CN116311543B - 一种基于图像识别技术的笔迹分析方法及系统 - Google Patents
一种基于图像识别技术的笔迹分析方法及系统 Download PDFInfo
- Publication number
- CN116311543B CN116311543B CN202310053759.5A CN202310053759A CN116311543B CN 116311543 B CN116311543 B CN 116311543B CN 202310053759 A CN202310053759 A CN 202310053759A CN 116311543 B CN116311543 B CN 116311543B
- Authority
- CN
- China
- Prior art keywords
- handwriting
- pixel
- value
- pixel points
- image
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000000638 solvent extraction Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 6
- 101100399614 Escherichia coli (strain K12) pheM gene Proteins 0.000 description 5
- 208000003443 Unconsciousness Diseases 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- 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
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于笔迹分析领域,公开了一种基于图像识别技术的笔迹分析方法,包括对被分析人员的笔迹图像进行波动检测,获得像素值波动概率;根据像素值波动概率对分量图像进行分区,获得多个子区域;根据获得的子区域获取笔迹图像中的笔迹区域;获取笔迹区域中的笔迹特征;将笔迹特征输入到训练好的神经网络模型中进行计算,获得被分析人员的分析结果。本发明还提供了一种基于图像识别技术的笔迹分析系统。本发明在基于笔迹对被分析人员进行分析的过程中,先通过波动检测获得像素值波动概率,然后根据波动概率对行或列的像素点进行筛选,将大部分不属于笔迹的像素点进行删除,减少了后续需要进行降噪处理的像素点的数量,有利于提高了笔迹分析的效率。
Description
技术领域
本发明涉及笔迹分析领域,尤其涉及一种基于图像识别技术的笔迹分析方法及系统。
背景技术
笔迹分析技术,是无意识分析技术,是通过分析人类无意识状态下书写的笔迹,总结笔迹与人的心理状态与各项特质的规律,经研究和整理,建立的理论。无意识测评这项技术,不受主观意识的影响,取样更接近受测者当下最真实的状态,因此信效度比较高;有意识测评(量表测评),因受测者当下的主观意识、心态不同而受到影响。无意识测评取样简单,容易,更快速;量表式测评,需要受测者投入大量的时间,需要合适的空间和本人对测评目标的正确理解,因此取样成本高,且容易偏离效度要求。
在进行笔迹分析的过程中,需要通过图像识别技术来获取笔迹的特征,然后通过对特征进行分析来获得对应的心理状态和人物特征。
现有技术CN108171144A公开了信息处理方法、装置、电子设备及存储介质,其在对笔迹图像进行识别的过程中,先直接对第一笔迹图像中所有的像素点进行了降噪处理,得到第二笔迹图像,然后对第二笔迹图像进行校准处理,得到第三笔迹图像,最后再对第三笔迹图像进行二值化分割,得到二值化图像。
但是,在笔迹图像中,非笔迹部分属于无效的区域,因此,对这些区域进行降噪,属于无效的计算,这就降低了笔迹分析的效率。
发明内容
本发明的目的在于公开一种基于图像识别技术的笔迹分析方法及系统,解决现有的笔迹分析技术在进行图像识别的过程中,直接对笔迹图像中的所有像素点进行降噪处理,降低了笔迹分析的效率的问题。
为了达到上述目的,本发明采用如下技术方案:
第一个方面,本发明提供了一种基于图像识别技术的笔迹分析方法,包括:
S101,对被分析人员的笔迹图像进行波动检测,获得像素值波动概率,包括:
获取笔迹图像在RGB颜色空间中的任意一个基本色所对应的图像作为分量图像;
分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率;
S102,根据像素值波动概率对分量图像进行分区,获得多个子区域,包括:
对于分量图像中的任意一行的像素点,若像素值波动概率小于设定的概率阈值,则判断该行的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
对于分量图像中的任意一列的像素点,若像素值波动概率小于设定的概率阈值,则判断该列的像素点是否满足有效信息条件,若否,则将该列的像素点存入无效像素点集合;
获取分量图像中不属于无效像素点集合中的像素点的连通域,每个连通域中的像素点组成一个子区域;
S103,根据获得的子区域获取笔迹图像中的笔迹区域;
S104,获取笔迹区域中的笔迹特征;
S105,将笔迹特征输入到训练好的神经网络模型中进行计算,获得被分析人员的分析结果。
可选的,获取笔迹图像在RGB颜色空间中的任意一个基本色的分量图像,包括:
将笔迹图像在RGB颜色空间中的红色基本色、绿色基本色、蓝色基本色中的任意一个所对应的图像作为分量图像。
可选的,分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率,包括:
分量图像中的第i行的波动概率的计算函数为:
fluproi表示分量图像中的第i行的波动概率,num{|valuen-1,i-valuen,i|≥adpthr}表示获取第i行中满足|valuen-1,i-valuen,i|≥adpthr的像素点的数量,valuen-1,i和valuen,i分别表示第i行中的第n-1个和第n个像素点的像素值,nfrowi表示第i行的像素点的数量,adpthr表示自适应阈值;
分量图像中的第j列的波动概率的计算函数为:
fluproj表示分量图像中的第j列的波动概率,num{|valuem-1,j-valuem,j|≥adpthr}表示获取第j列中满足|valuem-1,j-valuem,j|≥adpthr的像素点的数量,valuem-1,j和valuem,j分别表示第j列中的第m-1个和第m个像素点的像素值,nfcolj表示第第j列的像素点的数量。
可选的,对于第i行的像素点,判断第i行的像素点是否满足有效信息条件的流程如下:
将第i行中所有满足|valuen-1,i-valuen,i|≥adpthr且像素值不为0的像素点保存到集合seti;
计算集合seti中的每个像素点的8邻域的像素点的有效信息系数;
统计有效信息系数大于设定的系数阈值的像素点的数量是否大于0,若是,则第i行的像素点满足有效信息条件,若否,则第i行的像素点不满足有效信息条件。
可选的,对于第j列的像素点,判断第j列的像素点是否满足有效信息条件的流程如下:
将第j列中所有满足|valuem-1,j-valuem,j|≥adpthr且像素值不为0的像素点保存到集合setj;
计算集合setj中的每个像素点的8邻域的像素点的有效信息系数;
统计有效信息系数大于设定的系数阈值的像素点的数量是否大于0,若是,则第j列的像素点满足有效信息条件,若否,则第j列的像素点不满足有效信息条件。
可选的,有效信息系数的计算函数如下:
ifacd表示像素点d的有效信息系数,nfsimd表示像素点d的8邻域中,与像素点d之间的像素值差值小于设定的差值阈值的像素点的数量,λ表示控制参数,λ∈(0,1),nfvlg表示像素点d的8邻域中,像素值为g的像素点的数量,facst表示设定的常数参数。
可选的,获取分量图像中不属于无效像素点集合中的像素点的连通域,包括:
将分量图像中属于无效像素点集合中的像素点的像素值设置0,不属于无效像素点集合中的像素点的像素值设置为1;
由所有像素点值为1且连通的像素点组成一个连通域。
可选的,根据获得的子区域获取笔迹图像中的笔迹区域,包括:
获取笔迹图像中与分量图像的子区域中的像素点坐标相同的像素点,得到笔迹图像中的笔迹区域。
可选的,获取笔迹区域中的笔迹特征,包括:
对笔迹区域进行降噪处理,得到降噪图像;
对降噪图像进行二值化处理,得到二值化图像;
提取二值化图像的图像特征,将图像特征作为笔迹特征。
第二个方面,本发明提供了一种基于图像识别技术的笔迹分析系统,包括波动检测模块、分区模块、笔迹区域获取模块、特征获取模块和笔迹分析模块;
波动检测模块用于对被分析人员的笔迹图像进行波动检测,获得像素值波动概率,包括:
获取笔迹图像在RGB颜色空间中的任意一个基本色所对应的图像作为分量图像;
分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率;
分区模块用于根据像素值波动概率对分量图像进行分区,获得多个子区域,包括:
对于分量图像中的任意一行的像素点,若像素值波动概率小于设定的概率阈值,则判断该行的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
对于分量图像中的任意一列的像素点,若像素值波动概率小于设定的概率阈值,则判断该列的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
获取分量图像中不属于无效像素点集合中的像素点的连通域,每个连通域中的像素点组成一个子区域;
笔迹区域获取模块用于根据获得的子区域获取笔迹图像中的笔迹区域;
特征获取模块用于获取笔迹区域中的笔迹特征;
笔迹分析模块用于将笔迹特征输入到训练好的神经网络模型中进行计算,获得被分析人员的分析结果。
有益效果:本发明在基于笔迹对被分析人员进行分析的过程中,先通过波动检测获得像素值波动概率,然后根据波动概率对行或列的像素点进行筛选,将大部分不属于笔迹的像素点进行了删除,从而减少了后续需要进行降噪处理的像素点的数量,有利于提高了笔迹分析的效率。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1为本发明一种基于图像识别技术的笔迹分析方法的一种示意图。
图2为本发明一种基于图像识别技术的笔迹分析系统的一种示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一个方面,如图1所示的一种实施例,本发明提供了一种基于图像识别技术的笔迹分析方法,包括:
S101,对被分析人员的笔迹图像进行波动检测,获得像素值波动概率,包括:
S1011,获取笔迹图像在RGB颜色空间中的任意一个基本色所对应的图像作为分量图像。
由于本发明需要先将大部分不属于笔迹的像素点筛选出去,因此,为了节约筛选过程所需要的时间,本发明直接是从大部分拍摄设备都可以直接获得的,在RGB颜色空间中的图像进行分量图像的获取,获取过程不需要复杂的计算,仅读取笔迹图像中保存任意一个基本色所对应的像素点的像素值即可。从而有利于提高筛选的效率。
在一种实施例中,获取笔迹图像在RGB颜色空间中的任意一个基本色的分量图像,包括:
将笔迹图像在RGB颜色空间中的红色基本色、绿色基本色、蓝色基本色中的任意一个所对应的图像作为分量图像。
S1012,分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率。
像素值波动概率能够反映像素点的某一行或某一列的像素点的中存在属于笔迹的像素点的概率,存在属于笔迹的像素点的概率越大,则像素值波动概率越大。
在一种实施例中,分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率,包括:
分量图像中的第i行的波动概率的计算函数为:
fluproi表示分量图像中的第i行的波动概率,num{valuen-1,i-valuen,i≥adpthr}表示获取第i行中满足valuen-1,i-valuen,i≥adpthr的像素点的数量,valuen-1,i和valuen,i分别表示第i行中的第n-1个和第n个像素点的像素值,nfrowi表示第i行的像素点的数量,adpthr表示自适应阈值;
分量图像中的第j列的波动概率的计算函数为:
fluproj表示分量图像中的第j列的波动概率,num{valuem-1,j-valuem,j≥adpthr}表示获取第j列中满足valuem-1,j-valuem,j≥adpthr的像素点的数量,valuem-1,j和valuem,j分别表示第j列中的第m-1个和第m个像素点的像素值,nfcolj表示第第j列的像素点的数量。
像素值波动概率在计算的过程中,主要是统计了相邻的像素点之间的像素值的差值的绝对值大于自适应阈值的像素点的数量,然后将得到的数量与所处的行或列的像素点的总数进行比较,得到像素值波动概率。对于某一行或某一列的像素点,若其存在属于笔迹的像素点,则其像素值波动概率有很大的可能会大于等于自适应阈值,而当该行或该列的像素点均不存在属于笔迹的像素点时,则像素值波动概率有很大的可能会小于自适应阈值。这种判断的方式由于是直接对像素点的像素值进行比较,并不像降噪处理的过程中,涉及指数或对数等复杂的运算,因此,能够快速获得行和列的像素值波动概率,有利于提高将大部分不属于笔迹的像素点筛选出去的效率。
在一种实施例中,自适应阈值的计算函数为:
nesih表示被分析人员的笔迹图像所对应的分量图像的随机选择的L×L的区域中的像素点的噪声方差估计值,nesiw表示设定的噪声方差估计值的对照值,basethr表示基础阈值。
在计算自适应阈值的过程中,上述实施例通过随机选择的边长为L的正方形区域中的像素点的噪声方差估计值来作为自适应变化的参数,而nesiw和basethr均为定值,则可以得到随着得到的图像噪声量自适应变化的阈值。而随机选择计算区域,能够避免对所有的像素点进行噪声方差的估计过程,有效地节约了自适应阈值的计算时间。
S102,根据像素值波动概率对分量图像进行分区,获得多个子区域,包括:
S1021,对于分量图像中的任意一行的像素点,若像素值波动概率小于设定的概率阈值,则判断该行的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合。
在笔迹中,笔画的尾部或一些书写时用力比较轻的笔画的一般都比较狭窄,这就会使得存在属于笔画的尾部或书写时用力比较轻的笔画的像素点的行与存在图像噪声的行的像素值波动概率非常相似,因此,本发明在获得小于自适应阈值的行之后,通过判断是否满足有效信息条件来进行再次的判断,能够避免将存在笔迹像素点的行错误地筛选出去。
在一种实施例中,对于第i行的像素点,判断第i行的像素点是否满足有效信息条件的流程如下:
将第i行中所有满足valuen-1,i-valuen,i≥adpthr且像素值不为0的像素点保存到集合seti;
计算集合seti中的每个像素点的8邻域的像素点的有效信息系数;
统计有效信息系数大于设定的系数阈值的像素点的数量是否大于0,若是,则第i行的像素点满足有效信息条件,若否,则第i行的像素点不满足有效信息条件。
上述实施例在判断是否满足有效信息条件的过程中,没有对第i行的所有像素点进行有效信息系数的计算,而是,通过自适应阈值以及判断像素值是否为0来将不可能存在笔迹的像素点排除在外。大幅度地减少了计算有效信息系数的像素点的数量,而且判断的过程依然不涉及计算域的转换以及颜色空间的转换,都是简单的判断步骤,与直接对像素点进行降噪所消耗的时间相比,上述判断所消耗的时间远小于降噪所需要的时间,从而提高了S1021的计算速度。而笔画的尾部的像素点或书写时用力比较轻的笔画的像素点与噪声像素点的区别就是与邻域像素点之间的像素值关系以及像素点周围的有效信息的含量。通过计算有效信息系数,便能够将第i行中,属于噪声的像素点与属于笔画的尾部的像素点进行区分。
S1022,对于分量图像中的任意一列的像素点,若像素值波动概率小于设定的概率阈值,则判断该列的像素点是否满足有效信息条件,若否,则将该列的像素点存入无效像素点集合。
对于一列的像素点,其依然存在于行的像素点同样的规律,因此,通过有效信息条件的判断能够在保留包含笔迹的像素点的同时,将不包含笔迹的像素点筛选出去。
在一种实施例中,对于第j列的像素点,判断第j列的像素点是否满足有效信息条件的流程如下:
将第j列中所有满足valuem-1,j-valuem,j≥adpthr且像素值不为0的像素点保存到集合setj;
计算集合setj中的每个像素点的8邻域的像素点的有效信息系数;
统计有效信息系数大于设定的系数阈值的像素点的数量是否大于0,若是,则第j列的像素点满足有效信息条件,若否,则第j列的像素点不满足有效信息条件。
在一种实施例中,有效信息系数的计算函数如下:
ifacd表示像素点d的有效信息系数,nfsimd表示像素点d的8邻域中,与像素点d之间的像素值差值小于设定的差值阈值的像素点的数量,λ表示控制参数,λ∈(0,1),nfvlg表示像素点d的8邻域中,像素值为g的像素点的数量,facst表示设定的常数参数。
有效信息的计算过程考虑了像素点d与其邻域中的像素点之间的像素值差值以及8邻域中的有效信息的含量。有效信息含量越大,与像素点d之间相似,及像素值差异比较小的像素点的数量越多,则有效信息的值越大。而对于噪声像素点,其8邻域的有效信息含量一般比较小,而且8邻域中,出现相似的像素点的概率也非常少。因此,有效信息系数能够实现行或列中出现的噪声像素点与笔迹中比较窄的笔画部分的像素点之间的区分。
S1023,获取分量图像中不属于无效像素点集合中的像素点的连通域,每个连通域中的像素点组成一个子区域。
无效像素点集合中包含的都是不属于笔迹的像素点。因此,无效像素点会使得包含笔迹的像素点被分在不同的区域中。
下面进行举例说明,例如,若一幅笔迹图像中仅包含A、B、C三个字母,而且这些字母所在的行和列都不相同,那么,不属于字母的笔迹所处区域的像素点便会将这三个字母分成三个区域,每个区域中的像素点是连通的,但是区域之间的像素点是不连通的。
在一种实施例中,获取分量图像中不属于无效像素点集合中的像素点的连通域,包括:
将分量图像中属于无效像素点集合中的像素点的像素值设置0,不属于无效像素点集合中的像素点的像素值设置为1;
由所有像素点值为1且连通的像素点组成一个连通域。
S103,根据获得的子区域获取笔迹图像中的笔迹区域。
由于子区域是在分量图像中获取的,而进行笔迹分析需要的是对笔迹图像进行分析,因此,通过获取子区域中的像素点在笔迹图像中对应的像素点便能够得到笔迹图像中的笔迹区域。当存在多个子区域时,笔迹区域也会存在多个,子区域的数量和笔迹区域的数量相同。
在一种实施例中,根据获得的子区域获取笔迹图像中的笔迹区域,包括:
获取笔迹图像中与分量图像的子区域中的像素点坐标相同的像素点,得到笔迹图像中的笔迹区域。
S104,获取笔迹区域中的笔迹特征。
在将大部分不属于笔迹的像素点进行删除之后,便能够进行降噪处理等获取图像特征之前所需要进行的步骤,而需要进行降噪处理的像素点的数量大幅度减少,从而能够大幅度减少降噪处理所需的时间,而且,后续进行二值化处理的像素点的数量也大幅度减少,因此,与现有技术相比,本发明获取笔迹特征的效率得到了大幅度的提高。
在一种实施例中,获取笔迹区域中的笔迹特征,包括:
S1041,对笔迹区域进行降噪处理,得到降噪图像。
进行降噪处理能够去除笔迹区域中的噪声,从而可以再后续的特征提取中,得到更为准确的笔迹特征。
具体的,对笔迹区域进行降噪处理,得到降噪图像的步骤包括:
对笔迹区域进行灰度化处理,得到灰度图像;
对灰度图像进行降噪处理,得到降噪图像。
灰度化处理主要是为了将笔迹图像降为单通道图像,从而减少需要计算的颜色通道,实现更快的特征提取。
具体的,对笔迹区域进行灰度化处理,得到灰度图像,包括:
第一步,计算笔迹区域的表征参数;
表征参数的计算步骤包括:
将以笔迹区域的中央为圆心的,直径为H的范围内的像素点作为计算区域;
获取计算区域在Lab色彩空间中的维度L的图像phtL;
计算phtL的梯度直方图;
在phtL中计算表征参数:
chapar为笔迹区域的表征参数,α、β表示第一权重和第二权重,fir表示在梯度直方图中,最高的波峰的横轴数值,sed表示在梯度直方图中,第二高的波峰的横轴数值,range表示phtL中梯度的最大值减去梯度的最小值的值,setrge表示phtL中所有的梯度的集合,peakq表示梯度直方图中,横轴数值为q时,直方图的纵轴数值,σ表示大于0的范围控制参数,peaku和peakv分别表示横轴数值为u和v时,直方图的纵轴数值。
表征参数从最高的波峰和第二高的波峰之间的梯度差值以及以波峰的梯度为中心的设定大小的范围内的直方图纵轴数值的累加和这两个角度进行计算,梯度差值越大,累加和的差值越大,表示像素值的分布越复杂,信息含量越多。通过表征参数能够为不同的笔迹区域选择不同的灰度化算法来进行灰度化处理,从而在提高整体的平衡灰度化效果的同时,尽可能缩短灰度化的时间。
计算区域的选取能够减少参与到表征参数中计算的像素点的数量,从而大幅度减少表征系数的计算时间。
第二步,根据表征参数选择灰度化算法对笔迹区域进行灰度化处理,得到灰度图像。
若chapar≤chsthr1,则采用预设权值的加权平均算法对笔迹区域进行灰度化处理,得到灰度图像;
若chsthr1<chapar<chsthr2,则采用基于多峰高斯分布函数的彩色图像灰度化算法对笔迹区域进行灰度化处理,得到灰度图像;
若chsthr2<chapar,则采用基于海鸥算法的彩色图像灰度化算法对笔迹区域进行灰度化处理,得到灰度图像。
chsthr1和chsthr2表示设定的第一比较参数和第二比较参数。
上述实施例在图像灰度化时,没有直接采用常规的预设权重的加权平均算法来进行灰度化处理,而是通过先从笔迹区域中获取计算区域,然后获取计算区域在维度L下的图像,接着通过获取梯度直方图来计算表征参数,基于表征参数和设定的比较参数之间的数值关系,自适应地选择不同的灰度化算法来对笔迹区域进行灰度化处理,能够提高灰度化处理中,灰度图像中的信息含量。
具体的,表征参数越小,表示笔迹区域的像素值分布越简单,则适合采用计算时间较少,信息含量保留效果没那么好的算法来进行灰度化处理,由于本来信息含量也是比较低,因此,采用保留效果较差的算法,对所有的笔迹区域灰度化后的信息含量造成的影响也比较小,反而能够更快地进行灰度化处理。反之,表征参数越大,则表示像素值的分布越复杂,因此,采用计算耗时更长,但是信息含量保留效果更好的灰度化算法来进行灰度化处理。
S1042,对降噪图像进行二值化处理,得到二值化图像。
二值化处理的过程,主要是仅保留属于笔迹的像素点。
S1043,提取二值化图像的图像特征,将图像特征作为笔迹特征。
具体的,笔迹特征包括书写水平特征、布局特征、比例特征等。
S105,将笔迹特征输入到训练好的神经网络模型中进行计算,获得被分析人员的分析结果。
分析结果可以包括被分析人员的的性格特征、情绪特征、心理特征等。
人的性格具有复杂性,部分特质会有交叉或矛盾的地方,例如:严谨和随意,有的人工作上严谨,但生活上要求不高,很随意。性格特征可以在笔迹上投射出来。
心理特征包括极端性、冲动性、攻击性、支配性等方面的评分。
通过神经网络进行笔迹分析,能欧股解决笔迹分析和绘画心理学专业人才少,掌握程度依靠个人悟性,属于主观感性研究,难以量化,知识和经验难以积累,分析结果缺乏数据支撑等问题,同时解决难以满足量大普测需求的难题。
有益效果:本发明在基于笔迹对被分析人员进行分析的过程中,先通过波动检测获得像素值波动概率,然后根据波动概率对行或列的像素点进行筛选,将大部分不属于笔迹的像素点进行了删除,从而减少了后续需要进行降噪处理的像素点的数量,有利于提高了笔迹分析的效率。
笔迹分析过程中,边缘特征作为一个重要的特征,若采用简单的中值降噪的方式,显然会造成边缘信息的丢失,而如果采用其它能够保留更多的边缘信息的降噪算法,则降噪耗时会大幅度地增加。因此,本发明即使增加了像素点的筛选的过程,但是由于大幅度减少了参与降噪过程的像素点的数量,本发明依然能够有效地节约对笔迹图像进行分析的时间,提高笔迹分析的效率。
第二个方面,如图2所示的一种实施例,本发明提供了一种基于图像识别技术的笔迹分析系统,包括波动检测模块、分区模块、笔迹区域获取模块、特征获取模块和笔迹分析模块;
波动检测模块用于对被分析人员的笔迹图像进行波动检测,获得像素值波动概率,包括:
获取笔迹图像在RGB颜色空间中的任意一个基本色所对应的图像作为分量图像;
分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率;
分区模块用于根据像素值波动概率对分量图像进行分区,获得多个子区域,包括:
对于分量图像中的任意一行的像素点,若像素值波动概率小于设定的概率阈值,则判断该行的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
对于分量图像中的任意一列的像素点,若像素值波动概率小于设定的概率阈值,则判断该列的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
获取分量图像中不属于无效像素点集合中的像素点的连通域,每个连通域中的像素点组成一个子区域;
笔迹区域获取模块用于根据获得的子区域获取笔迹图像中的笔迹区域;
特征获取模块用于获取笔迹区域中的笔迹特征;
笔迹分析模块用于将笔迹特征输入到训练好的神经网络模型中进行计算,获得被分析人员的分析结果。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (9)
1.一种基于图像识别技术的笔迹分析方法,其特征在于,包括:
S101,对被分析人员的笔迹图像进行波动检测,获得像素值波动概率,包括:
获取笔迹图像在RGB颜色空间中的任意一个基本色所对应的图像作为分量图像;
分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率;
S102,根据像素值波动概率对分量图像进行分区,获得多个子区域,包括:
对于分量图像中的任意一行的像素点,若像素值波动概率小于设定的概率阈值,则判断该行的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
对于分量图像中的任意一列的像素点,若像素值波动概率小于设定的概率阈值,则判断该列的像素点是否满足有效信息条件,若否,则将该列的像素点存入无效像素点集合;
获取分量图像中不属于无效像素点集合中的像素点的连通域,每个连通域中的像素点组成一个子区域;
S103,根据获得的子区域获取笔迹图像中的笔迹区域;
S104,获取笔迹区域中的笔迹特征;
S105,将笔迹特征输入到训练好的神经网络模型中进行计算,获得被分析人员的分析结果;
分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率,包括:
分量图像中的第i行的波动概率的计算函数为:
fluproi表示分量图像中的第i行的波动概率,num{|valuen-1,i-valuen,i|≥adpthr}表示获取第i行中满足|valuen-1,i-valuen,i|≥adpthr的像素点的数量,valuen-1,i和valuen,i分别表示第i行中的第n-1个和第n个像素点的像素值,nfrwoi表示第i行的像素点的数量,adpthr表示自适应阈值;
分量图像中的第j列的波动概率的计算函数为:
fluproj表示分量图像中的第j列的波动概率,num{|valuem-1,j-valuem,j|≥adpthr}表示获取第j列中满足|valuem-1,j-valuem,j|≥adpthr的像素点的数量,valuem-1,j和valuem,j分别表示第j列中的第m-1个和第m个像素点的像素值,nfcolj表示第j列的像素点的数量。
2.根据权利要求1所述的一种基于图像识别技术的笔迹分析方法,其特征在于,获取笔迹图像在RGB颜色空间中的任意一个基本色的分量图像,包括:
将笔迹图像在RGB颜色空间中的红色基本色、绿色基本色、蓝色基本色中的任意一个所对应的图像作为分量图像。
3.根据权利要求1所述的一种基于图像识别技术的笔迹分析方法,其特征在于,对于第i行的像素点,判断第i行的像素点是否满足有效信息条件的流程如下:
将第i行中所有满足|valuen-1,i-valuen,i|≥adpthr且像素值不为0的像素点保存到集合seti;
计算集合seti中的每个像素点的8邻域的像素点的有效信息系数;
统计有效信息系数大于设定的系数阈值的像素点的数量是否大于0,若是,则第i行的像素点满足有效信息条件,若否,则第i行的像素点不满足有效信息条件。
4.根据权利要求1所述的一种基于图像识别技术的笔迹分析方法,其特征在于,对于第j列的像素点,判断第j列的像素点是否满足有效信息条件的流程如下:
将第j列中所有满足|valuem-1,j-valuem,j|≥adpthr且像素值不为0的像素点保存到集合setj;
计算集合setj中的每个像素点的8邻域的像素点的有效信息系数;
统计有效信息系数大于设定的系数阈值的像素点的数量是否大于0,若是,则第j列的像素点满足有效信息条件,若否,则第j列的像素点不满足有效信息条件。
5.根据权利要求3或4所述的一种基于图像识别技术的笔迹分析方法,其特征在于,有效信息系数的计算函数如下:
ifacd表示像素点d的有效信息系数,nfsimd表示像素点d的8邻域中,与像素点d之间的像素值差值小于设定的差值阈值的像素点的数量,λ表示控制参数,λ∈(0,1),nfvlg表示像素点d的8邻域中,像素值为g的像素点的数量,facst表示设定的常数参数。
6.根据权利要求1所述的一种基于图像识别技术的笔迹分析方法,其特征在于,获取分量图像中不属于无效像素点集合中的像素点的连通域,包括:
将分量图像中属于无效像素点集合中的像素点的像素值设置0,不属于无效像素点集合中的像素点的像素值设置为1;
由所有像素点值为1且连通的像素点组成一个连通域。
7.根据权利要求1所述的一种基于图像识别技术的笔迹分析方法,其特征在于,根据获得的子区域获取笔迹图像中的笔迹区域,包括:
获取笔迹图像中与分量图像的子区域中的像素点坐标相同的像素点,得到笔迹图像中的笔迹区域。
8.根据权利要求1所述的一种基于图像识别技术的笔迹分析方法,其特征在于,获取笔迹区域中的笔迹特征,包括:
对笔迹区域进行降噪处理,得到降噪图像;
对降噪图像进行二值化处理,得到二值化图像;
提取二值化图像的图像特征,将图像特征作为笔迹特征。
9.一种基于图像识别技术的笔迹分析系统,其特征在于,包括波动检测模块、分区模块、笔迹区域获取模块、特征获取模块和笔迹分析模块;
波动检测模块用于对被分析人员的笔迹图像进行波动检测,获得像素值波动概率,包括:
获取笔迹图像在RGB颜色空间中的任意一个基本色所对应的图像作为分量图像;
分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率;
分区模块用于根据像素值波动概率对分量图像进行分区,获得多个子区域,包括:
对于分量图像中的任意一行的像素点,若像素值波动概率小于设定的概率阈值,则判断该行的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
对于分量图像中的任意一列的像素点,若像素值波动概率小于设定的概率阈值,则判断该列的像素点是否满足有效信息条件,若否,则将该行的像素点存入无效像素点集合;
获取分量图像中不属于无效像素点集合中的像素点的连通域,每个连通域中的像素点组成一个子区域;
笔迹区域获取模块用于根据获得的子区域获取笔迹图像中的笔迹区域;
特征获取模块用于获取笔迹区域中的笔迹特征;
笔迹分析模块用于将笔迹特征输入到训练好的神经网络模型中进行计算,获得被分析人员的分析结果;
分别统计分量图像中,每一行的像素点的像素值波动概率以及每一列的像素点的像素值波动概率,包括:
分量图像中的第i行的波动概率的计算函数为:
fluproi表示分量图像中的第i行的波动概率,num{|valuen-1,i-valuen,i|≥adpthr}表示获取第i行中满足|valuen-1,i-valuen,i|≥adpthr的像素点的数量,valuen-1,i和valuen,i分别表示第i行中的第n-1个和第n个像素点的像素值,nfrwoi表示第i行的像素点的数量,adpthr表示自适应阈值;
分量图像中的第j列的波动概率的计算函数为:
fluproj表示分量图像中的第j列的波动概率,num{|valuem-1,j-valuem,j|≥adpthr}表示获取第j列中满足|valuem-1,j-valuem,j|≥adpthr的像素点的数量,valuem-1,j和valuem,j分别表示第j列中的第m-1个和第m个像素点的像素值,nfcolj表示第j列的像素点的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053759.5A CN116311543B (zh) | 2023-02-03 | 2023-02-03 | 一种基于图像识别技术的笔迹分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053759.5A CN116311543B (zh) | 2023-02-03 | 2023-02-03 | 一种基于图像识别技术的笔迹分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311543A CN116311543A (zh) | 2023-06-23 |
CN116311543B true CN116311543B (zh) | 2024-03-08 |
Family
ID=86784123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310053759.5A Active CN116311543B (zh) | 2023-02-03 | 2023-02-03 | 一种基于图像识别技术的笔迹分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311543B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253144B (zh) * | 2023-09-07 | 2024-04-12 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200732985A (en) * | 2006-02-17 | 2007-09-01 | Univ Chung Yuan Christian | System and method for handwriting analysis and psychological diagnosis |
CN104809451A (zh) * | 2015-05-15 | 2015-07-29 | 河海大学常州校区 | 一种基于笔画曲率检测的笔迹鉴伪系统 |
CN108171282A (zh) * | 2017-12-29 | 2018-06-15 | 安徽慧视金瞳科技有限公司 | 一种黑板笔迹自动合成方法 |
CN108279838A (zh) * | 2018-01-16 | 2018-07-13 | 安徽慧视金瞳科技有限公司 | 一种激光笔远程交互方法 |
CN108305284A (zh) * | 2018-02-28 | 2018-07-20 | 北京奇艺世纪科技有限公司 | 一种文字笔画宽度的确定方法及装置 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN109389110A (zh) * | 2018-10-11 | 2019-02-26 | 北京奇艺世纪科技有限公司 | 一种区域确定方法及装置 |
WO2019232847A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN113592044A (zh) * | 2021-07-09 | 2021-11-02 | 广州逅艺文化科技有限公司 | 一种笔迹特征分析方法及装置 |
CN113688838A (zh) * | 2021-10-25 | 2021-11-23 | 江西软云科技股份有限公司 | 红色笔迹提取方法、系统、可读存储介质及计算机设备 |
CN114255468A (zh) * | 2021-12-14 | 2022-03-29 | 科大讯飞股份有限公司 | 一种笔迹识别方法及其相关设备 |
-
2023
- 2023-02-03 CN CN202310053759.5A patent/CN116311543B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200732985A (en) * | 2006-02-17 | 2007-09-01 | Univ Chung Yuan Christian | System and method for handwriting analysis and psychological diagnosis |
CN104809451A (zh) * | 2015-05-15 | 2015-07-29 | 河海大学常州校区 | 一种基于笔画曲率检测的笔迹鉴伪系统 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN108171282A (zh) * | 2017-12-29 | 2018-06-15 | 安徽慧视金瞳科技有限公司 | 一种黑板笔迹自动合成方法 |
CN108279838A (zh) * | 2018-01-16 | 2018-07-13 | 安徽慧视金瞳科技有限公司 | 一种激光笔远程交互方法 |
CN108305284A (zh) * | 2018-02-28 | 2018-07-20 | 北京奇艺世纪科技有限公司 | 一种文字笔画宽度的确定方法及装置 |
WO2019232847A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109389110A (zh) * | 2018-10-11 | 2019-02-26 | 北京奇艺世纪科技有限公司 | 一种区域确定方法及装置 |
CN113592044A (zh) * | 2021-07-09 | 2021-11-02 | 广州逅艺文化科技有限公司 | 一种笔迹特征分析方法及装置 |
CN113688838A (zh) * | 2021-10-25 | 2021-11-23 | 江西软云科技股份有限公司 | 红色笔迹提取方法、系统、可读存储介质及计算机设备 |
CN114255468A (zh) * | 2021-12-14 | 2022-03-29 | 科大讯飞股份有限公司 | 一种笔迹识别方法及其相关设备 |
Non-Patent Citations (2)
Title |
---|
一种面向移动终端目标图像自动裁剪的快速区域定位算法;贺辉;《计算机与数字工程》;第46卷(第3期);570-574 * |
基于主线段的签名下划线去除与笔画修复方法;丁惠洋;《应 用 科 技 》;第46卷(第1期);117-122 * |
Also Published As
Publication number | Publication date |
---|---|
CN116311543A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN109389059B (zh) | 一种基于cnn-lstm网络的p300检测方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN109271960B (zh) | 一种基于卷积神经网络的人数统计方法 | |
CN109102037B (zh) | 中文模型训练、中文图像识别方法、装置、设备及介质 | |
CN108520225B (zh) | 一种基于空间变换卷积神经网络的指纹检测分类方法 | |
CN107609549A (zh) | 一种自然场景下证件图像的文本检测方法 | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
Frucci et al. | Severe: Segmenting vessels in retina images | |
CN116311543B (zh) | 一种基于图像识别技术的笔迹分析方法及系统 | |
CN111915572A (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN113537182A (zh) | 染色体中期分裂相显微图像的自动识别方法与系统 | |
CN112861718A (zh) | 一种轻量级特征融合人群计数方法及系统 | |
CN114240925A (zh) | 一种文档图像清晰度的检测方法及其系统 | |
Biswas et al. | A global-to-local approach to binarization of degraded document images | |
CN109543686A (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
CN111709305A (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
CN111241966A (zh) | 一种发票目标区域的定位方法、装置、设备及介质 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
CN116596879A (zh) | 基于边界样本分位数的葡萄霜霉病自适应识别方法 |
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 |