手写签名识别算法小实验.docxVIP

手写签名识别算法的简单实现 实验目的 理解机器学习、反向传播神经网络和梯度下降法的原理，掌握反向传播算法对神经元 的训练过程，了解反向传播公式，熟悉前馈网络的原理及结构。通过构建BP网络训练手写 签名数据实现对签名真伪的识别。 学会使用tensorflow平台写较简单的程序，熟悉tensorflow的框架，熟悉open cv 用来处理图像的简单函数，加强对python语言及其丰富的库和框架的熟练使用。 实验内 编写简单的神经网络程序，分别使用传统随机梯度下降法和tensor flow平台下的随机 梯度下降法，能简单地实现手写签名的识别。 实验报告 （D实验原理及方法： 手写签名识别技术是一种生物特征身份认证技术，源于每个人都有不同的书写习惯，又 因为文字书写具有通用性、独特性、易获取等优点，所以易于推广普及。根据鉴别时机的不 同，可将签名识别分为离线签名识别和在线签名识别，在线签名保留了更多有价值的信息, 笔尖运动的速度、加速度、压力等信息使得鉴定识别率较高。对于离线签名识别，书写的动 态信息几乎全部丢失，只能依靠签名图片的静态信息，即每个人的笔迹特点来反映签名的书 写风格和习惯，因此鉴定难度较大。但从实际需求和工作场景来看，离线签名识别的社会意 义更大，因此也有必要对手写签名的离线识别方法展开深入的研究工作 反向传播算法（BP算法）是一种计算单个权值变化引起网络性能变化值的较为简单的 方法。由于BP算法过程包含从输出节点开始，反向地向第一隐含层（即最接近输入层的隐含 层）传播由总误差引起的权值修正，所以称为”反向传播“。反向传播特性与所求解问题的性 质和所作细节选择有极为密切的关系。反向传播算法的特性为能够在网络内部的隐藏层发现 有用的中间表示，具体表现为：训练样例仅包含网络输入和输出，权值调节的过程可以自由 地设置权值，来定义任何隐藏单元表示，这些隐藏单元表示在使误差E达到最小时最有效; 引导反向传播算法定义新的隐藏层特征，这些特征在输入中没有明确表示出来，但能捕捉输 入实例中与学习目标函数最相关的特征。 tensorf low是一个采用数据流图（data flow graphs）,用于数值计算的开源软件库。 节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数 据数组，即张量（tensor）。其主要用于机器学习和深度神经网络方面，具有高度的灵活性 和可移植性。 实验数据介绍： 实验数据分为训练集和测试集两部分，训练集和测试集是对应的。先利用训练集中的数 据进行BP神经网络的训练，再由测试集的数据检测训练后的网络的性能。 实验数据有三组，分别是三个人签名，每张原始签名以图像的形式给出。每组中训练集 和测试集都各给出了 24张签名，即总共144张签名。 预处理后会以一个901维的向量进行训练学习，其中前400维为将处理过的签名缩放为 40*10后再展开的像素值排列；预处理中还会将签名缩放为400*100的尺寸，并取该尺寸签 名矩阵的行和和列和这500个值为预处理输出向量的中间500维；最后一维取原始 签名的宽与高之比。 目前尚没有一个标准的国际签名数据库，实验所用的原始签名图像均来自github中的 分享，这些实验数据对手写签名识别具有一定的可用性及通用性。 源程序清单： 文件 preprocessor. py import cv2 import numpy as np def prepare (input): #对输入图像的预处理 cIean = cv2.fastN 丨 MeansDeno i s i ng (i nput) ret, tresh = cv2.threshoId (cIean, 127, 1, cv2. THRESH_BINARY_INV) img = crop (tresh) 40x10图像再展开 f I atten_img = cv2. resi ze (img, (40, 10), i nterpoI at i on=cv2. INTER AREA). fIatten() res i ze 到 400x100 res i zed = cv2. res i ze (img, (400, 100), interpoI ation=cv2. INTER AREA) co Iumns = np.sum (res i zed, ax i s=0) # sum of a I I co Iumns lines = np. sum(res i zed, ax i s=1) # sum of a I I Ii nes h, w = img.shape aspect 二 w / h return [*flatten_img, *coIumns, *1 inesr aspect] d