基于小波变换和神经网络集成笔迹鉴别方法.docVIP

基于小波变换和神经网络集成笔迹鉴别方法 　　摘要：在笔迹鉴别中为了便于获取特征字符的细微特征，基于线性矩和小波变换提出了提取特征字符纹理特征的方法。小波变换能有效地提取字符的结构特征，而矩能够很好地对其进行描述。在该方法中，一幅特征字图像可以用一个含有52个元素的特征矢量表示，然后通过训练多个神经网络，并应用神经网络集成的方法将其结果合成，对特征空间进行正确分类。分别在特征字和候选人数变化的情况下进行实验，实验结果显示识别准确率较同类算法平均提高百分之五。 　　关键词：笔迹鉴别；神经网络集成；小波变换；矩 　　中图分类号：TP391．41文献标志码：A 　　文章编号：1001－3695(2008)03－0741－03 　　 　　0引言 　　 　　笔迹鉴别在银行业务、电子商务、案件侦破等方面都有广泛的应用。它的主要原理是对检验笔迹与多个嫌疑人的参考笔迹进行比较, 找出书写风格最相似者判定为检验笔迹的书写人。计算机笔迹鉴别一般分为在线和离线两种。对于计算机笔迹鉴别而言，笔迹特征的分析和提取是至关重要的。常用的、比较稳定的、鉴别能力强的特征主要是字形、字位倾斜、笔划方向、笔划和部首搭配。在笔迹鉴别问题中，这些特征都可以用字符图像的纹理特性来表示，如以字符作为基元，笔迹的布局排版是一种纹理特征；以笔划作为基元，则笔划密度和排列关系是纹理特征；以像素作为基元，则笔划方向也是一种纹理特征。当前有几种常用的笔迹纹理特征提取方法：简化的Winger分布方法能反映特征字的纹理特征[1]；Gabor变换能反映出布局排版的纹理特征[2]；小波分析具有独特的时频域多分辨特性，一些研究成果表明小波分析是一种有效的笔迹纹理分析方法[3]。虽然这些方法在文献中报导了很高的鉴别率，但还存在一些不足的地方，如特征向量的维数太大、没有结合字符图像的统计特征，特征的鉴别能力受到限制。 　　本文首先基于线性矩和小波变换提取了特征字的纹理特征, 其基本思想主要来源于两个事实：a）特征字图像的主要特征分布在水平、垂直、左对角和右对角四个方向；b）字符图像的矩特征能很好地体现笔迹的形状特征。线性矩方法是平移、伸缩不变的，同时小波变换是信息保持的，且可大大减少计算量和存储量。在识别阶段，首先用不同的训练集分别对结构相似的前向网络进行训练，接着采用神经网络集成的方法对结果进行合成，即对特征空间进行分类，然后将集成的结果作为系统的输出。 　　 　　1基于矩和小波变换的特征提取 　　 　　由于笔迹的布局排版、笔划密度、方向和排列关系是表征书写个性的重要元素，小波变换能给出信号完全而稳定的表示，得到不同尺度下信号的形式。从特征提取的角度来分析，其变换后的信号包含了信号的主要特征，如大致形状、变化位置及幅度等。本文从不同侧面――特征字图像的水平、垂直投影曲线、边缘图像的线性矩曲线和灰度图像的小波变换提取图像的不同特征，它们分别反映了特征字的不同特性。 　　1．1投影特征 　　假设参考字区域的大小为M×N，f(m,n)为其中任意一点（m＜M,n＜N）。以向水平方向投影为例，投影后的一维图像为fx(n)=??Mm=1f(m,n)；同理，向垂直方向投影后的一维图像为fy(n)=??Nn=1f(m,n)。然后对其进行一维小波变换得到各个尺度上的信号，如图1（a）所示。对较小的字符图像，适宜在尺度j=1时的信号上取特征，从C1中抽样出N/2（N为总的离散点）个点作为特征，在D1上计算平均值、标准方差、能量和平均残差，并将其作为高频数据的特征参数。如图1(b)所示。 　　定义如下四个统计变量： 　　平均值：m=（1/N）??Nk=1f(k)(1) 　　能量：e=（1/N）??Nk=1f ??2(k)(2) 　　标准方差：s=（1/N）??Nk=1[f(k)-m]??2(3) 　　平均残差：a=（1/N）??Nk=1|f(k)-m|(4) 　　因此，当特征字图像的区域为32×32，则投影特征矢量I1为36维。 　　1．2基于边缘图像的线性矩特征定义 　　字符图像边缘是特征图像中相对稳定的信息，它受外界条件的影响相对较小。提取图像边缘，得到二值边缘图像后，计算图像的线性矩特征，而且线性矩是平移、伸缩不变的[4]。二值图像的线性矩描述如下，一幅含有字符的二值图像表述为 　　f(m,n)=0(m,n)∈字符 　　1(m,n)??字符(5) 　　在图像上的初始参考点C0=(m0,n0)，定义如下： 　　m0=min(m:??n,使得f(m,n)=1,n=0,1,…,N-1;m=0,1,…,M-1) 　　n0=min(n:??m,使得f(m,n)=1,m=0,1,…,N-1;n=0,1,…,M-1)(6) 　　以图像上行矩向量Mrow为例，说明行、