计算机自动笔迹鉴定关键技术研究

本文针对公安、法庭、银行等部门疑问文档笔迹鉴定应用，对计算机自动笔迹鉴定中的关键技术－特征的算法描述、特征抽取的变换算法、特征的选择算法进行了研究和论述。综合运用这些算法，可以获得99％以 上的正确鉴别率。     

基于基本笔画起收笔和笔压特征的手写汉字的计算机笔迹鉴定

以手写汉字的基本笔画为研究对象,提取笔画的起笔、收笔和笔压作为特征量,进行笔迹鉴定的研究.研究采用了10位书写者,每位书写者各书写70个汉字作为样本,提取4种基本笔画,进行笔迹鉴定的实验,实验取得了较为满意的鉴定率.本研究克服了以往笔迹鉴定中结体依存的不足,适用于所有的汉字.     

配准方法在签名鉴定系统中的研究

在笔迹鉴定系统中,针对字体点云与字体图像的配准问题,本文给出了一个简单有效的解决方法,避免了大量繁琐复杂的计算。对字体点云与字体图像进行特殊角点的快速搜索,然后利用计算得到的参数进行角度旋转、尺度伸缩、平移等操作把字体点云匹配到相应的字体图像上。用该方法对相关样本进行大量实验,平均配准率达到了97．4％,取得满意的效果并基本符合笔迹鉴定系统的研发要求。对于图像配准在此类问题的解决方法上提供了值得借鉴的成功经验。     

基于微结构特征的维吾尔文笔迹鉴别

对离线的文本无关的笔迹鉴别进行研究,结合维吾尔文文字连写多、字形复杂等特点,采用基于概率分布函数的微结构特征笔迹鉴别,提出一种维吾尔文的笔迹鉴别方法。该方法对笔迹中局部细微结构的书写变化趋势进行描述,运用欧氏距离和Manhattan距离度量方法进行笔迹特征匹配。对120份维吾尔族学生的笔迹样本进行测试,结果表明,该方法能有效提高维吾尔文笔迹鉴别的正确率。     

基于基本笔画运笔特征的手写体汉字特定对象笔迹鉴定的研究

本文基于汉字笔迹鉴定的有效特征，结合基本笔画运笔规律，提出了以手写体汉字基本笔画为研究对象，抽取运笔中的骨骼和笔压变化特征，形成各自的特征空间，并采用样本平均法和方差界定阈值的方法，实现笔迹的鉴定。研究选用10位书写者书写的信封，从中抽取4种基本笔画，形成特征数据库。然后采用40封笔迹信件与6000封非书写者书写的真实信件进行鉴定，用识别率和误识率两种参数来检验此方法，实验取得了满意的效果，证实了该研究方法可以完全克服以往笔迹鉴定中结体依存性带来的不足，大大缩小了辞书空间，对推广和完善本研究的实用性具有参考价值。     

手写笔迹的表面法向量提取与鉴别系统

针对目前笔迹鉴别中篡改笔迹、临摹笔迹鉴别困难,鉴定人员工作强度大,鉴定设备采购维护成本较高等问题,研制出了一种基于光度立体视觉算法,快速采集光度图片并解算手写笔迹三维信息的应用系统.通过上述系统,可计算得到笔迹表面法向量,还原笔迹凹痕深浅信息,排除背景无深度干扰物的影响.鉴定人员可通过笔迹表面法向量映射的灰度图,分析笔...     

以笔画为对象的手写汉字笔迹鉴定——基于运笔和起笔收笔特征的笔迹鉴定

为克服以往笔迹鉴定中结体依存性的不足,本研究以手写汉字的基本笔画为对象,确定反映书写特点的运笔特征、起笔和收笔特征形成特征空间,实现笔迹鉴定.本研究采用10位书写者,各书写70个汉字,提取4种基本笔画,进行笔迹鉴定的实验,实验取得了满意的实验结果.     

基于汉字笔划骨骼运笔特征的特定对象笔迹鉴定的研究

本文论述了基于汉字笔划骨骼运笔特征的笔迹鉴定的方法。实验以汉字中抽取的基本笔划为研究对象，并提取反映各行笔部运笔的骨骼特征，以形成多维持征空间，在特征空间中确定鉴定对象的分布后，计算它与辞书中各书写者位置间的广义距离来实现笔迹的鉴定。判断鉴定对象是否自出于原书写者的方法即为特定对象鉴定法，该方法采用对十位书写者、八种基本笔划，每种笔划十个样本进行测试，结果显示对于单一笔划和笔划组合取得了令人满意的鉴定率，对推广和完善该实用性的研究具有参考价值。     

基于笔画系数变换的手写汉字笔迹鉴定

本研究以手写汉字的基本笔画为对象,确定反映书写特征的相对幅度和相对斜率为时域特征,并对时域特征进行Fourier变换,抽取变换实系数形成特征空间,实现笔迹鉴定。本研究采用10位书写者,各书写70个汉字,提取5种基本笔画,进行笔迹鉴定的实验,实验取得了满意的结果。     

基于特征融合的维吾尔文笔迹鉴别

针对采用纹理方法鉴别维吾尔文不稳定的问题,提出一种与文本无关、特征融合的笔迹鉴别方法,融合的特征包括网格窗口微结构特征和笔迹曲向特征。所提方法从笔迹原始图像提取笔画边缘,对笔迹的边缘图像建立大量局部窗口模型,通过扫描边缘图像获取融合特征结构的概率密度分布,使用多种距离公式计算概率密度向量间的距离。在实验笔迹容量大小为80的笔迹库上进行实验得到的鉴别率为89.2%。所提方法能很好地刻画笔迹的局部书写变化趋势和笔画的曲向,采用概率密度分布来统计笔迹的网格窗口微结构特征和曲向特征,鉴别效果达到了预期值。     

手写体不规则数码脱机识别的研究与实现

为了进一步研究手写体不规则数码脱机识别技术,开发了手写体不规则数码识别软件,提出了一种新的识别方法——弧向判别法,对具有平滑特征的符号识别给出了一种可行的识别方法,实现中采用了查表细化法、数值重组等关键技术。实验表明,该软件识别的正确率在90%以上,大大地提高了工作效率。     

Arabic writer identification based on hybrid spectral–statistical measures

Many techniques have been reported for handwriting-based writer identification. None of these techniques assume that the written text is in Arabic. In this paper we present a new technique for feature extraction based on hybrid spectral–statistical measures (SSMs) of texture. We show its effectiveness compared with multiple-channel (Gabor) filters and the grey-level co-occurrence matrix (GLCM), which are well-known techniques yielding a high performance in writer identification in Roman handwriting. Texture features were extracted for wide range of frequency and orientation because of the nature of the spread of Arabic handwriting compared with Roman handwriting, and the most discriminant features were selected with a model for feature selection using hybrid support vector machine–genetic algorithm techniques. Four classification techniques were used: linear discriminant classifier (LDC), support vector machine (SVM), weighted Euclidean distance (WED), and the K nearest neighbours (K_NN) classifier. Experiments were performed using Arabic handwriting samples from 20 different people and very promising results of 90.0% correct identification were achieved.     

基于优化Gabor滤波器和GMRF的笔迹特征提取方法

提取有效的特征一直是笔迹鉴别的关键问题,针对传统Gabor滤波器特征提取方法存在的不足,充分利用Gabor滤波系数间的相关关系,提出一种融合全局特征和局部特征的特征提取方法。该方法先通过字符笔画的方向梯度直方图（HOG）来优化Gabor滤波器的角度参数,再利用高斯马尔科夫随机场（GMRF）模型对Gabor滤波图像中的不同局部结构信息进行描述,最终得到笔迹图像的整体特征。以楷书四大家的真迹样本和收集的英文手稿作为实验数据,采用最小加权欧式距离分类器对笔迹样本进行分类,通过五重交叉验证法分别得到97.6%和88.3%的正确分类率,表明该方法提取的特征具有较强的笔迹表征能力,是一种有效的笔迹特征提取方法。     

维吾尔语笔迹鉴别方法研究

笔迹鉴别是通过机器分析手写笔迹风格的差异特征来判断书写人身份的一门科学与技术。就像语音、指纹、虹膜和脸谱等生物特征识别技术一样是一个典型的模式识别问题。笔迹鉴别可分为在线、离线两种。笔迹鉴别方法可以分为两大类：文本依存的方法和文本独立的方法。主要针对离线维吾尔语手写体笔迹鉴别方法展开研究,力求提取笔迹图像的全局特征,以提供更多更有效的鉴别信息,结合维吾尔语自身特点对与文本无关的笔迹鉴别中预处理和特征提取技术进行了细致的研究。     

基于多通道融合的连续手写识别纠错方法

在基于识别的界面中,用户的满意度不但由识别准确度决定,而且还受识别错误的纠正过程的影响.提出一种基于多通道融合的连续手写笔迹识别错误的纠正方法.该方法允许用户通过口述书写内容纠正手写识别中的字符提取和识别的错误.该纠错方法的核心是一种多通道融合算法.该算法通过利用语音输入约束最优手写识别结果的搜索,可纠正手写字符的切分错和识别错.实验评估结果表明,该融合算法能够有效纠正错误,计算效率高.与另外两种手写识别错误纠正方法相比,该方法具有更高的纠错效率.     

基于多方向特征融合的维吾尔文笔迹鉴别技术

在笔迹图像中格线和噪音的去除、细化等预处理基础上,结合维吾尔文笔迹结构和书写风格,提出了一种基于四维笔划方向特征的笔迹鉴别技术。为了进一步提高其鉴别率,还将方向特征与较成熟的基于倾斜度的另一种方向特征进行了融合,取得了较好的实验结果。具体实施过程中,还对比分析了不同的特征距离度量方法对鉴别率的影响,确定加权欧式距离为最佳度量方法。     

一种基于纹理特征的笔迹鉴别方法

介绍了一种基于纹理特征的笔迹识别方法。把手写笔迹图像作为一种纹理看待,从而将笔迹识别问题转化为纹理识别问题。笔迹图像预处理采用基于像素点的切割方法,通过实验证明该方法可以较为完整的保存纹理信息。对于预处理后的纹理图像,再利用纹理处理技术和数学方法提取笔迹纹理特征,设计Gabor滤波器对特征图像鉴别,所有过程均使用MATLAB编程仿真实现。试验结果表明采用纹理识别的方法简单,避免了由于文字数量、纸张材质、字体颜色等因素的影响,显著提高了识别的准确度和笔迹识别应用的广度。     

Handwriting style classification

This paper describes an independent handwriting style classifier that has been designed to select the best recognizer for a given style of writing. For this purpose a definition of handwriting legibility has been defined and a method implemented that can predict this legibility. The technique consists of two phases. In the feature-extraction phase, a set of 36 features is extracted from the image contour. In the classification phase, two nonparametric classification techniques are applied to the extracted features in order to compare their effectiveness in classifying words into legible, illegible, and middle classes. In the first method, a multiple discriminant analysis (MDA) is used to transform the space of extracted features (36 dimensions) into an optimal discriminant space for a nearest mean based classifier. In the second method, a probabilistic neural network (PNN) based on the Bayes strategy and nonparametric estimation of probability density function is used. The experimental results show that the PNN method gives superior classification results when compared with the MDA method. For the legible, illegible, and middle handwriting the method provides 86.5% (legible/illegible), 65.5% (legible/middle), and 90.5% (middle/illegible) correct classification for two classes. For the three-class legibility classification the rate of correct classification is 67.33% using a PNN classifier.Received: 6 September 2002, Accepted: 19 September 2002, Published online: 6 June 2003