基于數據融合的脫機中文簽名鑒別方法研究.pdf

1、脫機手寫中文簽名鑒別的主要困難就在于特征的提取，因此本文主要圍繞如何提取能反映簽名較本質的特征進行了相關研究。在具體解決簽名鑒別時，一方面要考慮簽名的靜態(tài)特征，另一方面尋找動態(tài)特征，這也是本文重點研究的對象。 提取靜態(tài)特征時，在細化簽名圖像的基礎上采用特征不變矩即偽Zernike不變矩來進行描述。動態(tài)特征方面提出了幾個重要的特征，并且利用小波變換提取了一個重要的比例特征。另外在得到簽名的外形以及高密區(qū)域并把它們進行結構性描述時，

2、利用了矩陣的奇異值分解。在分類器設計方面，最初采用了簡單的加權歐氏距離判別法，然后利用了BP(Back-Propagationl)網絡，之后提出了一個數據融合的混合實現方案。 本文的主要創(chuàng)新點歸納如下： 1、在簽名圖像預處理階段，針對一般細化算法存在的問題，提出一個新的細化算法。此算法運算簡單，能較好地解決轉折筆劃在細化時出現的分叉現象等。另外，在分析現有的連通區(qū)域檢測算法的基礎上，提出了一個新的八連通區(qū)域檢測算法。此算

3、法能很快提取簽名圖像中的連通區(qū)域以進行下一步的分析。另外在提取簽名灰度圖像及簽名高密區(qū)域等方面都提出了新的可行方法。 2、提出了一個新的基于特征不變矩及動態(tài)特征的簽名鑒別方案。此方案為一個結合靜態(tài)特征與動態(tài)特征的新的鑒別方法。提取靜態(tài)特征時，利用偽Zernike矩的尺度及位移不變性，在細化的簽名圖像上計算10階偽Zernike不變矩來組成特征向量。提取動態(tài)特征時，則首先從灰度圖像得到簽名的全局及局部高密區(qū)域，利用高密區(qū)域與原簽名

4、圖像對應部分的面積之比得到全局和局部高密因素HDF(High-Densitv Factor)。另外在全局高密區(qū)域的基礎上，計算其相對重心，并將其作為另一個特征。結合兩類特征形成16維特征向量后，建立相應的鑒別系統。實驗結果表明，系統的錯誤接受率FAR(False Acceptance Rate)和錯誤拒絕率FRR(False Rejection Rate )可以分別達到7.25％、9.30％。 3、在前面研究的基礎上，提出與一般

5、小波變換應用不同的方法，利用了小波變換描述信號近似信息進而提取出簽名的比例特征，并結合前面提出的有關特征，提出應用小波變換與特征不變矩相結合的方案進行脫機手寫簽名鑒別。利用小波變換時，對簽名灰度圖像計算加權歸一直方圖并進一步對此一維圖像利用Daubechies(4)小波進行四階二進離散小波分解，再重建第四階近似系數。與通常的小波變換提取細節(jié)信息不同，本文提取的是近似信息。由此計算一個比例特征。另外再結合前面研究的結果采用加權歐氏距離法進

6、行鑒別，實驗結果表明FAR和FRR可分別達到7.83％、6.88％。4、利用BP神經網絡作為分類器，將以上方案提取的特征組成特征向量作為網絡輸入，提出一個新的鑒別系統，實驗結果表明了此系統的有效性。 5、在前面研究的基礎上，進一步提出了一個新的結合矩陣奇異值分解(SVDSingular Value Decomposition)的數據融合解決方案，即根據前面研究的基于小波變換和特征不變矩提取特征的BP網絡以及在分析簽名高密區(qū)域并利

7、用SVD提取特征的BP網絡，將兩個網絡的輸出結果進行競爭選擇得到最終的判別結果。并建立了相應的分類鑒別系統，即建立一個由兩個分類器組成的分類系統。首先針對細化的簽名二值圖像與提取的高密區(qū)域細化圖像分別進行奇異值分解，得到一個40維特征向量。然后建立針對同類簽名的BP網絡，對此網絡進行訓練并對測試樣本鑒別得到一組輸出結果。另外對基于小波變換和特征不變矩的分類鑒別系統進行訓練，并對測試樣本鑒別得到另一組輸出結果。最后將兩個系統的結果競爭選擇