在线手写签名的识别算法

提出一种手写签名的数学模型, 借鉴动态规划的思想进 行时序匹配. 引入加权H¹模的距离计算公式, 用以度量输入签名与样本签名的 差异 , 经实践检验识别算法的有效性.     

脱机手写汉字识别中笔段提取算法研究

基于目前细化和特征点提取的实现方法,提出了改进的分组细化方法和远端拐点法。改进的分组细化法能够在细化过程中,根据分组数标记字符图像中分叉点的类型,为后续的拐点提取做准备。给出了一种快速提取汉字拐点的方法远端拐点法。实验结果表明,该方法能够较好地提取笔段,特征点提取的正确率达到98.6％。     

一种基于隐马尔可夫模型的在线手写签名认证算法

给出一种对签名特殊点的提取方法, 并以此特殊点作为签名的分割点, 获取每段中的重要特征进行分析. 在此基础上, 提出一种基于隐马尔可夫模型(HMM)的在线手写签名认证算法, 并利用第一届国际手写签名认证竞赛(SVC 2004)的测试数据库检验了算法的有效性.     

基于多级分类器的自由手写数字在线识别

设计了一种用于手写字符在线识别的多级分类器模型。在该模型中,通过对四个独立的分类算法进行集成,将脱机方法与联机方法,神经网络方法与传统方法有机地结合起来构成一个完整的手写字符在线识别系统。理论分析和实验结果表明,该集成系统比单一系统具有明显的优越性。     

基于人工免疫模型的在线手写签名认证方法

提出一种采用人工免疫模型的在线手写签名认证方法,采集能表征签名者潜在手写习惯的最普遍的签名特征,利用人工免疫的自学习和自适应实现在较少训练样本的情况下获得具有更高区分度的手写签名模板。实验证明,该算法具有良好的训练效果,能获得较好的验证率和鉴别率。     

一种联机手写汉字识别算法的研究与实现

联机手写汉字识别(On-line handwritten Chinese character recognition,简称OLCCR),是指用笔在图形输入板上写字,人一面写,机器一面认,是一种方便的汉字识别手段,是在各种自动识别输入的方法中,能够代替或部分代替人工编码输入的惟一可能的方法。设计了一种基于获取笔段序列的联机手写汉字识别方法,并用可视化编程工具VC++6.0实现了该算法,经测试,平均识别率达95.7％。     

基于EMD和SVD的在线手写签名特征提取方法

为使在线手写签名认证的使用更具实用性,提出了一种基于经验模态分解(EMD)和奇异值分解(SVD)的在线手写签名特征提取方法.针对在线签名数据的坐标信息,以EMD分解所得的本征模态函数(IMF)分量为初始矩阵,并进行矩阵奇异值分解,以奇异值的能量值作为样本数据的特征分量构成用户特征向量,建立了基于支持向量数据描述(SVDD)的一类认证模型验证该方法效果.在SVC2004签名数据库上的实验结果表明:该方法提取的签名特征区分明显,使用少量的单类真实签名作为训练样本,得到FAR=3.38%,取得了较好的认证识别效果.     

在线签名鉴别的改进DTW算法

论述一种改进的在线签名鉴别算法,在原有的应用DTW算法基础上,在所需鉴别签名的动态特征中加入角度特征,克服了规整中将两个签名中的同一笔画规整成不同的笔画的弊端,提高了鉴别的准确率.同时,提出的选取最优化样本的方法更好地增强了在线签名的实时性,并且通过反复试验得以验证.     

基于滑动窗口的动态手写签名局部相关性研究

为了解决直接序列匹配中签名序列存在随机波动和时间轴方向非均匀伸缩,导致相关分析给出的匹配度不高的问题,提出了采用滑动窗口对真实签名进行局部相关性分析的方法.将手写签名按压力划分成若干笔段,研究笔段匹配算法;对分段后的数据序列用滑动窗口算法进行局部相关分析.算例显示,对不同的签名个体而言,总有一些笔段的相关性极高,最小相关系数都达到0.8甚至0.9以上,这些笔段,正是签名者的稳定的签名特征,无论是相关分析法还是特征矢量分类法,滑动窗口局部相关分析都是一种有效的算法.     

基于空间曲线弹性匹配的在线手写签名鉴别

论述了将手写签名笔划轨迹视为空间曲线,并采用点－点加权弹性匹配对其进行鉴别的方法．该方法强调签名在形状和签名压力的动态特征上都具有相似性．算法中权重系数根据签名样本的稳定度来确定,加权的匹配算法考虑了局部相似性不同的特点,有利于认证指标的改善．     

计算机汉字识别和静态手写汉字签名鉴定技术综述

经过训练、高质量的摹仿手写汉字签名给文件检验工作者提出了挑战,使传统的特征比对方法显得力不从心,据此本文提出采用计算机进行精确、快速的静态手写汉字签名鉴定。对于静态手写汉字签名鉴定,如何选择良好的特征和对选择的特征进行描述,使描述后的特征具有相对的稳定性,特征描述模型很好地反映书写者的生物特征而不是汉字本身的内容,是计算机静态手写汉字签名鉴定问题首先要解决的问题。     

基于子笔划的手写体汉字识别

该文给出一种汉字子笔划的提取方法 ,较好地解决了因子笔划相交 ,使提取的同类字符子笔划不稳定问题。引入了字符的固定部件划分方法及特征矩阵的概念。字符部件中包含各类子笔划的位置、长度等信息 ,特征矩阵是这些信息的集中体现。设计了一种新的遗传算法 ,由未知字符一个部件的一类子笔划表示的字符与某类模型的相似度 ,既由与其它 3类子笔划相应的相似度调节 ,又由与周围部件同类子笔划相应的相似度调节。实验表明 ,该手写体汉字识别方法是有效的     

基于动态规划的联机手写汉字分割方法

为解决手写汉字文本的自动切分问题,提出了一种基于动态规划的联机手写汉字分割方法.该方法根据手写笔画的结构特征、笔顺信息以及神经网络分类器给出的类概率构造代价函数,并将其分别应用于手写句子的预分割和基于识别的分割过程,然后利用动态规划算法寻找最佳分割路径.预分割在保持较低误分割率的前提下,可以有效地降低候选分割块的数量,以加速分割过程.实验结果表明,预分割的误分割率为0.57%,过分割率仅为11.1%;在未应用语言模型的情况下,最终的正确分割率为88.2%.     

基于极角特征匹配的动态签名鉴别算法

基于签名质心和黄金分割质心建立极坐标系, 并提取签名极角特征中相对稳定的极值点序列作为笔段分隔点给出一种签名鉴别算法. 提出了改进的动态时间规整(DTW)算法, 通过该算法将待测样本和签名模板依分隔点的对应关系按段进行动态匹配, 得到最优匹配方案和最佳相似度, 从而降低了误拒率. 算法经JLU DHSDB2.0签名数据库测试, 识别等错率达到4.25%.     

BP神经网络在脱机手写吾美藏文识别系统中的应用

本文通过对现在流行的各种识别技术的分析比较,以及对吾美藏文手写体特征的深入分析研究,提出了一套基于BP神经网络分类器的吾美藏文OCR识别方案。基于该技术,开发出一个吾美藏文识别系统。结果表明,依赖特定人的辅音字母识别率达到95%以上。     

手写签名过程中速度特征量的稳定性研究

手写签名鉴别属于人体生物特征鉴别领域的重要技术之一．根据汉字手写签名的特点，编程从手写板获取签名的动态数据，编写了提取手写签名多种速度特征值的程序，在统计的基础上，对手写签名过程中的瞬时速度、X轴向平均速度和Y轴向平均速度、最大速度出现的位置、极大速度首次出现的位置等特征量的稳定性进行了实验研究，得出了一些有用的结论．     

基于笔划方向特征和非对称分布的手写体汉字识别

基于笔划方向特征和非对称分布的手写体汉字识别模型,提出一种从手写体汉字骨骼图像上提取分叉点的有效改进算法,保证笔划提取的可靠性,并直接从笔划结构上计算统计识别特征矢量;采用主向量空间的非对称参数分布模型计算距离测度．实验表明,基于笔划方向特征和非对称分布的统计识别模型具有优良的识别性能．     

用于手写体汉字识别的汉字结构模型

针对手写体汉字识别问题，选取笔段和笔划作为基元，分析手写体汉字的组成规律和变形规律，提出了两种汉字结构模型：笔段中心点模型和笔划关系矩阵模型，以及基于模型的分类依据和识别方法．根据所提出的模型，采用两级分类方案构造汉字识别系统，粗分类采用笔段中心点法，细分类采用笔划关系矩阵法．实验表明模型是有效可行的．