结果。
10.一种电子签名比对装置，包括：
11.签名请求模块，用于获取签名比对请求，所述签名比对请求包括目标姓名和所述目标姓名对应的用户输入签名；
12.目标签名模块，用于采用预训练的目标签名生成模型对所述目标姓名进行处理，获取与所述目标姓名对应的目标签名；
13.特征提取模块，用于分别对所述用户输入签名和所述目标签名进行特征提取，获取所述用户输入签名对应的第一特征向量和所述目标签名对应的第二特征向量；
14.特征比对模块，用于基于所述第一特征向量和所述第二特征向量，获取电子签名比对结果。
15.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电子签名比对方法。
16.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计
算机程序被处理器执行时实现上述电子签名比对方法。
17.上述电子签名比对方法、装置、计算机设备及存储介质，首先获取签名比对请求，签名比对请求包括目标姓名和目标姓名对应的用户输入签名，接着采用预训练的目标签名生成模型对目标姓名进行处理，获取与目标姓名对应的目标签名，以判断用户输入的用户输入签名是否和目标姓名相匹配，然后分别对用户输入签名和目标签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量，最后基于第一特征向量和第二特征向量，获取电子签名比对结果，从而通过第一特征向量对用户输入签名进行表征，并通过第二特征向量对目标签名进行表征，如此，便不需要采用对用户输入签名进行中文字符分割的方式进行电子签名比对，只需要利用用户输入的用户输入签名，以及目标姓名对应的目标签名便能够实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明一实施例中电子签名比对方法的一应用环境示意图；
20.图2是本发明一实施例中电子签名比对方法的一流程图；
21.图3是本发明一实施例中电子签名比对方法的另一流程图；
22.图4是本发明一实施例中电子签名比对方法的另一流程图；
23.图5是本发明一实施例中电子签名比对方法的另一流程图；
24.图6是本发明一实施例中电子签名比对方法的另一流程图；
25.图7是本发明一实施例中电子签名比对方法的另一流程图；
26.图8是本发明一实施例中电子签名比对方法的另一流程图；
27.图9是本发明一实施例中电子签名比对装置的一示意图；
28.图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.本发明实施例提供的电子签名比对方法，该电子签名比对方法可应用如图1所示的应用环境中。具体地，该电子签名比对方法应用在电子签名比对系统中，该电子签名比对系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于解决电子签名比对过程中的准确率较低的问题。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组
成的服务器集群来实现。
31.在一实施例中，如图2所示，提供一种电子签名比对方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
32.s201：获取签名比对请求，签名比对请求包括目标姓名和目标姓名对应的用户输入签名。
33.s202：采用预训练的目标签名生成模型对目标姓名进行处理，获取与目标姓名对应的目标签名。
34.s203：分别对用户输入签名和目标签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量。
35.s204：基于第一特征向量和第二特征向量，获取电子签名比对结果。
36.其中，签名比对请求是指用于电子签名比对的请求。目标姓名是指用户的真实姓名。用户输入签名是指与目标姓名对应的签名。示例性地，用户输入签名可以是用户书写的目标姓名后，生成的与目标签名对应的签名图像。
37.作为一示例，步骤s201中，用户通过电子设备中的采集装置，接收用户手写输入的用户输入签名，电子设备中的客户端根据用户对应的目标姓名和用户输入签名，生成签名比对请求，并将该签名比对请求发送至服务器中。可选地，该采集装置可以是触摸屏或电磁屏等装置。需要说明的是，服务器也可以采用其他获取签名比对请求的方式，只需包括签名请求包括目标姓名和目标姓名对应的用户输入签名即可。在本示例中，服务器获取签名比对请求，以在后续步骤中，判断目标姓名与用户输入签名是否相匹配。
38.其中，预训练的目标签名生成模型是指预先训练的的签名生成模型，用于生成目标签名。目标签名是指目标签名生成模型生成的，与目标姓名对应的签名。示例性地，目标签名可以是根据目标姓名生成的签名图像。
39.作为一示例，步骤s202中，在采用预训练的目标签名生成模型对目标签名进行处理，获取目标姓名对应的目标签名之前，预先训练目标签名生成模型。可选地，可采用预设的模型训练逻辑，预先训练目标签名生成模型。其中，该预设的模型训练逻辑是指用于预先训练目标签名生成模型的逻辑。
40.作为一示例，服务器获取签名比对请求后，将签名比对请求中的目标姓名输入至预先训练的目标签名生成模型，通过该目标签名生成模型便能够获取与目标姓名对应的目标签名。
41.在本示例中，通过采用预训练的目标签名生成模型对目标姓名进行处理，获取与目标姓名对应的目标签名，以便于在后续步骤中通过目标签名，判断用户输入的用户输入签名是否和目标姓名相匹配。
42.其中，第一特征向量是指对用户输入签名进行特征提取后获取的特征向量。第二特征向量是指对目标签名进行特征提取后获取的特征向量。
43.作为一示例，步骤s203中，服务器可通过预先配置的特征提取器对用户输入签名和目标签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量。作为优选地，该预先配置的特征提取器为cnn(convolutional neural networks，卷积神经网络，简称cnn)特征提取器。在本示例中，通过第一特征向量对用户输入签名进行表征，并通过第二特征向量对目标签名进行表征，可通过两个特征向量进行对
比即可实现签名对比，无需采用对用户输入签名进行中文字符分割的方式进行电子签名比对，只需要利用用户输入签名和目标签名实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。
44.其中，电子签名比对结果是指对基于第一特征向量和第二特征向量获取的电子签名的比对结果。示例性地，电子签名比对结果包括比对成功和比对失败。比对成功是指目标姓名和用户输入签名相匹配。比对失败是指目标姓名和用户输入签名不匹配。
45.作为一示例，步骤s204中，由于第一特征向量对用户输入签名的表征，第二特征向量对目标签名的表征，而目标签名与目标姓名相对应，因此，通过采用预设的特征比对逻辑，对第一特征向量和第二特征向量进行比对，便能获取电子签名比对结果，从而判断用户输入签名是否与目标姓名匹配。其中，预设的特征比对逻辑是指对第一特征向量和第二特征向量进行比对的逻辑，用于获取电子签名比对结果。
46.在本实施例中，首先获取签名比对请求，签名比对请求包括目标姓名和目标姓名对应的用户输入签名，接着采用预训练的目标签名生成模型对目标姓名进行处理，获取与目标姓名对应的目标签名，然后分别对用户输入签名和目标签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量，最后基于第一特征向量和第二特征向量，获取电子签名比对结果，从而通过第一特征向量对用户输入签名进行表征，可通过两个特征向量进行对比即可实现签名对比，无需采用对用户输入签名进行中文字符分割的方式进行电子签名比对，只需要利用用户输入签名和目标签名实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。
47.在一实施例中，如图3所示，在步骤s201之前，即在获取签名比对请求之前，电子签名比对方法包括：
48.s301：获取多个线上签名样本。
49.s302：对每一线上签名样本的用户姓名和签名样式进行处理，生成第一比对签名，第一比对签名与线上签名样本的用户姓名相同且签名样式不同。
50.s303：对每一线上签名样本的用户姓名和签名样式进行处理，生成第二比对签名，第二比对签名与线上签名样本的用户姓名不同且签名样式不同。
51.s304：将线上签名样本、第一比对签名和第二比对签名确定为模型训练样本，采用模型训练样本进行模型训练，获取目标签名生成模型。
52.其中，线上签名样本是用于训练目标签名生成模型的签名样本。线上签名样本的具体数量可以根据实际需求进行设置。示例性地，该线上签名样本是从线上采集的签名图像。该线上签名样本可以是实时采集的签名图像，也可以是非实时采集的签名图像。该线上签名样本为不同用户对应的签名图像。可以理解地，不同用户对应不同的用户姓名，每一用户姓名对应一线上签名样本。
53.作为一示例，在步骤s301中，服务器可以从数据库中，获取线上采集的线上签名样本，以便于利用线上签名样本，训练目标签名生成模型。
54.其中，签名样式是指线上签名样本中用户姓名对应的书写样式。可选地，该签名样式包括字体风格和/或字体粗细。第一比对签名是指对每一线上签名样本的用户姓名和签名样式进行处理，生成的签名图像。
55.作为一示例，在步骤s302中，服务器对每一线上签名样本的用户姓名和签名样式
进行处理，生成第一比对签名。示例性地，服务器采用第一签名生成逻辑对每一线上签名样本的用户姓名和签名样式进行处理，生成多个第一比对签名，每一第一比对签名对应一线上签名样本。其中，第一签名生成逻辑是指预先设置的逻辑，用于对线上签名样本进行处理，生成第一比对签名。
56.具体地，第一比对签名与线上签名样本的用户姓名相同，但字体风格和/或字体粗细不同。示例性地，第一比对签名对应的用户姓名与线上签名样本对应的用户姓名相同，第一比对签名中的用户姓名的字体风格和/或字体粗细，与线上签名样本对应的用户姓名的字体风格和/或字体粗细不同。在本示例中，通过使第一签名生成逻辑对线上签名样本进行处理后，生成的第一比对签名对应的用户姓名与线上签名样本中的用户姓名相同，且用户姓名的字体风格和/或字体粗细，与线上签名样本对应的字体风格和/或字体粗细不同即可。
57.其中，第二比对签名是指对每一线上签名样本的用户姓名和签名样式进行处理，生成的签名图像。作为一示例，在步骤s303中，对每一线上签名样本的用户姓名和签名样式进行处理，生成第二比对签名。示例性地，线上签名样本包括多个线上签名样本。服务器采用第二签名生成逻辑对线上签名样本的用户姓名和签名样式进行处理，生成多个第二比对签名，每一第二比对签名对应一线上签名样本。其中，第二签名生成逻辑指预先设置的逻辑，用于对线上签名样本进行处理，生成第二比对签名。
58.具体地，第二比对签名，与线上签名样本和第一比对签名的用户姓名不同，且字体风格和/或字体粗细不同。具体地，第二比对签名对应的用户姓名，与线上签名样本对应的用户姓名和第一比对签名对应的用户姓名不同，第二比对签名中的用户姓名的字体风格和/或字体粗细，与线上签名样本和第二比对签名中的用户姓名的字体风格和/或字体粗细均不同。
59.在本示例中，通过使第二签名生成逻辑对线上签名样本进行处理后，生成的第二比对签名对应的用户姓名，与线上签名样本对应的用户姓名和第一比对签名对应的用户姓名不同，第二比对签名中的用户姓名的字体风格和/或字体粗细，与线上签名样本和第二比对签名中的用户姓名的字体风格和/或字体粗细均不同即可。
60.其中，模型训练样本是指用于预训练目标签名生成模型的样本。目标签名生成模型是指基于模型训练样本进行模型训练生成的模型，用于对目标姓名进行处理，生成与目标姓名对应的目标签名。
61.作为一示例，在步骤s304中，服务器将线上签名样本、第一比对签名和第二比对签名确定为模型训练样本，采用模型训练样本进行模型训练，获取目标签名生成模型。示例性地，通过将线上签名样本、第一比对签名和第二比对签名作为模型训练样本，并基于深度学习网络进行模型训练，获取目标签名生成模型。其中，该深度学习网络的主干网络(backbone)可以为resnet(residual network，残差网络，简称resnet)网络。可选地，该resnet网络可以是resnet50、resnet18或resnet101。作为优选地，该resnet网络为resnet50。具体地，通过将线上签名样本、第一比对签名和第二比对签名作为输入，并通过损失函数对深度学习网络进行模型训练，获取目标签名生成模型。其中，该损失函数可以为triplenet loss。在本示例中，通过基于线上签名样本、第一比对签名和第二比对签名进行模型训练，获取目标签名生成模型，以使服务器能够通过采用目标签名生成模型对目标姓
名进行处理，生成与目标姓名对应的目标签名，以根据目标签名，判断用户输入的用户输入签名是否和目标姓名相匹配，即只需要利用用户输入的用户输入签名，以及目标姓名对应的目标签名便能够实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。
62.本实施例中，首先获取线上签名样本，接着对每一线上签名样本的用户姓名和签名样式进行处理，生成第一比对签名，第一比对签名与线上签名样本的用户姓名相同且签名样式不同，并对每一线上签名样本的用户姓名和签名样式进行处理，生成第二比对签名，第二比对签名与线上签名样本的用户姓名不同且签名样式不同，最后将线上签名样本、第一比对签名和第二比对签名确定为模型训练样本，采用模型训练样本进行模型训练，获取目标签名生成模型，从而是服务器能够通过目标签名生成模型对目标姓名进行处理，生成与目标姓名对应的目标签名，如此，服务器便只需要利用用户输入的用户输入签名，以及目标姓名对应的目标签名便能够实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。同时通过使第一比对签名与线上签名样本的用户姓名相同，使第二比对签名与线上签名样本的用户姓名不同，从而形成正负样本，提高目标签名生成模型的准确性。
63.在一实施例中，如图4所示，在步骤s302中，即采用第一签名生成逻辑对线上签名样本进行处理，生成第一比对签名，包括：
64.s401：从签名样式库中的至少一个初始签名样式中，选取目标签名样式。
65.s402：基于线上签名样本的用户姓名和目标签名样式，生成第一比对签名。
66.其中，签名样式库为至少两个初始签名样式组成的集合。该初始签名样式为预先设置的签名样式。该签名样式包括字体风格和/或字体粗细。可以理解地，不同的签名样式中的字体风格和/或字体粗细也不同。目标签名样式为从签名样式库选取的初始签名样式。可选地，该初始签名样式可以根据实际需求进行设置。示例性地，该初始签名样式包括但不限于dengb.ttf、deng.ttf、kaiti.ttf、msyhbd.ttf msyh.ttf、simhei.ttf、simsun.ttc、songbold.ttf stkaitibold.ttf、dengl.ttf fangsong.ttf、lisu.ttf、msyhl.ttc、nsimsum.ttf、simsunbd.ttf、simyou.ttf stheitibold.ttf和stkaiti.ttf。需要说明的是，字体大小可以基于opencv进行配置，字体粗细可以通过形态学膨胀/腐蚀控制字体实现。
67.作为一示例，在步骤s401中，服务器从签名样式库中，选取目标签名样式的方式可以是随机选取，也可以是按照实际需求选取。作为优选地，可以是从签名样式库中随机选取初始签名样式，从而保证训练目标签名生成模型过程的样本的随机性，从而提高目标签名生成模型的准确性。
68.其中，用户姓名是指线上签名样本中的用户姓名。
69.作为一示例，在步骤s402中，服务器基于线上签名样本的用户姓名。由于线上签名样本线上采集的签名图像，因此，可以直接从线上签名样本中获取用户姓名。服务器根据该用户姓名和目标签名样式，便能够生成第一比对签名。该第一比对签名的字体风格和/或字体粗细，与线上签名样本对应的字体风格和/或字体粗细不同。
70.本实施例中，服务器从签名样式库中的至少一个初始签名样式中，选取目标签名样式，并基于线上签名样本的用户姓名和目标签名样式，便能够生成第一比对签名，以使服
务器能够通过线上签名样本、第一比对签名和第二比对签名进行模型训练，获取目标签名生成模型，从而通过采用预训练的目标签名生成模型对目标姓名进行处理，获取与目标姓名对应的目标签名，利用用户输入的用户输入签名，以及目标姓名对应的目标签名便能够实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。
71.在一实施例中，如图5所示，在步骤s303中，即采用第二签名生成逻辑对线上签名样本进行处理，生成第二比对签名，包括：
72.s501：基于每一线上签名样本的用户姓名，获取每一线上签名样中的用户姓名对应的多个姓名字符。
73.s502：基于所有线上签名样本的用户姓名和所有姓名字符，生成字符字典。
74.s503：基于字符字典，生成第二比对签名。
75.其中，姓名字符是指组成用户姓名的字符。可以理解地，用户姓名可以由至少两位姓名字符组成。
76.作为一示例，在步骤s501中，每一线上签名样本对应一用户姓名，每一用户姓名包括多个姓名字符。服务器基于线上签名样本的用户姓名，获取每一线上签名样本的用户姓名对应的多个姓名字符，为后续生成第二比对签名提供基础。
77.其中，字符字典是基于用户姓名和所有姓名字符生成的字典。
78.作为一示例，在步骤s502中，服务器基于所有用户姓名和所有姓名字符，即统计线上签名样本中的所有用户姓名，以及每一用户姓名对应的所有姓名字符，生成字符字典。示例性地，可通过线上日志，获取线上签名样本的用户姓名对应的记录，从而获取所有用户姓名和所有姓名字符，进而根据所有用户姓名和所有姓名字符，生成字符字典。
79.作为一示例，在步骤s503中，服务器基于所有用户姓名和所有姓名字符，生成字符字典后，基于字符字典，生成第二比对签名。具体地，服务器可根据字符字典，根据姓名生成逻辑，生成与用户姓名不同的用户姓名，然后根据该与用户姓名不同的用户姓名，生成第二比对签名。该姓名生成逻辑是指用于生成用户姓名的逻辑。在本示例中，保证姓名生成逻辑能够生成与用户姓名不同的用户姓名即可。
80.在本实施例中，基于每一线上签名样本的用户姓名，获取每一线上签名样中的用户姓名对应的多个姓名字符，并基于所有线上签名样本的用户姓名和所有姓名字符，生成字符字典，最后基于字符字典，生成第二比对签名，从而使第二比对签名对应的用户姓名，与线上签名样本和第一比对签名对应的用户姓名不同，以使最后生成的目标签名生成模型更加符合现实业务数据的规律，提高目标签名生成模型的准确性。
81.在一实施例中，如图6所示，在步骤s503中，即基于字符字典，生成第二比对签名，包括：
82.s601：获取字符字典中的所有用户姓名对应的第一数量，确定用户姓名中不同姓名长度对应的第二数量，将第二数量和第一数量的商，确定为每一姓名长度对应的第一概率。
83.s602：获取字符字典的所有用户姓名的每一位置上出现的所有姓名字符对应的第三数量，确定姓名字符不同位置的第四数量，将第四数量和第三数量的商，确定为每一姓名字符在不同位置的第二概率。
84.s603：根据所有姓名长度对应的第一概率和所有姓名字符在不同位置的第二概
率，获取频率分布表。
85.s604：获取用户输入的目标概率，根据目标概率查询频率分布表，确定候选长度和候选长度中不同位置对应的候选字符，获取候选姓名。
86.s605：从签名样式库中，选取目标签名样式。
87.s606：基于候选姓名和目标签名样式，生成第二比对签名。
88.其中，第一数量是指字符字典中的所有用户姓名对应的数量。第二数量是指用户姓名中不同姓名长度对应的数量。姓名长度是基于字符字典获取的用户姓名的长度。姓名字符是指第一姓名中每一位置对应的字符。第一概率是指根据将第二数量和第一数量的商确定的概率。
89.作为一示例，在步骤s601中，线上签名样本对应的用户姓名包括：张a，李bc，则字符字典中记录的所有用户姓名对应的第一数量3，即“张a”、“李b”和“李bc”，则姓名长度为2的数量为2，则姓名长度为2对应的第一概率为：2/3，名字长度为3的数量为1，则姓名长度为3对应的第一概率为：1/3。
90.其中，第三数量是指字符字典的每一用户姓名的每一位置上出现的姓名字符的数量。第四数量是指姓名字符不同位置的。第二概率是指根据将第四数量和第三数量的商确定的概率。
91.作为一示例，在步骤s602中，服务器获取字符字典的每一姓名字符对应的第三数量，确定姓名字符不同位置的第四数量，将第四数量和第三数量的商，确定为每一姓名字符在不同位置的第二概率。示例性地，线上签名样本对应的用户姓名包括：张a，李bc，则字符字典中记录的所有用户姓名对应的第一数量3，即“张a”、“李b”和“李bc”，其中，所有用户姓名的第一位置上出现的所有姓名字符为“张”和“李”对应的第三数量为3，姓名字符为“张”在第一位置的第四数量为1，姓名字符“李”在第一位置的第四数量为2，确定姓名字符为“张”在第一位置的第二概率为1/3，确定姓名字符为“李”在第一位置的第二概率为2/3。同理，所有用户姓名的第二位置上出现的所有姓名字符为“a”和“b”对应的第三数量为3，姓名字符为“a”在第二位置的第四数量为1，姓名字符“b”在第二位置的第四数量为2，确定姓名字符为“a”在第二位置的第二概率为1/3，确定姓名字符为“b”在第二位置的第二概率为2/3。
92.所有用户姓名的第三位置上出现的所有姓名字符为“c”对应的第三数量为1，姓名字符为“c”在第三位置的第四数量为1，确定姓名字符为“c”在第三位置的第二概率为1。
93.其中，频率分布表是指根据所有姓名长度对应的第一概率和所有姓名字符在不同位置的第二概率生成的频率分布表。
94.作为一示例，在步骤s603中，服务器根据所有姓名长度对应的第一概率和所有姓名字符在不同位置的第二概率，获取频率分布表，因此，该频率分布表包括所有姓名长度对应的第一概率和所有姓名字符在不同位置的第二概率，从而在后续步骤中根据频率分布表，确定姓名长度和每一位置的姓名字符，生成第二姓名。
95.其中，目标概率是指用户输入的概率。候选长度是指根据目标概率查询频率分布表确定的姓名长度。候选字符是指根据目标概率查询频率分布表确定的姓名字符。候选姓名是指根据候选长度和候选长度中不同位置对应的候选字符确定的用户姓名，
96.作为一示例，在步骤s604中，服务器通过获取用户输入的目标概率，从而根据根据
目标概率查询频率分布表，并从频率分布表中确定候选长度和候选长度中不同位置对应的候选字符，获取候选姓名。
97.作为一示例，在步骤s604中，服务器在基于频率分布表，生成第二姓名后，从签名样式库中，选取目标签名样式。其中，从签名样式库中，选取目标签名样式，与步骤s401类似，在此不再赘述。
98.作为一示例，在步骤s605中，服务器从签名样式库中，选取目标签名样式后，便能够基于候选姓名和目标签名样式，生成第二比对签名。显而意见地，第二比对签名对应的候选姓名，与线上签名样本对应的第一姓名和第一比对签名对应的第一姓名不同，第二比对签名中的第一姓名的字体风格和/或字体粗细，与线上签名样本和第二比对签名对应的第一姓名的字体风格和/或字体粗细均不同。
99.本实施例中，先获取字符字典中的所有用户姓名对应的第一数量，确定用户姓名中不同姓名长度对应的第二数量，将第二数量和第一数量的商，确定为每一姓名长度对应的第一概率，然后获取字符字典的所有用户姓名的每一位置上出现的所有姓名字符对应的第三数量，确定姓名字符不同位置的第四数量，将第四数量和第三数量的商，确定为每一姓名字符在不同位置的第二概率，并根据所有姓名长度对应的第一概率和所有姓名字符在不同位置的第二概率，获取频率分布表，接着获取用户输入的目标概率，根据目标概率查询频率分布表，确定候选长度和候选长度中不同位置对应的候选字符，获取候选姓名，最后从签名样式库中，选取目标签名样式，并基于候选姓名和目标签名样式，生成第二比对签名，从而使生成的第二比对签名与线上签名样本和第一比对签名不同，以便于更加符合现实业务数据的规律，提高目标签名生成模型的准确性。
100.在一实施例中，如图7所示，在步骤s203中，即对用户输入签名和目标签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量，包括：
101.s701：对用户输入签名和目标签名进行预处理，获取用户输入签名对应的第一处理签名和目标签名对应的第二处理签名。
102.s702：基于预设向量维度，对第一处理签名和第二处理签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量。
103.其中，第一处理签名是指对用户输入签名进行预处理后得到的签名。第二处理签名是指对目标签名进行预处理后得到的签名。
104.可选地，在步骤s701中，对用户输入签名和目标签名进行预处理，包括但不限于对用户输入签名和目标签名进行rgb转换、二值化处理、背景处理、短边缩放处理和长边缩放处理。例如，背景处理包括去掉用户输入签名和目标签名中的用户姓名对应的字体周围的白边。短边缩放处理包括将短边缩放至64。长边缩放处理包括将长边缩放到64*12。需要说明的是，对用户输入签名和目标签名进行预处理的目的是便于用户输入签名和目标签名进行特征提取，还可以采用其他预处理的方式，保证用户输入签名和目标签名能够进行特征提取即可。
105.其中，预设向量维度是指自定义设置的向量维度。作为优选地，该预设向量维度为256。
106.作为一示例，在步骤s702中，服务器可以采用特征提取器，基于预设向量维度，对第一处理签名和第二处理签名进行特征提取，获取用户输入签名对应的第一特征向量和目
标签名对应的第二特征向量。可选地，该特征提取器为cnn特征提取器。
107.本实施例中，对用户输入签名和目标签名进行预处理，获取用户输入签名对应的第一处理签名和目标签名对应的第二处理签名，基于预设向量维度，对第一处理签名和第二处理签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量，以通过第一特征向量对用户输入签名进行表征，并通过第二特征向量对目标签名进行表征，从而不需要采用对用户输入签名进行中文字符分割的方式进行电子签名比对，只需要利用用户输入的用户输入签名，以及目标姓名对应的目标签名便能够实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。
108.在一实施例中，如图8所示，在步骤s204中，即基于第一特征向量和第二特征向量，获取电子签名比对结果，包括：
109.s801：计算第一特征向量和第二特征向量之间的目标距离。
110.s802：若目标距离大于目标阈值，则电子签名比对结果为比对失败。
111.s803：若目标距离不大于目标阈值，则电子签名比对结果为比对成功。
112.其中，目标距离是指第一特征向量和第二特征向量之间距离。示例性地，该目标距离为cos距离。
113.作为一示例，在步骤s801中，假设第一特征向量为m，第二特征向量为n，第一特征向量和第二特征向量的维度为256，则根据公式：
[0114][0115]
通过上述公式便能计算第一特征向量和第二特征向量之间的目标距离，其中，similarity为目标距离，n为第一特征向量和第二特征向量的维度为256。
[0116]
其中，目标阈值为自定义设置的数值，用于判断电子签名比对结果。
[0117]
作为一示例，在步骤s802中，服务器获取目标距离后，判断该目标距离是否大于目标阈值，在目标距离大于目标阈值时，则电子签名比对结果为比对失败。
[0118]
作为一示例，在步骤s803中，服务器获取目标距离后，判断该目标距离是否大于目标阈值，在目标距离不大于目标阈值时，则电子签名比对结果为比对成功。
[0119]
本实施例中，计算第一特征向量和第二特征向量之间的目标距离，在若目标距离大于目标阈值时，则电子签名比对结果为比对失败，在目标距离不大于目标阈值时，则电子签名比对结果为比对成功，从而不需要采用对用户输入签名进行中文字符分割的方式进行电子签名比对，只需要利用用户输入的用户输入签名对应的第一特征向量，以及目标姓名对应的目标签名对应的第二特征向量，便能够实现电子签名的比对，减少电子签名比对过程中的误差，提高电子签名比对的准确性。
[0120]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0121]
在一实施例中，提供一种电子签名比对装置，该电子签名比对装置与上述实施例中电子签名比对方法一一对应。如图9所示，该电子签名比对装置包括签名请求模块901、目
标签名模块902、特征提取模块903和特征比对模块904。各功能模块详细说明如下：
[0122]
签名请求模块901，用于获取签名比对请求，签名比对请求包括目标姓名和目标姓名对应的用户输入签名；
[0123]
目标签名模块902，用于采用预训练的目标签名生成模型对目标姓名进行处理，获取与目标姓名对应的目标签名；
[0124]
特征提取模块903，用于分别对用户输入签名和目标签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量；
[0125]
特征比对模块904，用于基于第一特征向量和第二特征向量，获取电子签名比对结果。
[0126]
进一步地，电子签名比对装置还包括：
[0127]
样本获取模块，用于获取多个线上签名样本；
[0128]
第一逻辑模块，用于对每一线上签名样本的用户姓名和签名样式进行处理，生成第一比对签名，第一比对签名与线上签名样本的用户姓名相同且签名样式不同；
[0129]
第二逻辑模块，用于对每一线上签名样本的用户姓名和签名样式进行处理，生成第二比对签名，第二比对签名与线上签名样本的用户姓名不同且签名样式不同同；
[0130]
模型获取模块，用于将线上签名样本、第一比对签名和第二比对签名确定为模型训练样本，采用模型训练样本进行模型训练，获取目标签名生成模型。
[0131]
进一步地，第一逻辑模块包括：
[0132]
第一样式选取单元，用于从签名样式库中的至少一个初始签名样式中，选取目标签名样式；
[0133]
第一比对签名单元，用于基于线上签名样本的用户姓名和目标签名样式，生成第一比对签名。
[0134]
进一步地，第二逻辑模块包括：
[0135]
字符获取单元，用于基于每一线上签名样本的用户姓名，获取每一线上签名样中的用户姓名对应的多个姓名字符；
[0136]
字典生成单元，用于基于所有线上签名样本的用户姓名和所有姓名字符，生成字符字典；
[0137]
第二比对签名单元，用于基于字符字典，生成第二比对签名。
[0138]
进一步地，第二比对签名单元包括：
[0139]
第一概率单元，用于获取字符字典中的所有用户姓名对应的第一数量，确定用户姓名中不同姓名长度对应的第二数量，将第二数量和第一数量的商，确定为每一姓名长度对应的第一概率；
[0140]
第二概率单元，用于获取字符字典的所有用户姓名的每一位置上出现的所有姓名字符对应的第三数量，确定姓名字符不同位置的第四数量，将第四数量和第三数量的商，确定为每一姓名字符在不同位置的第二概率；
[0141]
分布表获取单元，用于根据所有姓名长度对应的第一概率和所有姓名字符在不同位置的第二概率，获取频率分布表；
[0142]
候选姓名单元，用于获取用户输入的目标概率，根据目标概率查询频率分布表，确定候选长度和候选长度中不同位置对应的候选字符，获取候选姓名；
[0143]
第二样式选取单元，用于从签名样式库中，选取目标签名样式；
[0144]
比对签名生成单元，用于基于候选姓名和目标签名样式，生成第二比对签名。。
[0145]
进一步地，特征提取模块903包括：
[0146]
预处理单元，用于对用户输入签名和目标签名进行预处理，获取用户输入签名对应的第一处理签名和目标签名对应的第二处理签名；
[0147]
特征提取单元，用于基于预设向量维度，对第一处理签名和第二处理签名进行特征提取，获取用户输入签名对应的第一特征向量和目标签名对应的第二特征向量。
[0148]
进一步地，特征比对模块904包括：
[0149]
距离计算单元，用于计算第一特征向量和第二特征向量之间的目标距离；
[0150]
第一比对单元，用于在目标距离大于目标阈值时，判断电子签名比对结果为比对失败；
[0151]
第二比对单元，用于在目标距离不大于目标阈值时，判断电子签名比对结果为比对成功。
[0152]
关于电子签名比对装置的具体限定可以参见上文中对于电子签名比对方法的限定，在此不再赘述。上述电子签名比对装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0153]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储处理器执行上述电子签名比对方法时产生的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电子签名比对方法。
[0154]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中电子签名比对方法，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现电子签名比对装置这一实施例中的各模块/单元的功能，为避免重复，这里不再赘述。
[0155]
在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中电子签名比对方法，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述电子签名比对装置这一实施例中的各模块/单元的功能为避免重复，这里不再赘述。
[0156]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0157]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0158]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。