基于区块链的签名鉴别方法、装置及计算机设备与流程

1.本技术涉及区块链技术领域，尤其涉及到一种基于区块链的签名鉴别方法、装置及计算机设备。


背景技术：

2.随着信息技术以及图像识别技术的发展，包括手写签名在内的生物特征身份识别技术由于其高度的唯一性与可靠性，被大量的应用于身份识别领域。在企业管理或金融活动中，一些重要电子文档需要管理人员手写签名确认，为确保签名的真实性，手写签名鉴别显得尤为重要。
3.目前，在基于鉴别签名笔迹时，主要通过人眼识别，然而人眼鉴别的方式，耗时耗力且使鉴别结果容易受到主观因素的影响，导致鉴别成本高、效率低、准确性不高。


技术实现要素：

4.有鉴于此，本技术提供了一种基于区块链的签名鉴别方法、装置及计算机设备，可解决目前签名鉴别方式存在的鉴别成本高、效率低、准确性不高的技术问题。
5.根据本技术的一个方面，提供了一种基于区块链的签名鉴别方法，该方法包括：
6.获取目标用户的用户身份信息，并将所述用户身份信息上传至区块链节点，所述用户身份信息包括用户身份标识以及第一用户签名图像，所述区块链节点中部署有签名图像处理规则和签名图像鉴别规则；
7.利用所述区块链节点基于所述签名图像处理规则对所述第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；
8.在区块链账本中查取与所述用户身份标识匹配的第二签名纹理特征，所述区块链账本中预先存储有各个权限身份标识下的标准签名纹理特征；
9.将所述第一签名纹理特征和所述第二签名纹理特征输入训练完成的特征匹配模型，获取所述目标用户的签名鉴别结果，其中，所述特征匹配模型是预先根据所述签名图像鉴别规则构建的。
10.根据本技术的另一个方面，提供了一种基于区块链的签名鉴别装置，该装置包括：
11.获取上传模块，用于获取目标用户的用户身份信息，并将所述用户身份信息上传至区块链节点，所述用户身份信息包括用户身份标识以及第一用户签名图像，所述区块链节点中部署有签名图像处理规则和签名图像鉴别规则；
12.处理模块，用于利用所述区块链节点基于所述签名图像处理规则对所述第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；
13.查取模块，用于在区块链账本中查取与所述用户身份标识匹配的第二签名纹理特征，所述区块链账本中预先存储有各个权限身份标识下的标准签名纹理特征；
14.输入获取模块，用于将所述第一签名纹理特征和所述第二签名纹理特征输入训练
完成的特征匹配模型，获取所述目标用户的签名鉴别结果，其中，所述特征匹配模型是预先根据所述签名图像鉴别规则构建的。
15.根据本技术的又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于区块链的签名鉴别方法。
16.根据本技术的再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于区块链的签名鉴别方法。
17.借由上述技术方案，本技术提供的一种基于区块链的签名鉴别方法、装置及计算机设备，与目前签名鉴别方式相比，本技术可在获取到目标用户的用户身份信息后，将用户身份信息上传至区块链节点，利用区块链节点基于签名图像处理规则对用户身份信息中的第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；同时，区块链节点还可在区块链账本中查取与用户身份信息中用户身份标识匹配的第二签名纹理特征；进一步将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果。通过本技术中的技术方案，可通过机器学习模型的特征识别实现对签名笔迹的自动化鉴别，提高鉴别速率的同时，还能提高签名笔迹鉴别的精准度。同时，在本技术中，还可将签名鉴别与区块链技术结合，利用区块链账本存储用户的签名特征，可以防止用户签名笔迹泄漏，区块链账本的不可篡改特性也保证了用户签名的真实性。
18.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本地申请的不当限定。在附图中：
20.图1示出了本技术实施例提供的一种基于区块链的签名鉴别方法的流程示意图；
21.图2示出了本技术实施例提供的另一种基于区块链的签名鉴别方法的流程示意图；
22.图3示出了本技术实施例提供的一种基于区块链的签名鉴别装置的结构示意图；
23.图4示出了本技术实施例提供的另一种基于区块链的签名鉴别装置的结构示意图。
具体实施方式
24.本技术实施例可基于区块链技术实现对签名笔迹的鉴别。其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
25.区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模
块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。对于本技术，可利用智能合约模块实现对区块链节点中签名图像处理规则和签名图像鉴别规则的部署，以便基于签名图像处理规则和签名图像鉴别规则实现对用户签名的鉴别处理。
26.下文中将参考附图并结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
27.针对目前签名鉴别方式存在的鉴别成本高、效率低、准确性不高的技术问题，本技术提供了一种基于区块链的签名鉴别方法，如图1所示，该方法包括：
28.101、获取目标用户的用户身份信息，并将用户身份信息上传至区块链节点，用户身份信息包括用户身份标识以及第一用户签名图像，区块链节点中部署有签名图像处理规则和签名图像鉴别规则。
29.其中，第一用户签名图像为用户录入手写签名后，所生成的包含手写签名笔迹的原始图像。
30.在具体的应用场景中，在获取到目标用户的用户身份信息后，可进一步将用户身份信息存储至区块链节点，以保证用户身份信息的私密和安全性。此外，还可利用智能合约模块，预先在区块链节点中部署签名图像处理规则和签名图像鉴别规则，以便后续基于签名图像处理规则和签名图像鉴别规则实现对签名笔迹的鉴别。其中，签名图像处理规则可包括将rbg色彩空间的第一用户签名图像转换为8位灰度图；将第一用户签名图像与空间滤波器进行卷积得到滤波后的去噪图像；以及将所有第一用户签名图像的尺寸统一为预设数量(如400*200)个像素，所有图像的像素全部归一化。经过上述签名图像处理规则将第一用户签名图像转化为标准化的第二用户签名图像。签名图像鉴别规则为将第二用户签名图像提取出的第一签名纹理特征与该目标用户的标准签名纹理特征(第二签名纹理特征)进行特征匹配，进一步得到签名鉴别结果。
31.对于本技术的执行主体可为用于对签名笔迹鉴别的装置或设备，可用于在获取到目标用户的用户身份信息后，将用户身份信息上传至区块链节点，利用区块链节点基于签名图像处理规则对用户身份信息中的第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；同时，在区块链账本中查取与用户身份信息中用户身份标识匹配的第二签名纹理特征；进一步将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果。
32.102、利用区块链节点基于签名图像处理规则对第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征。
33.其中，预处理可包括灰度变换处理、图像去噪处理以及图像大小归一化处理等。图像的灰度变换处理是将用r、g、b三个强度分量表示的彩色图转化为只用灰度表示的灰度图，将输出图像的灰度值设为原图像三个颜色分量的平均值、最大值、最小值或加权平均值中的一种。图像去噪处理是指采用基于空间域滤波法，将图像与空间滤波器进行卷积得到滤波后的图像。签名图像大小归一化处理是将所有收集到的签名调整到统一的尺寸的操作，将签名大小设置成预设尺寸(如400*200)的大小。特征提取具体可指对签名图像的二维纹理特征提取，在本技术中，在进行纹理特征提取时，可通过提取灰度共生矩阵特征和局部二值模式特征，进一步将两种特征融合作为签名二维纹理特征。
34.103、在区块链账本中查取与用户身份标识匹配的第二签名纹理特征，区块链账本中预先存储有各个权限身份标识下的标准签名纹理特征。
35.在具体的应用场景中，可预先由金融机构、司法机构、医疗机构等建立签名鉴别联盟组织，共同维护签名鉴别联盟链，每个机构作为签名鉴别联盟链中的一个节点，各节点预先部署有签名图像处理规则和签名图像鉴别规则。签名鉴别联盟组织可预先扫描新用户签名，并将用户身份信息(如证件类型、证件号等)和签名图像作为输入信息发送到后端，触发签名预处理和特征提取智能合约，在对签名图像进行预处理以及特征提取后，确定该身份标识下的标准签名纹理特征，并将该用户的身份标识和标准签名纹理特征发布到区块链账本，以便后续通过在区块链账本中提取标准签名纹理特征，并利用标准签名纹理特征实现对用户录入签名图像的鉴别。
36.104、将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果。
37.其中，特征匹配模型是预先根据签名图像鉴别规则构建的，需要说明的是，在执行本实施例步骤之前，需要预先训练特征匹配模型。其中，特征匹配模型可选用线性回归模型、逻辑回归模型、朴素贝叶斯模型、决策树模型、svm(支持向量机)模型、神经网络模型、knn模型、条件随机场(crf)模型等。在本实施例步骤中，以特征匹配模型为bp神经网络模型为例进行说明。
38.在具体的应用场景中，在将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果之前，可首先构建bp神经网络模型，进而利用配置有特征标签的样本纹理特征本对bp神经网络模型进行训练，并计算bp神经网络模型的损失函数，在损失函数小于预设阈值时，判定bp神经网络模型通过训练，即得到特征匹配模型。相应的，在训练生成特征匹配模型时，实施例步骤具体可以包括：获取样本纹理特征对，并计算样本纹理特征对中两个样本纹理特征的第一特征相似度；将样本纹理特征对作为输入特征，将第一特征相似度作为标签数据训练特征匹配模型；获取特征匹配模型输出的第二特征相似度，并根据第一特征相似度和第二特征相似度计算特征匹配模型的损失函数；若确定损失函数小于预设阈值，则判定特征匹配模型训练完成；若确定损失函数大于或等于预设阈值，则更新特征匹配模型的模型参数，并将样本纹理特征对作为输入特征，将第一特征相似度作为标签数据迭代训练更新模型参数后的特征匹配模型，直至特征匹配模型的损失函数小于预设阈值。
39.通过本实施例中基于区块链的签名鉴别方法，可在获取到目标用户的用户身份信息后，将用户身份信息上传至区块链节点，利用区块链节点基于签名图像处理规则对用户身份信息中的第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；同时，区块链节点还可在区块链账本中查取与用户身份信息中用户身份标识匹配的第二签名纹理特征；进一步将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果。通过本技术中的技术方案，可通过机器学习模型的特征识别实现对签名笔迹的自动化鉴别，提高鉴别速率的同时，还能提高签名笔迹鉴别的精准度。同时，在本技术中，还可将签名鉴别与区块链技术结合，利用区块链账本存储用户的签名特征，可以防止用户签名笔迹泄漏，区块链账本的不可篡改特性也保证了用户签名的真实性。
40.进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种基于区块链的签名鉴别方法，如图2所示，该方法包括：
41.201、获取目标用户的用户身份信息，并将用户身份信息上传至区块链节点，用户身份信息包括用户身份标识以及第一用户签名图像，区块链节点中部署有签名图像处理规则和签名图像鉴别规则。
42.对于本实施例，在获取到目标用户的用户身份信息后，可进一步将用户身份信息上传至区块链节点，以利用区块链节点上智能合约配置的签名图像处理规则和签名图像鉴别规则对用户身份信息中的第一用户签名图像进行签名笔迹的鉴别。具体可参见实施例步骤101中的相关描述，在此不再赘述。
43.202、将第一用户签名图像按照预设灰度转换规则转换为灰度图像。
44.其中，预设灰度转换规则为将r、g、b三个强度分量表示的彩色第一用户签名图像转化为只用灰度表示的灰度图，将输出图像的灰度值设为原图像三个颜色分量的平均值、最大值、最小值或加权平均值中的一种。具体的，可首先提取出第一用户签名图像中各个像素点在r、g、b三个颜色分量下的原始像素值，进而根据原始像素值分别计算各个像素点对应r、g、b三个颜色分量的像素平均值、像素最大值、像素最小值、像素加权平均值；进而将各个像素点的原始像素值转化为对应的像素平均值、像素最大值、像素最小值、像素加权平均值中的一种，以使各个像素点对应r、g、b三个颜色分量的像素值相同且统一，即r＝g＝b。相应的，对于本实施例，作为一种优选方式，实施例步骤202具体可以包括：提取第一用户签名图像在r、g、b三个颜色分量下的原始像素值；根据预设灰度转换规则以及原始像素值，计算第一用户签名图像的待转换灰度值，待转换灰度值为根据原始像素值计算得到的像素平均值、像素最大值、像素最小值、像素加权平均值中的一种；利用待转换灰度值更新原始像素值，得到第一用户签名图像转化后的灰度图像。
45.例如，设定将原始像素值转化为r、g、b三个颜色分量的像素平均值，某一像素点r、g、b三个颜色分量的原始像素值分别为：150、85、95，则可计算第一用户签名图像中该像素点对应r、g、b三个颜色分量的像素平均值为(150 85 95)/3＝110，进而将该像素点的原始像素值转化为对应的像素平均值，即r＝g＝b＝110；再例如，设定将原始像素值转化为r、g、b三个颜色分量的像素最小值，某一像素点r、g、b三个颜色分量的原始像素值分别为：150、85、95，则可在该像素点对应r、g、b三个颜色分量中提取像素最小值：85，进而将该像素点的原始像素值转化为对应的像素最小值，即r＝g＝b＝85。
46.对于本实施例，在获取到第一用户签名图像后，首先对第一用户标签图像进行灰度化处理，将rgb值统一成同一个值，灰度化后的图像将由三通道变为单通道，单通道的数据处理相对简单，进一步可减小图像原始数据量，降低后续处理时的工作量，提高工作效率。
47.203、基于空间域滤波法，将灰度图像与空间滤波器进行卷积得到滤波图像。
48.其中，空间域滤波法是以像元与周围邻域像元的空间关系为基础，通过卷积运算实现图像滤波的一种方法。在本技术中，在对第一用户签名图像进行灰度处理，得到灰度图像后，可进一步依据空间域滤波法将灰度图像与图像滤波器进行卷积计算得到滤波图像，实现对图像的增强处理，进一步滤除图像噪声，起到平滑图像的目的。作为一种可选方式，实施例步骤203具体可以包括：计算灰度图像中各个像素点对应的高斯卷积核；将高斯卷积核与灰度图像中对应像素点进行卷积运算，以平滑灰度图像。
49.相应的，高斯卷积核计算公式为：其中，x、y分别为灰度图像中各个像素点的横纵坐标，g(x,y)为经过高斯滤波后各个像素点的高斯卷积核。
50.对灰度图像进行图像滤波处理就是将灰度图像中包含的各个像素点的坐标代入高斯卷积核计算公式中，得出在核矩阵上的空间分布特性，这些特性将作为权值反应在核矩阵的各个点上，最终将各个像素点的高斯卷积核与灰度图像中各个像素点作卷积运算，从而完成对灰度图像的图像滤波处理，起到滤除噪声的目的。
51.例如，灰度图像中共包含n个像素点，则依次将这n个像素点与对应计算出的高斯卷积核进行卷积，如像素点a(x1,y1)，则需要与像素点a对应的高斯卷积核g(x1,y1)卷积，在完成对n个像素点的卷积处理后，即实现了对灰度图像的图像滤波处理。
52.其中，大小为(2k 1)(2k 1)的高斯滤波器核的生成方程式如下：
[0053][0054]
通过给定σ大小，计算大小的卷积核h，图像中窗口a的中心点经过高斯滤波后的亮度e为：e＝sum(h*a)，其中*为卷积，sum是矩阵中各元素之和。
[0055]
204、将滤波图像转换为预设尺寸大小，得到预处理后的第二用户签名图像。
[0056]
其中，预设尺寸可根据实际应用场景进行设定，例如可为400*200的大小。
[0057]
205、利用灰度共生矩阵从四个不同方向扫描第二用户签名图像，计算得到矩阵统计信息对应的第一图像特征，矩阵统计信息包括对比度、非相似性、同质性、能量、相关和熵中的至少一种。
[0058]
其中，灰度共生矩阵(grey level co-occurrence matrix，glcm)也叫做空间灰度级依赖矩阵(sgldm)，它是一种基于统计的纹理特征提取的方法。
[0059]
对于本实施例，可利用灰度共生矩阵从四个不同方向(从左至右、从右至左、从上至下、从下至上)扫描第二用户签名图像，提取得到矩阵统计信息对应的第一图像特征。即分别从四个方向分别提取对比度、非相似性、同质性、能量、相关和熵的第一图像特征，共24维特征，并将特征进行归一化。
[0060]
其中，灰度共生矩阵的特征提取过程可为：将第二用户签名图像看作是一个矩阵，
以图像矩阵左上角第一个像素作为原点，一般的，可令p(i,j)表示灰度共生矩阵在(i,j)处的取值，则x2,y2可以由p(i,j|d,θ)＝#{(x1,y1),(x2,y2)∈(mxn)|f(x1,y1)＝i,f(x2,y2)＝j}计算得到。其中d和θ分别表示距离参数和角度参数，θ取0、π/4、π/2以及π3/4，(x1y,1),(x2,y2)是一个点对，m
×
n为图像矩阵的阶数。当图像矩阵在该点对上取值分别为i和j时，p(i,j)的值加一。点对依赖于距离参数d和角度参数0，可以由以下两个式子计算得到:x2＝x1 dcosθ，y2＝y1 dsinθ。
[0061]
206、利用局部二值模式特征提取第二用户签名图像的数据编码，将数据编码确定为第二图像特征。
[0062]
其中，局部二值模式(local binary patterns，lbp)原理在于：将像素点的邻域八个像素点与中心像素点值进行比较，大于设为1，小于设为0，这样就会得到一个邻域值为1和0的格子，将这八个值按照一定的规则排列成一个二进制的数字，并且转换为十进制作为中心像素的灰度值，对每一个像素点进行该操作，这样就得到了图像的lbp特征。
[0063]
其中，局部二值模式的特征提取过程为：lbp将每一个像素映射成一个数字编码，由公式计算。式中pc是待编码像素，pn是与pc邻域相连的n个对称且分布均匀的像素点，称为采样点。f(pn,pc)取值由公式f(pn,pc)＝1ifpn》pcelse 0决定，即当中心元素大于某一邻域元素时取1，否则取0。对于本实施例，可利用局部二值模式特征提取第二用户签名图像的第二图像特征，并求归一化直方图，共26维特征。
[0064]
207、对第一图像特征和第二图像特征进行归一化处理并合并，得到第一签名纹理特征。
[0065]
对于本实施例，在获取得到利用灰度共生矩阵提取第二用户签名图像的24维第一图像特征以及26维第二图像特征后，可对第一图像特征和第二图像特征进行归一化处理并合并，例如可通过特征拼接，进一步得到50维的第一签名纹理特征。
[0066]
208、在区块链账本中查取与用户身份标识匹配的第二签名纹理特征，区块链账本中预先存储有各个权限身份标识下的标准签名纹理特征。
[0067]
在具体的应用场景中，为了实现对用户手写签名的鉴别，可预先在区块链账本中存储各个用户身份标识匹配的第二签名纹理特征。作为一种优选方式，鉴于不同场景对签名字体存在不同要求，且同一用户往往会掌握两种或两种以上的手写字体，故可预先在区块链账本中存储与各个用户身份标识匹配的一个或多个第二签名纹理特征，每个第二签名纹理特征均对应一个用户的一种手写字体。当同一用户掌握有多种手写字体时，可针对每一手写字体都存储对应的第二签名纹理特征，且同时创建多个第二签名纹理特征与该用户对应用户身份标识的映射关系。
[0068]
其中，用户对应第二签名纹理特征的特征种类可根据对用户的历史字体识别进行确定，如通过识别历史字体确定用户a既会应用楷书进行签名也会应用行书进行签名，则可通过对用户a对应楷书历史签名图像的识别，在区块链账本中为用户a存储关于楷书这一手写字体的第二签名纹理特征a1；通过对用户a对应行书历史签名图像的识别，在区块链账本中为用户a存储关于行书这一手写字体的第二签名纹理特征a2；进而同时创建第二签名纹理特征a1、a2与用户a对应用户身份标识的映射关系，具体可将a1、a2存储在该用户a身份标识对应的第二签名纹理特征集合中。此外，用户对应第二签名纹理特征的特征种类还可根据用户指令进行确定，具体的，在前期对用户进行签名纹理特征的提取时，可接收用户对一
个或多个手写字体的选定，并分别上传该选定手写字体对应的签名图像，进而通过对该签名图像的纹理特征提取，确定第二签名纹理特征。例如，用户b选定签名手写字体包括楷书、草书和隶书，且分别上传楷书签名图像、草书签名图像和隶书签名图像，则可通过对用户b对应草书签名图像的识别，在区块链账本中为用户b存储关于楷书这一手写字体的第二签名纹理特征b1；通过对用户b对应草书签名图像的识别，在区块链账本中为用户b存储关于草书这一手写字体的第二签名纹理特征b2；通过对用户b对应隶书签名图像的识别，在区块链账本中为用户b存储关于隶书这一手写字体的第二签名纹理特征b3；进而同时创建第二签名纹理特征b1、b2、b3与用户b对应用户身份标识的映射关系，具体可将b1、b2、b3存储在该用户b身份标识对应的第二签名纹理特征集合中。需要说明的是，在对历史签名图像和/或用户上传签名图像的识别，确定第二签名纹理特征时，同样需要经过灰度变换处理、图像去噪处理以及图像大小归一化处理等预处理操作，以及特征提取操作，具体实现过程可参见实施例步骤202至207中第一签名纹理特征提取的相关描述，在此不再赘述。
[0069]
对于本实施例，在区块链账本中查取与用户身份标识匹配的第二签名纹理特征时，可首先基于实施例步骤207提取的第一签名纹理特征，识别第一签名纹理特征对应的目标手写签名字体，进而在区块链账本中查取与用户身份标识映射的第二签名纹理特征集合，并在第二签名纹理特征集合中查取与该目标手写签名字体匹配的第二签名纹理特征。
[0070]
相应的，对于本实施例，若在区块链账本中未查取到与用户身份标识和/或标手写签名字体匹配的第二签名纹理特征，则可进一步输出目标用户无法进行签名鉴别的提示信息，并将第一签名纹理特征按照用户身份标识存储至区块链账本，作为该用户身份标识下的标准签名纹理特征，以便后续应用于对该目标用户的签名鉴别的特征参考，即作为第二签名纹理特征。具体可识别第一签名纹理特征的目标手写字体，进而在区块链账本中为该目标用户存储该目标字体的第二签名纹理特征，并建立与目标用户对应用户身份标识的映射关系。
[0071]
209、将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果，其中，特征匹配模型是预先根据签名图像鉴别规则构建的。
[0072]
在具体的应用场景中，可首先对特征匹配模型进行预训练，具体训练过程可参见实施例步骤104中的相关描述，在此不再赘述。对于本实施例，在判定特征匹配模型训练完成后，可将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果。相应的，实施例步骤209具体可以包括：将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型中，获取特征匹配模型输出的目标特征相似度；判断目标特征相似度是否大于预设特征相似度阈值；若是，则输出目标用户通过签名鉴别的第一鉴别结果；若否，则输出目标用户未通过签名鉴别的第二鉴别结果。
[0073]
借由上述基于区块链的签名鉴别方法，可在获取到目标用户的用户身份信息后，将用户身份信息上传至区块链节点，利用区块链节点基于签名图像处理规则对用户身份信息中的第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；同时，区块链节点还可在区块链账本中查取与用户身份信息中用户身份标识匹配的第二签名纹理特征；进一步将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果。通过本技术中的技术方案，可通过机器学习模型的特征识别实现对签名笔迹的自动化鉴别，提高鉴别速率的同时，还
能提高签名笔迹鉴别的精准度。同时，在本技术中，还可将签名鉴别与区块链技术结合，利用区块链账本存储用户的签名特征，可以防止用户签名笔迹泄漏，区块链账本的不可篡改特性也保证了用户签名的真实性。
[0074]
进一步的，作为图1和图2所示方法的具体实现，本技术实施例提供了一种基于区块链的签名鉴别装置，如图3所示，该装置包括：获取上传模块31、处理模块32、查取模块33、输入获取模块34；
[0075]
获取上传模块31，可用于获取目标用户的用户身份信息，并将用户身份信息上传至区块链节点，用户身份信息包括用户身份标识以及第一用户签名图像，区块链节点中部署有签名图像处理规则和签名图像鉴别规则；
[0076]
处理模块32，可用于利用区块链节点基于签名图像处理规则对第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；
[0077]
查取模块33，可用于在区块链账本中查取与用户身份标识匹配的第二签名纹理特征，区块链账本中预先存储有各个权限身份标识下的标准签名纹理特征；
[0078]
输入获取模块34，可用于将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果，其中，特征匹配模型是预先根据签名图像鉴别规则构建的。
[0079]
在具体的应用场景中，作为一种优选方式，在利用区块链节点基于签名图像处理规则对第一用户签名图像进行预处理时，处理模块32，具体可用于将第一用户签名图像按照预设灰度转换规则转换为灰度图像；基于空间域滤波法，将灰度图像与空间滤波器进行卷积得到滤波图像；将滤波图像转换为预设尺寸大小，得到预处理后的第二用户签名图像。
[0080]
相应的，作为一种优选方式，在将第一用户签名图像按照预设灰度转换规则转换为灰度图像时，处理模块32，具体可用于提取第一用户签名图像在r、g、b三个颜色分量下的原始像素值；根据预设灰度转换规则以及原始像素值，计算第一用户签名图像的待转换灰度值，待转换灰度值为根据原始像素值计算得到的像素平均值、像素最大值、像素最小值、像素加权平均值中的一种；利用待转换灰度值更新原始像素值，得到第一用户签名图像转化后的灰度图像。
[0081]
在具体的应用场景中，在对预处理后的第二用户签名图像进行特征提取，得到第一签名纹理特征时，处理模块32，具体可用于利用灰度共生矩阵从四个不同方向扫描第二用户签名图像，计算得到矩阵统计信息对应的第一图像特征，矩阵统计信息包括对比度、非相似性、同质性、能量、相关和熵中的至少一种；利用局部二值模式特征提取第二用户签名图像的数据编码，将数据编码确定为第二图像特征；对第一图像特征和第二图像特征进行归一化处理并合并，得到第一签名纹理特征。
[0082]
在具体的应用场景中，为了实现对特征匹配模型的预训练，如图4所示，该装置还包括：第一计算模块35、训练模块36、第二计算模块37、判定模块38、更新模块39；
[0083]
第一计算模块35，可用于获取样本纹理特征对，并计算样本纹理特征对中两个样本纹理特征的第一特征相似度；
[0084]
训练模块36，可用于将样本纹理特征对作为输入特征，将第一特征相似度作为标签数据训练特征匹配模型；
[0085]
第二计算模块37，可用于获取特征匹配模型输出的第二特征相似度，并根据第一
特征相似度和第二特征相似度计算特征匹配模型的损失函数；
[0086]
判定模块38，可用于若确定损失函数小于预设阈值，则判定特征匹配模型训练完成；
[0087]
更新模块39，可用于若确定损失函数大于或等于预设阈值，则更新特征匹配模型的模型参数，并将样本纹理特征对作为输入特征，将第一特征相似度作为标签数据迭代训练更新模型参数后的特征匹配模型，直至特征匹配模型的损失函数小于预设阈值。
[0088]
在具体的应用场景中，在将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果时，输入获取模块34，具体可用于：将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型中，获取特征匹配模型输出的目标特征相似度；判断目标特征相似度是否大于预设特征相似度阈值；若是，则输出目标用户通过签名鉴别的第一鉴别结果；若否，则输出目标用户未通过签名鉴别的第二鉴别结果。
[0089]
在具体的应用场景中，如图4所示，该装置还包括：输出模块310；
[0090]
输出模块310，可用于若在区块链账本中未查取到与用户身份标识匹配的第二签名纹理特征，则输出目标用户无法进行签名鉴别的提示信息，并将第一签名纹理特征按照用户身份标识存储至区块链账本。
[0091]
需要说明的是，本实施例提供的一种基于区块链的签名鉴别装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。
[0092]
基于上述如图1至图2所示方法，相应的，本实施例还提供了一种存储介质，存储介质具体可为易失性或非易失性，其上存储有计算机可读指令，该可读指令被处理器执行时实现上述如图1至图2所示的基于区块链的签名鉴别方法。
[0093]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景的方法。
[0094]
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于区块链的签名鉴别方法。
[0095]
可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi接口)等。
[0096]
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0097]
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
[0098]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。
[0099]
通过应用本技术的技术方案，与目前现有技术相比，本技术可在获取到目标用户的用户身份信息后，将用户身份信息上传至区块链节点，利用区块链节点基于签名图像处理规则对用户身份信息中的第一用户签名图像进行预处理，并对预处理得到的第二用户签名图像进行特征提取，得到第一签名纹理特征；同时，区块链节点还可在区块链账本中查取与用户身份信息中用户身份标识匹配的第二签名纹理特征；进一步将第一签名纹理特征和第二签名纹理特征输入训练完成的特征匹配模型，获取目标用户的签名鉴别结果。通过本技术中的技术方案，可通过机器学习模型的特征识别实现对签名笔迹的自动化鉴别，提高鉴别速率的同时，还能提高签名笔迹鉴别的精准度。同时，在本技术中，还可将签名鉴别与区块链技术结合，利用区块链账本存储用户的签名特征，可以防止用户签名笔迹泄漏，区块链账本的不可篡改特性也保证了用户签名的真实性。
[0100]
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0101]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。