基于離線簽名識別的身份認證技術研究(編輯修改稿)
2025-06-07 00:49 本頁面
【文章內容簡介】 平方失真測度 ； LBG算法 ；分裂法初始碼書 。 基于 HMM的離線簽名認證算法 3 ? HMM建模 * ? 模型選擇 ? Markov鏈的形狀： ? 從左到右 ；無跨越 、 兩轉移 ? 狀態(tài)數(shù) ， n通常在 2到 4之間 ? 觀察符號 ? 多維觀察符號：多種特征結合使用時 ， 這些特征之間在意義和度量上不可 。 HMM的每個狀態(tài)就對應多個觀察符號 。 ? 多維離散 HMM 的概念：它具有和普通 HMM相同的狀態(tài)轉移概率矩陣 ， 不同的是 ， 它使用多個觀察概率矩陣 ， 每個觀察概率矩陣描述了一類觀察符號的概率分布情況 。 比如一個二維離散 HMM， 就可以用四元組 表示 。 ),( 21 ?? BBA?? ?10/ln ?基于 HMM的離線簽名認證算法 4 ? HMM建模 * ? 模型訓練 ? 必須修改原先的 HMM基本算法以處理多維觀察符號的情況 。假定每一類特征相互獨立的情況下，多維 HMM的輸出概率可以用每一維信號的輸出概率的乘積來計算 ，那么： 這里 表示狀態(tài) j下出現(xiàn)第 個觀察值中符號 k的次數(shù)的期望 )](),2(),1([ ROOOO tttt ???????? ??????? RltjNiijtt lObaij1111 ))(()()( ???? ? ?? ? ??????? Rl tjNj tijt lObjai 1 11 1 ))(()()( ??)(/)|()( )()( jc o u n tjkc o u n tkb llj ?)|( )( jkcount l l基于 HMM的離線簽名認證算法 5 ? 認證過程 ? 輸出概率的歸一化 ? 決策方法 lOpOp )|(log)|(~ ?? ??? ??? pp m a x?? ??? pp m i n基于 HMM的離線簽名認證算法 6 ? 解決缺乏訓練樣本和系統(tǒng)識別率隨時間下降的問題 * ? 問題的提出： ? 一個 HMM含有多個待估計參數(shù)，因此要得到滿意的模型，必須有很多的訓練數(shù)據(jù)。當訓練數(shù)據(jù)集比較小時，一些出現(xiàn)次數(shù)較少的觀察值沒有包含在整個訓練數(shù)據(jù)中，這就會導致訓練出的 HMM參數(shù)中有一些為 0的概率。 ? 實際應用中，一個簽名者注冊時往往只采集幾個簽名樣本。 ? 人的字體會隨時間改變，因此隨著時間的推移，模型將逐漸不適應字體的變化，識別率會越來越低。 ? 動態(tài)訓練方法： ? 將在模型使用中鑒定為真的簽名作為新的訓練數(shù)據(jù)，用它對以前的模型進行修正，使新模型能同時反映原訓練數(shù)據(jù)和新訓練數(shù)據(jù)的特性 ? 由 Baum Welch算法的重估公式可知：在迭代中， L個訓練序列的信息是由這些訓練序列分別計算出的轉移次數(shù)、矢量數(shù)、狀態(tài)數(shù)通過分子分母分別相加反映在迭代后的新模型參數(shù)中的。那么把和作為 L個訓練序列分成的兩部分的話，對新訓練數(shù)據(jù)集，用 BW算法產生相應的模型，并保留各參數(shù)重估公式中的分子、分母值，與原模型訓練過程中相應的分子分母分別相加，就可以得到同時反映新舊數(shù)據(jù)集特性的模型參數(shù)。 ? 研究背景 ? 隱馬爾可夫模型技術 ? 基于隱馬爾可夫模型的簽名認證算法 ? 適合于隱馬爾可夫模型應用的離線簽名特征提取 ? 簽名特征提取策略 ? 圖像劃分方法 ? 特征提取 ? 特征分類能力評估 ? 一個基于二維隱馬爾可夫模型的中文離線簽名認證系統(tǒng) ? 總結和下一步的工作 適合于隱馬爾可夫模型應用的離線簽名特征提取 1 ? 簽名特征提取策略 ? 有兩種思路可以建立 HMM的輸入離散特征序列： ? “元筆劃”，通過適當?shù)暮灻蟹炙惴▽⒑灻麆澐殖稍P劃序列，作為 HMM的輸入特征序列； ? 不按語義切分，只簡單的把簽名所在的圖像區(qū)域劃分成如干部分，把從每一部分提取的特征合在一起組成 HMM的輸入特征序列。 ? 選擇： ? 簽名書寫的任意性使得“元筆劃”的劃分非常復雜，因此很難找到合適的定義和切分算法。另一方面，針對簡單偽造簽名的鑒別不需要使用復雜的結構化簽名表示法，通過對所有簽名建立一種統(tǒng)一的全局或局部的形狀描述就可以獲得較好的性能。因此我們選擇基于簽名圖像區(qū)域劃分的特征提取方式建立 H
范文總結相關推薦
鄂ICP備17016276號-1