1.一种基于VGG16的CNN‑SVM手写签名识别方法，其特征在于，包括如下步骤：(1)定义原始手写签名图像数据集为Image0，经标签化处理得到手写签名图像数据集Image1；

(2)对手写签名图像数据集Image1依次通过图像灰度化、二值化和尺寸归一化方法进行预处理，得到手写签名图像数据集Image2，包括：(2.1)定义循环变量i0用来遍历Image1，i0赋初值为1，i0∈[1,len(Image1)]，len(Image1)为Image1中手写签名图像数量；

(2.2)如果i0≤len(Image1)，执行步骤(2.3)，否则执行步骤(2.5)；

(2.3)定义图像像素集image＝{a1,a2,…,am}，其中，am＝{R,G,B}，使用加权平均法进行灰度化，具体公式为：Ga＝0.299*R+0.578*G+0.114*B，其中，Ga为经过灰度化处理的像素值；

(2.4)令i0＝i0+1，执行步骤(2.2)；

(2.5)得到灰度化像素集g_image＝{Ga1,Ga2,…,Gam}；

(2.6)定义循环变量i1用来遍历g_image，i1赋初值为1，i1∈[1,len(g_image)]，len(g_image)为g_image的长度；

(2.7)如果i1≤len(g_image)，执行步骤(2.8)，否则执行步骤(2.14)；

(2.8)定义像素值常量x，x赋值为125，与Gai1比较；

(2.9)如果Gai1≥x，执行步骤(2.10)，否则执行步骤(2.11)；

(2.10)令Gai1＝0，执行步骤(2.12)；

(2.11)令Gai1＝255，执行步骤(2.12)；

(2.12)通过大津算法OTSU对g_image进行二值化，设置阈值为125，若大于阈值则将像素值设为0；若小于阈值则将像素值设为255；

(2.13)令i1＝i1+1，执行步骤(2.7)；

(2.14)得到二值化图像集t_image＝{Ta1,Ta2,…,Tam}，其中，Tam＝{0,255}；

(2.15)定义循环变量i2用来遍历t_image，i2赋初值为1，i2∈[1,len(t_image)]，len(t_image)为t_image的长度；

(2.16)如果i2≤len(t_image)，执行步骤(2.17)，否则执行步骤(2.19)；

(2.17)通过尺寸归一化处理，将经过灰度化和二值化的单张图像长宽设定为28*28；

(2.18)令i2＝i2+1，执行步骤(2.16)；

(2.19)得到预处理后的手写签名图像数据集Image2，Image2＝{nor1,nor2,…,norm}，其中，norm为灰度化、二值化和尺寸归一化后的单张图像；

(3)采用数据集ImageNet训练神经网络模型VGG16，训练得到权重集G；

(4)将权重集G迁移至CNN模型，将数据集Image2输入到训练好的CNN模型得到初始特征矩阵J，具体步骤如下：(4.1)将集合G中的权重迁移至CNN模型，训练得到模型M；

(4.2)定义循环变量i4用来遍历Image2，i4赋初值为1，i4∈[1,len(Image2)]，len(Image2)为Image2中手写签名图像数量；

(4.3)如果i4≤len(Image2)，执行步骤(4.4)，否则执行步骤(4.6)；

(4.4)将nori4输入模型进行特征提取，得到初始特征向量v，其中，nori4为Image2中第i4张图像；

(4.5)令i4＝i4+1，执行步骤(4.3)；

(4.6)得到初始特征矩阵J＝[v1,v2,…,vm]，以及对应的特征值集合F＝{A1,A2,…,Am}，其中，vm为矩阵J中第m个特征向量，Am为vm对应的初始特征值；

(5)使用PCA降维方法对矩阵J进行降维得到矩阵J1，使用SVM对矩阵J1进行训练得到手写签名图像识别结果R，包括：(5.1)将矩阵J对应的特征值集合F中的特征值从大到小进行排序得到集合F1，F1＝{λ1,λ2,...,λm}，其中，λm为F1中第m个特征值，满足λ1≥λ2≥λm；

(5.2)选择F1中前k个不为0的特征值所对应的特征向量(k

(5.3)将F1输入SVM，得到识别结果R，R＝{plabel,rlabel}，其中，plabel,rlabel分别表示预测类别标签、实际类别标签。

2.根据权利要求1所述的一种基于VGG16的CNN‑SVM手写签名识别方法，其特征在于，所述步骤(1)中得到手写签名图像数据集Image1的具体步骤如下：(1.1)定义原始手写签名图像数据集Image0，Image0＝{C1,C2,…,Cm}，其中，Cm为Image0中第m组手写签名图像数据集，全局变量m∈[1,100]，定义id、num分别为Cm的序号和图像数量，满足Cm＝{id,num}；

(1.2)定义循环变量i用来遍历Image0，i赋初值为1，i∈[1,len(Image0)]，len(Image0)为Image0中手写签名图像数量；

(1.3)如果i≤len(Image0)，执行步骤(1.4)，否则执行步骤(1.6)；

(1.4)定义id1、labeli、Ci分别为序号、标签、单组手写签名集合，对Ci添加对应的标签labeli；

(1.5)令i＝i+1，执行步骤(1.3)；

(1.6)得到手写签名图像数据集Image1，Image1＝{id1,labelid1,Cid1}。

3.根据权利要求1所述的一种基于VGG16的CNN‑SVM手写签名识别方法，其特征在于，所述步骤(3)中采用数据集ImageNet训练神经网络模型VGG16，训练得到权重集G的具体步骤如下：(3.1)输入数据集ImageNet，ImageNet＝{IN0,IN1,…,IND}，其中，IND为单组同一标签的图像数据集；

(3.2)定义循环变量i3用来遍历ImageNet，i3赋初值为1，i3∈[1,len(ImageNet)]，len(ImageNet)为ImageNet中图像数量；

(3.3)如果i3≤len(ImageNet)，执行步骤(3.4)，否则执行步骤(3.6)；

(3.4)将INi3输入ImgeNet进行训练，其中，INi3为ImageNet中第i3张图像；

(3.5)令i3＝i3+1，执行步骤(3.3)；

(3.6)得到训练好的模型M0，得到权重集合G＝{g1,g2,…,gN}，其中，gN为G中第N个权重。