CN114255468A - 一种笔迹识别方法及其相关设备 - Google Patents
一种笔迹识别方法及其相关设备 Download PDFInfo
- Publication number
- CN114255468A CN114255468A CN202111526065.6A CN202111526065A CN114255468A CN 114255468 A CN114255468 A CN 114255468A CN 202111526065 A CN202111526065 A CN 202111526065A CN 114255468 A CN114255468 A CN 114255468A
- Authority
- CN
- China
- Prior art keywords
- handwriting
- image
- recognized
- texture
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 125
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 56
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 13
- 230000000903 blocking effect Effects 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 23
- 238000012512 characterization method Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000002411 adverse Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 150000001875 compounds Chemical class 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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)
- Image Analysis (AREA)
Abstract
本申请公开了一种笔迹识别方法及其相关设备,该方法包括:在获取到待识别笔迹图像之后,先对该待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征,以使该待使用笔迹特征包括该待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征;再根据待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定该待识别笔迹图像的笔迹识别结果。可见,因待使用笔迹特征包括待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征,使得该待使用笔迹特征能够更准确地描述出该待识别笔迹图像所携带的笔迹信息,从而使得基于该待使用笔迹特征确定的笔迹识别结果更准确,如此能够提高笔迹识别效果。
Description
技术领域
本申请涉及信息安全技术领域,尤其涉及一种笔迹识别方法及其相关设备。
背景技术
随着信息安全技术的快速发展,生物特征识别技术越来越受关注。其中,生物特征识别技术可以用于根据一个人所具有的生物特征(例如,步态、虹膜、人脸、笔迹等),识别该人的身份。
另外,因笔迹识别技术具有非接触、方便快捷、稳定性高等特点,使得该笔迹识别技术成为一种常用的生物特征识别技术。其中,笔迹识别技术用于根据一个人的书写笔迹(例如,在线笔迹或者离线笔迹等),识别该人的身份。
此外,因离线笔迹识别技术的离线特性(也就是,无需在用户书写时进行实时地笔迹识别处理),使得离线笔迹识别技术的应用范围比较广。例如,离线笔迹识别技术可以应用于某些特殊单位(例如,司法部门、文检部门等)所涉及的身份识别业务。
然而,因离线笔迹识别技术存在缺陷,导致笔迹识别效果比较差。
发明内容
本申请实施例的主要目的在于提供一种笔迹识别方法及其相关设备,能够提高笔迹识别效果。
本申请实施例提供了一种笔迹识别方法,所述方法包括:
获取待识别笔迹图像;
对所述待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征;其中,所述待使用笔迹特征包括所述待识别笔迹图像的物理特征和所述待识别笔迹图像的纹理特征;
根据所述待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定所述待识别笔迹图像的笔迹识别结果;其中,各所述样本笔迹图像的笔迹特征包括各所述样本笔迹图像的物理特征和各所述样本笔迹图像的纹理特征。
在一种可能的实施方式中,所述样本笔迹图像的个数为N;
所述待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度的确定过程,包括:
根据所述待识别笔迹图像的物理特征和所述第n个样本笔迹图像的物理特征,确定第n个物理特征相似度;其中,n为正整数,n≤N,N为正整数;
根据所述待识别笔迹图像的纹理特征和所述第n个样本笔迹图像的纹理特征,确定第n个纹理特征相似度;
将所述第n个物理特征相似度与所述第n个纹理特征相似度之间的平均值,确定为所述待使用笔迹特征与所述第n个样本笔迹图像的笔迹特征之间的相似度。
在一种可能的实施方式中,所述第n个物理特征相似度的确定过程,包括:
根据所述待识别笔迹图像的物理特征和所述第n个样本笔迹图像的物理特征,确定第n个物理特征距离;根据所述第n个物理特征距离与参考物理特征距离之间的比值,确定所述第n个物理特征相似度;其中,所述参考物理特征距离是根据所述待识别笔迹图像的物理特征、以及N个样本笔迹图像的物理特征确定的。
在一种可能的实施方式中,所述第n个纹理特征相似度的确定过程,包括:
根据所述待识别笔迹图像的纹理特征和所述第n个样本笔迹图像的纹理特征,确定第n个纹理特征距离;根据所述第n个纹理特征距离与参考纹理特征距离之间的比值,确定所述第n个纹理特征相似度;其中,所述参考纹理特征距离是根据所述待识别笔迹图像的纹理特征、以及N个样本笔迹图像的纹理特征确定的。
在一种可能的实施方式中,所述物理特征包括笔迹倾斜度、笔迹偏心度、笔迹圆度和笔迹长宽比中的至少一个。
在一种可能的实施方式中,所述待识别笔迹图像的获取过程,包括:
在获取到笔迹原图之后,对所述笔迹原图进行去噪处理,得到去噪笔迹图像;
根据所述去噪笔迹图像,确定所述待识别笔迹图像。
在一种可能的实施方式中,所述对所述笔迹原图进行去噪处理,得到去噪笔迹图像,包括:
根据所述笔迹原图,确定待使用权重;
按照所述待使用权重,对所述笔迹原图进行低秩聚类处理,得到去噪笔迹图像。
在一种可能的实施方式中,所述待使用权重的确定过程,包括:
对所述笔迹原图进行经验模态分解,得到待使用分量;
对所述待使用分量进行分块处理,得到至少一个第一图像块;
确定各所述第一图像块的噪声方差;
根据所述至少一个第一图像块的噪声方差,确定所述待使用权重。
在一种可能的实施方式中,所述第一图像块的个数为J;
所述根据所述至少一个第一图像块的噪声方差,确定所述待使用权重,包括:
从预设映射关系中查找第j个第一图像块的噪声方差对应的权重值;其中,所述预设映射关系包括所述第j个第一图像块的噪声方差与所述第j个第一图像块的噪声方差对应的权重值之间的对应关系;j为正整数,j≤J,J为正整数;
将J个第一图像块的噪声方差对应的权重值进行集合处理,得到所述待使用权重。
在一种可能的实施方式中,所述待使用权重包括J个图像块权重;其中,J为正整数;
所述按照所述待使用权重,对所述笔迹原图进行低秩聚类处理,得到所述去噪笔迹图像,包括:
根据所述笔迹原图,初始化无噪图像和待处理图像;
根据所述笔迹原图以及所述无噪图像,更新所述待处理图像;
对所述待处理图像进行分块处理,得到J个第二图像块;
对第j个第二图像块进行块匹配处理,得到第j个相似块集合;其中,j为正整数,j≤J;
对所述第j个相似块集合进行奇异值分解,得到第j个分解结果;其中,j为正整数,j≤J;
根据所述待使用权重中第j个图像块权重和所述第j个分解结果,确定第j个估计值;其中,j为正整数,j≤J;
根据J个估计值,更新所述无噪图像,并继续执行所述根据所述笔迹原图以及所述无噪图像,更新所述待处理图像的步骤,直至在达到预设停止条件时,根据所述无噪图像,确定所述去噪笔迹图像。
在一种可能的实施方式中,所述根据所述去噪笔迹图像,确定所述待识别笔迹图像,包括:
对所述去噪笔迹图像进行空白删除处理,得到去空白图像;
根据所述去空白图像,确定所述待识别笔迹图像。
在一种可能的实施方式中,所述去空白图像的确定过程,包括:
对所述去噪笔迹图像进行灰度化处理,得到灰度图像;
对所述灰度图像进行二值化处理,得到二值化图像;
从所述二值化图像中删除满足预设空白条件的区域,得到所述去空白图像。
在一种可能的实施方式中,所述根据所述去空白图像,确定所述待识别笔迹图像,包括:
若确定所述去空白图像不满足预设纹理条件,则根据所述去空白图像,初始化待填充图像;
根据所述待填充图像,确定填充起始位置;
根据待使用纹理以及所述填充起始位置,更新所述待填充图像,并继续执行所述根据所述待填充图像,确定填充起始位置的步骤,直至在确定所述待填充图像满足预设纹理条件时,将所述待填充图像,确定为所述待识别笔迹图像;其中,所述待使用纹理是根据所述去空白图像确定的。
本申请实施例还提供了一种笔迹识别装置,包括:
图像获取单元,用于获取待识别笔迹图像;
特征提取单元,用于对所述待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征;其中,所述待使用笔迹特征包括所述待识别笔迹图像的物理特征和所述待识别笔迹图像的纹理特征;
笔迹识别单元,用于根据所述待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定所述待识别笔迹图像的笔迹识别结果;其中,各所述样本笔迹图像的笔迹特征包括各所述样本笔迹图像的物理特征和各所述样本笔迹图像的纹理特征。
本申请实施例还提供了一种设备,所述设备包括:处理器、存储器、系统总线;
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行本申请实施例提供的笔迹识别方法的任一实施方式。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行本申请实施例提供的笔迹识别方法的任一实施方式。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行本申请实施例提供的笔迹识别方法的任一实施方式。
基于上述技术方案,本申请具有以下有益效果:
本申请提供的技术方案中,在获取到待识别笔迹图像之后,先对该待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征,以使该待使用笔迹特征包括该待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征;再根据待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定该待识别笔迹图像的笔迹识别结果。
可见,因待使用笔迹特征包括待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征,使得该待使用笔迹特征能够更准确地描述出该待识别笔迹图像所携带的笔迹信息,从而使得基于该待使用笔迹特征确定的笔迹识别结果更准确,如此能够提高笔迹识别效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种笔迹识别方法的流程图;
图2为本申请实施例提供的一种笔迹识别流程的示意图;
图3为本申请实施例提供的一种笔迹识别装置的结构示意图。
具体实施方式
发明人在针对笔迹识别技术的研究中发现,因笔迹识别技术通常是基于笔迹的单一特征进行笔迹识别处理的,使得该笔迹识别技术的笔迹识别效果比较差。
基于上述发现,为了解决背景技术部分所示的技术问题,本申请实施例提供了一种笔迹识别方法,该方法包括:在获取到待识别笔迹图像之后,先对该待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征,以使该待使用笔迹特征包括该待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征;再根据待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定该待识别笔迹图像的笔迹识别结果。
可见,因待使用笔迹特征包括待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征,使得该待使用笔迹特征能够更准确地描述出该待识别笔迹图像所携带的笔迹信息,从而使得基于该待使用笔迹特征确定的笔迹识别结果更准确,如此能够提高笔迹识别效果。
另外,本申请实施例不限定笔迹识别方法的执行主体,例如,本申请实施例提供的笔迹识别方法可以应用于终端设备或服务器等数据处理设备。其中,终端设备可以为智能手机、计算机、个人数字助理(Personal Digital Assitant,PDA)或平板电脑等。服务器可以为独立服务器、集群服务器或云服务器。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
方法实施例一
参见图1,该图为本申请实施例提供的一种笔迹识别方法的流程图。
本申请实施例提供的笔迹识别方法,包括S1-S3:
S1:获取待识别笔迹图像。
上述“待识别笔迹图像”是指需要进行笔迹识别处理的图像数据。
另外,本申请实施例不限定上述“待识别笔迹图像”的获取过程,例如,其具体可以为:在获取到笔迹原图之后,直接将该笔迹原图,确定为待识别笔迹图像。又如,其可以采用方法实施例二所示的获取上述“待识别笔迹图像”的任一实施方式进行实施。
上述“笔迹原图”是指由图像采集设备(例如,扫描设备、拍照设备、摄像设备等)采集的图像数据;而且本申请实施例不限定该“笔迹原图”的格式,例如,其可以是:位图(BMP)格式(*.bmp)、JPG格式(*.jpg)、或者PNG格式(*.png)。
S2:对待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征。
上述“待使用笔迹特征”用于表示待识别笔迹图像携带的笔迹信息;而且该“待使用笔迹特征”可以包括该待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征。
上述“待识别笔迹图像的物理特征”用于表示该待识别笔迹图像携带的笔迹物理表征信息(例如,笔迹倾斜度、笔迹偏心度、笔迹圆度、笔迹长宽比等);而且本申请实施例不限定该“待识别笔迹图像的物理特征”,例如,其可以包括该待识别笔迹图像的笔迹倾斜度、该待识别笔迹图像的笔迹偏心度、该待识别笔迹图像的笔迹圆度、以及该待识别笔迹图像的笔迹长宽比中的至少一个。
本申请实施例不限定上述“待识别笔迹图像的笔迹倾斜度”的确定过程,例如,其可以利用公式(1)-(3)进行实施。
式中,f1表示待识别笔迹图像的笔迹倾斜度;f(xi,yk)表示待识别笔迹图像中第i行第k列像素点的像素值;xi表示待识别笔迹图像中第i行第k列像素点的横坐标,而且本申请实施例不限定xi,例如,xi=i,或者xi=i-1;yk表示待识别笔迹图像中第i行第k列像素点的纵坐标,而且本申请实施例不限定yk,例如,yk=k,或者yk=k-1;xcenter表示待识别笔迹图像的重心位置的横坐标;ycenter表示待识别笔迹图像的重心位置的纵坐标;I表示待识别笔迹图像中行数;K表示待识别笔迹图像中列数;p、q为二阶几何中心矩的可调参数,例如,是指p=0、q=2的二阶几何中心矩,是指p=2、q=0的二阶几何中心矩,是指p=1、q=1的二阶几何中心矩。
本申请实施例不限定上述“待识别笔迹图像的笔迹偏心度”的确定过程,例如,其可以利用公式(1)以及(4)进行实施。
式中,f2表示待识别笔迹图像的笔迹偏心度。
本申请实施例不限定上述“待识别笔迹图像的笔迹圆度”的确定过程,例如,其可以利用公式(5)-(6)进行实施。
f3=[r1 r2 … rH] (6)
式中,f3表示待识别笔迹图像的笔迹圆度,而且该f3是一个向量;rh表示待识别笔迹图像中第h个字符的笔迹圆度;Ph表示待识别笔迹图像中第h个字符的周长;Ah表示待识别笔迹图像中第h个字符的面积;H表示待识别笔迹图像中字符个数。
本申请实施例不限定上述“待识别笔迹图像的笔迹长宽比”的确定过程,例如,其可以利用公式(1)以及(7)进行实施。
式中,f4表示待识别笔迹图像的笔迹长宽比。
上文“待识别笔迹图像的纹理特征”用于表示该待识别笔迹图像携带的笔迹纹理表征信息;而且本申请实施例不限定该“待识别笔迹图像的纹理特征”的确定过程,例如,可以采用现有的或者未来出现的任意一种笔迹纹理特征提取方法进行实施。
基于上述S2的相关内容可知,在获取到待识别笔迹图像之后,可以针对该待识别笔迹图像进行笔迹特征提取(例如,物理特征提取、以及纹理特征提取等),得到待使用笔迹特征,以使该待使用笔迹特征可以包括待识别笔迹图像的物理特征和待识别笔迹图像的纹理特征,从而使得该待使用笔迹特征能够更准确地表示出该待识别笔迹图像所携带的笔迹信息,如此有利于提高笔迹识别准确性。
S3:根据待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定待识别笔迹图像的笔迹识别结果。
上述“样本笔迹图像”是指在针对待识别笔迹图像进行笔迹识别处理时所需参考的图像数据;而且本申请实施例不限定该“样本笔迹图像”的个数,例如,其具体可以为N;且N为正整数。
另外,本申请实施例不限定上述“至少一个样本笔迹图像”的获取过程,例如,其具体可以包括:先针对第n个样本对象进行笔迹图像采集处理,得到第n个样本笔迹图像;再建立该第n个样本笔迹图像与该第n个样本对象的身份信息之间的对应关系,以便后续能够基于该第n个样本笔迹图像,追溯到该第n个样本对象的身份信息。其中,n为正整数,n≤N,N为正整数。
需要说明的是,上述“第n个样本对象”是一个人;而且本申请实施例不限定上述“第n个样本对象的身份信息”,例如,其可以包括身份证号、姓名、性别等。
“第n个样本笔迹图像的笔迹特征”用于表示该第n个样本笔迹图像携带的笔迹信息;而且该“第n个样本笔迹图像的笔迹特征”可以包括该第n个样本笔迹图像的物理特征和该第n个样本笔迹图像的纹理特征。
上述“第n个样本笔迹图像的物理特征”用于表示该第n个样本笔迹图像携带的笔迹物理表征信息;而且本申请实施例不限定该“第n个样本笔迹图像的物理特征”,例如,其可以包括:该第n个样本笔迹图像的笔迹倾斜度、该第n个样本笔迹图像的笔迹偏心度、该第n个样本笔迹图像的笔迹圆度、以及该第n个样本笔迹图像的笔迹长宽比中的至少一个。
需要说明的是,上述“第n个样本笔迹图像的物理特征”的相关内容类似于上文“待识别笔迹图像的物理特征”的相关内容。
上述“第n个样本笔迹图像的纹理特征”用于表示该第n个样本笔迹图像携带的笔迹纹理表征信息;而且该“第n个样本笔迹图像的纹理特征”的相关内容类似于上文“待识别笔迹图像的纹理特征”的相关内容。
上述“待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度”是指该待使用笔迹特征与该第n个样本笔迹图像的笔迹特征之间的相似程度,以使该“待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度”用于表示该待识别笔迹图像携带的笔迹信息与该第n个样本笔迹图像携带的笔迹信息之间的相似性。
另外,本申请实施例不限定上述“待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度”的确定过程,例如,可以采用现有的或者未来出现的任意一种相似度计算方法进行实施。
此外,为了提高相似度的准确性,本申请实施例还提供了确定“待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度”的另一种可能的实施方式,其具体可以包括步骤11-步骤13:
步骤11:根据待识别笔迹图像的物理特征和第n个样本笔迹图像的物理特征,确定第n个物理特征相似度。
上述“第n个物理特征相似度”用于表示待识别笔迹图像携带的笔迹物理表征信息与第n个样本笔迹图像携带的笔迹物理表征信息之间的相似性。
另外,本申请实施例不限定步骤11的实施方式,例如,其具体可以包括步骤111-步骤112:
步骤111:根据待识别笔迹图像的物理特征和第n个样本笔迹图像的物理特征,确定第n个物理特征距离。
作为示例,当上述“物理特征”包括笔迹倾斜度、笔迹偏心度、笔迹圆度和笔迹长宽比时,步骤111具体可以包括步骤1111-步骤1115:
步骤1111:将待识别笔迹图像的笔迹倾斜度与第n个样本笔迹图像的笔迹倾斜度之间的差值,确定为倾斜度差异表征数据。
步骤1112:将待识别笔迹图像的笔迹偏心度与第n个样本笔迹图像的笔迹偏心度之间的差值,确定为偏心度差异表征数据。
步骤1113:将待识别笔迹图像的笔迹圆度与第n个样本笔迹图像的笔迹圆度之间的向量距离,确定为圆度差异表征数据。
步骤1114:将待识别笔迹图像的笔迹长宽比与第n个样本笔迹图像的笔迹长宽比之间的差值,确定为长宽比差异表征数据。
步骤1115:将倾斜度差异表征数据、偏心度差异表征数据、圆度差异表征数据以及长宽比差异表征数据进行加权求和,得到第n个物理特征距离(如公式(8)所示)。
式中,表示第n个物理特征距离(也就是,待识别笔迹图像的物理特征与第n个样本笔迹图像的物理特征之间的加权距离);f1表示待识别笔迹图像的笔迹倾斜度;表示第n个样本笔迹图像的笔迹倾斜度;表示倾斜度差异表征数据;f2表示待识别笔迹图像的笔迹偏心度;表示第n个样本笔迹图像的笔迹偏心度;表示偏心度差异表征数据;f3表示待识别笔迹图像的笔迹圆度;第n个样本笔迹图像的笔迹圆度;表示圆度差异表征数据;D()表示向量距离计算函数(例如,欧式距离计算函数、欧式加权距离计算函数);f4表示待识别笔迹图像的笔迹长宽比;表示第n个样本笔迹图像的笔迹长宽比;表示长宽比差异表征数据。
步骤112:根据第n个物理特征距离与参考物理特征距离之间的比值,确定第n个物理特征相似度。
上述“参考物理特征距离”是指在对上述“第n个物理特征距离”进行归一化处理时所需参考的物理特征距离;而且本申请实施例不限定该“参考物理特征距离”,例如,可以预先设定。
又如,为了提高物理特征相似度的计算灵活性,上述“参考物理特征距离”可以根据待识别笔迹图像的物理特征、以及N个样本笔迹图像的物理特征进行确定;而且该确定过程具体可以包括:先从待识别笔迹图像的物理特征与第1个样本笔迹图像的物理特征之间的加权距离、该待识别笔迹图像的物理特征与第2个样本笔迹图像的物理特征之间的加权距离、该待识别笔迹图像的物理特征与第3个样本笔迹图像的物理特征之间的加权距离、……、以及该待识别笔迹图像的物理特征与第N个样本笔迹图像的物理特征之间的加权距离中挑选出最大距离(也就是,下文),作为上述“参考物理特征距离”。
需要说明的是,上述“待识别笔迹图像的物理特征与第n个样本笔迹图像的物理特征之间的加权距离”可以采用上文公式(8)进行确定。其中,n为正整数,n≤N,N为正整数。
本申请实施例不限定步骤112的实施方式,例如,步骤112可以利用公式(9)进行实施。
式中,表示第n个物理特征相似度(也就是,待识别笔迹图像的物理特征与第n个样本笔迹图像的物理特征之间的特征相似度);而且若越小,则表示待识别笔迹图像携带的笔迹物理表征信息与第n个样本笔迹图像携带的笔迹物理表征信息越相似,若越大,则表示待识别笔迹图像携带的笔迹物理表征信息与第n个样本笔迹图像携带的笔迹物理表征信息越不相似;表示第n个物理特征距离;表示参考物理特征距离,且N表示样本笔迹图像的个数。
基于上述步骤11的相关内容可知,在获取到待识别笔迹图像的物理特征和第n个样本笔迹图像的物理特征之后,可以借助公式(8)-(9),针对该待识别笔迹图像的物理特征和第n个样本笔迹图像的物理特征进行特征相似度计算处理,得到第n个物理特征相似度,以使该第n个物理特征相似度能够表示出待识别笔迹图像携带的笔迹物理表征信息与第n个样本笔迹图像携带的笔迹物理表征信息之间的相似性。
步骤12:根据待识别笔迹图像的纹理特征和第n个样本笔迹图像的纹理特征,确定第n个纹理特征相似度。
上述“第n个纹理特征相似度”用于表示待识别笔迹图像携带的笔迹纹理表征信息与第n个样本笔迹图像携带的笔迹纹理表征信息之间的相似性。
另外,本申请实施例不限定步骤12的实施方式,例如,其具体可以包括步骤121-步骤122:
步骤121:根据待识别笔迹图像的纹理特征和第n个样本笔迹图像的纹理特征,确定第n个纹理特征距离。
本申请实施例不限定步骤121的实施方式,例如,其可以借助欧式加权距离(如公式(10)所示)进行实施。
式中,表示第n个纹理特征距离(也就是,待识别笔迹图像的物理特征与第n个样本笔迹图像的物理特征之间的欧式加权距离);Vuse表示待识别笔迹图像的纹理特征,而且 表示待识别笔迹图像的纹理特征中第q个特征值;Vn表示第n个样本笔迹图像的纹理特征,而且 表示第n个样本笔迹图像的纹理特征中第q个特征值;Q表示一个纹理特征中特征值个数,而且本申请实施例不限定Q,例如,Q=32;δq表示第q个特征值对应的方差值,而且该δq可以通过针对待识别笔迹图像的纹理特征中第q个特征值、以及N个样本笔迹图像的纹理特征中第q个特征值进行方差分析处理得到。
步骤122:根据第n个纹理特征距离与参考纹理特征距离之间的比值,确定第n个纹理特征相似度。
上述“参考纹理特征距离”是指在对上述“第n个纹理特征距离”进行归一化处理时所需参考的纹理特征距离;而且本申请实施例不限定该“参考纹理特征距离”,例如,可以预先设定。
又如,为了提高纹理特征相似度的计算灵活性,上述“参考纹理特征距离”可以根据待识别笔迹图像的纹理特征、以及N个样本笔迹图像的纹理特征进行确定;而且该确定过程具体可以包括:先从待识别笔迹图像的纹理特征与第1个样本笔迹图像的纹理特征之间的欧式加权距离、该待识别笔迹图像的纹理特征与第2个样本笔迹图像的纹理特征之间的欧式加权距离、该待识别笔迹图像的纹理特征与第3个样本笔迹图像的纹理特征之间的欧式加权距离、……、以及该待识别笔迹图像的纹理特征与第N个样本笔迹图像的纹理特征之间的欧式加权距离中挑选出最大距离(也就是,下文),作为上述“参考纹理特征距离”。
需要说明的是,上述“待识别笔迹图像的纹理特征与第n个样本笔迹图像的纹理特征之间的欧式加权距离”可以采用上文公式(10)进行确定。其中,n为正整数,n≤N,N为正整数。
本申请实施例不限定步骤122的实施方式,例如,步骤122可以利用公式(11)进行实施。
式中,表示第n个纹理特征相似度(也就是,待识别笔迹图像的纹理特征与第n个样本笔迹图像的纹理特征之间的特征相似度);而且若越小,则表示待识别笔迹图像携带的笔迹纹理表征信息与第n个样本笔迹图像携带的笔迹纹理表征信息越相似,若越大,则表示待识别笔迹图像携带的笔迹纹理表征信息与第n个样本笔迹图像携带的笔迹纹理表征信息越不相似;表示第n个纹理特征距离;表示参考纹理特征距离,且N表示样本笔迹图像的个数。
基于上述步骤12的相关内容可知,在获取到待识别笔迹图像的纹理特征和第n个样本笔迹图像的纹理特征之后,可以借助公式(10)-(11),针对该待识别笔迹图像的纹理特征和第n个样本笔迹图像的纹理特征进行特征相似度计算处理,得到第n个纹理特征相似度,以使该第n个纹理特征相似度能够表示出待识别笔迹图像携带的笔迹纹理表征信息与第n个样本笔迹图像携带的笔迹纹理表征信息之间的相似性。
步骤13:将第n个物理特征相似度与第n个纹理特征相似度之间的平均值,确定为待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度(如公式(12)所示)。
式中,Sn表示待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度,而且若该Sn越小,则表示该待识别笔迹图像携带的笔迹信息与该第n个样本笔迹图像携带的笔迹信息越相似,若该Sn越大,则表示该待识别笔迹图像携带的笔迹信息与该第n个样本笔迹图像携带的笔迹信息越不相似;表示第n个物理特征相似度;表示第n个纹理特征相似度。
基于上述步骤11至步骤13的相关内容可知,在获取到待使用笔迹特征与第n个样本笔迹图像的笔迹特征之后,可以借助公式(8)-(12),计算上述“待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度”,以使该“待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度”能够更好地表示出该待识别笔迹图像携带的笔迹信息与该第n个样本笔迹图像携带的笔迹信息之间的相似性。
上文“待识别笔迹图像的笔迹识别结果”是指该待识别笔迹图像的笔迹身份识别结果。
另外,本申请实施例不限定上述“待识别笔迹图像的笔迹识别结果”,例如,当上述“至少一个样本笔迹图像”包括目标笔迹图像,待使用笔迹特征与该目标笔迹图像的笔迹特征之间的相似度是利用公式(8)-(12)确定的,而且该“待使用笔迹特征与该目标笔迹图像的笔迹特征之间的相似度”小于预设相似度阈值(例如,图2中“Sth”)时,可以将该目标笔迹图像和/或该目标笔迹图像对应的身份信息,确定为该“待识别笔迹图像的笔迹识别结果”。其中,“预设相似度阈值”可以预先设定。
此外,本申请实施例不限定上述“待识别笔迹图像的笔迹识别结果”的确定过程,例如,其具体可以包括步骤31-步骤35:
步骤31:将g初始化为1(也就是,g=1)。
步骤32:获取第g个样本笔迹图像的笔迹特征。
本申请实施例不限定步骤32的实施方式,例如,可以从预设存储空间中读取预先存储的第g个样本笔迹图像的笔迹特征。又如,可以针对第g个样本笔迹图像进行笔迹特征提取,得到该第g个样本笔迹图像的笔迹特征。
步骤33:计算待使用笔迹特征与第g个样本笔迹图像的笔迹特征之间的相似度,得到待使用相似度。
本申请实施例中,在获取到第g个样本笔迹图像的笔迹特征之后,可以将待使用笔迹特征与该第g个样本笔迹图像的笔迹特征之间的相似度,确定为待使用相似度,以使该待使用相似度能够表示出待识别笔迹图像携带的笔迹信息与该第g个样本笔迹图像携带的笔迹信息之间的相似性。
步骤34:判断待使用相似度是否满足预设相似度条件,若是,则执行步骤36;若否,则执行步骤35。
上述“预设相似度条件”可以预先设定,例如,若上述“待使用相似度”是借助上文公式(8)-(12)进行确定的,则该“预设相似度条件”可以为:小于预设相似度阈值。
可见,对于利用上文公式(8)-(12)确定的待使用相似度来说,若该待使用相似度小于预设相似度阈值,则可以确定该待使用相似度满足预设相似度条件;若该“待使用相似度”大于或者等于预设相似度阈值,则可以确定该待使用相似度不满足预设相似度条件。
基于上述34的相关内容可知,在获取到待使用相似度之后,判断该待使用相似度是否满足预设相似度条件,若满足,则可以确定第g个样本笔迹图像携带的笔迹信息与待识别笔迹图像携带的笔迹信息十分相似,从而可以确定该第g个样本笔迹图像以及该待识别笔迹图像均用于描述同一个人的笔迹,故可以根据该第g个样本笔迹图像,确定该待识别笔迹图像的笔迹识别结果即可;若未满足,则可以确定第g个样本笔迹图像携带的笔迹信息与待识别笔迹图像携带的笔迹信息之间的差异性比较大,从而可以确定该第g个样本笔迹图像以及该待识别笔迹图像分别用于描述不同人的笔迹,进而可以确定该第g个样本笔迹图像没有参考价值,故可以直接舍弃该第g个样本笔迹图像即可。
步骤35:更新g,并返回执行步骤32。
本申请实施例中,在确定待使用相似度未满足预设相似度条件之后,可以确定第g个样本笔迹图像没有参考价值,故可以按照公式(13)对g进行更新,以便后续能够基于更新后的g(也就是,g′),继续执行步骤32及其后续步骤,如此以实现下一轮笔迹对照过程。
g′=g+1 (13)
式中,g′表示更新后的g。
步骤36:根据第g个样本笔迹图像,确定待识别笔迹图像的笔迹识别结果。
本申请实施例中,在确定待使用相似度满足预设相似度条件之后,可以确定该第g个样本笔迹图像携带的笔迹信息几乎接近于该待识别笔迹图像携带的笔迹信息,故可以根据该第g个样本笔迹图像,确定待识别笔迹图像的笔迹识别结果(例如,可以将该第g个样本笔迹图像,确定为待识别笔迹图像的笔迹识别结果。又如,可以将该第g个样本笔迹图像对应的身份信息,确定为待识别笔迹图像的笔迹识别结果。还如,可以将该第g个样本笔迹图像和该第g个样本笔迹图像对应的身份信息,确定为待识别笔迹图像的笔迹识别结果)。
基于上述步骤31至步骤36的相关内容可知,在获取到待使用笔迹特征之后,可以通过将该待使用笔迹特征与多个样本笔迹图像的笔迹特征进行笔迹对照的方式,实现针对待识别笔迹图像的笔迹识别过程,如此有利于提高笔迹识别效果。
基于上述S1至S3的相关内容可知,对于本申请实施例提供的笔迹识别方法来说,在获取到待识别笔迹图像之后,先对该待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征,以使该待使用笔迹特征包括该待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征;再根据待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定该待识别笔迹图像的笔迹识别结果。可见,因待使用笔迹特征包括待识别笔迹图像的物理特征和该待识别笔迹图像的纹理特征,使得该待使用笔迹特征能够更准确地描述出该待识别笔迹图像所携带的笔迹信息,从而使得基于该待使用笔迹特征确定的笔迹识别结果更准确,如此能够提高笔迹识别效果。
方法实施例二
实际上,在利用图像采集设备针对图像数据进行采集时很有可能会引入噪声,使得采集所得的图像数据携带有噪声数据,故为了避免噪声数据对笔迹识别过程造成不良影响,本申请实施例还提供了获取上述“待识别笔迹图像”的另一种可能的实施方式,其具体可以包括步骤41-步骤42:
步骤41:在获取到笔迹原图之后,对笔迹原图进行去噪处理,得到去噪笔迹图像。
本申请实施例不限定步骤41的实施方式,例如,可以采用现有的或者未来出现的任意一种图像去噪方法(例如,中值滤波、三色分量直方图法及均值滤法等)进行实施。
另外,为了进一步提高图像去噪效果,本申请实施例还提供了步骤41的另一种可能的实施方式,其具体可以包括步骤411-步骤412:
步骤411:根据笔迹原图,确定待使用权重。
上述“待使用权重”是指在对笔迹原图进行低秩聚类处理时所需使用的权重。例如,若低秩聚类处理是借助最小加权核范数方法(Weighted Nuclear NormMinimization,WNNM)进行实施的,则该“待使用权重”包括与WNNM中奇异值相关的权重值。
另外,为了提高去噪效果,本申请实施例还提供了步骤411的一种可能的实施方式,其具体可以包括步骤4111-步骤4114:
步骤4111:对笔迹原图进行经验模态分解(Empirical Mode Decomposition,EMD),得到待使用分量。
本申请实施例不限定EMD的实施方式,可以采用现有的或者未来出现的任意一种EMD进行实施。
本申请实施例也不限定上述“待使用分量”的确定过程,例如,其具体可以包括:先对笔迹原图进行EMD,得到按照从高频到低频进行排序的至少一个本征模函数(IntrinsicMode Function,简称IMF)分量,以使各个IMF分量分别代表原始信号(也就是,笔迹原图)中各频率分量;再将具有最高频率的IMF分量,确定为待使用分量(也就是,将IMF1分量确定为待使用分量)。
步骤4112:对待使用分量进行分块处理,得到至少一个第一图像块。
上述“第一图像块”用于表示待使用分量中部分区域携带的图像信息;而且本申请实施例不限定该“第一图像块”的个数,例如,其可以为J,J为正整数。
需要说明的是,本申请实施例不限定“分块处理”的实施方式,例如,可以采用现有的或者未来出现的任意一种能够针对一个图像数据进行分块处理的方法进行实施。
步骤4113:确定各第一图像块的噪声方差。
需要说明的是,本申请实施例不限定“噪声方差”的确定过程,可以采用现有的或者未来出现的任意一种能够针对一个图像块进行噪声方差计算处理的方法进行实施。
步骤4114:根据至少一个第一图像块的噪声方差,确定待使用权重。
作为示例,当上述“至少一个第一图像块”包括J个第一图像块时,步骤4114具体可以包括步骤41141-步骤41142:
步骤41141:从预设映射关系中查找第j个第一图像块的噪声方差对应的权重值。其中,j为正整数,j≤J,J为正整数。
上述“预设映射关系”用于记录各个候选噪声方差区间对应的权重值;而且本申请实施例不限定该“预设映射关系”,例如,其具体可以包括:第1个候选噪声方差区间与第1个权重值之间的对应关系、第2个候选噪声方差区间与第2个权重值之间的对应关系、……、以及第T个候选噪声方差区间与第T个权重值之间的对应关系。其中,T为正整数。
可见,在获取到第j个第一图像块的噪声方差之后,可以将该“第j个第一图像块的噪声方差”与预设映射关系中T个候选噪声方差区间分别进行匹配,得到方差匹配结果;若该方差匹配结果表示该“第j个第一图像块的噪声方差”属于目标方差区间,则将与该目标方差区间具有对应关系的权重值,确定为该“第j个第一图像块的噪声方差”对应的权重值。基于此可知,上述“预设映射关系”中记录有第j个第一图像块的噪声方差与该第j个第一图像块的噪声方差对应的权重值之间的对应关系。其中,j为正整数,j≤J,J为正整数。
另外,本申请实施例不限定上述“预设映射关系”的构建过程,例如,其可以由相关人员进行人工构建。
步骤41142:将J个第一图像块的噪声方差对应的权重值进行集合处理,得到待使用权重。
本申请实施例中,在获取到第1个第一图像块的噪声方差对应的权重值至第J个第一图像块的噪声方差对应的权重值之后,可以将该J个第一图像块的噪声方差对应的权重值进行集合处理,得到待使用权重,以使该待使用权重包括该J个第一图像块的噪声方差对应的权重值,从而使得该待使用权重能够更好地表示出针对该笔迹原图中不同区域所采取的噪声压制权重。
基于上述步骤411的相关内容可知,在获取到笔迹原图之后,可以参考该笔迹原图的局部噪声,确定待使用权重,以使该待使用权重能够更好地表示出针对该笔迹原图中不同区域所采取的噪声压制权重,从而使得后续能够利用该待使用权重更好地压制该笔迹原图中不同区域携带的噪声数据。
步骤412:按照待使用权重,对笔迹原图进行低秩聚类处理,得到去噪笔迹图像。
本申请实施例不限定上述“低秩聚类处理”的实施方式,例如,其可以借助WNNM进行实施。
另外,为了提高去噪效果,本申请实施例提出了一种动态最小加权核范数DWNNM(Dynamic Weighted Nuclear Norm Minimization,DWNNM),为了便于理解,下面以步骤412的一种可能的实施方式为例进行说明。
作为示例,当上述“待使用权重”包括J个图像块权重时,步骤412具体可以包括步骤4121-步骤4129:
步骤4121:根据笔迹原图,初始化无噪图像和待处理图像(如公式(14)-(15)所示)。
式中,表示无噪图像的初始化值(也就是,下文所示的“第0次更新后的无噪图像”),且该是一个矩阵;表示待处理图像的初始化值(也就是,下文所示的“第0次更新后的待处理图像”),且该是一个矩阵;Moriginal表示笔迹原图(也就是,原始信号)。
步骤4122:根据笔迹原图以及无噪图像,更新待处理图像(如公式(16)所示)。
式中,表示第l次更新后的待处理图像;表示第l-1次更新后的无噪图像;表示第l-1次更新后的待处理图像;Moriginal表示笔迹原图;δ()是一个函数,且该δ()的相关内容请参见WNNM中δ( )函数的相关内容;l为正整数,且1≤l。
步骤4123:对待处理图像进行分块处理,得到J个第二图像块。
上述“第二图像块”用于表示待处理图像部分区域携带的图像信息。
需要说明的是,步骤4123的实施方式类似于上文步骤4112的实施方式。
步骤4124:对第j个第二图像块进行块匹配处理,得到第j个相似块集合。其中,j为正整数,j≤J。
上述“第j个相似块集合”是由该第j个第二图像块、以及J个第二图像块中除了该第j个第二图像块以外的其他所有与该第j个第二图像块相似的第二图像块所组成。
本申请实施例不限定上述“块匹配处理”的实施方式,例如,可以采用现有的或者未来出现的任意一种块匹配方法(例如,WNNM中所示的相似图像块集合确定方法)进行实施。
步骤4125:对第j个相似块集合进行奇异值分解,得到第j个分解结果(如公式(17)所示)。其中,j为正整数,j≤J。
[U,Σ,V]=SVD(Yj) (17)
式中,[U,Σ,V]表示第j个分解结果;Yj表示第j个相似块集合;SVD()表示奇异值分解函数。
需要说明的是,公式(14)-(17)的相关内容请参见WNNM中对应内容。
步骤4126:根据待使用权重中第j个图像块权重和第j个分解结果,确定第j个估计值(如公式(18)所示)。其中,j为正整数,j≤J。
Xj=Uwj(Σ)VT (18)
式中,Xj表示第j个估计值;[U,Σ,V]表示第j个分解结果;wj表示待使用权重中第j个图像块权重(也就是,上文“第j个第一图像块的噪声方差对应的权重值”);VT表示V的转置。
步骤4127:根据J个估计值,更新无噪图像。
步骤4128:判断是否达到预设停止条件,若是,则执行步骤4129;若否,则返回执行步骤4122。
上述“预设停止条件”可以预先设定,例如,其具体可以为:更新次数达到预设次数阈值(也就是,l=L)。需要说明的是,“L”表示预设次数阈值;而且L可以预先设定。其中,L为正整数。
可见,在更新好无噪图像之后,可以判断该无噪图像的更新次数是否达到预设次数阈值,若达到,则可以确定更新后的无噪图像几乎不携带有噪声数据,故可以直接根据更新后的无噪图像(例如,),确定去噪笔迹图像即可;若未达到,则可以确定更新后的无噪图像依旧携带有噪声数据,故可以继续执行步骤4122及其相关步骤,以实现下一轮图像去噪处理。
步骤4129:根据无噪图像,确定去噪笔迹图像。
本申请实施例中,在确定达到预设停止条件(例如,无噪图像的更新次数达到预设次数阈值)之后,可以直接将该无噪图像(例如,),确定为去噪笔迹图像,以使该去噪笔迹图像几乎不携带有噪声数据,如此能够有效地避免噪声数据对后续笔迹识别处理所造成的不良影响。
基于上述步骤41的相关内容可知,在获取到由图像采集设备所采集的笔迹原图之后,可以先利用DWNNM,针对该笔迹原图进行去噪处理,得到去噪笔迹图像,以使该去噪笔迹图像几乎不携带有噪声数据,如此能够有效地避免噪声数据对后续笔迹识别处理所造成的不良影响。
步骤42:根据去噪笔迹图像,确定待识别笔迹图像。
本申请实施例不限定步骤42的实施方式,例如,其具体可以包括:直接将该去噪笔迹图像,确定为待识别笔迹图像。
实际上,去噪笔迹图像中可能存在大量空白区域,故为了避免空白区域对后续笔迹识别处理所造成的不良影响,本申请实施例还提供了步骤42的另一种可能的实施方式,其具体可以包括步骤421-步骤422:
步骤421:对去噪笔迹图像进行空白删除处理,得到去空白图像。
作为示例,步骤421具体可以包括步骤4211-步骤4213:
步骤4211:对去噪笔迹图像进行灰度化处理,得到灰度图像。
上述“灰度图像”是指去噪笔迹图像的灰度图;而且本申请实施例不限定上述“灰度图像”的确定过程,例如,其具体可以包括:对于去噪笔迹图像中每个像素点来说,先将每个像素点的R=G=B=(R+B+G)/3;再将平均值转化为对应的灰度等级,完成笔迹图像灰度化处理,得到灰度图像。又如,也可以采用现有的或者未来出现的任意一种灰度图转换方法进行实施。
步骤4212:对灰度图像进行二值化处理,得到二值化图像。
上述“二值化图像”是指去噪笔迹图像的黑白二值化图;而且本申请实施例不限定上述“二值化图像”的确定过程,例如,其具体可以包括:对于灰度图像中每个像素点来说,可以将该像素点的灰度值与预设灰度阈值进行比较,若该像素点的灰度值大于预设灰度阈值,则将该像素点设置为第一像素值(例如,用于表示白色的像素值);若该像素点的灰度值不大于预设灰度阈值,则将该像素点设置为第二像素值(例如,用于表示黑色的像素值),如此以完成将灰度图像转化成黑白二值化图的目的,得到二值化图像。又如,也可以采用现有的或者未来出现的任意一种二值化图转换方法进行实施。
步骤4213:从二值化图像中删除满足预设空白条件的区域,得到去空白图像。
上述“预设空白条件”可以预先设定,例如,其可以采用下文步骤42131-步骤42137所示的空白行列筛选条件。
本申请实施例不限定步骤4213的实施方式,例如,当上述“二值化图像”的尺寸为I×K时,步骤4213具体可以包括步骤42131-步骤42137:
步骤42131:将二值化图像中第i行的所有像素点的像素值进行加和,得到该第i行的像素表征数据(如图2中“Hi”)。其中,i为正整数,i≤I,I为正整数。
步骤42132:根据第i行的像素表征数据,确定该第i行的空白识别结果。其中,i为正整数,i≤I,I为正整数。
上述“第i行的空白识别结果”用于表示二值化图像中第i行是否为空白行;而且本申请实施例不限定该“第i行的空白识别结果”的确定过程,例如,其具体可以包括:若该第i行的像素表征数据高于预设像素阈值(如图2中“Hth”),则将第一标注标签(例如,“1”),确定为该“第i行的空白识别结果”,以使该“第i行的空白识别结果”表示该第i行是空白行;若该第i行的像素表征数据不高于预设像素阈值,则将第二标注标签(例如,“0”),确定为该“第i行的空白识别结果”,以使该“第i行的空白识别结果”表示该第i行不是空白行。
步骤42133:根据第1行的空白识别结果至第I行的空白识别结果,确定至少一个空白行。
本申请实施例中,在获取到二值化图像中第i行的空白识别结果之后,若该第i行的空白识别结果满足预设空白行条件(例如,是“1”),则将该第i行确定为空白行;若该第i行的空白识别结果不满足预设空白行条件,则舍弃第i行即可。其中,i为正整数,i≤I,I为正整数。
步骤42134:将二值化图像中第k列的所有像素点的像素值进列加和,得到该第k列的像素表征数据(如图2中“Vk”)。其中,k为正整数,k≤K,K为正整数。
步骤42135:根据第k列的像素表征数据,确定该第k列的空白识别结果。其中,k为正整数,k≤K,K为正整数。
上述“第k列的空白识别结果”用于表示二值化图像中第k列是否为空白列;而且本申请实施例不限定该“第k列的空白识别结果”的确定过程,例如,其具体可以包括:若该第k列的像素表征数据高于预设像素阈值(如图2中“Vth”),则将第一标注标签(例如,“1”),确定为该“第k列的空白识别结果”,以使该“第k列的空白识别结果”表示该第k列是空白列;若该第k列的像素表征数据不高于预设像素阈值,则将第二标注标签(例如,“0”),确定为该“第k列的空白识别结果”,以使该“第k列的空白识别结果”表示该第k列不是空白列。
步骤42136:根据第1列的空白识别结果至第K列的空白识别结果,确定至少一个空白列。
本申请实施例中,在获取到二值化图像中第k列的空白识别结果之后,若该第k列的空白识别结果满足预设空白列条件(例如,是“1”),则将该第k列确定为空白列;若该第k列的空白识别结果不满足预设空白列条件,则舍弃第k列即可。其中,k为正整数,k≤K,K为正整数。
步骤42137:将至少一个空白行以及至少一个空白列从二值化图像中删除,得到去空白图像。
基于上述步骤421的相关内容可知,在获取到去噪笔迹图像之后,可以针对该去噪笔迹图像进行去空白处理,得到去空白图像,以使该去空白图像中存在较少的空白区域,如此能够有效地避免空白区域对后续笔迹识别处理所造成的不良影响,如此有利于提高笔迹识别效果。
步骤422:根据去空白图像,确定待识别笔迹图像。
本申请实施例不限定步骤422的实施方式,例如,其具体可以为:直接将去空白图像,确定为待识别笔迹图像。
另外,去空白图像可能携带有很少的笔迹信息,故为了避免笔迹数量较少对后续笔迹识别处理所造成的不良影响,本申请实施例还提供了步骤422的另一种可能的实施方式,其具体可以包括步骤4221-步骤4227:
步骤4221:判断去空白图像是否满足预设纹理条件,若是,则执行步骤4222;若否,则执行步骤4223-步骤4227。
上述“预设纹理条件”可以预先设定,例如,其可以包括:去空白图像中笔迹数量(例如,字符个数)达到预设数量阈值。
可见,在获取到去空白图像之后,可以判断该去空白图像中笔迹数量是否达到预设数量阈值,若达到,则表示该去空白图像满足预设纹理条件,故可以直接将该去空白图像,确定为待识别笔迹图像即可,以便后续能够针对该待识别笔迹图像进行笔迹识别处理;若未达到,则表示该去空白图像中笔迹数量依旧比较少,故可以借助步骤4223-步骤4227,实现针对该去空白图像的纹理强化处理,以克服笔迹数量较少对后续笔迹识别处理所造成的不良影响。
步骤4222:将去空白图像,确定为待识别笔迹图像。
本申请实施例中,在确定去空白图像满足预设纹理条件之后,可以确定该去空白图像中具有足够的笔迹信息,故可以直接将该去空白图像,确定为待识别笔迹图像即可,以便后续能够借助上文S2-S3,实现针对该待识别笔迹图像的笔迹识别处理。
步骤4223:根据去空白图像,初始化待填充图像。
本申请实施例中,在确定去空白图像不满足预设纹理条件之后,可以确定该去空白图像中笔迹信息不足,故可以利用该去空白图像,对待填充图像进行初始化处理(例如,直接将该去空白图像确定为待填充图像),以便后续能够借助该待填充图像的纹理填充过程,实现针对该去空白图像的纹理强化处理。
步骤4224:根据待填充图像,确定填充起始位置。
上述“填充起始位置”用于表示在针对待填充图像进行纹理填充时所需参考的填充起点;而且本申请实施例不限定该“填充起始位置”的确定过程,例如,其具体可以包括:先从待填充图像中定位出包括字符信息的最后一行,得到纹理下边界线;再根据该纹理下边界线和预设行间隔,得到填充起始位置,以使该填充起始位置用于表示纹理填充区域中的第一行。
步骤4225:根据待使用纹理以及填充起始位置,更新待填充图像。
上述“待使用纹理”是指针对待填充图像进行纹理填充时所需使用的纹理信息;而且本申请实施例不限定该“待使用纹理”,例如,其可以预先设定。
另外,为了提高笔迹识别效果,上述“待使用纹理”可以根据去空白图像确定;而且本申请实施例不限定该“待使用纹理”的确定过程,例如,其具体可以包括:将去空白图像中所有笔迹信息(也就是,字符),确定为待使用纹理。
本申请实施例不限定步骤4225的实施方式,例如,其具体可以包括:按照填充起始位置,将待使用纹理填充至待填充图像,得到更新后的待填充图像,以使更新后的待填充图像比更新前的待填充图像多了该待使用纹理,从而使得更新后的待填充图像的笔迹数量高于更新前的待填充图像的笔迹数量。
步骤4226:判断待填充图像是否满足预设纹理条件,若是,则执行步骤4227;若否,则返回执行步骤4224。
本申请实施例中,在更新好待填充图像之后,可以判断更新后的待填充图像是否满足预设纹理条件,若满足,则可以确定更新后的待填充图像中具有足够的笔迹信息,故可以直接将更新后的待填充图像,确定为待识别笔迹图像即可,以便后续能够借助上文S2-S3,实现针对该待识别笔迹图像的笔迹识别处理;若不满足,则可以确定更新后的待填充图像中笔迹信息依旧不足,故可以继续执行步骤4224及其后续步骤,以实现针对该待填充图像的下一轮纹理填充过程。
步骤4227:将待填充图像,确定为待识别笔迹图像。
本申请实施例中,在确定当前轮的待填充图像满足预设纹理条件时,可以确定该待填充图像中具有足够的笔迹信息,故可以直接将更新后的待填充图像,确定为待识别笔迹图像即可,以便后续能够借助上文S2-S3,实现针对该待识别笔迹图像的笔迹识别处理。
基于上述步骤4221至步骤4227的相关内容可知,在获取到去空白图像之后,如果该去空白图像中笔迹信息不足,则可以针对该去空白图像进行纹理强化处理,得到待识别笔迹图像,以使该待识别笔迹图像具有足够的笔迹信息,如此能够有效地避免笔迹数量较少对后续笔迹识别处理所造成的不良影响,从而有利于提高笔迹识别效果。
基于上述步骤41至步骤42的相关内容可知,在获取到由图像采集设备采集的笔迹原图之后,可以先对该笔迹原图进行去噪处理,得到去噪笔迹图像,以使该去噪笔迹图像几乎不携带由噪声数据;再根据该去噪笔迹图像,确定待识别笔迹图像,以使该待识别笔迹图像能够更好地表示出该笔迹原图中笔迹信息,以便后续能够借助上文S2-S3,实现针对该笔迹原图的笔迹识别处理(如图2所示),如此有利于提高笔迹识别效果。
基于上述方法实施例提供的笔迹识别方法,本申请实施例还提供了一种笔迹识别装置,下面结合附图进行解释和说明。
装置实施例
装置实施例对笔迹识别装置进行介绍,相关内容请参见上述方法实施例。
参见图3,该图为本申请实施例提供的一种笔迹识别装置的结构示意图。
本申请实施例提供的笔迹识别装置300,包括:
图像获取单元301,用于获取待识别笔迹图像;
特征提取单元302,用于对所述待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征;其中,所述待使用笔迹特征包括所述待识别笔迹图像的物理特征和所述待识别笔迹图像的纹理特征;
笔迹识别单元303,用于根据所述待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定所述待识别笔迹图像的笔迹识别结果;其中,各所述样本笔迹图像的笔迹特征包括各所述样本笔迹图像的物理特征和各所述样本笔迹图像的纹理特征。
在一种可能的实施方式中,所述样本笔迹图像的个数为N;
所述笔迹识别装置300,还包括:
相似度确定单元,用于根据所述待识别笔迹图像的物理特征和所述第n个样本笔迹图像的物理特征,确定第n个物理特征相似度;其中,n为正整数,n≤N,N为正整数;根据所述待识别笔迹图像的纹理特征和所述第n个样本笔迹图像的纹理特征,确定第n个纹理特征相似度;将所述第n个物理特征相似度与所述第n个纹理特征相似度之间的平均值,确定为所述待使用笔迹特征与所述第n个样本笔迹图像的笔迹特征之间的相似度。
在一种可能的实施方式中,所述相似度确定单元,包括第一确定子单元和/或第二确定子单元;
所述第一确定子单元,用于根据所述待识别笔迹图像的物理特征和所述第n个样本笔迹图像的物理特征,确定第n个物理特征距离;根据所述第n个物理特征距离与参考物理特征距离之间的比值,确定所述第n个物理特征相似度;其中,所述参考物理特征距离是根据所述待识别笔迹图像的物理特征、以及N个样本笔迹图像的物理特征确定的;
所述第二确定子单元,用于根据所述待识别笔迹图像的纹理特征和所述第n个样本笔迹图像的纹理特征,确定第n个纹理特征距离;根据所述第n个纹理特征距离与参考纹理特征距离之间的比值,确定所述第n个纹理特征相似度;其中,所述参考纹理特征距离是根据所述待识别笔迹图像的纹理特征、以及N个样本笔迹图像的纹理特征确定的。
在一种可能的实施方式中,所述物理特征包括笔迹倾斜度、笔迹偏心度、笔迹圆度和笔迹长宽比中的至少一个。
在一种可能的实施方式中,所述图像获取单元301,包括:
去噪子单元,用于在获取到笔迹原图之后,对所述笔迹原图进行去噪处理,得到去噪笔迹图像;
第三确定子单元,用于根据所述去噪笔迹图像,确定所述待识别笔迹图像。
在一种可能的实施方式中,所述去噪子单元,包括:
第四确定子单元,用于根据所述笔迹原图,确定待使用权重;
低秩聚类子单元,用于按照所述待使用权重,对所述笔迹原图进行低秩聚类处理,得到去噪笔迹图像。
在一种可能的实施方式中,所述第四确定子单元,包括:
模态分解子单元,用于对所述笔迹原图进行经验模态分解,得到待使用分量;
信号分块子单元,用于对所述待使用分量进行分块处理,得到至少一个第一图像块;
第五确定子单元,用于确定各所述第一图像块的噪声方差;
第六确定子单元,用于根据所述至少一个第一图像块的噪声方差,确定所述待使用权重。
在一种可能的实施方式中,所述第一图像块的个数为J;
所述第六确定子单元,具体用于:从预设映射关系中查找第j个第一图像块的噪声方差对应的权重值;其中,所述预设映射关系包括所述第j个第一图像块的噪声方差与所述第j个第一图像块的噪声方差对应的权重值之间的对应关系;j为正整数,j≤J,J为正整数;将J个第一图像块的噪声方差对应的权重值进行集合处理,得到所述待使用权重。
在一种可能的实施方式中,所述待使用权重包括J个图像块权重;其中,J为正整数;
所述低秩聚类子单元,具体用于:根据所述笔迹原图,初始化无噪图像和待处理图像;根据所述笔迹原图以及所述无噪图像,更新所述待处理图像;对所述待处理图像进行分块处理,得到J个第二图像块;对第j个第二图像块进行块匹配处理,得到第j个相似块集合;其中,j为正整数,j≤J;对所述第j个相似块集合进行奇异值分解,得到第j个分解结果;其中,j为正整数,j≤J;根据所述待使用权重中第j个图像块权重和所述第j个分解结果,确定第j个估计值;其中,j为正整数,j≤J;根据J个估计值,更新所述无噪图像,并继续执行所述根据所述笔迹原图以及所述无噪图像,更新所述待处理图像的步骤,直至在达到预设停止条件时,根据所述无噪图像,确定所述去噪笔迹图像。
在一种可能的实施方式中,所述第三确定子单元,包括:
空白删除子单元,用于对所述去噪笔迹图像进行空白删除处理,得到去空白图像;
第七确定子单元,用于根据所述去空白图像,确定所述待识别笔迹图像。
在一种可能的实施方式中,所述空白删除子单元,具体用于:对所述去噪笔迹图像进行灰度化处理,得到灰度图像;对所述灰度图像进行二值化处理,得到二值化图像;从所述二值化图像中删除满足预设空白条件的区域,得到所述去空白图像。
在一种可能的实施方式中,所述第七确定子单元,具体用于:若确定所述去空白图像不满足预设纹理条件,则根据所述去空白图像,初始化待填充图像;根据所述待填充图像,确定填充起始位置;根据待使用纹理以及所述填充起始位置,更新所述待填充图像,并继续执行所述根据所述待填充图像,确定填充起始位置的步骤,直至在确定所述待填充图像满足预设纹理条件时,将所述待填充图像,确定为所述待识别笔迹图像;其中,所述待使用纹理是根据所述去空白图像确定的。
进一步地,本申请实施例还提供了一种设备,包括:处理器、存储器、系统总线;
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述笔迹识别方法的任一种实现方法。
进一步地,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述笔迹识别方法的任一种实现方法。
进一步地,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行上述笔迹识别方法的任一种实现方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (16)
1.一种笔迹识别方法,其特征在于,所述方法包括:
获取待识别笔迹图像;
对所述待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征;其中,所述待使用笔迹特征包括所述待识别笔迹图像的物理特征和所述待识别笔迹图像的纹理特征;
根据所述待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定所述待识别笔迹图像的笔迹识别结果;其中,各所述样本笔迹图像的笔迹特征包括各所述样本笔迹图像的物理特征和各所述样本笔迹图像的纹理特征。
2.根据权利要求1所述的方法,其特征在于,所述样本笔迹图像的个数为N;
所述待使用笔迹特征与第n个样本笔迹图像的笔迹特征之间的相似度的确定过程,包括:
根据所述待识别笔迹图像的物理特征和所述第n个样本笔迹图像的物理特征,确定第n个物理特征相似度;其中,n为正整数,n≤N,N为正整数;
根据所述待识别笔迹图像的纹理特征和所述第n个样本笔迹图像的纹理特征,确定第n个纹理特征相似度;
将所述第n个物理特征相似度与所述第n个纹理特征相似度之间的平均值,确定为所述待使用笔迹特征与所述第n个样本笔迹图像的笔迹特征之间的相似度。
3.根据权利要求2所述的方法,其特征在于,所述第n个物理特征相似度的确定过程,包括:
根据所述待识别笔迹图像的物理特征和所述第n个样本笔迹图像的物理特征,确定第n个物理特征距离;根据所述第n个物理特征距离与参考物理特征距离之间的比值,确定所述第n个物理特征相似度;其中,所述参考物理特征距离是根据所述待识别笔迹图像的物理特征、以及N个样本笔迹图像的物理特征确定的;
和/或,
所述第n个纹理特征相似度的确定过程,包括:
根据所述待识别笔迹图像的纹理特征和所述第n个样本笔迹图像的纹理特征,确定第n个纹理特征距离;根据所述第n个纹理特征距离与参考纹理特征距离之间的比值,确定所述第n个纹理特征相似度;其中,所述参考纹理特征距离是根据所述待识别笔迹图像的纹理特征、以及N个样本笔迹图像的纹理特征确定的。
4.根据权利要求1所述的方法,其特征在于,所述物理特征包括笔迹倾斜度、笔迹偏心度、笔迹圆度和笔迹长宽比中的至少一个。
5.根据权利要求1所述的方法,其特征在于,所述待识别笔迹图像的获取过程,包括:
在获取到笔迹原图之后,对所述笔迹原图进行去噪处理,得到去噪笔迹图像;
根据所述去噪笔迹图像,确定所述待识别笔迹图像。
6.根据权利要求5所述的方法,其特征在于,所述对所述笔迹原图进行去噪处理,得到去噪笔迹图像,包括:
根据所述笔迹原图,确定待使用权重;
按照所述待使用权重,对所述笔迹原图进行低秩聚类处理,得到去噪笔迹图像。
7.根据权利要求6所述的方法,其特征在于,所述待使用权重的确定过程,包括:
对所述笔迹原图进行经验模态分解,得到待使用分量;
对所述待使用分量进行分块处理,得到至少一个第一图像块;
确定各所述第一图像块的噪声方差;
根据所述至少一个第一图像块的噪声方差,确定所述待使用权重。
8.根据权利要求7所述的方法,其特征在于,所述第一图像块的个数为J;
所述根据所述至少一个第一图像块的噪声方差,确定所述待使用权重,包括:
从预设映射关系中查找第j个第一图像块的噪声方差对应的权重值;其中,所述预设映射关系包括所述第j个第一图像块的噪声方差与所述第j个第一图像块的噪声方差对应的权重值之间的对应关系;j为正整数,j≤J,J为正整数;
将J个第一图像块的噪声方差对应的权重值进行集合处理,得到所述待使用权重。
9.根据权利要求6所述的方法,其特征在于,所述待使用权重包括J个图像块权重;其中,J为正整数;
所述按照所述待使用权重,对所述笔迹原图进行低秩聚类处理,得到所述去噪笔迹图像,包括:
根据所述笔迹原图,初始化无噪图像和待处理图像;
根据所述笔迹原图以及所述无噪图像,更新所述待处理图像;
对所述待处理图像进行分块处理,得到J个第二图像块;
对第j个第二图像块进行块匹配处理,得到第j个相似块集合;其中,j为正整数,j≤J;
对所述第j个相似块集合进行奇异值分解,得到第j个分解结果;其中,j为正整数,j≤J;
根据所述待使用权重中第j个图像块权重和所述第j个分解结果,确定第j个估计值;其中,j为正整数,j≤J;
根据J个估计值,更新所述无噪图像,并继续执行所述根据所述笔迹原图以及所述无噪图像,更新所述待处理图像的步骤,直至在达到预设停止条件时,根据所述无噪图像,确定所述去噪笔迹图像。
10.根据权利要求5-9任一项所述的方法,其特征在于,所述根据所述去噪笔迹图像,确定所述待识别笔迹图像,包括:
对所述去噪笔迹图像进行空白删除处理,得到去空白图像;
根据所述去空白图像,确定所述待识别笔迹图像。
11.根据权利要求10所述的方法,其特征在于,所述去空白图像的确定过程,包括:
对所述去噪笔迹图像进行灰度化处理,得到灰度图像;
对所述灰度图像进行二值化处理,得到二值化图像;
从所述二值化图像中删除满足预设空白条件的区域,得到所述去空白图像。
12.根据权利要求10所述的方法,其特征在于,所述根据所述去空白图像,确定所述待识别笔迹图像,包括:
若确定所述去空白图像不满足预设纹理条件,则根据所述去空白图像,初始化待填充图像;
根据所述待填充图像,确定填充起始位置;
根据待使用纹理以及所述填充起始位置,更新所述待填充图像,并继续执行所述根据所述待填充图像,确定填充起始位置的步骤,直至在确定所述待填充图像满足预设纹理条件时,将所述待填充图像,确定为所述待识别笔迹图像;其中,所述待使用纹理是根据所述去空白图像确定的。
13.一种笔迹识别装置,其特征在于,包括:
图像获取单元,用于获取待识别笔迹图像;
特征提取单元,用于对所述待识别笔迹图像进行笔迹特征提取,得到待使用笔迹特征;其中,所述待使用笔迹特征包括所述待识别笔迹图像的物理特征和所述待识别笔迹图像的纹理特征;
笔迹识别单元,用于根据所述待使用笔迹特征与至少一个样本笔迹图像的笔迹特征之间的相似度,确定所述待识别笔迹图像的笔迹识别结果;其中,各所述样本笔迹图像的笔迹特征包括各所述样本笔迹图像的物理特征和各所述样本笔迹图像的纹理特征。
14.一种设备,其特征在于,所述设备包括:处理器、存储器、系统总线;
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行权利要求1至12任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行权利要求1至12任一项所述的方法。
16.一种计算机程序产品,其特征在于,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行权利要求1至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111526065.6A CN114255468A (zh) | 2021-12-14 | 2021-12-14 | 一种笔迹识别方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111526065.6A CN114255468A (zh) | 2021-12-14 | 2021-12-14 | 一种笔迹识别方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114255468A true CN114255468A (zh) | 2022-03-29 |
Family
ID=80792188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111526065.6A Pending CN114255468A (zh) | 2021-12-14 | 2021-12-14 | 一种笔迹识别方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255468A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311543A (zh) * | 2023-02-03 | 2023-06-23 | 汇金智融(深圳)科技有限公司 | 一种基于图像识别技术的笔迹分析方法及系统 |
CN116363673A (zh) * | 2023-05-11 | 2023-06-30 | 深圳棒棒帮科技有限公司 | 基于智能笔的批改方法、装置、系统及存储介质 |
CN116756588A (zh) * | 2023-08-14 | 2023-09-15 | 北京点聚信息技术有限公司 | 一种同屏手写输入的智能匹配方法 |
-
2021
- 2021-12-14 CN CN202111526065.6A patent/CN114255468A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311543A (zh) * | 2023-02-03 | 2023-06-23 | 汇金智融(深圳)科技有限公司 | 一种基于图像识别技术的笔迹分析方法及系统 |
CN116311543B (zh) * | 2023-02-03 | 2024-03-08 | 汇金智融(深圳)科技有限公司 | 一种基于图像识别技术的笔迹分析方法及系统 |
CN116363673A (zh) * | 2023-05-11 | 2023-06-30 | 深圳棒棒帮科技有限公司 | 基于智能笔的批改方法、装置、系统及存储介质 |
CN116363673B (zh) * | 2023-05-11 | 2024-04-16 | 深圳棒棒帮科技有限公司 | 基于智能笔的批改方法、装置、系统及存储介质 |
CN116756588A (zh) * | 2023-08-14 | 2023-09-15 | 北京点聚信息技术有限公司 | 一种同屏手写输入的智能匹配方法 |
CN116756588B (zh) * | 2023-08-14 | 2023-10-20 | 北京点聚信息技术有限公司 | 一种同屏手写输入的智能匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
CN114255468A (zh) | 一种笔迹识别方法及其相关设备 | |
CN107194317B (zh) | 一种基于网格聚类分析的暴力行为检测方法 | |
US20200134382A1 (en) | Neural network training utilizing specialized loss functions | |
CN110717497B (zh) | 图像相似度匹配方法、装置及计算机可读存储介质 | |
CN112784712B (zh) | 一种基于实时监控的失踪儿童预警实现方法、装置 | |
CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
CN111639629A (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN112634288A (zh) | 设备区域图像分割方法及装置 | |
CN114863431A (zh) | 一种文本检测方法、装置及设备 | |
WO2016192213A1 (zh) | 一种图像特征提取方法和装置、存储介质 | |
CN111968087B (zh) | 一种植物病害区域检测方法 | |
CN113221842A (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
CN113313179A (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
CN116468958B (zh) | 通信铁塔安全检测方法及系统 | |
CN107423739B (zh) | 图像特征提取方法及装置 | |
CN112766082B (zh) | 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 | |
CN114882235A (zh) | 基于图像数据特征的红外图像目标自动识别系统及方法 | |
CN114332138A (zh) | 基于轮廓特性的细胞核分割方法、装置、设备及存储介质 | |
Rodin et al. | Document image quality assessment via explicit blur and text size estimation | |
US11164035B2 (en) | Neural-network-based optical character recognition using specialized confidence functions | |
CN113850252A (zh) | 防振锤螺栓检测方法、装置和电子设备 | |
CN110785769A (zh) | 人脸性别识别方法、人脸性别分类器的训练方法及装置 | |
CN112613341A (zh) | 训练方法及装置、指纹识别方法及装置、电子设备 |
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 |