基于HTM的离线手写签名识别及改进

现有离线签名识别的方法主要存在识别率低的缺陷,如何进一步提高签名识别率是目前该项研究的核心问题这一。提出一种基于层次时间记忆(Hierarchical Temporal Memory,HTM)的离线签名识别系统,并结合签名样本的时空特征,对离线签名进行有效处理和识别。实验结果证明,该方法的识别率可达95%,并对签名的移动与缩放有较好的识别效果。还结合算法中的maxdistance参数对识别结果进行分析和改进。

基于人工免疫模型的在线手写签名识别方法

采集能表征签名者潜在手写习惯的签名特征,利用人工免疫模型的自学习和自适应实现在较少训练样本的条件下获得具有更高区分度的手写签名模板.实验结果表明,文中方法识别具有良好的训练效果,能获得较好的验证率和鉴别率.

基于LBP和深度学习的手写签名识别算法

为优化手写签名识别算法性能,提出了一种局部二值模式(LBP)和深度学习相结合的手写签名识别算法。针对签名图像进行预处理、维纳滤波去除噪声;将预处理签名图像分为3×4子块,LBP应用于分块后的每个子图像,并将每个子块的纹理直方图特征连接起来,形成全局直方图特征;将得到的特征向量作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面,对签名图片进行识别。基于GPDS、MCYT及原创数据库进行实验,识别率误差分别为5.85%、9.3%、1.17%,有效提高了手写签名的识别精度,符合实际应用的要求。

基于Gist和IPCA算法的多文种离线手写签名识别

由于离线手写签名图像有效的笔画部分普遍比较稀疏,存在大量的无效白色背景,目前常用的特征描述方法会使得得到的特征数据存在大量冗余,影响识别准确率。识别准确率的提高,需要依赖大量的训练数据和提取多个特征并进行融合,但这样又会因特征数据过多和维度过大而造成计算困难,影响识别效率。为此,提出了一种基于Gist和IPCA算法的多文种离线手写签名识别方法,利用Gist特征聚焦图像的整体布局和笔画部分,同时利用IPCA算法的批处理能力来提高识别效果和运行效率。使用中、英、维3种语言的实验数据集,并使用SVM分类器进行识别实验。结果显示,3个数据集上的识别准确率分别为97.97%,98.43%和97.19%,3种数据混合后的识别准确率为97.70%。经过对比分析可知,提出的方法与之前的相关方法相比明显较优。

在线手写签名组合最相似笔段的识别算法

在线手写签名识别是通过人的生物特征进行身份验证的技术.提出一种基于笔画样本库的识别方法,避免了动态特征点提取、时序段匹配等方法由于书写环境和人物即时的生理特性所带来的问题,同时针对每一笔画的稳定性提出了加权距离计算公式.实验证明该方法行之有效,在保证高识别率的同时又降低了误拒率.

基于时间序列优化和DTW的在线手写签名鉴别

针对传统DTW算法的不足,本文通过优化时间序列,提出了基于时间序列优化的在线手写签名鉴别算法。该算法弥补了传统DTW算法忽略签名时间序列长度的不足,并提高了签名认证准确率。实验结果说明算法是可行的。

一种随机个体数字签名认证方案

为解决随机个体的数字签名和身份认证问题,提出了一种随机个体签名认证方案。方案结合PKI/CA技术、时间戳技术、手写签名识别等技术,来解决现有技术方案的不足。方案设计并实现了签名和认证过程,分析和应用表明,具有较高的签名效率和良好的安全性,具有很广泛的应用前景。

NEWS

“脑指纹”可侦破恐怖分子犯罪；生物系统用于识别海啸遇难进行的遗体；西安交大成功研制出“人脸图像智能处理系统”；中国手写签名识别技术达国际先进水平；中国有望在2008年发换具有生物识别的电子护照……