一種脫機手寫簽名認證方法
加入技術交流群
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準，并按照“各聚類中對象問的距離不應超過此標準，各聚類間距離不應低于此標準”的規(guī)則進行聚類學習。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)絡的學習步驟為：
(1)設由上述聚類算法得到的RBF網(wǎng)絡隱層單元數(shù)為K，最大允許誤差ε，置所有可調參數(shù)(權)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，學習率η為0～1之間的小數(shù)。網(wǎng)絡訓練后達到的精度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.biyoush.com/article/188562.htm
(3)按梯度下降法調整網(wǎng)絡權值W直至誤差Eε，才結束。
4 實驗結果
徑向基神經(jīng)網(wǎng)絡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，所以認證工作也分成11次，即1次進行1個人訓練簽名樣本的訓練和測試樣本的測試。把這些樣本送入RBF神經(jīng)網(wǎng)絡進行分類驗證，實驗結果見表1：
5 結論
提出一種基于主成分特征提取和徑向基神經(jīng)網(wǎng)絡相結合的脫機手寫簽名認證方法。首先為了減少運算量，對經(jīng)過預處理的簽名灰度圖像進行降維，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證中，基于徑向基神經(jīng)網(wǎng)絡的驗證方法可以在合理的時間內，以較少的主成分個數(shù)得到較好的識別效果。因為國內尚未出現(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)樣本進行，對更大型的數(shù)據(jù)庫的認證識別是今后需做的工作。
評論