脱机手写中文签名鉴别的研究

【摘要】：脱机手写中文签名鉴别的主要困难就在于特征的提取,因此本文主要围绕如何提取能反映签名较本质的特征进行了相关研究。在具体解决签名鉴别时,一方面要考虑签名的静态特征,另一方面寻找动态特征,这也是本文重点研究的对象。 提取静态特征时,在细化签名图像的基础上采用特征不变矩即伪Zernike 不变矩来进行描述。动态特征方面提出了几个重要的特征,并且利用小波变换提取了一个重要的比例特征。另外在得到签名的外形以及高密区域并把它们进行结构性描述时,利用了矩阵的奇异值分解。在动态特征提取方面,本文还利用十字-对角纹理矩阵提取了一系列纹理特征。在分类器设计方面,最初采用了简单的加权欧氏距离判别法,然后利用了BP(Back-Propagation)网络,之后提出了一个数据融合的混合实现方案。 总之,本文针对脱机中文手写签名的鉴别提出了一系列新的方案,每个方案都是在前面研究的基础上进一步创新而提出来的。 本文的主要创新点归纳如下: 1. 在签名图像预处理阶段,针对一般细化算法存在的问题,提出一个新的细化算法。此算法运算简单,能较好地解决转折笔划在细化时出现的分叉现象等。另外,在分析现有的连通区域检测算法的基础上,提出了一个新的八连通区域检测算法。此算法能很快提取签名图像中的连通区域以进行下一步的分析。另外在提取签名灰度图像及签名高密区域方面等都提出了新的可行方法。 2. 提出了一个新的基于特征不变矩及动态特征的签名鉴别方案。此方案为一个结合静态特征与动态特征的新的鉴别方法。提取静态特征时,利用伪Zernike 矩的尺度及位移不变性,在细化的签名图像上计算10 阶伪Zernike不变矩来组成特征向量。提取动态特征时,则首先从灰度图像得到签名的全局及局部高密区域,利用高密区域与原签名图像对应部分的面积之比得到全局和局部高密因素HDF(High-Density Factor)。另外在全局高密区域的基础上,计算其相对重心,并将其作为另一个特征。结合两类特征形成16维特征向量后,建立相应的鉴别系统。实验结果表明,系统的错误接受率FAR(False Acceptance Rate)和错误拒绝率FRR(False Rejection Rate)可以达到分别为7.25%、9.30%。 3. 在前面研究的基础上,提出与一般小波变换应用不同的方法,利用了小波变换描述信号近似信息进而提取出签名的比例特征,并结合前面提出的有关特征,提出应用小波变换与特征不变矩相结合的方案进行脱机手写签名