一種脫機手寫(xiě)簽名認證方法
加入技術(shù)交流群
在包含有N個(gè)對象的m維單位空間(各屬性取值均采用規格化處理)中，對象間的平均距離為以此為標準，并按照“各聚類(lèi)中對象問(wèn)的距離不應超過(guò)此標準，各聚類(lèi)間距離不應低于此標準”的規則進(jìn)行聚類(lèi)學(xué)習。采用此方法得到的聚類(lèi)類(lèi)別數即為將要確定的隱層神經(jīng)元數。
整個(gè)RBF網(wǎng)絡(luò )的學(xué)習步驟為：
(1)設由上述聚類(lèi)算法得到的RBF網(wǎng)絡(luò )隱層單元數為K，最大允許誤差ε，置所有可調參數(權)為均勻分布的較小數(0～1或－1～1之間的隨機數)。置初始誤差E為0，學(xué)習率η為0～1之間的小數。網(wǎng)絡(luò )訓練后達到的精度Emin為一個(gè)正小數。
(2)采用上面根據相似性閾值和最小距離原則的簡(jiǎn)單聚類(lèi)方法確定基函數的中心Zi及δi方差，本文引用地址：http://dyxdggzs.com/article/188562.htm
(3)按梯度下降法調整網(wǎng)絡(luò )權值W直至誤差Eε，才結束。
4 實(shí)驗結果
徑向基神經(jīng)網(wǎng)絡(luò )由主成分特征提取出的10特征值作為輸入節點(diǎn)，而隱含層節點(diǎn)個(gè)數則根據每組訓練樣本的不同(參見(jiàn)上述算法)確定，輸出層只有一個(gè)神經(jīng)元，該神經(jīng)元的輸出就是簽名圖像的對應分類(lèi)(真假兩類(lèi))。
實(shí)驗中共采集11個(gè)人的660個(gè)簽名。每人有30個(gè)真簽名和其他人模仿的30個(gè)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(gè)簽名為作者簽名，其他為假冒簽名。
在每個(gè)人的60個(gè)簽名中，42個(gè)簽名(其中真簽名21個(gè)，假簽名21個(gè))作為訓練樣本，剩下的18個(gè)真假簽名作為測試樣本，因為有11個(gè)人的11組簽名，所以認證工作也分成11次，即1次進(jìn)行1個(gè)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(luò )進(jìn)行分類(lèi)驗證，實(shí)驗結果見(jiàn)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(luò )相結合的脫機手寫(xiě)簽名認證方法。首先為了減少運算量，對經(jīng)過(guò)預處理的簽名灰度圖像進(jìn)行降維，即采用主成分特征提取的方法降低圖像維數，同時(shí)過(guò)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(lèi)認證中，基于徑向基神經(jīng)網(wǎng)絡(luò )的驗證方法可以在合理的時(shí)間內，以較少的主成分個(gè)數得到較好的識別效果。因為國內尚未出現統一的簽名數據庫，實(shí)驗在自行采集的小型簽名數據樣本進(jìn)行，對更大型的數據庫的認證識別是今后需做的工作。
評論