基于深度神经网络及区块链的笔迹鉴定方法及装置

技术领域

本发明涉及身份识别技术领域，尤其涉及基于深度神经网络及区块链的笔迹鉴定方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

签名笔迹鉴别是一个综合性的研究领域，涵盖计算机、图像处理、模式识别、语言文字学、数学、人工智能和仿生学等学科的知识，属于生物鉴别的一种。通过对手写签名进行分析判断，得出签名是否是由本人书写的结论。签名笔迹是一种相对稳定的行为特征，是个人身份的有效证明，是一种与内容无关的身份鉴别技术，签名鉴别包括在线签名和离线签名两种。

每个人在日常生活中都会遇到一些必须本人签字确认的场景，比如签合同，办理银行业务，存取款，申请个人贷款等，尤其在金融领域里，每一次的签名可能都意味着资金的流动，如果无法确认签名对象是否是本人，可能会对用户或者金融机构的资金造成很大的隐患。而近些年，随着计算机技术的快速发展，线上办理业务的形式越来越受欢迎，需要线上签名的场景也越来越多，线上签名虽然便捷，但相比于线下签名隐患更多，因为非面对面签名的特点，相比线下来说更难以确认签名笔迹是否属于本人。

对计算机笔迹鉴定的研究可以追溯到上世纪60年代，1966年苏联科学家发明了一种笔迹鉴定方法，得到了75％的正确率，前联邦德国刑事技术部主持研制的计算机联网笔记鉴别系统是7、80年代最有影响的方法。到现在，各国学者都在签名鉴别领域做了大量的研究。由于中外文语言的差异性，中文签名的识别难度要高于外文，自上世纪70年代开始，国内研究人员也开始了对汉字笔迹识别方法的探索，有很多机构和学校开始使用深度学习技术进行笔迹鉴定。

有一种基于深度神经网络的笔迹鉴定方法及装置，通过获取待鉴定的第一笔迹图像以及待鉴定人的第二笔迹图像，将两张图像输入训练好的双塔网络模型，获得识别结果。在识别过程中，通过数据重构的方式去除第一笔迹图像以及第二笔迹图像中的噪声干扰，将提取到重构后的数据的第一特征数据以及第二特征数据进行融合，使识别结果更加准确。

然而，现有的笔迹鉴定方式不管是传统Gabor算法还是基于卷积神经网络的算法，均未保存用户之前已鉴定的签名，鉴定时都只是对用户的签名单独进行判断，未将待鉴定签名与用户之前已鉴定签名进行比对，导致笔迹鉴定的准确性较差。另一方面，在保存用户之前已鉴定签名的前提下，如果用来对比的签名本来不属于用户的话(例如被替换等)，笔迹鉴定同样存在安全隐患，无法实现对用户签名有监督的鉴别。

发明内容

本发明实施例提供一种基于深度神经网络及区块链的笔迹鉴定方法，用以提高笔迹鉴定的安全性及准确性，该基于深度神经网络及区块链的笔迹鉴定方法包括：

在接收到待鉴定笔迹时，搜索区块链上存储的与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹；

若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，将训练好的笔迹鉴定神经网络模型鉴定通过的待鉴定笔迹存储在区块链上；

若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

本发明实施例还提供一种基于深度神经网络及区块链的笔迹鉴定装置，用以提高笔迹鉴定的安全性及准确性，该基于深度神经网络及区块链的笔迹鉴定装置包括：

笔迹搜索模块，用于在接收到待鉴定笔迹时，搜索区块链上存储的与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹；

神经网络识别模块，用于若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，将训练好的笔迹鉴定神经网络模型鉴定通过的待鉴定笔迹存储在区块链上；

信息比对模块，用于若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述基于深度神经网络及区块链的笔迹鉴定方法。

本发明实施例还提供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执行上述基于深度神经网络及区块链的笔迹鉴定方法的计算机程序。

本发明实施例中，通过区块链存储鉴定通过的笔迹，在区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹时，利用笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，提高笔迹鉴定的准确性；在区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，以区块链上存储的已鉴定笔迹为基准，将已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息进行比对，将鉴定通过的待鉴定笔迹存储在区块链上，提高笔迹鉴定的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法的实现流程图；

图2为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法中步骤102的实现流程图；

图3为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法中步骤103的实现流程图；

图4为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法中训练笔迹鉴定神经网络模型的实现流程图；

图5为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置的功能模块图；

图6为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置中神经网络识别模块502的结构框图；

图7为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置中信息比对模块503的结构框图；

图8为本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置中训练笔迹鉴定神经网络模型的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

技术术语简介：

生物特征：人体固有的生理和行为特征统称为生物特征，生理特征与生俱来，行为特征是习惯使然。从生物学和行为学的角度看，每个人的生理和行为都是互不相同的，并且有很高的稳定性，因此人的生理特征或者行为特征可以唯一标识一个人的身份。手写签名属于行为特征。

生物特征识别：指通过计算机利用人体固有的生理特征或行为特征来进行个人身份鉴定的一种技术。

笔迹鉴定：是指通过机器学习等方法对手写文字信息进行关键特征提取，以鉴别书写人身份的一种身份检验技术。

Siamese Network：一种深度神经网络，用于识别和分类。

图1示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

如图1所示，基于深度神经网络及区块链的笔迹鉴定方法，其包括：

步骤101，在接收到待鉴定笔迹时，搜索区块链上存储的与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹；

步骤102，若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，将训练好的笔迹鉴定神经网络模型鉴定通过的待鉴定笔迹存储在区块链上；

步骤103，若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

在基于深度神经网络及区块链进行笔迹鉴定时，先接收待鉴定笔迹。例如，用户在办理金融业务时在移动终端应用程序的签名界面上书写的签名，或者用户在办理金融业务时在金融业务柜台的触控终端显示屏幕上书写的签名等。

为提高笔迹鉴定的安全性，将已鉴定笔迹存储在区块链上。鉴于区块链上存储了已鉴定笔迹，在接收到待鉴定笔迹后，可以从区块链上存储的已鉴定笔迹集合中查找与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹。其中，预设相似度为预先设定的相似度，本领域技术人员可以根据实际情况和具体需求预先设定。例如，预先设定该预设相似度为95％，或预先设定该预设相似度为93％及97％等，本领域技术人员可以理解的是，还可以预先设定除上述95％、93％或97％之外的其它数值，例如96％及98％等。

区块链上可能存储有与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，说明当前用户以前的笔迹鉴定通过，已被存储在区块链上；区块链上可能没有存储与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹。

在区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹时，无法利用区块链上的已鉴定笔迹进行比对，此时可利用训练好的笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，在训练好的笔迹鉴定神经网络模型对待鉴定笔迹鉴定通过后，将笔迹鉴定神经网络模型鉴定通过的笔迹存储在区块链上。其中，笔迹鉴定神经网络模型为Siamese Network网络模型。

另外，在区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，可以直接将待鉴定笔迹的用户信息，与区块链上存储的与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹的用户信息进行比对，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，且区块链上存储的已鉴定笔迹为鉴定通过的笔迹时，认为待鉴定笔迹可靠性较高，通过鉴定。最后，将鉴定通过的笔迹存储在区块链上。

在本发明实施例中，通过区块链存储鉴定通过的笔迹，在区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹时，利用笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，提高笔迹鉴定的准确性；在区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，以区块链上存储的已鉴定笔迹为基准，将已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息进行比对，将鉴定通过的待鉴定笔迹存储在区块链上，提高笔迹鉴定的安全性。

在本发明的一实施例中，为了进一步提高笔迹鉴定的安全性，基于深度神经网络及区块链的笔迹鉴定方法，还包括：

若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，拒绝将训练好的笔迹鉴定神经网络模型鉴定未通过的待鉴定笔迹存储在区块链上。

利用训练好的笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，可能鉴定通过也可能鉴定不通过，在鉴定不通过时拒绝鉴定未通过的待鉴定笔迹存储在区块链上，以进一步提高笔迹鉴定的安全性。

在本发明的一实施例中，为了进一步提高笔迹鉴定的安全性，基于深度神经网络及区块链的笔迹鉴定方法，还包括：

若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息不一致时，拒绝将鉴定未通过的笔迹存储在区块链上。

已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息可能一致，也可能不一致，而在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息不一致时，说明当前用户的笔迹可能存在盗用或冒用的风险，因此在鉴定不通过时拒绝鉴定未通过的待鉴定笔迹存储在区块链上，以进一步提高笔迹鉴定的安全性。

图2示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法中步骤102的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高笔迹鉴定的准确性，如图2所示，步骤102，若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，将训练好的笔迹鉴定神经网络模型鉴定通过的待鉴定笔迹存储在区块链上，包括：

步骤201，若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，利用训练好的笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定；

步骤202，在训练好的笔迹鉴定神经网络模型对待鉴定笔迹鉴定通过时，将鉴定通过的待鉴定笔迹存储在区块链上。

在区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，此时则不能以区块链上存储的已鉴定笔迹为基准进行比对，而利用训练好的笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，以提高笔迹鉴定的准确性。在笔迹鉴定神经网络模型对待鉴定笔迹鉴定通过时，说明待鉴定笔迹是可靠的，此时将鉴定通过的待鉴定笔迹存储在区块链上。

在本发明实施例中，若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，利用训练好的笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，提高笔迹鉴定的准确性，在待鉴定笔迹鉴定通过时，将鉴定通过的待鉴定笔迹存储在区块链上。

图3示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法中步骤103的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高笔迹鉴定的安全性，如图3所示，步骤103，若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上，包括：

步骤301，若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，确定已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息是否一致；

步骤302，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

在区块链上存储有与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹时，此时可将区块链上存储的与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹为基础进行比对，即直接通过确定已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息是否一致，判断待鉴定笔迹的可靠性，以提高笔迹鉴定的安全性。其中，已鉴定笔迹对应的用户信息或待鉴定笔迹对应的用户信息可以包括用户身份证信息或用户指纹信息等。

在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，说明待鉴定笔迹与区块链上存储的与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹为同一用户的笔迹，即待鉴定笔迹是可靠的，此时将鉴定通过的待鉴定笔迹存储在区块链上。

在本发明实施例中，若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，确定已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息是否一致，已区块链上存储的已鉴定笔迹为基础进行比对，提高笔记鉴定的安全性，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

图4示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定方法中训练笔迹鉴定神经网络模型的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高笔迹鉴定神经网络模型鉴定笔迹的准确性，如图4所示，训练笔迹鉴定神经网络模型包括：

步骤401，将采集的笔迹数据集按照预设比例划分为训练集与测试集；

步骤402，利用训练集对笔迹鉴定神经网络模型进行迭代训练，利用测试集验证笔迹鉴定神经网络模型的准确率；

步骤403，在满足迭代训练终止条件时，获得训练后的笔迹鉴定神经网络模型。

在训练笔迹鉴定神经网络模型时，采集笔迹数据集，还可以对采集的笔迹数据集进行扩充，将扩充后的笔迹数据集作为训练笔迹鉴定神经网络模型的笔迹数据集。进而，将采集的笔迹数据集按照预设比例划分为训练集和测试集。例如，按照8：2将笔迹数据集划分为训练集和测试集。

然后，利用训练集对笔迹鉴定神经网络模型不断进行迭代训练，在迭代训练过程中，利用测试集验证笔迹鉴定神经网络模型的准确率。直至满足迭代训练终止条件时停止训练，获得训练后的笔迹鉴定神经网络模型。其中，迭代训练终止条件包括迭代次数达到预设迭代次数，或者训练后的笔迹鉴定神经网络模型的准确率不小于预设准确率。

其中，预设迭代次数为预先设定的迭代次数，本领域技术人员可以基于实际情况和具体需求预先设定该预设迭代次数。例如，预先设定该预设迭代次数为10万次，8万次或12万次等，本领域技术人员可以理解的是，还可以预先设定该预设迭代次数为除上述10万次，8万次或12万次之外的其它迭代次数，例如9万次或11万次等，本发明实施例对此不作特别的限制。

其中，预设准确率为预先设定的准确率，本领域技术人员可以基于实际情况和具体需求预先设定该预设准确率。例如，预先设定该预设准确率为95％，93％或97％等，本领域技术人员可以理解的是，还可以预先设定该预设准确率为除上述95％，93％或97％之外的其它准确率，例如94％，96％或98％等，本发明实施例对此不作特别的限制。

在本发明实施例中，将采集的笔迹数据集按照预设比例划分为训练集与测试集，利用训练集对笔迹鉴定神经网络模型进行迭代训练，利用测试集验证笔迹鉴定神经网络模型的准确率，在满足迭代训练终止条件时，获得训练后的笔迹鉴定神经网络模型，能够提高笔迹鉴定神经网络模型鉴定笔迹的准确性。

在本发明的一实施例中，为了进一步提高笔迹鉴定神经网络模型鉴定笔迹的准确性，基于深度神经网络及区块链的笔迹鉴定方法，还包括：

利用区块链上存储的已鉴定笔迹优化笔迹鉴定神经网络模型。

区块链上存储的为已鉴定笔迹，将区块链上存储的已鉴定笔迹作为笔迹数据集的一部分，进一步训练笔迹鉴定神经网络模型，以优化笔迹鉴定神经网络模型的参数，能够进一步提高笔迹鉴定神经网络模型的准确率。

本发明实施例还提供一种基于深度神经网络及区块链的笔迹鉴定装置，如下面的实施例所述。由于这些装置解决问题的原理与基于深度神经网络及区块链的笔迹鉴定方法相似，因此这些装置的实施可以参见方法的实施，重复之处不再赘述。

图5示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置的功能模块，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

参考图5，所述基于深度神经网络及区块链的笔迹鉴定装置所包含的各个模块用于执行图1对应实施例中的各个步骤，具体请参阅图1以及图1对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述基于深度神经网络及区块链的笔迹鉴定装置包括笔迹搜索模块501、神经网络识别模块502及信息比对模块503。

笔迹搜索模块501，用于在接收到待鉴定笔迹时，搜索区块链上存储的与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹。

神经网络识别模块502，用于若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，将训练好的笔迹鉴定神经网络模型鉴定通过的待鉴定笔迹存储在区块链上。

信息比对模块503，用于若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

在本发明实施例中，通过区块链存储鉴定通过的笔迹，神经网络识别模块502在区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹时，利用笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，提高笔迹鉴定的准确性；信息比对模块503在区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，以区块链上存储的已鉴定笔迹为基准，将已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息进行比对，将鉴定通过的待鉴定笔迹存储在区块链上，提高笔迹鉴定的安全性。

在本发明的一实施例中，为了进一步提高笔迹鉴定的安全性，基于深度神经网络及区块链的笔迹鉴定装置还包括：

第一拒绝存储模块，用于若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，拒绝将训练好的笔迹鉴定神经网络模型鉴定未通过的待鉴定笔迹存储在区块链上。

在本发明的一实施例中，为了进一步提高笔迹鉴定的安全性，基于深度神经网络及区块链的笔迹鉴定装置还包括：

第二拒绝存储模块，用于若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息不一致时，拒绝将鉴定未通过的笔迹存储在区块链上。

图6示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置中神经网络识别模块502的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高笔迹鉴定的准确性，参考图6，所述神经网络识别模块502所包含的各个单元用于执行图2对应实施例中的各个步骤，具体请参阅图2以及图2对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述神经网络识别模块502包括笔迹鉴定单元601及第一笔迹存储单元602。

笔迹鉴定单元601，用于若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，利用训练好的笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定；

第一笔迹存储单元602，用于在训练好的笔迹鉴定神经网络模型对待鉴定笔迹鉴定通过时，将鉴定通过的待鉴定笔迹存储在区块链上。

在本发明实施例中，笔迹鉴定单元601若区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，利用训练好的笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，提高笔迹鉴定的准确性，第一笔迹存储单元602在待鉴定笔迹鉴定通过时，将鉴定通过的待鉴定笔迹存储在区块链上。

图7示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置中信息比对模块503的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高笔迹鉴定的安全性，参考图7，所述信息比对模块503所包含的各个单元用于执行图3对应实施例中的各个步骤，具体请参阅图3以及图3对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述信息比对模块503包括信息比对单元701及第二笔迹存储单元702。

信息比对单元701，用于若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，确定已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息是否一致。

第二笔迹存储单元702，用于在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

在本发明实施例中，信息比对单元701若区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，确定已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息是否一致，已区块链上存储的已鉴定笔迹为基础进行比对，提高笔记鉴定的安全性，第二笔迹存储单元702在已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息一致时，将鉴定通过的待鉴定笔迹存储在区块链上。

图8示出了本发明实施例提供的基于深度神经网络及区块链的笔迹鉴定装置中训练笔迹鉴定神经网络模型的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高笔迹鉴定神经网络模型鉴定笔迹的准确性，参考图8，所述训练笔迹鉴定神经网络模型所包含的各个单元用于执行图4对应实施例中的各个步骤，具体请参阅图4以及图4对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述训练笔迹鉴定神经网络模型包括数据集划分单元801、迭代训练单元802及训练终止单元803。

数据集划分单元801，用于将采集的笔迹数据集按照预设比例划分为训练集与测试集。

迭代训练单元802，用于利用训练集对笔迹鉴定神经网络模型进行迭代训练，利用测试集验证笔迹鉴定神经网络模型的准确率。

训练终止单元803，用于在满足迭代训练终止条件时，获得训练后的笔迹鉴定神经网络模型。

在本发明实施例中，数据集划分单元801将采集的笔迹数据集按照预设比例划分为训练集与测试集，迭代训练单元802利用训练集对笔迹鉴定神经网络模型进行迭代训练，利用测试集验证笔迹鉴定神经网络模型的准确率，训练终止单元803在满足迭代训练终止条件时，获得训练后的笔迹鉴定神经网络模型，能够提高笔迹鉴定神经网络模型鉴定笔迹的准确性。

在本发明的一实施例中，为了进一步提高笔迹鉴定神经网络模型鉴定笔迹的准确性，基于深度神经网络及区块链的笔迹鉴定装置还包括：

模型优化模块，用于利用区块链上存储的已鉴定笔迹优化笔迹鉴定神经网络模型。

本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述基于深度神经网络及区块链的笔迹鉴定方法。

本发明实施例还提供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执行上述基于深度神经网络及区块链的笔迹鉴定方法的计算机程序。

本发明提供的基于深度神经网络及区块链的笔迹鉴定方法及装置可应用于金融领域，还可以应用于除金融领域之外的其它应用领域，本发明实施例对此不作特别的限制。

区块链技术的核心特征就是去中心化和非实名化，因此很适合用于身份验证的场景中，而金融领域对于身份核验的要求很高，受此启发，特提出本发明。在办理线上业务比如签订购买合约等需要本人线上签名的场合，为确保合约是本人签署，可以将区块链技术引入以上场景，构造一个笔迹鉴定模型。模型的主要流程如下：在鉴别笔迹时首先在链上搜索是否存在相同的笔迹，若存在再确认链上签名对应的用户是否为申请人，能对应上则说明签名属于本人；若不存在则通过鉴定模型识别用户笔迹是否属于本人，若属于则签名验证通过，并将结果及该签名一并存于区块链上，在下一次出现相同签名时可以直接判定为本人签名，没有则重新使用鉴定算法进行识别，如此循环，使用模型鉴定笔迹，使用区块链保存签名结果，同时亦可拓展数据集并训练算法，提高算法的准确率，而算法优化之后也可以更精确的识别笔迹。

在人工识别的场景中直接存储确定的签名数据不进行识别以及在链上搜索是否存在用户之前的签名，可以根据实际情况改变或删除这部分功能。使用区块链存储训练集的用户签名数据和用户的真实签名数据，这一步用于扩大链上数据集的大小，同时不浪费数据；将人工识别和模型识别场景统一，对于人工能够确定笔迹一致的场景，不使用模型进行识别，直接将笔迹作为数据存于区块链上，进行模型优化；对于训练参数进行了优化。

本发明可以保存使用该系统的所有用户的签名信息包括笔迹鉴定情况，极大的提高笔迹鉴定的准确率，帮助保护金融领域下用户信息和资金的安全。

综上所述，本发明实施例通过区块链存储鉴定通过的笔迹，在区块链上不存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹时，利用笔迹鉴定神经网络模型对待鉴定笔迹进行鉴定，提高笔迹鉴定的准确性；在区块链上存在与待鉴定笔迹的相似度不小于预设相似度的已鉴定笔迹，以区块链上存储的已鉴定笔迹为基准，将已鉴定笔迹对应的用户信息与待鉴定笔迹对应的用户信息进行比对，将鉴定通过的待鉴定笔迹存储在区块链上，提高笔迹鉴定的安全性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。