论文部分内容阅读
笔迹是每个人特有的行为特征,同指纹、虹膜等生物特征一样可以用来鉴别一个人的身份。随着模式识别技术的快速发展,在线手写笔迹鉴别越来越受重视,应用场景也更加的丰富,金融、自学考试、司法等领域对在线手写笔迹鉴别的需求非常大。传统笔迹鉴别的方法很多,但是单一的方法不能保证鉴别准确率和稳定性,鉴别效果不太理想。近十几年,信息融合技术的研究不断出现新的成果,为在线手写笔迹鉴别技术带来了突破口,特别是在多分类器综合判决的过程中起到了重要的作用,增加了鉴别系统的稳定性,降低了信息的模糊度,提高了笔迹鉴别的准确率。论文提出了基于信息融合的在线手写笔迹鉴别方法,主要内容如下:详细介绍了在线手写笔迹融合鉴别的体系结构,分析了动态特征和静态特征的笔迹鉴别方法。动态特征笔迹鉴别采用了两级鉴别方法,第一级利用多数投票法对笔迹样本进行粗筛选,第二级利用支持向量机(Support Vector Machine,SVM)分类器对筛选后的笔迹样本进行细分类。静态特征笔迹鉴别则是提取了灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)特征,利用SVM分类器对笔迹样本进行分类鉴别。在30个人180份笔迹的基础上,首先分别用动态特征和静态特征对单字符进行笔迹鉴别,前者的鉴别准确率比后者稍微高一点,但两者的鉴别效果都不理想。然后用字符组合的方式分别基于动态特征和静态特征进行笔迹鉴别,结果比单字符鉴别的准确率提高了不少,但鉴别效果仍然不是很理想。最后综合分析两种不同的鉴别方法,对这两种多字符笔迹鉴别的结果融合,使具有不同特征的鉴别方法能够互补优势弥补缺点,达到了较高的鉴别准确率。笔迹鉴别融合的算法选择了加权平均法和模糊积分法。加权平均法融合是对不同方法鉴别的正确率以及训练样本对测试样本的置信度进行加权,算出融合后的置信度,根据新的置信度选出待测样本的正确候选。置信度是衡量测试样本跟训练样本的相似程度,置信度越大表示两个样本间相似程度越高。模糊积分法首先模糊化不同方法的鉴别结果,统一用置信度表示,然后通过模糊运算得到融合后的置信度,从而选出待测样本的正确候选。论文最后采用多字多方法融合的方式,对笔迹的动态和静态特征进行多字符融合鉴别。实验结果表明,融合后的笔迹鉴别准确率比融合前有明显提高,从五候选最高85.67%的准确率提高到了96.67%。