離線中文簽名驗證技術(shù)研究.pdf

1、簽名作為身份確認的一種手段被用于諸多領(lǐng)域，如各類文書、合同、銀行票據(jù)等。至今為止，圍繞自動離線簽名驗證所展開的研究主要是針對隨機和簡單模仿兩種偽簽名展開，尤其是對熟練模仿偽簽名的鑒別，還有很多基礎(chǔ)理論問題及實際應(yīng)用問題需要解決。 因此開展離線中文簽名驗證技術(shù)研究，具有十分重要的理論意義和實用價值。 圍繞模式識別的三個基本研究內(nèi)容：數(shù)據(jù)獲取和預(yù)處理、特征提取和選擇以及匹配方法，對離線中文簽名驗證涉及的若干關(guān)鍵技術(shù)進行了概括

2、性討論。結(jié)合噪聲消除基本理論以及需關(guān)注的主要問題，同時根據(jù)實際應(yīng)用中簽名圖像中橫線像素分布的特點，給出了一種簽名圖像中橫線的清除方法。與常見的噪聲消除方法相比，所給出的方法不僅能將對簽名圖像的影響降低到最低程度，而且易于實現(xiàn)。 計算的復(fù)雜度和分類的正確率一直是特征提取關(guān)注的兩個主要方面。針對中文簽字的分類問題，就如何更好體現(xiàn)簽名特征這一問題，論述了使用全局特征組成特征矢量的方法。以此為基礎(chǔ)，提出了兩種模式聚類方法：基于馬氏距離的

3、聚類方法和基于特征標權(quán)的核聚類方法。 簽名分段是簽名圖像預(yù)處理中的一個難點，分段方法的優(yōu)劣對驗證結(jié)果的影響極大。 在汲取前人在筆劃提取方面的成功經(jīng)驗基礎(chǔ)之上，同時結(jié)合簽名驗證的特點給出了一種具有較低的時間、空間復(fù)雜度，同時具有高魯棒性的分段方法。此外，還給出了一個行之有效的分段配對和簽名相似度計算方法，并在此基礎(chǔ)上，給出了模板匹配與RBFNN(Radial-Based Function Neural Network) 相

4、結(jié)合的離線中文簽名驗證方法。 應(yīng)用DHMM (Discrete Hidden Markov Model) 進行分類的一個關(guān)鍵問題，是矢量量化的優(yōu)劣。有鑒于此，基于簽名各分段的六維特征矢量，按照其物理意義的不同分為兩組分別進行矢量量化。另外，還采用了多個碼字表征一個矢量的方法。針對這兩種矢量量化改進方法，采用了經(jīng)調(diào)整后的DHMM 訓(xùn)練算法。同基于網(wǎng)格方法提取觀測值序列相比較，所給出的基于分段獲得觀測值的方法能更有效的反映中文簽名的

5、特點。提出了一種融合GA (Genetic Algorithms) 與Baum-Welch 兩者優(yōu)點的DHMM 訓(xùn)練方法。經(jīng)GA 優(yōu)化后的HMM 在統(tǒng)計意義上提高了驗證正確率。 針對熟練模仿偽簽名的驗證，必須提取更為細節(jié)的特征這一基本需求，同時結(jié)合簽名邊緣的像素分布包含更為豐富的簽名特征這一基本事實，給出了一種遍歷簽名邊緣的高效算法。通過定義像素的三種運動方向，并由來時方向確定轉(zhuǎn)向方向，該算法能準確指導(dǎo)像素的遍歷，確保了遍歷的一

6、次完成，使得遍歷的時間復(fù)雜度降低到O(n) ，從而高效的完成簽名邊緣的遍歷。在簽名邊緣遍歷的基礎(chǔ)上，為更為有效的提取到簽名的細節(jié)特征，探討了應(yīng)用小波分析提取二次特征的方法?；谒o出的兩種特征提取方法，在HMM (Hidden Markov Model) 和SVM (Support Vector Machine) 環(huán)境下，對離線中文簽名驗證進行了比較，結(jié)果表明HMM 更優(yōu)。結(jié)合一個具代表性的應(yīng)用需求，設(shè)計了一個三級分類器串聯(lián)融合系統(tǒng)。所