CN110490153A - 一种基于三维动态特征的离线笔迹个体识别系统及方法 - Google Patents
一种基于三维动态特征的离线笔迹个体识别系统及方法 Download PDFInfo
- Publication number
- CN110490153A CN110490153A CN201910780141.2A CN201910780141A CN110490153A CN 110490153 A CN110490153 A CN 110490153A CN 201910780141 A CN201910780141 A CN 201910780141A CN 110490153 A CN110490153 A CN 110490153A
- Authority
- CN
- China
- Prior art keywords
- handwriting
- person
- image
- individual identification
- offline
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/376—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/382—Preprocessing; Feature extraction
- G06V40/388—Sampling; Contour coding; Stroke extraction
-
- 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
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
- G06V40/394—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于三维动态特征的离线笔迹个体识别系统及方法,涉及身份识别技术领域,包括扫描可疑笔迹得到第一白光图像和第一三维图像,扫描样本笔迹得到第二白光图像和第二三维图像;将第一白光图像和第二白光图像预处理得到第一预处理图像和第二预处理图像;将第一预处理图像和第二预处理图像提取第一骨架图像和第二骨架图像;根据第一骨架图像和第二骨架图像得到第一书写轨迹和第二书写轨迹;根据第一书写轨迹和第二书写轨迹提取第一动态特征、第一三维特征和第二动态特征、第二三维特征;处理得到可疑笔迹与样本笔迹之间的相关系数,并根据相关系数处理得到个体识别结果。本发明包含的信息量更大,特征种类更丰富,有效提高识别准确率。
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,尤其涉及一种基于三维动态特征的离线笔迹个体识别系统及方法。
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。每个个体都有唯一的可以测量或可自动识别、验证的生理特征或行为特征,其中生理特征包括眼虹膜、视网膜、指纹及面貌等,行为特征包括步态、声音及笔迹等。离线笔迹个体识别技术是根据人的书写技能习惯特性在纸上书写的自己、符号、绘画中的反映,通过存疑笔迹与样本笔迹的比较、鉴别,从而确定笔迹书写人的一项个体识别技术。笔迹是一个人独特的行为特征,不同人的笔迹存在很大差别,每个人书写习惯不同,一般情况下,笔迹模仿者只能模仿字形,却无法准确还原原作者的书写习惯,模仿的笔迹与原笔迹在细节上会存在差异,因此可以利用该部分的差异性和独特性,通过测量书写者的字形及笔画的速度、顺序和压力等特征进行身份识别。
根据笔迹获取途径的不同,现有笔迹识别技术分为在线笔迹识别和离线笔迹识别两种。其中,在线笔迹识别能够实时获取更多关于书写顺序、速度、压力、角度等有益于身份识别的特征信息,但这些信息需要运用特殊的设备来获取,因此限定了其应用范围及发展前景;而离线笔迹则是以书写运动的轨迹,即二维静态图像的形式展现在人们面前,因此离线笔迹识别需要从中挖掘和提取特征信息。现有的离线笔迹个体识别技术主要是笔迹二维静态特征的提取和分析上,或者单一的三维形貌特征的提取和分析上,但二维静态特征无法有效识别摹仿笔迹,在应用上存在严重的瓶颈问题,而单一的三维形貌特征由于信息量过少,鉴别能力有限。
发明内容
针对现有技术中存在的问题,本发明提供一种基于三维动态特征的离线笔迹个体识别系统,具体包括:
数据采集模块,用于将获取到的可疑笔迹进行扫描得到所述可疑笔迹对应的第一白光图像和第一三维图像,以及将获取到的若干样本笔迹分别进行扫描得到各所述样本笔迹对应的第二白光图像和第二三维图像;
数据预处理模块,连接所述数据采集模块,用于将所述第一白光图像进行图像预处理得到所述可疑笔迹对应的第一预处理图像,以及将各所述第二白光图像分别进行所述图像预处理得到各所述样本笔迹对应的第二预处理图像;
骨架提取模块,连接所述数据预处理模块,用于将所述第一预处理图像进行骨架提取得到所述可疑笔迹对应的第一骨架图像,以及将各所述第二预处理图像分别进行所述骨架提取得到所述样本笔迹对应的第二骨架图像;
所述第一骨架图像和各所述第二骨架图像的线幅均为单个像素;
笔顺识别模块,连接所述骨架提取模块,用于根据所述第一骨架图像进行笔迹追踪得到所述可疑笔迹对应的第一书写轨迹,以及根据各所述第二骨架图像分别进行所述笔迹追踪得到各所述样本笔迹对应的第二书写轨迹;
第一特征提取模块,分别连接数据采集模块和所述笔顺识别模块,用于根据所述第一书写轨迹在对应的所述第一白光图像上进行特征提取,得到所述第一书写轨迹中每个像素点的第一动态特征,以及根据各所述第二书写轨迹分别在对应的各所述第二白光图像上提取得到各所述第二书写轨迹中每个像素点的第二动态特征;
第二特征提取模块,分别连接所述数据采集模块和所述笔顺识别模块,用于根据所述第一书写轨迹在对应的所述第一三维图像上提取得到所述第一书写轨迹中每个像素点的第一三维特征,以及根据各所述第二书写轨迹分别在对应的各所述第二三维图像上提取得到各所述第二书写轨迹中每个像素点的第二三维特征;
第一数据处理模块,分别连接所述第一特征提取模块和所述第二特征提取模块,用于根据所述可疑笔迹对应的所述第一动态特征和所述第一三维特征,以及各所述样本笔迹对应的所述第二动态特征和所述第二三维特征,处理得到所述可疑笔迹与各所述样本笔迹之间的相关系数;
第二数据处理模块,连接所述第一数据处理模块,用于根据预先统计得到的第一概率密度分布数据和第二概率密度分布数据,以及各所述相关系数,处理得到所述可疑笔迹的个体识别结果。
优选的,所述第一数据处理模块具体包括:
特征向量生成单元,用于将所述可疑笔迹对应的所述第一动态特征和所述第一三维特征加入一第一特征向量;
特征矩阵生成单元,用于分别将各所述样本笔迹对应的所述第二动态特征和所述第二三维特征加入一第二特征矩阵,所述第二特征矩阵包括以行列形式排布的多个第二特征向量,每个所述第二特征向量对应每个所述样本笔迹的所述第二动态特征和所述第二三维特征;
向量对生成单元,分别连接所述特征向量生成单元和所述特征矩阵生成单元,用于将所述第一特征向量与各所述第二特征向量之间进行两两组合生成多个向量对;
动态时间调整单元,连接所述向量对生成单元,用于分别将各向量对中的所述第一特征向量和所述第二特征向量之间进行动态时间规整,使得所述第一特征向量与所述第二特征向量对应的笔画及所述笔画的相同部位一一相匹配;
数据计算单元,连接所述动态时间规整单元,用于分别计算进行所述动态时间规整后的各所述向量对中的所述第一特征向量和所述第二特征向量之间的相关系数。
优选的,所述第二数据处理模块具体包括:
第一数据处理单元,用于将所述可疑笔迹对应的所有所述相关系数进行均值处理得到所述可疑笔迹对应的均值相关系数;
第二数据处理单元,连接所述第一数据处理单元,用于计算所述均值相关系数在所述第一概率密度分布数据中对应的第一概率,以及计算所述均值相关系数在所述第二概率密度分布数据中对应的第二概率;
所述第一概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹是同一人所写的概率,所述第二概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹不是同一人所写的概率;
第三数据处理单元,连接所述第二数据处理单元,用于计算所述第一概率与所述第二概率的比值得到所述可疑笔迹的似然比;
结果判定模块,连接所述第三数据处理单元,用于根据所述似然比于预先设置的似然比量表中进行匹配,以得到所述可疑笔迹的个体识别结果。
优选的,所述第一概率密度分布数据为同一人书写得到的若干本人真实样本笔迹两两之间的相关系数的概率密度分布,以及
所述第二概率密度分布数据为不同人根据所述本人真实样本笔迹书写得到的若干他人笔迹与本人真实样本笔迹两两之间的相关系数的概率密度分布。
优选的,所述他人笔迹包括代签笔迹,和/或临摹笔迹,和/或套摹笔迹。
优选的,所述图像预处理的方式包括去除背景,和/或填补笔画中的露白,和/或平滑笔画,和/或二值化。
优选的,所述第一动态特征包括宽度,和/或灰度,和/或弧度,所述第一三维特征为高度。
优选的,所述第二动态特征包括宽度,和/或灰度,和/或弧度,所述第二三维特征为高度。
一种基于三维动态特征的离线笔迹个体识别方法,应用于以上任意一项所述的离线笔迹个体识别系统,具体包括以下步骤:
步骤S1,所述离线笔迹个体识别系统将获取到的可疑笔迹进行扫描得到所述可疑笔迹对应的第一白光图像和第一三维图像,以及将获取到的若干样本笔迹分别进行扫描得到各所述样本笔迹对应的第二白光图像和第二三维图像;
步骤S2,所述离线笔迹个体识别系统将所述第一白光图像进行图像预处理得到所述可疑笔迹对应的第一预处理图像,以及将各所述第二白光图像分别进行所述图像预处理得到各所述样本笔迹对应的第二预处理图像;
步骤S3,所述离线笔迹个体识别系统将所述第一预处理图像进行骨架提取得到所述可疑笔迹对应的第一骨架图像,以及将各所述第二预处理图像分别进行所述骨架提取得到所述样本笔迹对应的第二骨架图像;
步骤S4,所述离线笔迹个体识别系统根据所述第一骨架图像分别进行笔迹追踪得到所述可疑笔迹对应的第一书写轨迹,以及根据各所述第二骨架图像分别进行所述笔迹追踪得到各所述样本笔迹对应的第二书写轨迹;
步骤S5,所述离线笔迹个体识别系统根据所述第一书写轨迹在对应的所述第一白光图像上进行特征提取,得到所述第一书写轨迹中每个像素点的第一动态特征,以及根据各所述第二书写轨迹分别在对应的各所述第二白光图像上提取得到各所述第二书写轨迹中每个像素点的第二动态特征;
步骤S6,所述离线笔迹个体识别系统根据所述第一书写轨迹在对应的所述第一三维图像上提取得到所述第一书写轨迹中每个像素点的第一三维特征,以及根据各所述第二书写轨迹分别在对应的各所述第二三维图像上提取得到各所述第二书写轨迹中每个像素点的第二三维特征;
步骤S7,所述离线笔迹个体识别系统根据所述可疑笔迹对应的所述第一动态特征和所述第一三维特征,以及各所述样本笔迹对应的所述第二动态特征和所述第二三维特征,处理得到各所述可疑笔迹与各所述样本笔迹之间的相关系数;
步骤S8,所述离线笔迹个体识别系统根据预先统计得到的第一概率密度分布数据和第二概率密度分布数据,以及各所述相关系数,处理得到各所述可疑笔迹的个体识别结果。
优选的,所述步骤S7具体包括:
步骤S71,所述离线笔迹个体识别系统将所述可疑笔迹对应的所述第一动态特征和所述第一三维特征加入一第一特征向量;
步骤S72,所述离线笔迹个体识别系统分别将各所述样本笔迹对应的所述第二动态特征和所述第二三维特征加入一第二特征矩阵,所述第二特征矩阵包括以行列形式排布的多个第二特征向量,每个所述第二特征向量对应每个所述样本笔迹的所述第二动态特征和所述第二三维特征;
步骤S73,所述离线笔迹个体识别系统将所述第一特征向量与各所述第二特征向量之间进行两两组合生成多个向量对;
步骤S74,所述离线笔迹个体识别系统分别将各向量对中的所述第一特征向量和所述第二特征向量之间进行动态时间规整,使得所述第一特征向量与所述第二特征向量对应的笔画及所述笔画的相应部位一一相匹配;
步骤S75,所述离线笔迹个体识别系统分别计算进行所述动态时间规整后的各所述向量对中的所述第一特征向量和所述第二特征向量之间的相关系数。
优选的,所述步骤S8具体包括:
步骤S81,所述离线笔迹个体识别系统将所述可疑笔迹对应的所有所述相关系数进行均值处理得到所述可疑笔迹对应的均值相关系数;
步骤S82,所述离线笔迹个体识别系统计算所述均值相关系数在所述第一概率密度分布数据中对应的第一概率,以及计算所述均值相关系数在所述第二概率密度分布数据中对应的第二概率;
所述第一概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹是同一人所写的概率,所述第二概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹不是同一人所写的概率;
步骤S83,所述离线笔迹个体识别系统计算所述第一概率与所述第二概率的比值得到所述可疑笔迹的似然比;
步骤S84,所述离线笔迹个体识别系统根据所述似然比于预先设置的似然比量表中进行匹配,以得到所述可疑笔迹的个体识别结果。
上述技术方案具有如下优点或有益效果:
1)与传统的二维图像特征或单一的三维形貌特征相比,包含的信息量更大,特征种类更丰富;
2)图像预处理技术有效去除纸张背景等因素的干扰,适应不同粗细的书写工具的书写结果,增强了对不同检测对象的兼容性;
3)特征的自动提取,最大限度的排除了人为主观因素的参与度,从源头上避免了人为因素的干扰,有效提高识别准确率;
4)通过预先统计得到的概率密度分布对可疑笔迹与样本笔迹之间的相关系数做进一步处理,进一步提高了识别准确率。
附图说明
图1为本发明的较佳的实施例中,一种基于三维动态特征的离线笔迹个体识别系统的结构示意图;
图2为本发明的较佳的实施例中,似然比量表的示意图;
图3为本发明的较佳的实施例中,一种基于三维动态特征的离线笔迹个体识别方法的流程示意图;
图4为本发明的较佳的实施例中,一种基于三维动态特征的离线笔迹个体识别方法的子流程示意图;
图5为本发明的较佳的实施例中,一种基于三维动态特征的离线笔迹个体识别方法的子流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种基于三维动态特征的离线笔迹个体识别系统,如图1所示,具体包括:
数据采集模块1,用于将获取到的可疑笔迹进行扫描得到可疑笔迹对应的第一白光图像和第一三维图像,以及将获取到的若干样本笔迹分别进行扫描得到各样本笔迹对应的第二白光图像和第二三维图像;
数据预处理模块2,连接数据采集模块1,用于将第一白光图像进行图像预处理得到可疑笔迹对应的第一预处理图像,以及将各第二白光图像分别进行图像预处理得到各样本笔迹对应的第二预处理图像;
骨架提取模块3,连接数据预处理模块2,用于将第一预处理图像进行骨架提取得到可疑笔迹对应的第一骨架图像,以及将各第二预处理图像分别进行骨架提取得到样本笔迹对应的第二骨架图像;
第一骨架图像和各第二骨架图像的线幅均为单个像素;
笔顺识别模块4,连接骨架提取模块3,用于根据第一骨架图像进行笔迹追踪得到可疑笔迹对应的第一书写轨迹,以及根据各第二骨架图像分别进行笔迹追踪得到各样本笔迹对应的第二书写轨迹;
第一特征提取模块5,分别连接数据采集模块1和笔顺识别模块4,用于根据第一书写轨迹在对应的第一白光图像上进行特征提取,得到第一书写轨迹中每个像素点的第一动态特征,以及根据各第二书写轨迹分别在对应的各第二白光图像上提取得到各第二书写轨迹中每个像素点的第二动态特征;
第二特征提取模块6,分别连接数据采集模块1和笔顺识别模块4,用于根据第一书写轨迹在对应的第一三维图像上提取得到第一书写轨迹中每个像素点的第一三维特征,以及根据各第二书写轨迹分别在对应的各第二三维图像上提取得到各第二书写轨迹中每个像素点的第二三维特征;
第一数据处理模块7,分别连接第一特征提取模块5和第二特征提取模块6,用于根据可疑笔迹对应的第一动态特征和第一三维特征,以及各样本笔迹对应的第二动态特征和第二三维特征,处理得到各可疑笔迹与各样本笔迹之间的相关系数;
第二数据处理模块8,连接第一数据处理模块7,用于根据预先统计得到的第一概率密度分布数据和第二概率密度分布数据,以及各所述相关系数,处理得到所述可疑笔迹的个体识别结果。
具体地,本实施例中,首先通过采用大面积光学三维形貌扫描仪器进行扫描操作,具体为依次将各待检测的可疑笔迹和样本笔迹置于上述大面积光学三维形貌扫描仪器的载物台上,并根据纸张的情况决定是否开启真空吸附装置,在扫描完成后,与上述大面积光学三维形貌扫描仪器连接的计算机同时获取可疑笔迹对应的第一白光图像和第一三维图像,以及同时获取每个样本笔迹对应的第二白光图像和第二三维图像。随后将第一白光图像和第二白光图像分别进行图像预处理得到对应于第一白光图像的第一预处理图像,以及对应于第二白光图像的第二预处理图像,上述图像预处理包括去除背景、填补笔画中的露白、平滑笔画和二值化等操作。
本实施例中,对于可疑笔迹和样本笔迹的处理过程类似,因此此处仅以可疑笔迹的处理过程为例进行详细描述,对于样本笔迹的处理过程此处不再赘述。可疑笔迹的处理过程如下:
在第一预处理图像上提取对应的可疑笔迹的骨架,以得到对应于可疑笔迹的第一骨架图像,通过在第一骨架图像上进行笔迹追踪即得到对应于可疑笔迹的第一书写轨迹。上述笔迹追踪通过人机交互的形式完成,具体包括:
首先使用鼠标、电子笔或触摸屏的方式在第一骨架图像上的笔画起始位置附近点击,以自动获取笔画起点,随后沿笔画运行方向进行追踪;若当前追踪笔画有误或由于人为导致误操作,可以通过撤销当前追踪笔画,以返回上一个笔画并继续进行笔迹追踪,直至完成对整个第一骨架图像上的每个笔画的笔迹追踪,最终获得上述第一书写轨迹。
进一步地,根据获取的第一书写轨迹在对应的第一白光图上获取第一书写轨迹上每个像素点的第一动态特征,即笔画宽度、笔画灰度和笔画弧度等特征;还包括根据第一书写轨迹在对应的第一三维图上获取第一书写轨迹上每个像素点的第一三维特征,即每个像素点的高度数据。上述第一动态特征和第一三维特征共同构成可疑笔迹的三维动态特征。
本实施例中,按照上述相同的处理过程,对样本笔迹进行处理得到样本笔迹的三维动态特征。随后计算可疑笔迹的三维动态特征与样本笔迹的三维动态特征之间的相关系数,通过相关系数表征可疑笔迹与样本笔迹的相似度。具体地,由于笔迹的形成是一个过程,即使是同一人书写的笔迹,由于每次的书写速度不完全相同,各个对应笔画的长度不同,造成笔迹对应的序列长度不同,相同笔画在序列上发生错位。从而在以序列长度为横轴的坐标系上,可疑笔迹的三维动态特征投射在上述坐标系上时每个笔画的序列长度,与样本笔迹的三维动态特征投射在上述坐标系上时每个笔画的序列长度是不完全相同的,造成无法计算出有效的可疑笔迹的三维动态特征与样本笔迹的三维动态特征之间的相关系数。因此,在计算相关系数之前,需要对需要进行相关系数计算的一组可疑笔迹的三维动态特征和样本笔迹的三维动态特征进行动态时间调整,本实施例中,采用DTW技术进行动态时间调整,使得可疑笔迹的三维动态特征和样本笔迹的三维动态特征在相同笔画一一对应,且相同笔画在序列长度上相同。
本实施例中,在获取可疑笔迹与样本笔迹的相似度后,为进一步提高识别准确率,还需要将上述相似度,即相关系数代入预先统计得到的概率密度分布中进行进一步处理。在进行笔迹识别时,仅获取一个可疑笔迹和一个样本笔迹时,对比的结果仅有一个相关系数,该相关系数即为本发明所述的均值相关系数。需要说明的是,通常进行笔迹识别时,会获取到若干可疑笔迹和若干样本笔迹,如获取两个可疑笔迹和三个样本笔迹,通过将两个可疑笔迹的三维动态特征分别与三个样本笔迹的三维动态特征进行相关系数的计算,对于每个可疑笔迹,将得到对应的三个相关系数的计算结果。
本实施例中,对于每个可疑笔迹,无需将上述计算结果中的三个相关系数均代入预先统计得到的概率密度分布中进行进一步处理,而是先将三个相关系数取均值后得到相应的均值相关系数,再代入预先统计得到的概率密度分布中进行进一步处理。
具体地,上述预先统计得到的第一概率密度分布数据为同一人书写得到的若干本人真实样本笔迹两两之间的相关系数的概率密度分布,以及第二概率密度分布数据为不同人根据本人真实样本笔迹书写得到的若干他人笔迹与本人真实样本笔迹两两之间的相关系数的概率密度分布。本实施例中,预先获取数十万数量的笔迹数据,并根据该笔迹数据建立相应的笔迹数据库,该笔迹数据库中包括同一人书写得到的若干本人真实样本笔迹,即本人笔迹,还包括不同人根据本人真实样本笔迹书写得到的若干他人笔迹,即根据上述本人笔迹得到的代签笔迹,和/或临摹笔迹,和/或套摹笔迹等他人笔迹。通过分别计算两两本人笔迹之间的相关系数,并根据得到的若干相关系数得到本人笔迹的概率密度分布;通过分别计算每个他人笔迹与本人笔迹两两之间的相关系数,并根据得到的若干相关系数得到他人笔迹的概率密度分布。随后通过将上述得到的每个可疑笔迹的均值相关系数分别代入到本人笔迹的概率密度分布和他人笔迹的概率密度分布中,以得到表征该可疑笔迹与样本笔迹是同一人所写的第一概率,以及表征该可疑笔迹与样本笔迹不是同一人所写的第二概率。
本实施例中,进一步通过下述公式计算可疑笔迹的似然比:
其中,SLR表示可疑笔迹的似然比;Hp表示可疑笔迹与样本笔迹是同一人所写;Hp表示可疑笔迹与样本笔迹不是同一人所写;EU表示可疑笔迹;ES表示样本笔迹;
本实施例中,如图2所示,预先设有似然比量表,将上述似然比的计算结果与该似然比量表进行匹配,若似然比大于10000,则给出的个体识别结果为极强支持该可疑笔迹与样本笔迹是同一人所写;若似然比小于0.001,则给出的个体识别结果为极强支持该可疑笔迹与样本笔迹不是同一人所写;其他匹配结果以此类推。
本发明的较佳的实施例中,第一数据处理模块7具体包括:
特征向量生成单元71,用于将可疑笔迹对应的第一动态特征和第一三维特征加入一第一特征向量;
特征矩阵生成单元72,用于分别将各样本笔迹对应的第二动态特征和第二三维特征加入一第二特征矩阵,第二特征矩阵包括以行列形式排布的多个第二特征向量,每个第二特征向量对应每个样本笔迹的第二动态特征和第二三维特征;
向量对生成单元73,分别连接特征向量生成单元71和特征矩阵生成单元72,用于将第一特征向量与各第二特征向量之间进行两两组合生成多个向量对;
动态时间调整单元74,连接向量对生成单元73,用于分别将各向量对中的第一特征向量和第二特征向量之间进行动态时间规整,使得第一特征向量与第二特征向量对应的笔画及笔画的相应部位一一相匹配;
数据计算单元75,连接动态时间规整单元74,用于分别计算进行动态时间规整后的各向量对中的第一特征向量和第二特征向量之间的相关系数。
本发明的较佳的实施例中,第二数据处理模块8具体包括:
第一数据处理单元81,用于将可疑笔迹对应的所有相关系数进行均值处理得到可疑笔迹对应的均值相关系数;
第二数据处理单元82,连接第一数据处理单元81,用于计算均值相关系数在第一概率密度分布数据中对应的第一概率,以及计算均值相关系数在第二概率密度分布数据中对应的第二概率;
第一概率为均值相关系数对应的可疑笔迹与样本笔迹是同一人所写的概率,第二概率为均值相关系数对应的可疑笔迹与样本笔迹不是同一人所写的概率;
第三数据处理单元83,连接第二数据处理单元82,用于计算第一概率与第二概率的比值得到可疑笔迹的似然比;
结果判定模块84,连接第三数据处理单元83,用于根据似然比于预先设置的似然比量表中进行匹配,以得到可疑笔迹的个体识别结果。
本发明的较佳的实施例中,第一概率密度分布数据为同一人书写得到的若干本人真实样本笔迹两两之间的相关系数的概率密度分布,以及第二概率密度分布数据为不同人根据本人真实样本笔迹书写得到的若干他人笔迹与本人真实样本笔迹两两之间的相关系数的概率密度分布。
本发明的较佳的实施例中,他人笔迹包括代签笔迹,和/或临摹笔迹,和/或套摹笔迹。
本发明的较佳的实施例中,图像预处理的方式包括去除背景,和/或填补笔画中的露白,和/或平滑笔画,和/或二值化。
本发明的较佳的实施例中,第一动态特征包括宽度,和/或灰度,和/或弧度,第一三维特征为高度。
本发明的较佳的实施例中,第二动态特征包括宽度,和/或灰度,和/或弧度,第二三维特征为高度。
一种基于三维动态特征的离线笔迹个体识别方法,应用于以上任意一项的离线笔迹个体识别系统,如图3所示,具体包括以下步骤:
步骤S1,离线笔迹个体识别系统将获取到的可疑笔迹进行扫描得到可疑笔迹对应的第一白光图像和第一三维图像,以及将获取到的若干样本笔迹分别进行扫描得到各样本笔迹对应的第二白光图像和第二三维图像;
步骤S2,离线笔迹个体识别系统将第一白光图像进行图像预处理得到可疑笔迹对应的第一预处理图像,以及将各第二白光图像分别进行图像预处理得到各样本笔迹对应的第二预处理图像;
步骤S3,离线笔迹个体识别系统将第一预处理图像进行骨架提取得到可疑笔迹对应的第一骨架图像,以及将各第二预处理图像分别进行骨架提取得到样本笔迹对应的第二骨架图像;
步骤S4,离线笔迹个体识别系统根据第一骨架图像进行笔迹追踪得到可疑笔迹对应的第一书写轨迹,以及根据各第二骨架图像分别进行笔迹追踪得到各样本笔迹对应的第二书写轨迹;
步骤S5,离线笔迹个体识别系统根据第一书写轨迹在对应的第一白光图像上进行特征提取,得到第一书写轨迹中每个像素点的第一动态特征,以及根据各第二书写轨迹分别在对应的各第二白光图像上提取得到各第二书写轨迹中每个像素点的第二动态特征;
步骤S6,离线笔迹个体识别系统根据第一书写轨迹在对应的第一三维图像上提取得到第一书写轨迹中每个像素点的第一三维特征,以及根据各第二书写轨迹分别在对应的各第二三维图像上提取得到各第二书写轨迹中每个像素点的第二三维特征;
步骤S7,离线笔迹个体识别系统根据可疑笔迹对应的第一动态特征和第一三维特征,以及各样本笔迹对应的第二动态特征和第二三维特征,处理得到各可疑笔迹与各样本笔迹之间的相关系数;
步骤S8,离线笔迹个体识别系统根据预先统计得到的第一概率密度分布数据和第二概率密度分布数据,以及各相关系数,处理得到可疑笔迹的个体识别结果。
本发明的较佳的实施例中,如图4所示,步骤S7具体包括:
步骤S71,离线笔迹个体识别系统分别将可疑笔迹对应的第一动态特征和第一三维特征加入一第一特征向量;
步骤S72,离线笔迹个体识别系统分别将各样本笔迹对应的第二动态特征和第二三维特征加入一第二特征矩阵,第二特征矩阵包括以行列形式排布的多个第二特征向量,每个第二特征向量对应每个样本笔迹的第二动态特征和第二三维特征;
步骤S73,离线笔迹个体识别系统将第一特征向量与各第二特征向量之间进行两两组合生成多个向量对;
步骤S74,离线笔迹个体识别系统分别将各向量对中的第一特征向量和第二特征向量之间进行动态时间规整,使得第一特征向量与第二特征向量对应的笔画及笔画的相应部位一一相匹配;
步骤S75,离线笔迹个体识别系统分别计算进行动态时间规整后的各向量对中的第一特征向量和第二特征向量之间的相关系数。
本发明的较佳的实施例中,如图5所示,步骤S8具体包括:
步骤S81,离线笔迹个体识别系统将可疑笔迹对应的所有相关系数进行均值处理得到可疑笔迹对应的均值相关系数;
步骤S82,离线笔迹个体识别系统计算均值相关系数在第一概率密度分布数据中对应的第一概率,以及计算均值相关系数在第二概率密度分布中对应的第二概率;
第一概率为均值相关系数对应的可疑笔迹与样本笔迹是同一人所写的概率,第二概率为均值相关系数对应的可疑笔迹与样本笔迹不是同一人所写的概率;
步骤S83,离线笔迹个体识别系统计算第一概率与第二概率的比值得到可疑笔迹的似然比;
步骤S84,离线笔迹个体识别系统根据似然比于预先设置的似然比量表中进行匹配,以得到可疑笔迹的个体识别结果。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (11)
1.一种基于三维动态特征的离线笔迹个体识别系统,其特征在于,具体包括:
数据采集模块,用于将获取到的可疑笔迹进行扫描得到所述可疑笔迹对应的第一白光图像和第一三维图像,以及将获取到的若干样本笔迹分别进行扫描得到各所述样本笔迹对应的第二白光图像和第二三维图像;
数据预处理模块,连接所述数据采集模块,用于将所述第一白光图像进行图像预处理得到所述可疑笔迹对应的第一预处理图像,以及将各所述第二白光图像分别进行所述图像预处理得到各所述样本笔迹对应的第二预处理图像;
骨架提取模块,连接所述数据预处理模块,用于将所述第一预处理图像进行骨架提取得到所述可疑笔迹对应的第一骨架图像,以及将各所述第二预处理图像分别进行所述骨架提取得到所述样本笔迹对应的第二骨架图像;
所述第一骨架图像和各所述第二骨架图像的线幅均为单个像素;
笔顺识别模块,连接所述骨架提取模块,用于根据所述第一骨架图像进行笔迹追踪得到所述可疑笔迹对应的第一书写轨迹,以及根据各所述第二骨架图像分别进行所述笔迹追踪得到各所述样本笔迹对应的第二书写轨迹;
第一特征提取模块,分别连接数据采集模块和所述笔顺识别模块,用于根据所述第一书写轨迹在对应的所述第一白光图像上进行特征提取,得到所述第一书写轨迹中每个像素点的第一动态特征,以及根据各所述第二书写轨迹分别在对应的各所述第二白光图像上提取得到各所述第二书写轨迹中每个像素点的第二动态特征;
第二特征提取模块,分别连接所述数据采集模块和所述笔顺识别模块,用于根据所述第一书写轨迹在对应的所述第一三维图像上提取得到所述第一书写轨迹中每个像素点的第一三维特征,以及根据各所述第二书写轨迹分别在对应的各所述第二三维图像上提取得到各所述第二书写轨迹中每个像素点的第二三维特征;
第一数据处理模块,分别连接所述第一特征提取模块和所述第二特征提取模块,用于根据所述可疑笔迹对应的所述第一动态特征和所述第一三维特征,以及各所述样本笔迹对应的所述第二动态特征和所述第二三维特征,处理得到所述可疑笔迹与各所述样本笔迹之间的相关系数;
第二数据处理模块,连接所述第一数据处理模块,用于根据预先统计得到的第一概率密度分布数据和第二概率密度分布数据,以及各所述相关系数,处理得到所述可疑笔迹的个体识别结果。
2.根据权利要求1所述的离线笔迹个体识别系统,其特征在于,所述第一数据处理模块具体包括:
特征向量生成单元,用于将所述可疑笔迹对应的所述第一动态特征和所述第一三维特征加入一第一特征向量;
特征矩阵生成单元,用于分别将各所述样本笔迹对应的所述第二动态特征和所述第二三维特征加入一第二特征矩阵,所述第二特征矩阵包括以行列形式排布的多个第二特征向量,每个所述第二特征向量对应每个所述样本笔迹的所述第二动态特征和所述第二三维特征;
向量对生成单元,分别连接所述特征向量生成单元和所述特征矩阵生成单元,用于将所述第一特征向量与各所述第二特征向量之间进行两两组合生成多个向量对;
动态时间规整单元,连接所述向量对生成单元,用于分别将各向量对中的所述第一特征向量和所述第二特征向量之间进行动态时间规整,使得所述第一特征向量与所述第二特征向量对应的笔画及笔画的相应部位一一对应;
数据计算单元,连接所述动态时间规整单元,用于分别计算进行所述动态时间规整后的各所述向量对中的所述第一特征向量和所述第二特征向量之间的相关系数。
3.根据权利要求1所述的离线笔迹个体识别系统,其特征在于,所述第二数据处理模块具体包括:
第一数据处理单元,用于将所述可疑笔迹对应的所有所述相关系数,进行均值处理得到所述可疑笔迹对应的均值相关系数;
第二数据处理单元,连接所述第一数据处理单元,用于计算所述均值相关系数在所述第一概率密度分布数据中对应的第一概率,以及计算所述均值相关系数在所述第二概率密度分布数据中对应的第二概率;
所述第一概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹是同一人所写的概率,所述第二概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹不是同一人所写的概率;
第三数据处理单元,连接所述第二数据处理单元,用于计算所述第一概率与所述第二概率的比值得到所述可疑笔迹的似然比;
结果判定模块,连接所述第三数据处理单元,用于根据所述似然比于预先设置的似然比量表中进行匹配,以得到所述可疑笔迹的个体识别结果。
4.根据权利要求3所述的离线笔迹个体识别系统,其特征在于,所述第一概率密度分布数据为同一人书写得到的若干本人真实样本笔迹两两之间的相关系数的概率密度分布,以及
所述第二概率密度分布数据为不同人根据所述本人真实样本笔迹书写得到的若干他人笔迹与所述本人真实样本笔迹两两之间的相关系数的概率密度分布。
5.根据权利要求4所述的离线笔迹个体识别系统,其特征在于,所述他人笔迹包括代签笔迹,和/或临摹笔迹,和/或套摹笔迹。
6.根据权利要求1所述的离线笔迹个体识别系统,其特征在于,所述图像预处理的方式包括去除背景,和/或填补笔画中的露白,和/或平滑笔画,和/或二值化。
7.根据权利要求1所述的离线笔迹个体识别系统,其特征在于,所述第一动态特征包括宽度,和/或灰度,和/或弧度,所述第一三维特征为高度。
8.根据权利要求1所述的离线笔迹个体识别系统,其特征在于,所述第二动态特征包括宽度,和/或灰度,和/或弧度,所述第二三维特征为高度。
9.一种基于三维动态特征的离线笔迹个体识别方法,其特征在于,应用于如权利要求1-8中任意一项所述的离线笔迹个体识别系统,具体包括以下步骤:
步骤S1,所述离线笔迹个体识别系统将获取到的可疑笔迹进行扫描得到所述可疑笔迹对应的第一白光图像和第一三维图像,以及将获取到的若干样本笔迹分别进行扫描得到各所述样本笔迹对应的第二白光图像和第二三维图像;
步骤S2,所述离线笔迹个体识别系统将所述第一白光图像进行图像预处理得到所述可疑笔迹对应的第一预处理图像,以及将各所述第二白光图像分别进行所述图像预处理得到各所述样本笔迹对应的第二预处理图像;
步骤S3,所述离线笔迹个体识别系统将所述第一预处理图像进行骨架提取得到所述可疑笔迹对应的第一骨架图像,以及将各所述第二预处理图像分别进行所述骨架提取得到所述样本笔迹对应的第二骨架图像;
步骤S4,所述离线笔迹个体识别系统根据所述第一骨架图像分别进行笔迹追踪得到所述可疑笔迹对应的第一书写轨迹,以及根据各所述第二骨架图像分别进行所述笔迹追踪得到各所述样本笔迹对应的第二书写轨迹;
步骤S5,所述离线笔迹个体识别系统根据所述第一书写轨迹在对应的所述第一白光图像上进行特征提取,得到所述第一书写轨迹中每个像素点的第一动态特征,以及根据各所述第二书写轨迹分别在对应的各所述第二白光图像上提取得到各所述第二书写轨迹中每个像素点的第二动态特征;
步骤S6,所述离线笔迹个体识别系统根据所述第一书写轨迹在对应的所述第一三维图像上提取得到所述第一书写轨迹中每个像素点的第一三维特征,以及根据各所述第二书写轨迹分别在对应的各所述第二三维图像上提取得到各所述第二书写轨迹中每个像素点的第二三维特征;
步骤S7,所述离线笔迹个体识别系统根据所述可疑笔迹对应的所述第一动态特征和所述第一三维特征,以及各所述样本笔迹对应的所述第二动态特征和所述第二三维特征,处理得到所述可疑笔迹与各所述样本笔迹之间的相关系数;
步骤S8,所述离线笔迹个体识别系统根据预先统计得到的第一概率密度分布数据和第二概率密度分布数据,以及各所述相关系数,处理得到所述可疑笔迹的个体识别结果。
10.根据权利要求9所述的离线笔迹个体识别方法,其特征在于,所述步骤S7具体包括:
步骤S71,所述离线笔迹个体识别系统将所述可疑笔迹对应的所述第一动态特征和所述第一三维特征加入一第一特征向量;
步骤S72,所述离线笔迹个体识别系统分别将各所述样本笔迹对应的所述第二动态特征和所述第二三维特征加入一第二特征矩阵,所述第二特征矩阵包括以行列形式排布的多个第二特征向量,每个所述第二特征向量对应每个所述样本笔迹的所述第二动态特征和所述第二三维特征;
步骤S73,所述离线笔迹个体识别系统将所述第一特征向量与各所述第二特征向量之间进行两两组合生成多个向量对;
步骤S74,所述离线笔迹个体识别系统分别将各所述向量对中的所述第一特征向量和所述第二特征向量之间进行动态时间规整,使得所述第一特征向量与所述第二特征向量对应的笔画及笔画的对应部位一一相匹配;
步骤S75,所述离线笔迹个体识别系统分别计算进行所述动态时间规整后的各所述向量对中的所述第一特征向量和所述第二特征向量之间的相关系数。
11.根据权利要求9所述的离线笔迹个体识别方法,其特征在于,所述步骤S8具体包括:
步骤S81,所述离线笔迹个体识别系统将所述可疑笔迹对应的所有所述相关系数进行均值处理得到所述可疑笔迹对应的均值相关系数;
步骤S82,所述离线笔迹个体识别系统计算所述均值相关系数在所述第一概率密度分布数据中对应的第一概率,以及计算所述均值相关系数在所述第二概率密度分布数据中对应的第二概率;
所述第一概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹是同一人所写的概率,所述第二概率为所述均值相关系数对应的所述可疑笔迹与所述样本笔迹不是同一人所写的概率;
步骤S83,所述离线笔迹个体识别系统计算所述第一概率与所述第二概率的比值得到所述可疑笔迹的似然比;
步骤S84,所述离线笔迹个体识别系统根据所述似然比于预先设置的似然比量表中进行匹配,以得到所述可疑笔迹的个体识别结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910780141.2A CN110490153B (zh) | 2019-08-22 | 2019-08-22 | 一种基于三维动态特征的离线笔迹个体识别系统及方法 |
PCT/CN2019/122176 WO2021031445A1 (zh) | 2019-08-22 | 2019-11-29 | 一种基于三维动态特征的离线笔迹个体识别系统及方法 |
US16/968,833 US20230245501A1 (en) | 2019-08-22 | 2019-11-29 | Offline handwriting individual recognition system and method based on three-dimensional dynamic features |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910780141.2A CN110490153B (zh) | 2019-08-22 | 2019-08-22 | 一种基于三维动态特征的离线笔迹个体识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490153A true CN110490153A (zh) | 2019-11-22 |
CN110490153B CN110490153B (zh) | 2021-10-19 |
Family
ID=68552970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910780141.2A Active CN110490153B (zh) | 2019-08-22 | 2019-08-22 | 一种基于三维动态特征的离线笔迹个体识别系统及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230245501A1 (zh) |
CN (1) | CN110490153B (zh) |
WO (1) | WO2021031445A1 (zh) |
Cited By (3)
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 |
CN113407921A (zh) * | 2021-06-30 | 2021-09-17 | 重庆建安仪器有限责任公司 | 一种笔迹识别的登录方法 |
CN113468987A (zh) * | 2021-06-17 | 2021-10-01 | 傲雄在线(重庆)科技有限公司 | 一种电子笔迹鉴定方法、系统、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049207A (zh) * | 2012-12-27 | 2013-04-17 | 富泰华工业(深圳)有限公司 | 手写输入识别系统及方法 |
CN107977155A (zh) * | 2017-11-23 | 2018-05-01 | 广州视睿电子科技有限公司 | 一种手写识别方法、装置、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482920B (zh) * | 2008-12-30 | 2010-12-22 | 广东国笔科技股份有限公司 | 一种手写字符识别方法及系统 |
CN104200239A (zh) * | 2014-09-09 | 2014-12-10 | 河海大学常州校区 | 一种基于图像特征融合识别的签名鉴伪系统及方法 |
CN104299000A (zh) * | 2014-10-09 | 2015-01-21 | 南通大学 | 基于局部片段分布特征的笔迹识别方法 |
CN107239753B (zh) * | 2017-05-23 | 2019-03-12 | 北京瑞源智通科技有限公司 | 一种笔迹鉴定的系统 |
CN109387501B (zh) * | 2018-11-29 | 2021-03-02 | 中国政法大学 | 利用快速三维拉曼光谱重构技术鉴定交叉笔画顺序的方法 |
CN110490153B (zh) * | 2019-08-22 | 2021-10-19 | 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 |
-
2019
- 2019-08-22 CN CN201910780141.2A patent/CN110490153B/zh active Active
- 2019-11-29 WO PCT/CN2019/122176 patent/WO2021031445A1/zh active Application Filing
- 2019-11-29 US US16/968,833 patent/US20230245501A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049207A (zh) * | 2012-12-27 | 2013-04-17 | 富泰华工业(深圳)有限公司 | 手写输入识别系统及方法 |
CN107977155A (zh) * | 2017-11-23 | 2018-05-01 | 广州视睿电子科技有限公司 | 一种手写识别方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
XIAO-HONG CHEN等: "Assessment of signature handwriting evidence via score-based likelihood ratio based on comparative measurement of relevant dynamic features", 《FORENSIC SCIENCE INTERNATIONAL》 * |
陈晓红等: "纸上静态签名笔迹动态特征的提取和分析", 《中国司法鉴定》 * |
Cited By (4)
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 |
CN113468987A (zh) * | 2021-06-17 | 2021-10-01 | 傲雄在线(重庆)科技有限公司 | 一种电子笔迹鉴定方法、系统、电子设备及存储介质 |
CN113468987B (zh) * | 2021-06-17 | 2023-04-18 | 重庆傲雄在线信息技术有限公司 | 一种电子笔迹鉴定方法、系统、电子设备及存储介质 |
CN113407921A (zh) * | 2021-06-30 | 2021-09-17 | 重庆建安仪器有限责任公司 | 一种笔迹识别的登录方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021031445A1 (zh) | 2021-02-25 |
US20230245501A1 (en) | 2023-08-03 |
CN110490153B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458145A (zh) | 一种基于二维动态特征的离线笔迹个体识别系统及方法 | |
Nalwa | Automatic on-line signature verification | |
Spreeuwers | Fast and accurate 3D face recognition: using registration to an intrinsic coordinate system and fusion of multiple region classifiers | |
Deng et al. | Wavelet-based off-line handwritten signature verification | |
CN107330444A (zh) | 一种基于生成对抗网络的图像自动文本标注方法 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
CN110490153A (zh) | 一种基于三维动态特征的离线笔迹个体识别系统及方法 | |
CN106068514A (zh) | 用于在不受约束的媒体中识别面孔的系统和方法 | |
CN109598234A (zh) | 关键点检测方法和装置 | |
CN103235957B (zh) | 一种基于手掌侧表面信息的在线笔迹认证方法及系统 | |
Al-Shoshan | Handwritten signature verification using image invariants and dynamic features | |
CN105740779A (zh) | 人脸活体检测的方法和装置 | |
CN105740781A (zh) | 一种三维人脸活体检测的方法和装置 | |
Lai et al. | SynSig2Vec: Forgery-free learning of dynamic signature representations by sigma lognormal-based synthesis and 1D CNN | |
CN106022241A (zh) | 一种基于小波变换及稀疏表示的人脸识别方法 | |
CN107479693A (zh) | 基于rgb信息的实时手部识别方法、存储介质、电子设备 | |
Engin et al. | Offline signature verification on real-world documents | |
CN109816634A (zh) | 检测方法、模型训练方法、装置及设备 | |
Luo et al. | Facial metamorphosis using geometrical methods for biometric applications | |
CN109886091A (zh) | 基于带权重局部旋度模式的三维人脸表情识别方法 | |
CN109583423A (zh) | 一种手写数字识别的方法、装置及相关组件 | |
Latha et al. | A novel method for person authentication using retinal images | |
Popel | Signature analysis, verification and synthesis in pervasive environments | |
Madasu et al. | Off-line signature verification and forgery detection system based on fuzzy modeling | |
CN110309816A (zh) | 一种由粗到精的新生儿面部检测方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |