基于神经网络和证据理论的离线签名识别

论文提出了一种有效的基于神经网络和证据理论的离线签名识别方法。利用从签名图象中提取的三种特征分别构造BP神经网络分类器对签名图象进行初步识别,然后将各分类器的输出作为证据,利用证据理论融合来自不同分类器的输出得到最终识别结果。实验表明,该识别方法能有效提高离线签名的识别率。     

一种有效的基于证据理论的离线签名识别方法

提出了一种有效的基于证据理论的离线签名识别方法。从签名图像的3种信息载体中提取出4种特征，利用所提取的4种特征分别构造基于证据理论的k-NN分类器对签名图像进行初步识别，将各k-NN分类器的输出作为证据，用改进的证据理论合成公式融合不同分类器的输出得到最终识别结果。结果表明：该识别方法能有效地提高离线签名的识别率。     

基于矩特征和证据理论的离线签名识别

论文首先对几种矩特征在离线签名识别中的性能进行了比较,在此基础上选取矩和一种基于中心矩的形状描述子(SDBCM)作为签名图象的形状特征,据此构造了两个距离权重k-NN分类器对签名图象进行初步识别。然后将两个k-NN分类器的度量层输出作为证据,用一种改进的证据理论合成公式对其进行融合得到最终识别结果。实验结果表明,新的识别方法是有效的。     

基于多特征和证据理论离线签名识别

提出了一种基于多特征和证据理论的离线签名识别方法。首先通过比较各个特征在离线签名识别中的性能,选取比较有效的平均伪动态特征和中等分辨率网格特征作为识别特征,然后构造了两个K近邻(KNN,K Nearest Neighbor)分类器,对签名图像进行初步识别。在初步识别基础上,利用一种改进的证据理论合成公式,将两个KNN分类器的输出结果进行融合得到最终识别结果。实验结果表明新的识别方法是有效性。     

基于集成神经网络的离线手写签名鉴别方法

离线手写签名鉴别是一种基于生物特征的身份识别技术,利用集成神经网络对手写签名进行自动鉴别。该集成神经网络由特征分配网络、神经网络认证主体和决策融合识别网络三部分构成。通过为每个签名者构造独立的分类器,并分别为每个分类器构造认证、识别训练集,解决了离线签名的认证和识别问题。基于此方法的签名鉴别实验获得了比较满意的结果,可以用来辅助人类专家进行签名鉴别。     

基于改进LPP和ECOC-SVMS的离线签名识别方法

提出一种基于改进LPP和ECOC-SVMS的离线签名识别方法。针对预处理后的签名图像,选择多种有效特征构建高维特征向量,引入一种改进的保局投影方法进行特征提取并同时实现高效降维;签名识别方面,使用基于Hadamard纠错编码方法的ECOC支持向量机多类分类方法,并引入近似概率对ECOC解码进行改进,以提升多类分类器的性能。实验结果表明此方法的可行性和有效性。     

基于分类器联合的表情识别

提出了一种基于分类器联合的人脸表情识别方法。首先采用CKFD算法在双决策子空间中提取两类表情特征并融合;分别利用最近邻、最小距离和神经网络三种子分类器进行识别;最后运用模糊积分对子分类器的识别结果进行融合。基于JAFFE的实验结果表明,它是一种有效的表情识别方法。     

一种手写数字的多级分类器设计

对手写数字识别技术进行了研究和探讨,提出一种新的多级分类嚣手写数字识别方法.该识别方法以图像预处理和字符特征提取为基础,采用BP神经网络分类器进行第一级识别、结构特征分类器进行有选择的第二级识别,并提出一种全新的端点特征提取法,大大地简化结构特征分类器的设计.实验结果表明,多级分类器较单一的神经网络分类器的识别率有了明显的提高.     

基于Gist和IPCA算法的多文种离线手写签名识别

由于离线手写签名图像有效的笔画部分普遍比较稀疏,存在大量的无效白色背景,目前常用的特征描述方法会使得得到的特征数据存在大量冗余,影响识别准确率。识别准确率的提高,需要依赖大量的训练数据和提取多个特征并进行融合,但这样又会因特征数据过多和维度过大而造成计算困难,影响识别效率。为此,提出了一种基于Gist和IPCA算法的多文种离线手写签名识别方法,利用Gist特征聚焦图像的整体布局和笔画部分,同时利用IPCA算法的批处理能力来提高识别效果和运行效率。使用中、英、维3种语言的实验数据集,并使用SVM分类器进行识别实验。结果显示,3个数据集上的识别准确率分别为97.97%,98.43%和97.19%,3种数据混合后的识别准确率为97.70%。经过对比分析可知,提出的方法与之前的相关方法相比明显较优。     

基于动态权值集成的手写数字识别方法

提出了一种基于动态权值集成的多分类器手写数字识别方法。该方法采用BP神经网络的方法,对不同的特征输入向量构建不同的神经网络分类器,通过设定动态权值,进而对不同的分类器的输出向量采用多类器集成方法进行系统集成。实验结果表明该方法具有较高的识别率和识别精度。