CN103279770B - 基于笔画片段和轮廓特征的笔迹识别方法 - Google Patents

Abstract

本发明涉及一种基于笔画片段和轮廓特征的笔迹识别方法，首先需要将书写人书写的笔迹用扫描仪扫描成静态图像，然后利用图像处理技术将笔迹图像进行二值化和边缘提取得到相应的二值图像和轮廓图像，然后利用本发明提出的特征提取方法分别对二值图像和轮廓图像进行特征提取，最后利用模式识别技术对提取的特征进行身份识别。本发明提取了一种新的基于笔画片段和码书技术的特征提取方法和新的基于笔画轮廓的特征提取方法。并将两个提出的特征进行融合，进一步提高了识别精度。

Description

基于笔画片段和轮廓特征的笔迹识别方法

技术领域

本发明涉及基于行为特征的身份识别领域，具体涉及一种基于笔画片段和轮廓特征的笔迹识别方法。

背景技术

随着科学技术的进步，基于生物特征的身份识别技术也不断发展。生物特征分为生理特征和行为特征。其中基于生理特征(例如：指纹，虹膜，掌纹，等等)的身份识别最为多见。然而，基于行为特征(例如：步态，击键，笔迹，等等)的身份识别技术也日趋成熟。

本发明所针对的研究内容是笔迹识别。根据获取笔迹途径的不同，我们将已有的笔迹识别技术分为在线和离线两类。离线的笔迹是被记录在静态图像中。相对离线，在线的笔迹能获得更多用于进行身份识别的信息(例如：书写速度，加速度，压力，笔画先后顺序，等等)。因此这些在线的笔迹识别方法能获得更高的精度，但由于需要特殊的设备，限制了这些方法的应用范围。离线的笔迹识别方法有更广的应用前景。另一方面，根据用于识别的笔迹内容的不同，我们将已有的笔迹识别技术分为文本相关和文本无关两类。文本相关的笔迹识别技术方法要求进行笔迹识别的样本必须是相同的内容，然后文本无关的笔迹识别技术是内容无关，任意样本内容都能进行身份识别。因此文本无关的笔迹识别技术有更广的应用前景。

发明内容

基于以上不足之处，本发明的目的在于提供一种基于笔画片段和轮廓特征的笔迹识别方法。本发明的笔迹识别技术是离线的且文本无关的，它的优势有应用前景广且更符合现实生活中的存在的笔迹识别问题。

本发明所采用的技术如下：一种基于笔画片段和轮廓特征的笔迹识别方法，如下：

(1)笔迹图像的获取

要求书写人在颜色单一的纸上书写任意一段文字，然后利用扫描仪将纸上的文字扫描到电脑中，得到静态的笔迹图像；

(2)笔迹图像二值化和边缘提取

扫描得到的笔迹图像为灰度图像，利用大津法对原始的灰度图像进行自适应二值化处理，得到二值图像，然后根据连通体的面积将二值图像中小的连通体去除，最后利用传统的边缘检测方法提取笔迹轮廓图像；

(3)笔画分割及码书构造

首先对笔画进行定义，将笔迹二值图像中的每一个连通体作为一个笔画，采用不同的笔画片段在笔迹图像中出现的频率作为特征来区分每个书写人的身份，首先要进行笔迹分割过程来提取笔画片段，采用基于滑动窗口的笔迹分割方法分为以下几个步骤：

3.1)获取笔迹图像中所有的连通体；

3.2)对每一连通体，计算保护它的最小矩形，设该矩形的宽为W_CC，高为H_CC；

3.3)根据最小矩形，构造一个滑动窗口，该窗口的宽为W_SW＝30，高为最小矩形的高H_CC；

3.4)在最小矩形上，以步长为Gap，从左到右的移动滑动窗口，每次滑动窗口里的都是一个片段，得到多个片段；

3.5)对每一片段，将其归一化到大小为30×30，并保持原始片段中连通体的长宽比，把归一化后的片段称之为一个笔画片段，最后用一个由0和1组成的大小为900的向量来表示每一个笔画片段；

利用自组织神经网络聚类算法，从训练样本的笔画片段中构造一个笔画片段的码书，码书由少数量的通用的笔画片段组成，其中每一个通用的笔画片段被称之为一个码字；

(4)基于笔画片段的特征提取

构造完码书之后，从笔迹图像中提取一种笔画片段直方图特征，称为SFH特征，用SF＝{f₁，f₂，...，f_n}记为n个从笔迹图像中分割得到的笔画片段，并用C＝{c₁，c₂，...，c_N}记为大小为N的一个笔画片段码书。SFH特征的提取过程如下：

4.1)初始化大小为N的SFH特征向量，如SFH＝[0，0，...，0]。

4.2)对每一个笔画片段f_i∈SF，计算它和每一个码字c_j∈C之间的欧式距离，如下：

${\mathrm{ED}}_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{900}{\mathrm{\Σ}}}{(f_{\mathrm{ik}}-c_{\mathrm{jk}})}^2}.$

计算完之后，对每一个笔画片段f_i，我们将得到一个欧式距离向量EDV_i，如下：

EDV_i＝[ED_i1，ED_i2，...，ED_iN].

4.3)对EDV_i进行升序排序，并得到排序后EDV_i中的钱t个元素的索引，记为：

IDX＝{idx₁，idx₂，...，idx_t}.

4.4)对前t个元素进行指数变换和归一化过程，并得到一个响应向量RV_i，计算过程如下：

$v_{\mathrm{ik}}=\exp (-\mathrm{delta}\×{\mathrm{ED}}_{{i,\mathrm{idx}}_k})$

${\mathrm{SV}}_i=\underset{k=1}{\overset{t}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}$

${\mathrm{rv}}_{\mathrm{ik}}=\frac{v_{\mathrm{ik}}}{{\mathrm{SV}}_i}$

RV_i＝[rv_i1，rv_i2，...，rv_it]

其中delta是一个常数；

4.5)对每一个idx_k∈IDX，用如下方式更新SFH特征向量：

${\mathrm{SFH}}_{{\mathrm{idx}}_k}={\mathrm{SFH}}_{{\mathrm{idx}}_k}+{\mathrm{rv}}_{\mathrm{ik}}.$

4.6)重复步骤4.2到步骤4.5，使所有的笔画片段都被处理；

4.7)计算最终的SFH特征向量，如下：

${\mathrm{SFH}}_i=\frac{{\mathrm{SFH}}_i}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{SFH}}_j}.$

(5)基于轮廓的特征提取

针对笔迹轮廓图像提出了一种局部轮廓模型直方图特征，简称为LCPH特征，LCPH特征提取过程需要跟踪笔迹轮廓图像中的每一个轮廓点；局部轮廓模型定义为每个轮廓点的一个n×n的邻域，n＝17时，识别精度最高，因此局部轮廓模型的带下为17×17；为了能具体表述局部轮廓模型，将局部轮廓模型划分为多个大小为3×3的小块，并且在水平和垂直方向相邻的两个小块重叠一个像素。在每个小块中，用1表示轮廓点，0表示背景点，这样每个小块将会由9个由0或1组成的二进制串，因此在每个小块中存在2⁹＝512不同的情况(例如，010101010，101010101，等等)出现；

给定一个笔迹图像和局部轮廓模型的大小n×n，将有个小块，LCPH特征的提取过程如下：

5.1)利用经典的边缘提取算子提取笔迹图像的轮廓，并用CP＝{p₁，p₂，...，p_M}记为所有的M个轮廓点；

5.2)对每一个小块B_i＝[b_i1，b_i2，...，b_i9]，b_ik∈{0，1}，1≤i≤m，初始化它相应的大小为512的直方图H_i＝[0，0，...，0]，因此将存在m个这样的直方图；

5.3)对每一个轮廓点p_j∈CP，有m个小块在它的局部轮廓模型中，并得到m个小块中所有元素的值，接着对一个小块串联块中的所有元素生成一个二进制字符串，记为：BS_i＝b_i1b_i2...b_i9，并且将二进制字符串BS_i转化为一个十进制数S_i用来决定该小块属于哪种情况，例如一个二进制字符串为010101010，它对应的十进制数为170，则它属于第170种情况；

5.4)对每个小块B_i，用如下方式更新它相应的直方图H_i：重复步骤5.3和步骤5.4，使所有的轮廓点都处理完；

5.5)用如下方式归一化并串联所有的直方图H_i得到最终的LCPH特征向量：

$\mathrm{LCPH}=[\frac{H_1}{M},\frac{H_2}{M},...,\frac{H_m}{M}].;$

(6)特征匹配和融合

提取完特征之后，接下来进行特征匹配和融合，利用卡方距离来度量两个SFH特征和两个LCPH特征之间的相似度，用I₁和I₂记为两个笔迹图像，并且v₁＝(v₁₁，v₁₂，…，v_1N)和v₂＝(v₂₁，v₂₂，…，v_2N)记为它们相应的SFH特征向量，u₁＝(u₁₁，u₁₂，…，u_1L)和u₂＝(u₂₁，u₂₂，…，u_2L)记为它们相应的LCPH特征向量；则两个特征的相似度计算过程如下：

$D_1(v_1,v_2)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{(v_{1i}-v_{2i})}^2}{(v_{1i}+v_{2i})}$

$D_2(u_1,u_2)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\frac{{(u_{1j}-u_{2j})}^2}{(u_{1j}+u_{2j})}$

然后将D₁和D₂归一化到0和1之间；

将这两个距离利用简单的加权融合方法得到一个新的距离，如下：

D(I₁，I₂)＝w×D₁(v₁，v₂)+(1-w)×D₂(u₁，u₂)

其中0≤w≤1，最终利用这个新的距离来度量I₁和I₂之间的相似度，并根据相似度来进行笔迹识别。

本发明的优点：

1、提出了一种新的笔画片段的分割方法，考虑到了笔画中多方位的信息。

2、提取了一种新的基于笔画片段和码书技术的特征提取方法，提高了识别精度。

3、提取了一种新的基于笔画轮廓的特征提取方法。并将两个提出的特征进行融合，进一步提高了识别精度。

附图说明

图1为笔迹分割过程示意图；

图2为利用自组织神经网络训练得到的一个码书实例图；

图3为SFH特征提取过程的示意图；

图4为LCPH特征提取过程的示意图。

具体实施方式

本发明提出了一种基于行为特征的身份识别方法，该方法研究的对象是静态的笔迹图像，其中的笔迹内容可以是任意的。本发明首先需要将书写人书写的笔迹用扫描仪扫描成静态图像，然后利用图像处理技术将笔迹图像进行二值化和边缘提取得到相应的二值图像和轮廓图像，然后利用本发明提出的特征提取方法分别对二值图像和轮廓图像进行特征提取，最后利用模式识别技术对提取的特征进行身份识别。

实施例1

1.笔迹图像的获取

要求书写人在颜色单一的纸上书写任意一段文字，然后利用扫描仪将纸上的文字扫描到电脑中，得到静态的笔迹图像。

2.笔迹图像二值化和边缘提取

扫描得到的图像为灰度图像，同时由于外界因素使得笔迹图像中存在噪声，为了去除噪声，本发明首先利用大津法对原始的灰度图像进行自适应二值化处理，得到二值图像，然后根据连通体的面积将二值图像中小的连通体去除，最后利用传统的边缘检测方法(例如canny算子)提取笔迹轮廓图像。

3.笔画分割及码书构造

在此，首先对笔画进行定义。本发明将笔迹二值图像中的每一个连通体作为一个笔画。不同的人经过长时间的书写之后会形成自己独有的书写风格，因此同一个字母不同的人书写时其形状会不一样，并且有时几个会连接在一起。然而从笔迹图像中把单个字母分割出来时一项艰巨的任务。为了克服这个问题，本发明仅考虑笔画片段，并采用不同的笔画片段在笔迹图像中出现的频率作为特征来区分每个书写人的身份。因此本发明首先要进行笔迹分割过程来提取笔画片段。

本发明提出了一种新的基于滑动窗口的笔迹分割方法，图1给出了该方法的分割过程。给定一副笔迹图像I，基于滑动窗口的笔迹分割方法可以分为以下几个步骤：

1)获取笔迹图像I中所有的连通体。

2)对每一连通体，计算保护它的最小矩形，假设该矩形的宽为W_CC，高为H_CC。

3)根据最小矩形，构造一个滑动窗口，该窗口的宽为W_SW＝30，高为最小矩形的高H_CC。

4)在最小矩形上，以步长为Gap，从左到右的移动滑动窗口。每次滑动窗口里的都是一个片段，这样将得到很多的片段。

5)对每一片段，将其归一化到大小为30×30，并保持原始片段中连通体的长宽比。把归一化后的片段称之为一个笔画片段。最后用一个由0和1组成的大小为900的向量来表示每一个笔画片段。

经过以上的笔迹分割过程之后，将得到大量的笔画片段，不可能直接利用这些笔画片段进行笔迹识别。因此为了解决这个问题，本发明利用自组织神经网络聚类算法，从训练样本的笔画片段中构造一个笔画片段的码书。码书其实是由少数量的通用的笔画片段组成，其中每一个通用的笔画片段被称之为一个码字。本发明中码书的大小为400。图2给出了一个码书的实例。

4.基于笔画片段的特征提取

构造完码书之后，本发明接下来要从笔迹图像I中提取一种笔画片段直方图(strokefragmenthistogram)特征，简称为SFH特征。用SF＝{f₁，f₂，...，f_n}记为n个从笔迹图像I中分割得到的笔画片段，并用C＝{c₁，c₂，...，c_N}记为大小为N的一个笔画片段码书。SFH特征的提取过程如下：

1)初始化大小为N的SFH特征向量，如SFH＝[0，0，...，0]。

2)对每一个笔画片段f_i∈SF，计算它和每一个码字c_j∈C之间的欧式距离，如下：

${\mathrm{ED}}_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{900}{\mathrm{\Σ}}}{(f_{\mathrm{ik}}-c_{\mathrm{jk}})}^2}.$

计算完之后，对每一个笔画片段f_i，我们将得到一个欧式距离向量EDV_i，如下：

EDV_i＝[ED_i1，ED_i2，...，ED_iN].

3)对EDV_i进行升序排序，并得到排序后EDV_i中的钱t个元素的索引，记为：

IDX＝{idx₁，idx₂，...，idx_t}.

4)对前t个元素进行指数变换和归一化过程，并得到一个响应向量RV_i，计算过程如下：

$v_{\mathrm{ik}}=\exp (-\mathrm{delta}\×{\mathrm{ED}}_{{i,\mathrm{idx}}_k})$

${\mathrm{SV}}_i=\underset{k=1}{\overset{t}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}$

${\mathrm{rv}}_{\mathrm{ik}}=\frac{v_{\mathrm{ik}}}{{\mathrm{SV}}_i}$

RV_i＝[rv_i1，rv_i2，...，rv_it]

其中delta是一个常数。

5)对每一个idx_k∈IDX，用如下方式更新SFH特征向量：

${\mathrm{SFH}}_{{\mathrm{idx}}_k}={\mathrm{SFH}}_{{\mathrm{idx}}_k}+{\mathrm{rv}}_{\mathrm{ik}}.$

6)重复步骤2到步骤5，使所有的笔画片段都被处理。

7)计算最终的SFH特征向量，如下：

${\mathrm{SFH}}_i=\frac{{\mathrm{SFH}}_i}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{SFH}}_j}.$

图3给出了一个SFH特征提取过程的示意图。

5.基于轮廓的特征提取

由于笔迹图像的轮廓能为笔迹识别提供很多有用的信息。本发明针对笔迹轮廓图像提出了一种局部轮廓模型直方图(localcontourpatternhistogram)特征，简称为LCPH特征。LCPH特征提取过程需要跟踪笔迹轮廓图像中的每一个轮廓点。本发明中的局部轮廓模型定义为每个轮廓点的一个n×n的邻域，如图4(a)给出了一个大小为7×7的局部轮廓模型。实验证明当n＝17时，识别精度最高。因此本发明中局部轮廓模型的带下为17×17。为了能具体表述局部轮廓模型，我们将局部轮廓模型划分为多个大小为3×3的小块，并且在水平和垂直方向相邻的两个小块重叠一个像素，如图4(a)所示。在每个小块中，用1表示轮廓点，0表示背景点，这样每个小块将会由9个由0或1组成的二进制串，因此在每个小块中存在2⁹＝512不同的情况出现；

给定一个笔迹图像I和局部轮廓模型的大小n×n，将有个小块。LCPH特征的提取过程如下：

1)利用经典的边缘提取算子(例如canny算子)提取笔迹图像I的轮廓，并用CP＝{p₁，p₂，...，p_M}记为所有的M个轮廓点。

2)对每一个小块B_i＝[b_i1，b_i2，...，b_i9]，b_ik∈{0，1}，1≤i≤m，初始化它相应的大小为512的直方图H_i＝[0，0，...，0]。因此将存在m个这样的直方图。

3)对每一个轮廓点p_j∈CP，有m个小块在它的局部轮廓模型中，并得到m个小块中所有元素的值。接着对一个小块串联块中的所有元素生成一个二值字符串，记为：

BS_i＝b_i1b_i2...b_i9，

并且将二值字符串BS_i转化为一个十进制数S_i用来决定该小块属于哪个情况，例如一个二进制字符串为010101010，它对应的十进制数为170，则它属于第170种情况。图4(b)示意了该过程。

4)对每个小块B_i，用如下方式更新它相应的直方图H_i：

$H_{(i,S_i)}=H_{(i,S_i)}+1.$

5)重复步骤3和步骤4，直到所有的轮廓点都处理完。

6)用如下方式归一化并串联所有的直方图H_i得到最终的LCPH特征向量：

$\mathrm{LCPH}=[\frac{H_1}{M},\frac{H_2}{M},...,\frac{H_m}{M}].$

6.特征匹配和融合

提取完特征之后，接下来进行特征匹配和融合。本发明利用卡方距离来度量两个SFH特征和两个LCPH特征之间的相似度。用I₁和I₂记为两个笔迹图像，并且v₁＝(v₁₁，v₁₂，…，v_1N)和v₂＝(v₂₁，v₂₂，…，v_2N)记为它们相应的SFH特征向量，u₁＝(u₁₁，u₁₂，…，u_1L)和u₂＝(u₂₁，u₂₂，…，u_2L)记为它们相应的LCPH特征向量。则两个特征的相似度计算过程如下：

$D_1(v_1,v_2)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{(v_{1i}-v_{2i})}^2}{(v_{1i}+v_{2i})}$

$D_2(u_1,u_2)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\frac{{(u_{1j}-u_{2j})}^2}{(u_{1j}+u_{2j})}$

然后将D₁和D₂归一化到0和1之间。

将这两个距离利用简单的加权融合方法得到一个新的距离，如下：

D(I₁，I₂)＝w×D₁(v₁，v₂)+(1-w)×D₂(u₁，u₂)

其中0≤w≤1。最终利用这个新的距离来度量I₁和I₂之间的相似度，并根据相似度来进行笔迹识别。

Claims (1)

1.一种基于笔画片段和轮廓特征的笔迹识别方法，其特征在于，方法如下：

(1)笔迹图像的获取

要求书写人在颜色单一的纸上书写任意一段文字，然后利用扫描仪将纸上的文字扫描到电脑中，得到静态的笔迹图像；

(2)笔迹图像二值化和边缘提取

扫描得到的笔迹图像为灰度图像，利用大津法对原始的灰度图像进行自适应二值化处理，得到二值图像，然后根据连通体的面积将二值图像中小的连通体去除，最后利用传统的边缘检测方法提取笔迹轮廓图像；

(3)笔画分割及码书构造

首先对笔画进行定义，将笔迹二值图像中的每一个连通体作为一个笔画，采用不同的笔画片段在笔迹图像中出现的频率作为特征来区分每个书写人的身份，首先要进行笔迹分割过程来提取笔画片段，采用基于滑动窗口的笔迹分割方法分为以下几个步骤：

3.1)获取笔迹图像中所有的连通体；

3.2)对每一连通体，计算保护它的最小矩形，设该矩形的宽为W_CC，高为H_CC；

3.3)根据最小矩形，构造一个滑动窗口，该窗口的宽为W_SW＝30，高为最小矩形的高H_CC；

3.4)在最小矩形上，以步长为Gap，从左到右的移动滑动窗口，每次滑动窗口里的都是一个片段，得到多个片段；

3.5)对每一片段，将其归一化到大小为30×30，并保持原始片段中连通体的长宽比，把归一化后的片段称之为一个笔画片段，最后用一个由0和1组成的大小为900的向量来表示每一个笔画片段；

利用自组织神经网络聚类算法，从训练样本的笔画片段中构造一个笔画片段的码书，码书由少数量的通用的笔画片段组成，其中每一个通用的笔画片段被称之为一个码字；

(4)基于笔画片段的特征提取

构造完码书之后，从笔迹图像中提取一种笔画片段直方图特征，称为SFH特征，用SF＝{f₁，f₂，...，f_n}记为n个从笔迹图像中分割得到的笔画片段，并用C＝{c₁，c₂，...，c_N}记为大小为N的一个笔画片段码书，SFH特征的提取过程如下：

4.1)初始化大小为N的SFH特征向量，如SFH＝[0，0，...，0]，

4.2)对每一个笔画片段f_i∈SF，计算它和每一个码字c_j∈C之间的欧式距离，如下：

${\mathrm{ED}}_{ij}=\sqrt{\underset{k=1}{\overset{900}{\Σ}}{\left(f_{ik}-c_{jk}\right)}^2}.$

计算完之后，对每一个笔画片段f_i，我们将得到一个欧式距离向量EDV_i，如下：

EDV_i＝[ED_i1，ED_i2，...，ED_iN].

4.3)对EDV_i进行升序排序，并得到排序后EDV_i中的钱t个元素的索引，记为：

IDX＝{idx₁，idx₂，...，idx_t}.

4.4)对前t个元素进行指数变换和归一化过程，并得到一个响应向量RV_i，计算过程如下：

$v_{ik}=\exp (-delta\×{\mathrm{ED}}_{i,{\mathrm{idx}}_k})$

${\mathrm{SV}}_i=\underset{k=1}{\overset{t}{\Σ}}{v}_{ik}$

${\mathrm{rv}}_{ik}=\frac{v_{ik}}{{\mathrm{SV}}_i}$

RV_i＝[rv_i1，rv_i2，...，rv_it]

其中delta是一个常数；

4.5)对每一个idx_k∈IDX，用如下方式更新SFH特征向量：

${\mathrm{SFH}}_{{\mathrm{idx}}_k}={\mathrm{SFH}}_{{\mathrm{idx}}_k}+{\mathrm{rv}}_{ik}.$

4.6)重复步骤4.2到步骤4.5，使所有的笔画片段都被处理；

4.7)计算最终的SFH特征向量，如下：

${\mathrm{SFH}}_i=\frac{{\mathrm{SFH}}_i}{\underset{j=1}{\overset{N}{\Σ}}{\mathrm{SFH}}_j}.$

(5)基于轮廓的特征提取

针对笔迹轮廓图像提出了一种局部轮廓模型直方图特征，简称为LCPH特征，LCPH特征提取过程需要跟踪笔迹轮廓图像中的每一个轮廓点；局部轮廓模型定义为每个轮廓点的一个n×n的邻域，n＝17时，识别精度最高，因此局部轮廓模型的带下为17×17；为了能具体表述局部轮廓模型，将局部轮廓模型划分为多个大小为3×3的小块，并且在水平和垂直方向相邻的两个小块重叠一个像素，在每个小块中，用1表示轮廓点，0表示背景点，这样每个小块将会由9个由0或1组成的二进制串，因此在每个小块中存在2⁹＝512不同的情况出现；

给定一个笔迹图像和局部轮廓模型的大小n×n，将有个小块，LCPH特征的提取过程如下：

5.1)利用经典的边缘提取算子提取笔迹图像的轮廓，并用CP＝{p₁，p₂，...，p_M}记为所有的M个轮廓点；

5.2)对每一个小块B_i＝[b_i1，b_i2，...，b_i9]，b_ik∈{0，1}，1≤i≤m，初始化它相应的大小为512的直方图H_i＝[0，0，...，0]，因此将存在m个这样的直方图；

5.3)对每一个轮廓点p_j∈CP，有m个小块在它的局部轮廓模型中，并得到m个小块中所有元素的值，接着对一个小块串联块中的所有元素生成一个二进制字符串，记为：BS_i＝b_i1b_i2...b_i9，并且将二进制字符串BS_i转化为一个十进制数S_i用来决定该小块属于哪种情况；

5.4)对每个小块B_i，用如下方式更新它相应的直方图H_i：重复步骤5.3和步骤5.4，使所有的轮廓点都处理完；

5.5)用如下方式归一化并串联所有的直方图H_i得到最终的LCPH特征向量：

$LCPH=\[\frac{H_1}{M},\frac{H_2}{M},...,\frac{H_m}{M}\].;$

(6)特征匹配和融合

提取完特征之后，接下来进行特征匹配和融合，利用卡方距离来度量两个SFH特征和两个LCPH特征之间的相似度，用I₁和I₂记为两个笔迹图像，并且v₁＝(v₁₁，v₁₂，…，v_1N)和v₂＝(v₂₁，v₂₂，…，v_2N)记为它们相应的SFH特征向量，u₁＝(u₁₁，u₁₂，…，u_1L)和u₂＝(u₂₁，u₂₂，…，u_2L)记为它们相应的LCPH特征向量；则两个特征的相似度计算过程如下：

$D_1(v_1,v_2)=\underset{i=1}{\overset{N}{\Σ}}\frac{{\left(v_{1i}-v_{2i}\right)}^2}{\left(v_{1i}+v_{2i}\right)}$

$D_2(u_1,u_2)=\underset{j=1}{\overset{L}{\Σ}}\frac{{\left(u_{1j}-u_{2j}\right)}^2}{\left(u_{1j}+u_{2j}\right)}$

然后将D₁和D₂归一化到0和1之间；

将这两个距离利用简单的加权融合方法得到一个新的距离，如下：

D(I₁，I₂)＝w×D₁(v₁，v₂)+(1-w)×D₂(u₁，u₂)

其中0≤w≤1，最终利用这个新的距离来度量I₁和I₂之间的相似度，并根据相似度来进行笔迹识别。