基于離線簽名識(shí)別的身份認(rèn)證技術(shù)研究-資料下載頁(yè)
2025-07-18 18:48本頁(yè)面
【正文】 模型應(yīng)用的離線簽名特征提取 ? 一個(gè)基于二維隱馬爾可夫模型的中文離線簽名認(rèn)證系統(tǒng) ? 實(shí)現(xiàn)問(wèn)題 ? 實(shí)驗(yàn)評(píng)估 ? 總結(jié)和下一步的工作 一個(gè)基于二維隱馬爾可夫模型的中文離線簽名認(rèn)證系統(tǒng) 1 ? 實(shí)現(xiàn)問(wèn)題 ? 使用兩種特征：象素強(qiáng)度特征和局部方向特征 ? 關(guān)于向量量化： ? 要獲得較好的聚類(lèi)效果，每一個(gè)碼字所代表的胞腔必須在訓(xùn)練集中擁有足夠數(shù)目的特征向量。因此小的訓(xùn)練集就需要小的碼書(shū)。每個(gè)簽名圖像獲得的特征矢量序列的長(zhǎng)度通常在 15到 40之間。如果對(duì)每個(gè)簽名者用 10個(gè)簽名來(lái)建模，那么在向量量化階段所使用的訓(xùn)練集的大小就在 150到 400之間。對(duì)于這種規(guī)模的訓(xùn)練集，我們將碼書(shū)的大小設(shè)定為 8個(gè)碼字。 ? 離散無(wú)跨越、兩轉(zhuǎn)移 、二維 HMM 一個(gè)基于二維隱馬爾可夫模型的中文離線簽名認(rèn)證系統(tǒng) 2 ? 實(shí)驗(yàn)評(píng)估 ? 實(shí)驗(yàn)分兩部分進(jìn)行 實(shí)驗(yàn)一的目的是評(píng)估前面所建立的基于二維 HMM的中文離線簽名認(rèn)證系統(tǒng)的性能，主要是對(duì)簡(jiǎn)單偽造簽名的鑒別能力。實(shí)驗(yàn)二則是評(píng)估模型的自適應(yīng)性和學(xué)習(xí)能力 。 ? 實(shí)驗(yàn)數(shù)據(jù)集： 10組樣本，每組對(duì)應(yīng)一個(gè)人的簽名，包括 20個(gè)真實(shí)樣本，10個(gè)簡(jiǎn)單偽造樣本。采集策略：每個(gè)簽名者每天書(shū)寫(xiě) 3到 4個(gè)樣本，一周內(nèi)采集 20個(gè)樣本，這樣可以使數(shù)據(jù)庫(kù)盡可能反映不同時(shí)間的字體變化。系統(tǒng)評(píng)估使用以下兩個(gè)參數(shù)：誤接受率 FAR和誤拒絕率 FRR。 一個(gè)基于二維隱馬爾可夫模型的中文離線簽名認(rèn)證系統(tǒng) 3 ? 實(shí)驗(yàn)評(píng)估 ? 實(shí)驗(yàn)一： ? 對(duì)每組數(shù)據(jù)，在假定一個(gè)決策控制參數(shù)的值的情況下， 10個(gè)真實(shí)簽名樣本被用來(lái)訓(xùn)練模型參數(shù)，用另外 10個(gè)真實(shí)樣本測(cè)試所建立模型的誤拒絕率 FRR， 10個(gè)偽造樣本測(cè)試模型的誤接受率 FAR。變化控制參數(shù)的取值并重復(fù)上述實(shí)驗(yàn)，選出一個(gè)較合適的值，作為系統(tǒng)最終的決策控制參數(shù)。 ? 從圖中可以看出，在 FAR和 FRR有較好的折中。我們?cè)诒鞠到y(tǒng)中就使用 控制參數(shù)。這時(shí) FAR和 FRR分別約為 4%和 5%。 一個(gè)基于二維隱馬爾可夫模型的中文離線簽名認(rèn)證系統(tǒng) 4 ? 實(shí)驗(yàn)評(píng)估 ? 實(shí)驗(yàn)二： ? 新數(shù)據(jù)集： 每個(gè)簽名者的 20個(gè)真實(shí)樣本。這 200個(gè)新簽名被分成兩組， A組包含每個(gè)簽名者的 10個(gè)新樣本，共 100個(gè)簽名， B組包含剩下的簽名。 ? 首先在上面訓(xùn)練所得的模型（決策參數(shù)取 ）下分別測(cè)試模型對(duì) A、 B兩個(gè)新樣本集的誤拒絕率。結(jié)果分別為 10%和 9%，平均 FRR為 %，這同原先 5%的 FRR相比增加了近 5個(gè)百分點(diǎn)。造成這種情況的原因有兩個(gè)：一是模型的訓(xùn)練樣本數(shù)較少，不足以反映整體樣本的特征；二是由于字體隨時(shí)間的變化，使得原來(lái)訓(xùn)練的模型不再適應(yīng)新的簽名狀態(tài)。 ? 隨后我們將 B中驗(yàn)證為真的樣本作為新的訓(xùn)練集，對(duì)原模型加以修正。在新的模型參數(shù)下， A中原先被誤識(shí)為贗品的簽名多數(shù)被判別為真，此時(shí)模型對(duì)數(shù)據(jù)集 A的 FRR變?yōu)?4%。同時(shí)新模型對(duì)偽造樣本的誤接受率并沒(méi)有增加。 ? 研究背景 ? 隱馬爾可夫模型技術(shù) ? 基于隱馬爾可夫模型的簽名認(rèn)證算法 ? 適合于隱馬爾可夫模型應(yīng)用的離線簽名特征提取 ? 一個(gè)基于二維隱馬爾可夫模型的中文離線簽名認(rèn)證系統(tǒng) ? 結(jié)束語(yǔ) ? 本文工作總結(jié) ? 不足之處 結(jié)束語(yǔ) 1 ? 本文工作總結(jié) ? 首先分析了離線簽名鑒別要解決的問(wèn)題和技術(shù)難點(diǎn)，總結(jié)了已有的離線簽名鑒別技術(shù)，從簽名表示和分類(lèi)判決兩個(gè)方面對(duì)這些技術(shù)進(jìn)行分類(lèi)總結(jié)，分析不同方法的優(yōu)點(diǎn)和缺點(diǎn)，并將我們的工作定位在簡(jiǎn)單偽造簽名的鑒別上。 ? 本文討論了隱馬爾可夫模型在離線簽名鑒別中的應(yīng)用。在介紹使用HMM進(jìn)行簽名鑒別的原理和流程的基礎(chǔ)上，依次介紹了在建立 HMM離線簽名認(rèn)證系統(tǒng)的各階段遇到的問(wèn)題及其解決方案。 ? 研究了適合 HMM應(yīng)用的簽名特征提取，尤其是中文簽名特征提取。在此基礎(chǔ)上選擇了兩種分類(lèi)能力較好且簡(jiǎn)單易用的特征，開(kāi)發(fā)了基于二維 HMM的中文離線簽名認(rèn)證系統(tǒng)，并通過(guò)實(shí)驗(yàn)對(duì)本文的思想進(jìn)行了驗(yàn)證。 結(jié)束語(yǔ) 2 ? 不足之處： ? 在系統(tǒng)工作流程的各個(gè)階段都作了一定的簡(jiǎn)化 ，對(duì)系統(tǒng)性能都有一定的影響 ? 采用的是為每個(gè)簽名者建立一個(gè)碼書(shū)的方法，所建立的碼書(shū)具有很少的碼字，這可能會(huì)出現(xiàn)上述碼書(shū)區(qū)分能力不強(qiáng)的問(wèn)題。在進(jìn)一步的工作中，可以考慮在大量簽名者的簽名樣本集上設(shè)計(jì)向量量化碼書(shū)，以解決訓(xùn)練樣本集過(guò)小的問(wèn)題。 ? 深入研究簽名特征提取也是下面工作的一個(gè)重點(diǎn)。 謝謝各位老師！
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1