基于离散Fr_chet距离判别曲线相似性算法.pdf

( ) 第 55 卷 第 2 期 武汉大学学报 理学版 Vol . 55 No . 2 　 　2009 年 4 月 J . Wuhan U niv . (Nat . Sci . Ed . ) Ap r . 2009 ,227～232 文章编号 :167 18836 (2009) 基于离散 Fréchet 距离的判别曲线相似性的算法 朱 　洁 , 黄樟灿 , 彭晓琳 (武汉理工大学 理学院 ,湖北 武汉 430070) 　　摘 　要 : 提取出离散曲线中的关键特征至高点与至低点 ,并且用离散 Fr échet 距离作为距离的测度来对至高 点与至低点进行研究 ,建立了一种判断离散曲线相似性的数学模型 ,此模型不需要对曲线进行平移和伸缩变换. 由 于模型的求解是 N P 困难问题 ,针对这种情况 ,提出了一种新的多项式的求解算法 , 以在线手写签名验证为例验证 数学模型 ,然后对随机的 150 个测试签名进行检验 ,结果成功匹配率为 9 1. 33 % ,误纳率为 6 % ,误拒率为2 . 67 %. 关 　键 　词 : 签名验证 ; 离散 Fr échet 距离 ; 组合步 ; Fr échet 排列 中图分类号 : TP 39 1 　　　文献标识码 :A 低点 ,并且用离散 Fr échet 距离作为距离的测度来 0 　引　言 对至高点与至低点进行研究 ,提出了一种新的关于 曲线相似性的定义 ,并且在这种定义的基础上提出 　　曲线的相似性判断是计算机图像 、模式识别和 了一种新的判别离散曲线相似性的方法 ,用在线手 蛋白质结构预测中的一个中心问题. 目前判别方法 写签名验证作为例子验证数学模 型 , 利用离散 主要有特征值法和相似性函数定义法. 特征值法是 Fr échet 距离的思想对参考签名和测试签名进行匹 应用神经网络或者小波分析的方法对特征参数进行 配识别 ,收到了较好的效果. 比较研究 ,而相似性函数定义法则是通过首先定义 一个相似性函数 ,再求出定义中所要求的两曲线间 1 　曲线相似性的定义 的距离. 相似性函数定义法在一定程度上比特征值 法效果好 ,但是在实际运用中 , 由于曲线是由离散的 定义 1[ 1 ] 　给定函数 f 1 ( x) , f 2 ( x) , 称 d (f 1 , 点构成的 ,对于曲线的拟合有很高的要求 ,且还要将 c