面向案卷文书的手写签名自动化识别与校验系统的制作方法

本发明属于智能文档处理与计算机视觉，具体涉及一种面向案卷文书的手写签名自动化识别与校验系统。

背景技术：

1、在司法诉讼、金融信贷等领域，案卷文书中手写签名的准确识别是一项基础性工作，当前主要由人工逐页完成，审核一本数百页的案卷通常需要1至3个工作日，效率低下且易因疲劳导致疏漏，行业对自动化签名识别与校验系统的需求日益迫切。手写签名识别作为上游环节，其识别精度直接影响下游案卷审核、合规校验等自动化分析任务的可靠性。

2、现有技术中，一种直接思路是利用光学字符识别技术将签名图像转化为文本，但光学字符识别本质上执行的是从像素到标准字符的映射，案卷中的签名多为花体或连笔书写，笔画形态严重偏离常规字符形状，常被识别为乱码；且其仅在单行文字区域内独立处理，既不参考同一页面中如代理人签名等字段的版面语义，也不利用整本案卷中已记载的当事人信息，缺乏对识别结果进行有效约束的先验知识。另一种思路是采用视觉语言大模型，该类模型直接以整页文档图像为输入，通过端到端的方式联合理解版面布局与文字语义，在印刷体文档理解任务中表现优异。但面对花体签名时，其沿用的开放式文本生成范式使得模型仍倾向于以高置信度生成一个语义上合理但实际错误的人名，即产生幻觉问题。即便通过提示词注入候选人物名单加以约束，由于模型底层视觉编码器并未针对花体签名字形进行专门优化，识别准确率仍远不满足业务需求。此外，签名目标检测方案仅解决签名在哪里的空间定位问题，不涉及签名归属于谁的身份判断；签名真伪比对方案需为每个候选人预存签名样本，案卷中大量当事人并无历史签名存档，难以实际落地。

3、因此，亟需提供一种面向案卷文书的手写签名自动化识别与校验系统，以解决上述现有技术存在的不足。

技术实现思路

1、针对相关技术中光学字符识别难以处理花体签名、视觉语言模型易产生幻觉的问题，本发明提供了一种面向案卷文书的手写签名自动化识别与校验系统。该系统首先从案卷全文中自动抽取关键人物清单以构建闭集候选约束，继而通过大小图双视图融合版面语义与笔迹细节，借助受约束的视觉语言模型将签名识别从开放式生成转化为有限候选集合内的选择问题，并结合多源置信度融合与双阈值机制对低置信度样本强制输出未知选项，最终通过案卷级批量校验引擎生成结构化合规报告，从而显著提升签名归属识别的准确率与可靠性，实现千页级案卷的端到端自动化处理与合规校验。

2、本发明的技术方案是这样实现的：一种面向案卷文书的手写签名自动化识别与校验系统，包括：

3、手写签名捕获模块，用于对目标案卷的每一页面进行手写体区域检测及类型判别，定位并裁剪出手写签名区域；

4、关键人员名单生成模块，用于对所述目标案卷的全文进行光学字符识别与文本分析，生成与所述目标案卷绑定的候选人物清单；

5、上下文增强的受约束签名识别模块，用于针对每一个所述手写签名区域，构造包含版面上下文信息的大图、包含笔迹细节的小图以及包含所述候选人物清单和未知选项的提示文本，将所述大图、小图和提示文本共同输入视觉语言模型，输出识别结果；

6、多源置信度管理与未知拒识模块，用于计算所述识别结果的多源融合置信度，并基于所述多源融合置信度与预设阈值的关系确定最终输出；

7、案卷级批量校验引擎模块，用于调用上述各模块以整本案卷为处理单位进行批量处理，汇总识别结果并生成结构化校验报告。

8、本发明通过设置手写签名捕获模块、关键人员名单生成模块、上下文增强的受约束签名识别模块、多源置信度管理与未知拒识模块以及案卷级批量校验引擎模块，构建了由签名区域定位、候选人物清单生成、融合版面上下文与笔迹细节的多模态受约束识别、置信度量化评估与分级输出以及整卷级并行调度与结构化校验报告生成所构成的端到端闭环处理链路，能够将签名识别从开放空间中的字符转写或成对比对问题转化为以案卷自身信息为约束的有限候选集合选择问题，在无需外部样本库支持的条件下显著提升花体签名身份归属识别的准确率与可靠性，并通过明确的拒识机制避免低置信度样本的误导性输出，最终实现千页级案卷的分钟级自动化批量处理与可审计、可追溯的合规校验，为法律、金融等严肃场景下的案卷文书识别提供了高效、可信的智能化解决方案。

9、作为以上方案的进一步改进，所述手写签名捕获模块被配置为执行以下步骤：

10、对输入页面进行手写体区域检测，提取候选区域；

11、对所述候选区域进行类型判别，区分一般手写内容与签名类手写内容；所述类型判别结合所述候选区域周边的文本语义信息及版面位置关系进行综合判断；

12、对被判定为签名的手写区域执行基于语义约束的边界微调处理，对检测框进行边界修正，输出裁剪后的手写签名区域。

13、通过结合候选区域周边的文本语义信息及版面位置关系进行类型判别，并基于语义约束对检测框进行边界微调，能够有效区分签名类手写内容与一般手写内容，实现签名区域的精准定位与精确裁剪，减少误检与漏检。

14、作为以上方案的进一步改进，所述关键人员名单生成模块被配置为执行以下步骤：

15、对所述目标案卷的全文进行光学字符识别，并对识别结果进行置信度筛选，保留满足预设置信度条件的文本内容；

16、对满足预设置信度条件的文本内容进行命名实体识别，抽取人名实体；

17、结合所述人名实体附近的上下文语义信息，对所述人名实体进行角色推断；

18、基于所述人名实体在所述目标案卷中的出现频次、出现页码范围、所在文书类型及与签名字段的上下文关联，筛选并生成所述候选人物清单。

19、通过对光学字符识别结果进行置信度筛选、命名实体识别、上下文语义角色推断以及综合多维度特征的人员筛选，能够从非结构化案卷文本中自动、准确地抽取出与签名识别任务相关的候选人物及其角色信息，为后续签名归属识别提供可靠且完备的闭集约束空间。

20、作为以上方案的进一步改进，所述上下文增强的受约束签名识别模块被配置为执行以下步骤：

21、构造大图：获取所述手写签名区域所在页面的完整图像，并在所述完整图像上指示出当前待识别的手写签名区域的位置；

22、构造小图：根据所述手写签名区域的检测框从所述页面图像中裁剪得到签名局部图像；

23、构造提示文本：生成提示文本，所述提示文本包含所述候选人物清单中各候选人物的姓名及其角色信息、所述未知选项、以及任务指令，所述任务指令用于指示所述视觉语言模型从所述候选人物清单与所述未知选项构成的闭集中选择一者作为最终归属结论；

24、执行多模态推理：将所述大图、小图和提示文本共同作为多模态输入传递至所述视觉语言模型进行推理，所述视觉语言模型先输出推理过程，再输出最终归属结论，所述最终归属结论为所述候选人物清单中的某一具体人物或所述未知选项。

25、通过同时构造包含版面上下文的大图、用于观察笔迹细节的小图以及包含候选人物清单和未知选项的提示文本，并共同输入视觉语言模型执行多模态推理，使签名识别过程融合了版面语义感知、笔迹细节观察和候选约束驱动，有效抑制了开放式生成带来的幻觉问题，提升了签名归属识别的准确性、可解释性与可靠性。

26、作为以上方案的进一步改进，所述视觉语言模型的训练过程包括：

27、推理链蒸馏式监督微调阶段，教师模型对训练样本进行多次采样，筛选出满足质量条件的推理链，使用筛选出的推理链对学生模型进行监督微调，蒸馏获得结构化字形推理能力；

28、迭代式直接偏好优化阶段，基于由正确识别结果、合理拒识结果和错误识别结果构成的偏好序，构造偏好对，对经监督微调后的学生模型进行多轮直接偏好优化，以校准识别与拒识的权衡策略并修正系统性行为缺陷。

29、通过推理链蒸馏式监督微调与迭代式直接偏好优化的两阶段训练，使视觉语言模型获得结构化字形推理能力，并在正确识别、合理拒识与错误识别三者之间建立明确的偏好序，有效校准了模型在识别与拒识之间的权衡策略，显著降低了花体签名场景下的误判风险。

30、作为以上方案的进一步改进，所述多源融合置信度通过以下公式计算：

31、final_confidence = w1 × c_self_unknown + w2 × c_reason_consistency+ w3 × c_sampling_consistency + w4 × c_semantic_prior；

32、其中，c_self_unknown表示模型判断当前签名应输出未知选项的置信度，c_reason_consistency 表示推理过程与最终输出一致性的置信度，c_sampling_consistency 表示多次采样结果的一致性置信度，c_semantic_prior 表示案卷语义和材料先验匹配置信度；w1、w2、w3、w4为对应权重；

33、所述预设阈值包括高阈值和低阈值，所述多源置信度管理与未知拒识模块根据以下规则确定最终输出：

34、当所述多源融合置信度大于或等于所述高阈值时，直接输出所述候选人物清单中的某一具体人物；

35、当所述多源融合置信度大于或等于所述低阈值且小于所述高阈值时，输出所述候选人物清单中的某一具体人物并标记为需要人工复核；

36、当所述多源融合置信度小于所述低阈值时，强制输出所述未知选项。

37、通过多源信号加权融合计算综合置信度，并结合双阈值将输出划分为直接输出、人工复核和强制未知三个层级，构建了从置信度量化到分级输出的完整可靠性保障机制，既保证了高置信度结果的高效输出，又通过复核和拒识有效过滤了不可靠识别结果，提升了安全性和实用性。

38、作为以上方案的进一步改进，所述案卷级批量校验引擎模块被配置为执行以下步骤：

39、将案卷按页拆分为多个页级任务，由多个计算节点并行执行签名检测与识别；

40、在整卷范围内共享所述候选人物清单，并缓存文本识别中间结果、页面图像及签名检测框；

41、将每一枚签名的识别结果以结构化形式入库，所述识别结果至少包含卷标识、页标识、边界框坐标、归属人物或所述未知选项、角色、融合置信度及模型推理理由；

42、加载可配置的业务规则模板，对所述识别结果进行合规判定；

43、生成覆盖全卷的校验报告，所述校验报告包含缺签页码列表、可疑签名页码列表、人工复核清单及全量签名结构化明细。

44、通过页级并行与卷级缓存实现千页级案卷的高效处理，并将识别结果结构化入库后结合可配置的业务规则模板进行自动合规判定，最终生成覆盖全卷的明细化校验报告，有效提升了案卷签名识别的自动化程度、处理效率和可追溯性。

45、作为以上方案的进一步改进，所述迭代式直接偏好优化阶段包括：

46、第一子阶段，以准确率为导向进行多轮迭代，每轮以当前检查点为策略模型对训练样本进行采样，依据正确识别结果优于合理拒识结果优于错误识别结果的偏好序构造偏好对进行优化；

47、第二子阶段，以行为修正为导向，针对推理与输出不一致、越界识别和重复循环三类失败模式构造偏好对进行优化。

48、通过以准确率为导向的多轮迭代偏好优化建立识别行为的优先级梯度，并以行为修正为导向针对三类系统性失败模式进行针对性优化，两阶段协同实现了对模型识别准确率与输出规范性的系统性提升。

49、作为以上方案的进一步改进，所述校验报告可输出为json、excel、pdf或网页形式。

50、通过支持多种报告输出格式，能够适配不同业务场景下的查阅、归档与二次处理需求，提升了系统的易用性与通用性。

51、作为以上方案的进一步改进，所述案卷级批量校验引擎模块在执行页级任务时，对执行失败的页级任务进行重试并记录异常信息。

52、通过对执行失败的页级任务进行重试并记录异常信息，提高了批量处理流程的容错能力和执行成功率，同时为系统运行维护和问题追溯提供了有效的日志依据。

53、相对于传统的处理方法，本发明具有以下优势：

54、（1）本发明通过从案卷文书中自动抽取印刷体人物姓名及角色信息构建候选人物清单，将签名识别从开放式文本生成转化为有限候选集合内的判别选择，从根本上缩小了模型的决策空间，同时采用包含版面上下文的大图与保留笔迹细节的小图构成双视图输入，使视觉语言模型能够联合利用版面语义信息与字形特征进行综合判断，相比通用ocr或视觉语言模型方案，签名归属识别的准确率获得大幅提升，手写签名识别作为案卷处理流程的上游环节，识别精度的提升能够有效支撑下游案卷审核、合规校验等自动化分析任务的准确实施，避免因上游识别误差传递而导致下游分析失效。

55、（2）本发明通过将整本案卷按页拆分为多个独立页级任务并由多个计算节点并行执行签名检测与识别，同时将候选人物清单及ocr中间结果在整卷范围内共享缓存以避免重复计算，使千页级案卷可在分钟级时间内完成全本签名识别与合规校验，相比现有技术中人工逐页审核耗时1至3个工作日的传统处理模式，实现了数十倍乃至上百倍的效率提升。

56、（3）本发明将每一枚签名的识别结果以结构化形式入库，每一条识别记录均包含卷标识、页标识、边界框坐标、归属人物或未知选项、角色、融合置信度以及模型推理理由，为每一项识别结论提供了完整的证据链条，便于事后追溯与合规审查，相比人工审核难以形成结构化记录的现状，本发明的结构化输出本身即可作为合规管理的基础数据资产。

57、（4）本发明通过对视觉语言模型输出序列的token级概率、多次采样的一致性比例、推理过程与最终输出的一致性校验结果、角色先验匹配度以及跨页面笔迹相似度等多源信号进行加权融合，获得校准的综合置信度，并基于双阈值将输出划分为直接输出、人工复核和强制拒识三个层级，有效解决了现有模型在低置信度样本上以高置信度输出错误结果的“幻觉”问题，确保系统在无法可靠识别时强制输出未知选项而非进行误导性猜测，充分适配法律、金融等场景对输出可靠性的严格要求。