一種脫機手寫簽名認(rèn)證方法
加入技術(shù)交流群
在包含有N個對象的m維單位空間(各屬性取值均采用規(guī)格化處理)中，對象間的平均距離為以此為標(biāo)準(zhǔn)，并按照“各聚類中對象問的距離不應(yīng)超過此標(biāo)準(zhǔn)，各聚類間距離不應(yīng)低于此標(biāo)準(zhǔn)”的規(guī)則進(jìn)行聚類學(xué)習(xí)。采用此方法得到的聚類類別數(shù)即為將要確定的隱層神經(jīng)元數(shù)。
整個RBF網(wǎng)絡(luò)的學(xué)習(xí)步驟為：
(1)設(shè)由上述聚類算法得到的RBF網(wǎng)絡(luò)隱層單元數(shù)為K，最大允許誤差ε，置所有可調(diào)參數(shù)(權(quán))為均勻分布的較小數(shù)(0～1或－1～1之間的隨機數(shù))。置初始誤差E為0，學(xué)習(xí)率η為0～1之間的小數(shù)。網(wǎng)絡(luò)訓(xùn)練后達(dá)到的精度Emin為一個正小數(shù)。
(2)采用上面根據(jù)相似性閾值和最小距離原則的簡單聚類方法確定基函數(shù)的中心Zi及δi方差，本文引用地址：http://www.ex-cimer.com/article/188562.htm
(3)按梯度下降法調(diào)整網(wǎng)絡(luò)權(quán)值W直至誤差Eε，才結(jié)束。
4 實驗結(jié)果
徑向基神經(jīng)網(wǎng)絡(luò)由主成分特征提取出的10特征值作為輸入節(jié)點，而隱含層節(jié)點個數(shù)則根據(jù)每組訓(xùn)練樣本的不同(參見上述算法)確定，輸出層只有一個神經(jīng)元，該神經(jīng)元的輸出就是簽名圖像的對應(yīng)分類(真假兩類)。
實驗中共采集11個人的660個簽名。每人有30個真簽名和其他人模仿的30個假簽名。圖1和圖2是部分訓(xùn)練和測試樣本，圖1和圖2的前兩個簽名為作者簽名，其他為假冒簽名。
在每個人的60個簽名中，42個簽名(其中真簽名21個，假簽名21個)作為訓(xùn)練樣本，剩下的18個真假簽名作為測試樣本，因為有11個人的11組簽名，所以認(rèn)證工作也分成11次，即1次進(jìn)行1個人訓(xùn)練簽名樣本的訓(xùn)練和測試樣本的測試。把這些樣本送入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行分類驗證，實驗結(jié)果見表1：
5 結(jié)論
提出一種基于主成分特征提取和徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合的脫機手寫簽名認(rèn)證方法。首先為了減少運算量，對經(jīng)過預(yù)處理的簽名灰度圖像進(jìn)行降維，即采用主成分特征提取的方法降低圖像維數(shù)，同時過濾掉高頻干擾信號，突出簽名的主要特征，得到適合計算機識別的低維圖像，然后在簽名的分類認(rèn)證中，基于徑向基神經(jīng)網(wǎng)絡(luò)的驗證方法可以在合理的時間內(nèi)，以較少的主成分個數(shù)得到較好的識別效果。因為國內(nèi)尚未出現(xiàn)統(tǒng)一的簽名數(shù)據(jù)庫，實驗在自行采集的小型簽名數(shù)據(jù)樣本進(jìn)行，對更大型的數(shù)據(jù)庫的認(rèn)證識別是今后需做的工作。
評論