导读:本文包含了笔迹鉴别论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:笔迹,特征,笔画,卷积,神经网络,网格,在线。
笔迹鉴别论文文献综述
陈使明[1](2019)在《基于深度神经网络的离线笔迹鉴别研究》一文中研究指出离线笔迹鉴别是计算机视觉和模式识别的研究热点之一,在司法鉴定、文件安全保护、历史文档分析等领域具有重要意义。虽然离线笔迹鉴别已经有很长的研究历史和大量研究者一直为此领域做出贡献,但仍然存在一些问题尚未解决,例如过度依赖数据增强与全局编码、学习的局部特征存在共性特征(Common feature)。为解决以上问题,本文从鲁棒性、泛化性、实用性等角度针对当前离线笔迹鉴别问题进行研究。第一,本文提出了一种基于统计行分割与深度卷积神经网络的离线笔迹鉴别方法(DLS-CNN)。DLS-CNN首先使用基于统计的文档行分割方法和滑动窗口法将笔迹材料分割成小的像素块;然后用优化后的残差神经网络作为特征学习模型;最后对局部特征使用取均值法进行编码。在ICDAR2013和CVL两个标准数据集上的实验结果表明:与其他当前流行离线笔迹算法相比,DLS-CNN能有效地学得鲁棒的局部特征,从而仅需要少量的笔迹信息就能取得较高的识别率,而且不依赖于数据增强和全局编码就能取得较好的检索效果。第二,本文提出了一种半监督特征学习方法用于提高笔迹鉴别效果。这个方法基于标签平滑正则化理论(WLSR)。一方面,半监督特征学习方法使得神经网络对外部无标注数据进行错误的预测,从而有效地对分类器进行惩罚并对基础模型进行正则化。另一方面,它有效地过滤基础模型学习的共性特征并降低共性特征的负作用,使得神经网络学习的特征更具判别性。实验结果验证了所提算法的有效性。据我所知,本文是首次尝试使用半监督特征学习自动地学习判别性特征,以提高笔迹鉴别表现。这为离线笔迹鉴别领域提供一种新的研究思路。(本文来源于《贵州大学》期刊2019-06-01)
全志楠,林家骏[2](2018)在《文本无关的小样本手写汉字笔迹鉴别方法》一文中研究指出针对已有的笔迹鉴别方法对笔迹版式要求比较严格,且在小样本数据情况下,鉴别性能水平较低的问题,提出了邻环结构特征方法。首先对笔迹轮廓图像随机采样,然后利用网格窗口提取笔迹的邻环结构特征,最后利用主成分分析和线性鉴别分析方法对特征降维,利用深度置信网络对特征进行训练和鉴别。本文方法与文本无关,简单易行,在手写笔迹字符数量平均为45个的小样本上仍能有效表征作者风格信息。在HIT-MW笔迹鉴别数据库上的测试结果表明,本文方法达到了与使用较大样本的其他笔迹鉴别方法相近的鉴别效果。(本文来源于《华东理工大学学报(自然科学版)》期刊2018年06期)
胡钰涛,黄楠,钟蓉璇[3](2017)在《基于MATLAB的签名笔迹鉴别系统》一文中研究指出本文利用WACOM系列数位板作为接口,提取签名笔迹的压力动态信息,用所获取的笔迹轨迹作为静态信息.采用预处理算法与GLCM纹理特征提取、欧式距离模式分析匹配结合,基于MATLAB对笔迹进行动静结合处理.所设计的系统能实现个人签名有效识别。(本文来源于《计算机产品与流通》期刊2017年11期)
李庆武,马云鹏,周妍,周亮基[4](2016)在《基于笔画曲率特征的笔迹鉴别方法》一文中研究指出现有的手写汉字脱机笔迹鉴别方法存在只能针对特定字符或需要大量样本字符等问题,为此提出一种基于笔画曲率特征的笔迹鉴别方法。首先运用数学形态学对采集的笔迹图像进行预处理,在横、竖、撇、捺四个方向提取具有代表性的笔画骨架,然后对笔画骨架进行圆的重构,提取四个方向笔画圆的曲率作为特征值组成笔迹特征矩,根据待鉴别的笔迹特征矩与数据库中笔迹特征矩向量夹角相似性度量结果对样本做出判断。实验结果表明该文方法对于待鉴别样本字符的内容没有要求,样本字符数量要求低、应用范围广、鲁棒性强。(本文来源于《中文信息学报》期刊2016年05期)
邓辉瑶[5](2016)在《基于深度卷积神经网络的离线笔迹鉴别研究》一文中研究指出笔迹鉴别作为一项重要的生物特征识别技术,在今天有着越来越广泛的应用,众多的研究者在笔迹鉴别这一问题上做出了突破性的成果。然而非受限情况下的离线笔迹鉴别仍是一项非常有挑战性的研究工作,有很多问题值得我们进一步深入研究。深度卷积神经网络近年来蓬勃发展,解决了许多计算机视觉领域的难题,然而在离线中文笔迹鉴别领域却几乎没有看到这方面的研究。本文着重研究文本无关的离线中文笔迹鉴别,并把深度卷积神经网络应用于这一研究课题,取得了具有领先优势的笔迹鉴别效果。本文的主要研究内容如下:首次把深度卷积神经网络提取的局部特征用于离线中文笔迹鉴别,并研究不同的特征编码方式,采用Fisher Vectors算法对已有的局部特征进行编码,进而生成全局的特征。实验表明,本文所采用的基于深度卷积神经网络的特征相比于传统的人工设计的特征更具有区分性。研究不同网络结构,对网络结构进行不断地优化调整,从而达到更好地笔迹鉴别效果。研究深度卷积神经网络的训练,提出了基于滑动窗字符切割方法,评估笔迹图片归一化和数据扩充对最终鉴别结果的影响。为了选择出更有区分性的特征,采用了主成份分析对深度卷积神经网络提取的特征进行处理,并且对不同网络层的特征做了比较。通过大量细致的实验对本文提出的方法进行评估,首先在中文数据集CASIA-HWDB上面进行验证,取得了领先的结果。接着在包含两种语言的外文数据集ICDAR 2013上面进行验证,也取得了有竞争力的结果。结果表明本文算法不仅对于中文笔迹鉴别有很好的效果,而且对于跨语言的笔迹鉴别也具有一定的优势,有很强的适应性和鲁棒性。(本文来源于《华中科技大学》期刊2016-05-01)
范振印[6](2016)在《非特定人脱机手写笔迹鉴别方法的研究》一文中研究指出笔迹鉴别是一种重要的人体生物特征识别方法,它在公安、司法、考古、金融和电子商务等各个领域都有广泛的应用,而非特定脱机手写笔迹鉴别是笔迹鉴别中应用范围最广的分支,是目前研究的热点和难点。本文主要研究非特定人脱机手写笔迹鉴别的算法。本文将在图像分类中常用的Bag of Words(BoW)方法运用到非特定人脱机手写笔迹鉴别中。在特征提取方面,我们对SIFT特征,NoSIFT特征,SURF特征,CNN激活特征,LBP特征进行详细介绍和讨论对比。受Contour-Hinge等特征的启发,文中提出基于轮廓点的ELBP和基于轮廓点的ESIFT特征,实验证明两种基于轮廓点的特征包含互补信息,将两种特征融合后可以进一步提高鉴别准确率。在特征编码层面,本文对传统的硬投票(Hard Voting)方法和LLC稀疏编码方法进行对比分析,首次提出将一种基于局部仿射子空间编码的方法(LASC)运用到笔迹鉴别。这种方法考虑到每个单词周围邻域空间信息,因此明显优于传统硬投票和LLC编码方法,当字典空间较大时,该方法不会过早的出现过拟合现象,随着字典空间变大,鉴别准确率可以进一步提高。同时,本文深入讨论分析了基于GMM的FV、UBM、KLD叁种编码方法并进行了对比实验分析。之后本文对比分析了基于BoW的特征表达和基于GMM的特征表达各自优缺点以及各自性能。最后,本文提出一种多字典特征融合的非特定人脱机手写笔迹鉴别方法。通过将判别性较高的特征进行加权融合,在公开数据集ICDAR2013和CVL数据集上取得较好的效果。(本文来源于《华中科技大学》期刊2016-05-01)
周吉[7](2016)在《基于信息融合的在线手写笔迹鉴别研究》一文中研究指出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%。(本文来源于《武汉理工大学》期刊2016-04-01)
邱娟[8](2015)在《基于Gabor滤波器和高斯马尔科夫随机场的书法笔迹鉴别》一文中研究指出本文主要从笔迹分析的角度辅助鉴别书法作品的真伪。虽然目前关于书法字笔迹鉴别的研究甚少,但离线文本独立的手写汉字笔迹鉴别方法对书法笔迹鉴定有着重要的参考价值。提取有效的特征一直是笔迹鉴别的关键问题,本文主要研究的是基于纹理分析的笔迹特征提取算法,完成的工作如下:1.介绍了书法笔迹鉴别的相关背景和离线文本独立笔迹鉴别特征提取方法的研究现状。2.完成了书法图像的预处理工作,提出了通过统计字符笔画的方向梯度直方图的方法对Gabor滤波器的角度进行优化。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,提出了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,成功地将全局特征和局部特征融合在一起。3.提出了结合Gabor滤波器和高斯马尔科夫随机场的笔迹鉴别方法,算法的基本思路是:通过优化的Gabor滤波器提取笔迹的纹理特征和奇异信息,突出笔迹信息在一定方向和空间频率上的整体特征;然后用高斯马尔科夫随机场模型来描述滤波图像中隐藏的局部结构,对笔迹的局部结构信息进行分析。整个特征提取算法综合考虑了笔迹的微结构信息和整体的书写风格。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93.3%和87.4%的正确分类率。实验表明,对比传统的Gabor滤波器方法或单一的高斯马尔科夫随机场模型方法,本文提出的结合Gabor滤波器和GMRF方法提取的特征具有更强的笔迹表征能力,该方法在本文所用的笔迹样本库上取得较为满意的结果。(本文来源于《暨南大学》期刊2015-06-23)
孙向南[9](2015)在《基于特征融合的笔迹鉴别技术研究》一文中研究指出笔迹可以反映出一个人的书写风格,每个人的笔迹都有自己特有的形状特点,这是由每个人长期不同的书写习惯所造成的。笔迹鉴别由于其具有的较高的易采集性和易接受性成为身份鉴别领域里一个十分活跃的研究话题。以往的笔迹特征提取方法主要以文字结体为研究对象。当笔迹样本存在较大的文本内容差异时,会在一定程度上导致类内变化增加,降低鉴别率。而笔画作为文字的基本组成部分,在文本相关度较低或存在大量错别字时,仍具有较大的重现性。针对以往的以文字结体为研究对象的离线笔迹特征提取方法在文本相关度较低时无法获取稳定特征的问题,提出了一种以笔画为研究对象的融合特征提取方法。引入概率统计思想,采用网格窗口提取笔画的运笔走势、宽度变化和边缘曲度特征。以Visual Studio 2010为平台进行系统实现。本文实验中笔迹图像的预处理主要包括去噪、去除背景、灰度化、二值化、边缘提取和骨架提取。比较了四种经典的笔迹边缘提取算法,通过实验结果分析得出Sobel算子在提取笔迹边缘时效果较好。并采用基于传统细化算法改进的图像细化算法,提取出较为理想的笔迹骨架图像。本文对已有的微结构特征法做了一些改进,以笔画为研究对象,摆脱了结体依存性的束缚,采用网格窗口提取笔画的运笔走势、宽度变化和边缘曲度特征。引入主成分分析思想,对多种特征数据进行融合,生成特征向量。在笔迹的特征匹配阶段,本文分别采用加权欧式距离、加权卡方距离和加权Manhattan距离计算笔迹相似度。实现了一个与文本无关的离线笔迹鉴别系统,在包含120人的笔迹库上与已有笔迹鉴别方法进行对比实验,文本相关度较低时首选和前10选鉴别正确率分别为90.7%和98.3%。实验表明,以笔画为研究对象的基于特征融合的笔迹鉴别方法在低文本相关度下仍能取得较好效果。(本文来源于《西安建筑科技大学》期刊2015-05-01)
张乃千,杨海,樊振方[10](2014)在《基于ARM的文本独立笔迹鉴别系统设计》一文中研究指出笔迹鉴别是通过分析手写笔迹信息来判断书写者身份的特征分析技术,为提高笔迹鉴别的科学性和准确性,设计了基于ARM嵌入式系统的文本独立(Text-independent)笔迹鉴别系统。系统包括笔迹采集端、数据传输部分和上位机处理端3个部分。首先给出了总体设计和详细的工作流程,并对笔迹信息采集模块和数据传输部分进行分析,最后结合笔迹图像预处理技术和纹理特征分析方法,采用基于多维度Gabor变换和支持向量机(Support Vector Machines,SVM)方法进行实时笔迹鉴别。实验表明,系统鉴别率高,达到了良好的预期效果。(本文来源于《电子设计工程》期刊2014年23期)
笔迹鉴别论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
针对已有的笔迹鉴别方法对笔迹版式要求比较严格,且在小样本数据情况下,鉴别性能水平较低的问题,提出了邻环结构特征方法。首先对笔迹轮廓图像随机采样,然后利用网格窗口提取笔迹的邻环结构特征,最后利用主成分分析和线性鉴别分析方法对特征降维,利用深度置信网络对特征进行训练和鉴别。本文方法与文本无关,简单易行,在手写笔迹字符数量平均为45个的小样本上仍能有效表征作者风格信息。在HIT-MW笔迹鉴别数据库上的测试结果表明,本文方法达到了与使用较大样本的其他笔迹鉴别方法相近的鉴别效果。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
笔迹鉴别论文参考文献
[1].陈使明.基于深度神经网络的离线笔迹鉴别研究[D].贵州大学.2019
[2].全志楠,林家骏.文本无关的小样本手写汉字笔迹鉴别方法[J].华东理工大学学报(自然科学版).2018
[3].胡钰涛,黄楠,钟蓉璇.基于MATLAB的签名笔迹鉴别系统[J].计算机产品与流通.2017
[4].李庆武,马云鹏,周妍,周亮基.基于笔画曲率特征的笔迹鉴别方法[J].中文信息学报.2016
[5].邓辉瑶.基于深度卷积神经网络的离线笔迹鉴别研究[D].华中科技大学.2016
[6].范振印.非特定人脱机手写笔迹鉴别方法的研究[D].华中科技大学.2016
[7].周吉.基于信息融合的在线手写笔迹鉴别研究[D].武汉理工大学.2016
[8].邱娟.基于Gabor滤波器和高斯马尔科夫随机场的书法笔迹鉴别[D].暨南大学.2015
[9].孙向南.基于特征融合的笔迹鉴别技术研究[D].西安建筑科技大学.2015
[10].张乃千,杨海,樊振方.基于ARM的文本独立笔迹鉴别系统设计[J].电子设计工程.2014