基于pca方法的手寫簽名識別方法
【專利摘要】本發(fā)明提供一種基于PCA方法的手寫簽名識別方法，包括下述步驟：步驟S1，手寫簽名訓練樣本的獲取：獲取原始手寫簽名，并將各原始手寫簽名保存為統(tǒng)一像素格式的簽名圖像進行存儲；步驟S2，手寫簽名樣本的訓練：將獲取到的原始簽名圖像作為圖像訓練集，將圖像訓練集中的圖像進行灰度化處理，依次放入矩陣中，采用PCA方法進行圖像空間降維并提取特征值與特征向量，得到訓練樣本集合的特征簽名Y；步驟S3，手寫簽名的識別：采用最近鄰法進行簽名識別，將待識別的手寫簽名樣本在步驟S2中得到的特征投影矩陣U上作投影，得出特征簽名Y'，與訓練樣本集合通過PCA投影所得的特征簽名Y進行比較，選取距離最小者作為匹配項。本發(fā)明識別率高。
【專利說明】
基于PCA方法的手寫簽名識別方法
技術領域
[0001] 本發(fā)明涉及物聯(lián)網(wǎng)技術領域的圖像識別技術領域，尤其是一種基于PCA(主成分分 析)算法的手寫簽名識別方法。
【背景技術】
[0002] 簽名一直以來都扮演著標志身份的重要角色，在社會各個領域都有著廣泛的應 用，每個人的簽名都在長時間的簽寫中形成了獨一無二的風格，就算是筆跡很像的兩個人， 都不可能做到完全相同的模仿。在計算機身份識別系統(tǒng)中，發(fā)展以個體生物特征為基礎的 識別方法是保密領域的最佳突破口之一，能夠作為身份識別的生物特征理論上應該具備以 下特點：
[0003] 廣泛性，即每個人都應該具有這種特征；
[0004] 唯一性，每個人擁有的該項特征各不相同，獨一無二；
[0005] 穩(wěn)定性，該特征不隨時間、外界條件變化；
[0006] 可采集性，所選擇的特征應便于采集、保存、測量。
[0007] 可供個人身份確認的生物特征有多種，大體上可分為如下兩類：
[0008] (1)本人所具備的特征，如DNA、指紋、視網(wǎng)膜等。
[0009] (2)本人行為產(chǎn)生的特征，如手寫簽名、走路步態(tài)等。
[0010] 手寫簽名是一種行為特征，它是隨著時間逐步成型的個人自身的行為，人們在長 期書寫過程中產(chǎn)生各自獨有的文字書寫方式，表現(xiàn)為不同是書寫力道、書寫順序、筆畫連接 方式、局部裝飾筆畫等。而簽名作為一種特殊的書寫行為，繼承了筆跡的獨特性，因此簽名 是辨別個人身份的有效生物特征之一。
[0011] 手寫簽名識別技術分為在線和離線兩種。在線手寫簽名識別又被稱為動態(tài)手寫簽 名識別，離線手寫簽名識別又被稱為靜態(tài)手寫簽名識別。在線手寫簽名識別是利用書寫的 速度、加速度、運筆壓力等動態(tài)信息，表示成隨時間變化的信號序列，來鑒別手寫簽名的真 偽性。而離線手寫簽名則是利用手寫簽名的圖像，圖像可來源于掃描儀、照相機等輸入設 備，也可以直接在觸摸屏、手寫板等手寫輸入設備上書寫后，存儲成圖像，經(jīng)過對圖像的處 理，提取出該圖像的特征信息，與真實簽名樣本匹配對比，判斷書寫者的身份。此兩種手寫 簽名識別技術都需要預先存儲真實的簽名樣本。一般來說在線簽名識別率較高，因為這種 方式在書寫過程中動態(tài)信息，如書寫速度、加速度、運筆壓力等都被記錄下來作為的識別的 特征，信息全面，提取的特征豐富。而離線手寫簽名識別，在書寫過程中所產(chǎn)生的動態(tài)信息 無一能保留，只能依據(jù)簽名圖像的靜態(tài)信息，根據(jù)每個人筆跡全局和局部的特點來鑒別，這 種情況鑒別難度略大，識別率降低。但是，在線手寫簽名識別需要專業(yè)的手寫板，獲取充分 的信息，應用受到限制，對于只能在圖像中獲取到的簽名，在線手寫簽名識別就無能為力 了，因此離線手寫簽名克服了這一困難。

【發(fā)明內(nèi)容】

[0012] 本發(fā)明的目的在于克服現(xiàn)有技術中存在的不足，提供一種基于PCA方法的手寫簽 名識別方法，用以提高手寫簽名的識別率。本發(fā)明采用的技術方案是：
[0013] -種基于PCA方法的手寫簽名識別方法，包括下述步驟：
[0014] 步驟S1，手寫簽名訓練樣本的獲取:獲取原始手寫簽名，并將各原始手寫簽名保存 為統(tǒng)一像素格式的簽名圖像進行存儲；
[0015] 步驟S2,手寫簽名樣本的訓練:將獲取到的原始簽名圖像作為圖像訓練集，將圖像 訓練集中的圖像進行灰度化處理，依次放入矩陣中，所述矩陣行數(shù)表示像素點個數(shù)，列數(shù)表 示圖像個數(shù)，采用PCA方法進行圖像空間降維并提取特征值與特征向量，得到訓練樣本集合 的特征簽名Y;
[0016] 步驟S3,手寫簽名的識別:采用最近鄰法進行簽名識別，將待識別的手寫簽名樣本 在步驟S2中得到的特征投影矩陣U上作投影，得出特征簽名Y'，與訓練樣本集合通過PCA投 影所得的特征簽名Y進行比較，選取距離最小者作為匹配項。
[0017] 進一步地，所述步驟S2包括下述子步驟：
[0018] 步驟S2.1，獲取訓練樣本集合:獲取包含M張簽名圖像的集合，每張圖像轉換成一 個含有N個元素的向量1^(1^^^)4的大小為圖像高乂寬』張圖像即1個向量，把這1個 向量放到一個集合里，形成N X M的簽名矩陣S，如下式所示：
[0019] s={ Ti, r2, rm} (l)
[0020] 步驟S2.2,生成訓練樣本的平均簽名：在獲取到簽名矩陣S后，把矩陣S中向量遍歷 一遍進行累加，然后取平均值，計算得到平均圖像V，所述W稱之為平均簽名，W計算如下 式所示：
(2)
[0022] 步驟S2.3,中心化訓練樣本;計算每張簽名圖像G和平均圖像W的差值隊，即用S 集合里的每個向量元素1^減去子步驟2.2中所得的平均值W，得到中心化的訓練樣本On 如下式所示：
[0023] 〇i= ri-W,(l^i^M) (3)
[0024] 步驟S2.4，利用PCA方法對訓練樣本進行特征提取:C是訓練樣本集合的協(xié)方差矩 陣，記為：
(4)
[0026] 求得協(xié)方差矩陣C的特征值Ak(l<k<M)及其對應的特征向量Uk(l<k<M)，所述特 征向量Uk(l<k<M)是用來描述矩陣〇分布的；由于訓練樣本的特征維度N>>M，協(xié)方差矩 陣C的維度為NXN，對該矩陣C求解特征值很費力，此時通過求解協(xié)方差矩陣C的轉置矩陣C' =〇 T〇，C'的維度為MXM，對于協(xié)方差矩陣C的轉置矩陣C'= 〇T〇，求得與協(xié)方差矩陣C相 同的特征值Xk(l<k<M)，相應的特征向量為Vk(l<k<M)，而協(xié)方差矩陣C的特征向量y k = Ovk, (l^k^M)；
[0027]由于特征向量yk(l<k<M)是正交化單位向量，所以yk還要滿足下式： _8] /w |d j (5)
[0029] 將所得協(xié)方差矩陣C的特征值Ak(l<k<M)由大到小排序，取其前1個最大非零特 征值為人1>人2>人3>... >人1，對應的特征向量為Hi，U2，圯…，U1，將Hi，U2，圯…，U1張成維度為M X 1 的特征投影矩陣U，此特征投影矩陣U表示協(xié)方差矩陣C的前1個蘊含信息量最多的特征向 量；
[0030] 使用PCA方法對訓練樣本進行特征提取過程為:Yi = UT〇 i，（1彡i彡M); Y即為中心 化的訓練樣本集合〇進行PCA投影得到的特征矩陣，也稱為特征簽名。
[0031] 進一步地，所述步驟S3包括下述子步驟：
[0032] 步驟S3.1獲取待識別手寫簽名圖像，并保存，將此圖像的像素設置成與原始簽名 圖像像素格式相同；
[0033] 步驟3.2利用PCA方法進行特征提取;讀取待識別手寫簽名圖像，將該圖像轉化為N 維向量A，減去上述步驟S2.2中所得平均簽名W，得到中心化的待識別樣本向量，記為B， 如下式所示：
[0034] B = A-W (6)
[0035] 使用PCA方法對待識別樣本B進行特征提取的過程為:Y'=UTB，Y'即為中心化的 待識別樣本B進行PCA投影得到的特征簽名；
[0036] 步驟3.3利用最近鄰法分類識別;經(jīng)過PCA方法特征提取后，訓練樣本集合S中的每 幅圖像對應特征矩陣y中一列它們總共分為M類，其中每一個訓練樣本都屬于 某個指定的簽名類別對于任意待識別簽名圖像，經(jīng)過PCA方法特征提取后得 到Y'，計算：
[0037] d(Yi，Y，）= | |Yi-Y，| |f(1彡i彡M)
[0038] 其中，| |*| |f表示矩陣*的Frobenious范數(shù);如果滿足d(Yi，Y'）=mind(Yi，Y'）并且 hG ，那么待識別的樣本屬于，即判定該簽名為真;否則，待識別的樣本不屬于^^，判 定該簽名為假。
[0039] 本發(fā)明的優(yōu)點在于:本發(fā)明不切分字體，利用全局信息，提取手寫簽名的主成分特 征，使用最近鄰分類器辨別真?zhèn)?，能提高手寫簽名識別率。
【附圖說明】
[0040] 圖1為本發(fā)明的實施例流程圖。
【具體實施方式】
[0041] 下面結合具體附圖和實施例對本發(fā)明作進一步說明。
[0042] 本發(fā)明提供的基于PCA方法的手寫簽名識別方法，【具體實施方式】如下：
[0043] 步驟S1，手寫簽名訓練樣本的獲取:獲取原始手寫簽名，并將各原始手寫簽名保存 為統(tǒng)一像素格式的簽名圖像進行存儲；
[0044] 此步驟中，可在安裝有手寫簽名APP的手機等智能終端上，利用所述手寫簽名APP， 在手寫屏幕上簽上姓名，每次簽一個名字，以圖片的形式保存至名為training文件夾中，圖 片按編號存儲，并且每張圖片像素一致，統(tǒng)一設置成像素為81X81，以便于讀取訓練。
[0045] 步驟S2,手寫簽名樣本的訓練:將獲取到的原始簽名圖像作為圖像訓練集，將圖像 訓練集中的圖像進行灰度化處理，依次放入矩陣中，所述矩陣行數(shù)表示像素點個數(shù)，列數(shù)表 示圖像個數(shù)，采用PCA方法進行圖像空間降維并提取特征值與特征向量，得到訓練樣本集合 的特征簽名；
[0046] 此步驟具體包括下述子步驟：
[0047] 步驟S2.1，獲取訓練樣本集合:獲取包含M張簽名圖像的集合，每張圖像轉換成一 個含有N個元素的向量r (N的大小為圖像高height X寬width)，M張圖像即M個 向量，把這M個向量放到一個集合里，開$成N X M的簽名矩陣S，如下式所示：
[0048] s={ Ti, r2, Tm} (1)
[0049] 步驟S2.2,生成訓練樣本的平均簽名：在獲取到簽名矩陣S后，把矩陣S中向量遍歷 一遍進行累加，然后取平均值，計算得到平均圖像V，所述W稱之為平均簽名，W計算如下 式所示：
(2)
[0051] 步驟S2.3,中心化訓練樣本;計算每張簽名圖像和平均圖像W的差值0:，即用S 集合里的每個向量元素1^減去子步驟2.2中所得的平均值W，得到中心化的訓練樣本On 如下式所示：
[0052] 〇i= ri-W,(l^i^M) (3)
[0053] 步驟S2.4,利用PCA方法對訓練樣本進行特征提取:C是訓練樣本集合的協(xié)方差矩 陣，記為：
(4)
[0055] 求得協(xié)方差矩陣C的特征值Ak(l彡k彡M)及其對應的特征向量uk(l彡k彡M)，所述特 征向量Uk(l<k<M)是用來描述矩陣〇分布的；由于訓練樣本的特征維度N>>M，協(xié)方差矩 陣C的維度為NXN，對該矩陣C求解特征值很費力，此時通過求解協(xié)方差矩陣C的轉置矩陣C' = 〇T〇，C'的維度為MXM，大大降低了計算復雜度，對于協(xié)方差矩陣C的轉置矩陣C' = 〇T ?，求得與協(xié)方差矩陣C相同的特征值Ak(l<k<M)，相應的特征向量為vk(l<k$M)，而協(xié)方 差矩陣C的特征向量yk= ?vk，（Kk<M);
[0056]由于特征向量yk(l<k<M)是正交化單位向量，所以yk還要滿足下式：
[。。57] <5)
[0058]將所得協(xié)方差矩陣C的特征值Ak(l<k<M)由大到小排序，取其前1個最大非零特 征值為，對應的特征向量為]^，叱#…，U1，將Ul，li2，li3…，U1張成維度為MX 1 的特征投影矩陣U，此特征投影矩陣U表示協(xié)方差矩陣C的前1個蘊含信息量最多的特征向 量；
[0059] 使用PCA方法對訓練樣本進行特征提取過程為:Yi = UT〇i，（l彡i彡M);Y即為中心 化的訓練樣本集合〇進行PCA投影得到的特征矩陣，也稱為特征簽名。
[0060] 步驟S3,手寫簽名的識別:采用最近鄰法進行簽名識別，將待識別的手寫簽名樣本 在步驟S2中得到的特征投影矩陣U上作投影，得出特征簽名Y'，與訓練樣本集合通過PCA投 影所得的特征簽名Y進行比較，選取距離最小者作為匹配項。具體步驟如下：
[0061] 步驟S3.1獲取待識別手寫簽名圖像;利用所述手寫簽名APP，在手寫屏幕上簽名， 得到一幅新的簽名圖像，存入test文件夾中，將此圖像的像素設置成81X81，與原始簽名圖 像像素格式相同；
[0062] 3.2利用PCA方法進行特征提取;讀取待識別簽名圖像，將該圖像轉化為N維（81 X 81)向量A，減去上述步驟S2.2中所得平均簽名W，得到中心化的待識別樣本向量，記為B， 如下式所示：
[0063] B = A-W (6)
[0064] 使用PCA方法對待識別樣本B進行特征提取的過程為:Y'=UTB，Y'即為中心化的 待識別樣本B進行PCA投影得到的特征簽名；
[0065] 3.3利用最近鄰法分類識別;經(jīng)過PCA方法特征提取后，訓練樣本集合S中的每幅圖 像對應特征矩陣Y中一列Ydl^aSM)，它們總共分為M類，其中每一個訓練樣本都屬于某個 指定的簽名類別《 1(1彡i彡M);對于任意待識別簽名圖像，經(jīng)過PCA方法特征提取后得到 Y'，計算：
[0066] d(Yi，Y，）= | |Yi-Y，| |f(1彡i彡M)
[0067] 其中，| |*| |f表示矩陣*的Frobenious范數(shù);如果滿足d(Yi，Y'）=mind(Yi，Y'）并且 hG ，那么待識別的樣本屬于，即判定該簽名為真;否則，待識別的樣本不屬于^^，判 定該簽名為假。
【主權項】
1. 一種基于PCA方法的手寫簽名識別方法，其特征在于，包括下述步驟： 步驟Sl，手寫簽名訓練樣本的獲取:獲取原始手寫簽名，并將各原始手寫簽名保存為統(tǒng) 一像素格式的簽名圖像進行存儲； 步驟S2,手寫簽名樣本的訓練:將獲取到的原始簽名圖像作為圖像訓練集，將圖像訓練 集中的圖像進行灰度化處理，依次放入矩陣中，所述矩陣行數(shù)表示像素點個數(shù)，列數(shù)表示圖 像個數(shù)，采用PCA方法進行圖像空間降維并提取特征值與特征向量，得到訓練樣本集合的特 征簽名Y; 步驟S3,手寫簽名的識別:采用最近鄰法進行簽名識別，將待識別的手寫簽名樣本在步 驟S2中得到的特征投影矩陣U上作投影，得出特征簽名Y'，與訓練樣本集合通過PCA投影所 得的特征簽名Y進行比較，選取距離最小者作為匹配項。2. 如權利要求1所述的基于PCA方法的手寫簽名識別方法，其特征在于： 所述步驟S2包括下述子步驟： 步驟S2.1，獲取訓練樣本集合:獲取包含M張簽名圖像的集合，每張圖像轉換成一個含 有N個元素的向量ri(l<i彡M)，N的大小為圖像高X寬，M張圖像即M個向量，把這M個向量 放到一個集合里，形成N X M的簽名矩陣S，如下式所示： s={ri, γ2, γ3,···, rm} (I)步驟S2.2，生成訓練樣本的平均簽名:在獲取到簽名矩陣S后，把矩陣S中向量遍歷一遍 進行累加，然后取平均值，計算得到平均圖像Ψ，所述Ψ稱之為平均簽名，Ψ計算如下式所 示： ⑵ 步驟S2.3,中心化訓練樣本;計算每張簽名圖像Γ,和平均圖像Ψ的差值Φ,，即用S集合 里的每個向量元素 F1減去子步驟2.2中所得的平均值Ψ，得到中心化的訓練樣本…，如下 式所示： (Di= Γ^-Ψ，（1 彡 i 彡M) (3)步驟S2.4，利用PCA方法對訓練樣本進行特征提取:C是訓練樣本集合的協(xié)方差矩陣，記 為： (4) 求得協(xié)方差矩陣C的特征值115(1^^<1〇及其對應的特征向量Uk(KkSM),所述特征向 量Uk(KkSM)是用來描述矩陣Φ分布的；由于訓練樣本的特征維度N>>M，協(xié)方差矩陣C 的維度為NXN，對該矩陣C求解特征值很費力，此時通過求解協(xié)方差矩陣C的轉置矩陣C' = ΦΤΦ，C'的維度為MXM，對于協(xié)方差矩陣C的轉置矩陣C'= ΦΤΦ，求得與協(xié)方差矩陣C相同 的特征值Xk(KkSM)，相應的特征向量為Vk(KkSM)，而協(xié)方差矩陣C的特征向量y k= Φ vk，（KkSM); 由于特征向量Pk(KkSM)是正交化單位向量，所以yk還要滿足下式： (5) 將所得協(xié)方差矩陣C的特征由大到小排序，取其前1個最大非零特征值為 λι>λ2>λ3>…〉λι，對應的特征向量為μι，μ2，μ3…，μι，將μι，μ2，μ3·"，μL張成維度為MX 1的特征 投影矩陣U，此特征投影矩陣U表示協(xié)方差矩陣C的前1個蘊含信息量最多的特征向量； 使用PCA方法對訓練樣本進行特征提取過程為= Y1 = UtO1JI彡i彡M);Y即為中心化的 訓練樣本集合Φ進行PCA投影得到的特征矩陣，也稱為特征簽名。3.如權利要求2所述的基于PCA方法的手寫簽名識別方法，其特征在于： 所述步驟S3包括下述子步驟： 步驟S3.1獲取待識別手寫簽名圖像，并保存，將此圖像的像素設置成與原始簽名圖像 像素格式相同； 步驟3.2利用PCA方法進行特征提取;讀取待識別手寫簽名圖像，將該圖像轉化為N維向 量A，減去上述步驟S2.2中所得平均簽名Ψ，得到中心化的待識別樣本向量，記為B，如下 式所示： B = Α-Ψ (6) 使用PCA方法對待識別樣本B進行特征提取的過程為:Y' =Ut B，Y'即為中心化的待識 別樣本B進行PCA投影得到的特征簽名； 步驟3.3利用最近鄰法分類識別;經(jīng)過PCA方法特征提取后，訓練樣本集合S中的每幅圖 像對應特征矩陣Y中一列Y1(KiSM),它們總共分為M類，其中每一個訓練樣本都屬于某個 指定的簽名類別^^。彡i彡M);對于任意待識別簽名圖像，經(jīng)過PCA方法特征提取后得到 Y'，計算： d(Yi，Y，）= I |Yi-Y，I If (Ki彡M) 其中，I |*| |f表示矩陣*的Frobenious范數(shù);如果滿足d(Yi，Y'）=min d(Yi，Y'）并且YiG ω i，那么待識別的樣本屬于ω i，即判定該簽名為真;否則，待識別的樣本不屬于ω i，判定該 簽名為假。
【文檔編號】G06K9/00GK105893952SQ201610191373
【公開日】2016年8月24日
【申請日】2016年3月30日
【發(fā)明人】鄧躍設, 丁曉邕, 高晨蘭
【申請人】無錫度維智慧城市科技股份有限公司