基于多特征的维吾尔文手写签名识别研究

发布时间：2019-07-25 16:05

【摘要】：为了解决现代社会上经常发生的个人信息被泄露的问题,各地的研究者特别关注不能轻易被盗的个人生物特征识别技术。手写签名作为人体的一种比较稳定的生物行为特征,在个人身份的认证方面具有非侵犯性,容易获取性。因此,手写签名识别技术在很多领域中普遍使用并且一直发挥着自己的重要作用,比如银行服务窗口存取款,签收快件,通讯卡,签订合同等等。为了满足人们对现代社会的保护个人信息的需求,找出一种更加安全、普遍、方便、快捷、可靠和实用的身份认证手段具有巨大的实用价值和重要的意义。本文最初介绍了签名识别研究的背景、实际应用价值、意义和概述,再简单的介绍签名识别研究在国内外的现状与获得的成果。然后就结合维吾尔文手写签名研究的现状,一步一步地阐述我们在本文提出的预处理方法、特征选择与提取方法、分类匹配方法。最终用两种训练样本集进行实验并对实验结果进行分析。在数据采集与预处理阶段,首先采集维吾尔文手写签名样本建立原始的签名样本库,然后对采集签名样本图像进行灰度化、平滑去噪、二值化、归一化和轮廓提取等有效的预处理操作建立维吾尔文手写签名样本库。在特征选择与提取阶段,从每幅归一化后的二值签名图像和轮廓提取的签名图像中提取了128维局部中心点特征、112维ETDT特征、30维纹理特征、10维Zernike矩特征、12维形状特征。其中,局部中心点特征和ETDT特征互相组合形成一种新的高维统计融合特征,纹理特征、Zernike矩特征和形状特征三种特征互相组合形成又一个新的融合特征。在特征分类决策部分,对于从签名图像中提取的局部中心点特征、ETDT特征和这两个特征的融合,首先使用K-NN进行排序,然后再使用绝对距离、欧式距离、卡方距离和Cosine距离相似性距离方法找出最接近和最相似的类别。对于从签名图像中提取的纹理特征、Zernike矩特征、形状特征和这三种特征的融合,使用BP神经网络进行分类识别。实验数据包括教育文化水平和年龄有差异的100个志愿者(一个志愿者有20个签名样本)的签名样本,总2000幅签名样本。本文使用两种训练方式(1600个样本和1000个样本分别作为训练样本)进行实验和结果分析。在实验中训练样本数目为1600幅时,128维局部中心点特征和112维ETDT特征分别使用绝对距离和Cosine相似性度量进行分类,最终分别得到了97.45%和96.35%的平均识别率。为了解决只使用单一特征的识别率不够高的问题,把局部中心点特征和ETDT特征互相组合形成一种新的高维统计融合特征,并用相似性距离度量方法进行分类实验。融合特征的识别率比使用单一特征的最佳识别率还分别提高0.9%和0.5%,获得了98.35%和96.85%的平均识别率。除此之外,对于30维纹理特征、10维Zernike矩特征、12维形状特征分别使用BP神经网络进行分类识别,并分别获得95.45%,97.80%,93.39%的平均识别率。为了互相补充这些单一特征的缺陷,本文还把纹理特征、Zernike矩特征和形状特征等三种特征互相组合形成又一个新的融合特征,以及使用BP神经网络进行分类识别。系统识别率比单一特征的最佳识别率还分别高于2.55%,0.2%和4.61%,最高识别率达98%。
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

【参考文献】