CN104299000A - 基于局部片段分布特征的笔迹识别方法 - Google Patents
基于局部片段分布特征的笔迹识别方法 Download PDFInfo
- Publication number
- CN104299000A CN104299000A CN201410529711.8A CN201410529711A CN104299000A CN 104299000 A CN104299000 A CN 104299000A CN 201410529711 A CN201410529711 A CN 201410529711A CN 104299000 A CN104299000 A CN 104299000A
- Authority
- CN
- China
- Prior art keywords
- handwriting
- person
- distribution characteristics
- recognition methods
- local segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Character Input (AREA)
Abstract
本发明提供了一种基于局部片段分布特征的笔迹识别方法,该方法用于文本无关的笔迹识别技术。本发明首先需要将书写的笔迹用扫描仪扫描成笔迹图像,然后提取图像中的笔迹边缘,利用本发明的局部片段分布特征提取方法提取局部片段的分布特征,最后采用加权曼哈顿距离来测量笔迹图像间的相似性,从而进行身份识别。本发明提取了一种新的基于局部片段分布的特征提取方法,进一步提高了笔迹识别精度。
Description
技术领域
本发明涉及基于行为特征的身份识别技术领域,尤其涉及一种基于局部片段分布特征的文本无关笔迹识别方法。
背景技术
生物特征识别技术是利用人的生理特征或行为特征,进行个人身份的鉴定。每个个体都有唯一的可以测量或可自动识别和验证的生理特性或行为方式,即生物特征。它可划分为生理特征(如指纹、面像、虹膜、掌纹等)和行为特征(如步态、声音、笔迹等)。生物识别就是依据每个个体之间独一无二的生物特征对其进行识别与身份的认证。
笔迹特征属于行为性的生物特征,是一个人独一无二的识别特征,对于每个书写者而言,其笔迹总体上具有相对稳定性,而笔迹的局部变化则是每个书写者笔迹的固有特性,而对于不同的书写者而言,其笔迹的差别则比较大。一般模仿的人都只能模仿字形,由于无法准确还原原作人的书写习惯,模仿的笔迹与原笔迹在细节上会存在差异。计算机笔迹识别正是利用了笔迹的独特性和差异性,主要是通过测量书写的字形及笔画的速度、顺序和压力等特征,进行身份鉴别。
随着生物特征识别技术的快速发展,根据考察的对象和提取特征的方法不同,现在的笔迹识别方法主要分为文本相关、文本无关两类,另外还有利用内容信息的半文本无关方法。文本相关方法需要笔迹中具有相同的固定特征,如签名验证;文本无关方法,适用于不同内容的任何笔迹文本。这些方法不集中在一个整体特征中,而是集中在写作风格特征中,如笔迹纹理、方向。所以文本无关的笔迹识别方法在社会生活中具有广泛的应用,如国家间重要协议的签署,银行、金融部门的签名对照,公安、司法部门的刑事调查和法庭证据等。
但现有技术中,大部分文本无关的笔迹识别方法的精度并不高,还需要进一步提升文本无关的笔迹识别方法的准确性及精度。
发明内容
为克服现有技术中存在的文本无关的笔迹识别准确性及精度不高的问题,本发明针对文本无关方法,提供了一种基于局部片段分布特征的笔迹识别方法。
一种基于局部片段分布特征的笔迹识别方法,其特征在于,包括以下步骤:
步骤一、输入笔迹图像;
步骤二、对所述笔迹图像的边缘进行检测,提取所述笔迹图像的笔迹边缘;
步骤三、分析提取所述局部片段分布特征;
步骤四、计算相似度,根据相似度来进行笔迹识别。
所述步骤一进一步包括:将笔迹进行扫描,得到笔迹图像。
所述步骤二进一步包括:利用sobel算子提取背景单一的所述笔迹图像的所述笔迹边缘,利用canny算子提取背景复杂的所述笔迹图像的所述笔迹边缘。
所述步骤三进一步包括:局部片段提取;局部片段分布特征提取;循环计数;归一化。
所述局部片段提取的步骤包括:在大小为(2r+1)×(2r+1)、边缘点位于中心的滑动窗口中,只统计与所述滑动窗口中心的所述边缘点连接的局部片段,其中r为所述滑动窗口中心与所述滑动窗口边界之间的距离。
所述局部片段分布特征提取的步骤包括:统计(Im1,Jm2)的数量,其中I和J是所述滑动窗口中的相关边缘点对,m1和m2是所述相关边缘点对所在组的编号,当m1<mt时,m1≤m2,当m1≥mt时,m1=m2,其中mt为参数。
所述循环计数的步骤包括:统计所有所述边缘点。
所述归一化的步骤包括:通过将所述边缘点分布特征进行归一化,其中Im表示所述边缘点的位置,N()表示所述边缘点的数量,并计算其概率密度,公式为其中,N(Im1,Jm2)为(Im1,Jm2)点对的数量。
所述步骤四进一步包括:通过加权曼哈顿距离来计算相似度,公式为其中LFDF为局部片段分布特征,σi为LFDFs第i个组成部分标准偏差,LFDF1i和LFDF2i分别是两个LFDF的第i个组别,D为相似度,LFDFs表示不同组别边缘点对的局部片段分布特征,计算相似度,根据计算获得的相似度进行笔迹识别。
与现有技术相比,本发明的有益效果是:本发明提供一种基于局部片段分布特征的笔迹识别方法,提取笔迹图像中笔迹的边缘,提取局部片段分布特征,在此基础上提出来一种新的基于局部片段分布特征的提取方法,提高了离线笔迹识别的准确度及精度。
附图说明
图1是本发明的笔迹识别方法流程简图;
图2是笔迹边缘提取过程示意图;
图3是笔画局部片段提取过程示意图;
图4是7×7滑动窗口中各组编号示意图;
图5是LFDF特征提取示例图。
具体实施方式
以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明
本发明提供了一种基于局部片段分布特征的笔迹识别方法,该方法用于文本无关笔迹识别技术。本发明首先需要将书写的笔迹用扫描仪扫描成笔迹图像,然后提取图像中笔迹边缘,利用本发明的局部片段分布特征(Local FragmentDistribution Feature)提取方法,即LFDF提取方法提取局部片段的分布特征,最后采用加权曼哈顿距离来测量笔迹图像间的相似性,进行身份识别。
对于每个书写者而言,其笔迹总体上具有相对稳定性,而笔迹的局部变化则是每个书写者笔迹的固有特性,包含着笔迹信息。本发明的方法是为不同的文本创建局部片段分布特征矢量,同时还可以减少笔画权重对笔迹识别的影响,本发明正是基于此特征提出了如图1所示的笔迹识别方法,该方法能够更有效地进行笔迹识别,具体步骤如下所述。
1、输入笔迹图像
将笔迹用扫描仪扫描到电脑中,得到笔迹图像。
2、边缘检测
LFDF特征不是直接从原始笔迹图像中进行分离,而是从笔迹的边缘进行提取,这样能够获得更多有价值的信息并减少多余的信息,而且笔迹还可以从笔记边缘中恢复。提取笔迹边缘是本方法的一个重要预处理步骤,通常采用sobel算子提取背景单一图像的笔迹边缘,对于背景复杂的笔迹图像,则可以采用canny算子提取笔迹边缘。如图2所示,本步骤对图2(a)中的原始笔迹进行边缘检测后,提取到如图2(b)所示的笔迹边缘。
3、局部片段分布特征提取
每个人都有自己特殊的写作风格,大多数的写作特征可以从笔迹边缘提取,如笔画方向、笔画长度和角度,这些特征已经成功地用于笔迹识别中。LFDF特征是一个能够反应上述特征的笔迹边缘特征,本发明提出一种局部片段分布特征提取方法,该方法包括以下步骤:
3.1局部片段提取
如图3所示的矩形滑动窗口中,中心是一个标有“+”的边缘点。窗口的大小为(2r+1)×(2r+1),r为中心与矩形边界之间的距离,片段位于滑动窗口中。一般会有多个片段在原始滑动窗口中。为了减少笔画权重对笔迹识别的影响,不直接连接在滑动窗口中心点的片段可被忽略,不进行统计。在图3显示的局部片段提取过程中,有三个片段在窗口,但只有与中心点直接连接的片段被用于下一步骤。
3.2局部片段分布特征(LFDF)提取
这些片段分布可以反映笔迹的隐藏特征,并在滑动窗口中计算通过中心边缘点的片段图像。现有的局部特性仅用于相关位点对的子集。在这个基础上,可以考虑扩展更多的部分以获得更有用的笔迹特征。如图4所示,在一个7×7的滑动窗口中,每一个站点的下标是其所在组的编号,表示其到中心位置的距离。边缘点对指的是在统计区域中两个点同时为边缘点,这时候就统计一次。本发明中用(Im1,Jm2)来表示,其中I和J是滑动窗口中的相关边缘点对,m1和m2是它们所在组的编号。LFDF特征采用了两种不同的边缘点对。第一种边缘点对在滑动窗口的中心附近,当m1<mt时,m1≤m2,其中mt为参数。如图4所示,中心9个特征与其它特征明显不同。在统计(Im1,Jm2)的数量过程中,即使是一个小小的偏差都会对笔迹识别造成负面的影响,靠近中心的位置具有较高的概率值。因此,更多的统计这种边缘点对,计算结果精度更高。而第二种边缘点对远离滑动窗口中心,当m1≥mt时,m1=m2,这种边缘点对的数值不太重要,对其进行统计将造成大量的重复计算,影响笔迹识别。
3.3循环计数
重复步骤3.2和步骤3.3,统计获得所有边缘点
3.4归一化
不同的笔迹图像,边缘点数量不同,因此需要归一化操作。通过将边缘点分布特征进行统计,其中Im表示边缘点的位置,N()表示边缘点的数量,并计算其概率密度,公式为其中,N(Im1,Jm2)为(Im1,Jm2)点对的数量。
图5所示为本发明一实施例,滑动窗口大小为7×7,参数mt为mt=2,每个边缘点位置包含当前位置和其他位置点对之间的概率密度特征。然而随着滑动窗口大小的增加,概率密度特征维度迅速增加,远离滑动窗口中心的大多数位置的边缘点对于笔迹识别没有任何价值,所以,滑动窗口的大小需要限定在一个小范围内。
4、计算相似度
本发明中通过加权曼哈顿距离来计算相似度,公式如下其中σi为LFDFs第i个组成部分标准偏差,LFDF1i和LFDF2i分别是两个LFDF的第i个组别,D为相似度,LFDFs表示不同组别边缘点对的LFDF特征。计算相似度时,加权曼哈顿距离越小,两个LFDFs之间越相似,及两幅笔迹图像之间相似度越高。
本发明提供的基于局部片段分布特征的笔迹识别方法,采用离线方式处理笔迹图像,对得到的笔迹边缘进行局部片段分布特征提取,提出一种新的基于局部片段分布的特征提取方法,提高了文本无关笔迹识别的准确度及精度。
上述说明示出并描述了本发明的优选实施例,如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于局部片段分布特征的笔迹识别方法,包括以下步骤:
步骤一、输入笔迹图像;
步骤二、对所述笔迹图像的边缘进行检测,提取所述笔迹图像的笔迹边缘;
步骤三、分析提取所述局部片段分布特征;
步骤四、计算相似度,根据相似度来进行笔迹识别。
2.根据权利要求1所述的笔迹识别方法,其特征在于:所述步骤一进一步包括:扫描笔迹,获得笔迹图像。
3.根据权利要求1所述的笔迹识别方法,其特征在于:所述步骤二进一步包括:利用sobel算子提取背景单一的所述笔迹图像的所述笔迹边缘,利用canny算子提取背景复杂的所述笔迹图像的所述笔迹边缘。
4.根据权利要求1所述的笔迹识别方法,其特征在于:所述步骤三进一步包括:局部片段提取;局部片段分布特征提取;循环计数;归一化。
5.根据权利要求4所述的笔迹识别方法,其特征在于:所述局部片段提取的步骤包括:在大小为(2r+1)×(2r+1)、边缘点位于中心的滑动窗口中,只统计与所述滑动窗口中心的所述边缘点连接的局部片段,其中r为所述滑动窗口中心与所述滑动窗口边界之间的距离。
6.根据权利要求4所述的笔迹识别方法,其特征在于:所述局部片段分布特征提取的步骤包括:统计(Im1,Jm2)的数量,其中I和J是所述滑动窗口中的相关边缘点对,m1和m2是所述相关边缘点对所在组的编号,当m1<mt时,m1≤m2,当m1≥mt时,m1=m2,其中mt为参数。
7.根据权利要求4所述的笔迹识别方法,其特征在于:所述循环计数的步骤包括:统计所有所述边缘点。
8.根据权利要求4所述的笔迹识别方法,其特征在于:所述归一化的步骤包括:通过将所述边缘点分布特征进行归一化,其中Im表示所述边缘点的位置,N()表示所述边缘点的数量,并计算其概率密度,公式为其中,N(Im1,Jm2)为(Im1,Jm2)点对的数量。
9.根据权利要求1所述的笔迹识别方法,其特征在于:所述步骤四进一步包括:通过加权曼哈顿距离来计算相似度,公式为其中LFDF为局部片段分布特征,σi为LFDF特征第i个组成部分标准偏差,LFDF1i和LFDF2i分别是各自特征的第i个分量,D为相似度,根据计算获得的相似度进行笔迹识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410529711.8A CN104299000A (zh) | 2014-10-09 | 2014-10-09 | 基于局部片段分布特征的笔迹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410529711.8A CN104299000A (zh) | 2014-10-09 | 2014-10-09 | 基于局部片段分布特征的笔迹识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104299000A true CN104299000A (zh) | 2015-01-21 |
Family
ID=52318721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410529711.8A Pending CN104299000A (zh) | 2014-10-09 | 2014-10-09 | 基于局部片段分布特征的笔迹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104299000A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931735A (zh) * | 2020-09-26 | 2020-11-13 | 绿漫科技有限公司 | 一种适用于iOS应用的手写签名方法 |
WO2021031445A1 (zh) * | 2019-08-22 | 2021-02-25 | 司法鉴定科学研究院 | 一种基于三维动态特征的离线笔迹个体识别系统及方法 |
CN112766082A (zh) * | 2020-12-30 | 2021-05-07 | 大连海事大学 | 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质 |
CN113610064A (zh) * | 2021-10-09 | 2021-11-05 | 北京世纪好未来教育科技有限公司 | 笔迹识别方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452532A (zh) * | 2008-12-18 | 2009-06-10 | 清华大学 | 一种文本无关笔迹鉴别的方法和装置 |
US20100332229A1 (en) * | 2009-06-30 | 2010-12-30 | Sony Corporation | Apparatus control based on visual lip share recognition |
-
2014
- 2014-10-09 CN CN201410529711.8A patent/CN104299000A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452532A (zh) * | 2008-12-18 | 2009-06-10 | 清华大学 | 一种文本无关笔迹鉴别的方法和装置 |
US20100332229A1 (en) * | 2009-06-30 | 2010-12-30 | Sony Corporation | Apparatus control based on visual lip share recognition |
Non-Patent Citations (3)
Title |
---|
DING HONG .ETC: ""Local fragment distribution features for text-independent writer identification"", 《BIOTECHNOLOGY AN INDIAN JOURNAL》 * |
丁红,等: ""基于局部轮廓方向特征的笔迹鉴别"", 《电视技术》 * |
陈善利: ""一种实用手写体汉字归一化方法"", 《牡丹江师范学院学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031445A1 (zh) * | 2019-08-22 | 2021-02-25 | 司法鉴定科学研究院 | 一种基于三维动态特征的离线笔迹个体识别系统及方法 |
CN111931735A (zh) * | 2020-09-26 | 2020-11-13 | 绿漫科技有限公司 | 一种适用于iOS应用的手写签名方法 |
CN112766082A (zh) * | 2020-12-30 | 2021-05-07 | 大连海事大学 | 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质 |
CN112766082B (zh) * | 2020-12-30 | 2024-04-23 | 大连海事大学 | 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质 |
CN113610064A (zh) * | 2021-10-09 | 2021-11-05 | 北京世纪好未来教育科技有限公司 | 笔迹识别方法和装置 |
CN113610064B (zh) * | 2021-10-09 | 2022-02-08 | 北京世纪好未来教育科技有限公司 | 笔迹识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203294B (zh) | 基于人脸属性分析的人证合一身份验证方法 | |
CN104392229B (zh) | 基于笔画片段方向分布特征的笔迹识别方法 | |
CN111242124B (zh) | 一种证件分类方法、装置及设备 | |
CN103778409A (zh) | 基于人脸特征数据挖掘的人脸识别方法与装置 | |
WO2018072028A1 (en) | Face authentication to mitigate spoofing | |
US20190147218A1 (en) | User specific classifiers for biometric liveness detection | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
Krishneswari et al. | A review on palm print verification system | |
Dalal et al. | Performance of integrated signature verification approach | |
Das et al. | Multi‐script versus single‐script scenarios in automatic off‐line signature verification | |
CN104299000A (zh) | 基于局部片段分布特征的笔迹识别方法 | |
Nag et al. | New cold feature based handwriting analysis for enthnicity/nationality identification | |
CN103870812A (zh) | 一种获取掌纹图像的方法及系统 | |
CN108921006B (zh) | 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法 | |
Kumar et al. | Genuine and forged offline signature verification using back propagation neural networks | |
Diaz-Cabrera et al. | Emerging issues for static handwritten signature biometrics | |
Ibsen et al. | Impact of facial tattoos and paintings on face recognition systems | |
Tsai et al. | Recognition of Vehicle License Plates from a Video Sequence. | |
Prakash et al. | Computer vision & fuzzy logic based offline signature verification and forgery detection | |
Kobchaisawat et al. | A method for multi-oriented Thai text localization in natural scene images using Convolutional Neural Network | |
Lv et al. | 3D Face Recognition based on Local Conformal Parameterization and Iso‐Geodesic Stripes Analysis | |
Prathiba et al. | Online handwritten signature verification system: A Review | |
Ding et al. | Writer identification based on local contour distribution feature | |
Yu et al. | Two strategies to optimize the decisions in signature verification with the presence of spoofing attacks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150121 |
|
RJ01 | Rejection of invention patent application after publication |