基于筆畫片段方向分布特征的筆跡識(shí)別方法
【專利摘要】本發(fā)明提供了一種基于筆畫片段方向分布特征的筆跡識(shí)別方法，該方法用于離線筆跡識(shí)別技術(shù)。首先需要將書寫的筆跡用掃描儀掃描成筆跡圖像，接著提取圖像中的筆跡輪廓，并將輪廓分解成筆畫片段，然后利用本發(fā)明的筆畫方向分布特征提取方法提取筆畫片段的方向分布特征，最后采用加權(quán)曼哈頓距離來測(cè)量筆跡圖像間的相似性，從而進(jìn)行身份識(shí)別。本發(fā)明提取了一種新的基于筆畫片段方向分布的特征提取方法，進(jìn)一步提高了筆跡識(shí)別精度。
【專利說明】基于筆畫片段方向分布特征的筆跡識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于行為特征的身份識(shí)別【技術(shù)領(lǐng)域】，尤其涉及一種基于筆畫片段方向 分布特征的離線筆跡識(shí)別方法。

【背景技術(shù)】
[0002] 生物特征識(shí)別是利用人的生理特征或行為特征，進(jìn)行個(gè)人身份的鑒定的方法和技 術(shù)。每個(gè)個(gè)體都有唯一的可以測(cè)量或可自動(dòng)識(shí)別、驗(yàn)證的生理特性或行為方式，即生物特 征。它可劃分為生理特征（如指紋、面像、虹膜、掌紋等）和行為特征（如步態(tài)、聲音、筆跡 等）。生物識(shí)別就是依據(jù)每個(gè)個(gè)體之間獨(dú)一無二的生物特征對(duì)其進(jìn)行識(shí)別與身份的認(rèn)證。
[0003] 筆跡是一個(gè)人獨(dú)特的行為特征，不同人的筆跡存在很大差別。每個(gè)人書寫習(xí)慣不 同，在長(zhǎng)時(shí)間的書寫訓(xùn)練過程中，產(chǎn)生了諸如轉(zhuǎn)承啟合等部分的差別，這些差別最終導(dǎo)致了 整個(gè)字體較大的差異性。一般情況下，模仿者只能模仿字形，卻無法準(zhǔn)確還原原作者的書寫 習(xí)慣，模仿的筆跡與原筆跡在細(xì)節(jié)上會(huì)存在差異。計(jì)算機(jī)筆跡識(shí)別正是利用了筆跡的這種 獨(dú)特性和差異性，主要是通過測(cè)量書寫者的字形及筆畫的速度、順序和壓力等特征，進(jìn)行身 份鑒別。
[0004] 隨著生物特征識(shí)別技術(shù)的快速發(fā)展，根據(jù)獲取筆跡途徑的不同，現(xiàn)有筆跡識(shí)別技 術(shù)分為在線和離線兩種。在線方式能夠獲得更多關(guān)于書寫順序、速度、壓力等有益于身份識(shí) 別的信息，但這些信息需要運(yùn)用特殊的設(shè)備來獲取，因此限制了該類方法的應(yīng)用范圍及發(fā) 展前景；離線方式在書寫時(shí)的限制很少，書寫完畢后只需要一個(gè)類似掃描儀的設(shè)備獲取筆 跡，將筆跡記錄在靜態(tài)圖像中，然后從圖像中提取特征，進(jìn)行鑒別。與在線筆跡識(shí)別相比，離 線筆跡識(shí)別更加方便快捷，應(yīng)用范圍更為廣闊。
[0005] 近幾年，已經(jīng)提出很多關(guān)于離線筆跡識(shí)別（Off-line handwritten biometric recognition)的方法，S卩0LHBR方法，但現(xiàn)有技術(shù)中，大部分0LHBR方法的精度較低，還需要 進(jìn)一步提升0LHBR方法的準(zhǔn)確性及精度。


【發(fā)明內(nèi)容】

[0006] 為克服現(xiàn)有技術(shù)中存在的離線筆跡識(shí)別準(zhǔn)確性及精度較低的問題，本發(fā)明針對(duì) 0LHBR方法，提供了一種基于筆畫片段方向分布特征的筆跡識(shí)別方法。
[0007] -種基于筆畫片段方向分布特征的筆跡識(shí)別方法，其特征在于，包括以下步驟：
[0008] 步驟一、獲取筆跡圖像；
[0009] 步驟二、對(duì)所述筆跡圖像的邊緣進(jìn)行檢測(cè)，提取所述筆跡圖像的筆跡輪廓；
[0010] 步驟三、將所述筆跡輪廓分解成筆畫片段；
[0011] 步驟四、分析所述筆畫片段的方向特征；
[0012] 步驟五、提取所述筆畫片段的方向分布特征；
[0013] 步驟六、計(jì)算相似度，根據(jù)相似度來進(jìn)行筆跡識(shí)別。
[0014] 所述步驟一進(jìn)一步包括：掃描筆跡，獲得筆跡圖像。
[0015] 所述步驟二進(jìn)一步包括：用sobel算子提取背景單一的所述筆跡圖像的所述筆跡 輪廓，用canny算子提取背景復(fù)雜的所述筆跡圖像的所述筆跡輪廓。
[0016] 所述步驟三進(jìn)一步包括：檢測(cè)所述筆跡輪廓上的角點(diǎn)；角點(diǎn)局部最小值檢測(cè)；去 除所述筆跡輪廓端部；排除短筆畫片段。
[0017] 所述檢測(cè)所述筆跡輪廓上的角點(diǎn)的步驟包括：通過角點(diǎn)模板來對(duì)所述筆跡輪廓的 端部進(jìn)行檢測(cè)，并對(duì)連接中心邊緣像素的筆畫像素的數(shù)量進(jìn)行統(tǒng)計(jì)，從而確定當(dāng)前像素是 否為角點(diǎn)；所述角點(diǎn)局部最小值檢測(cè)的步驟包括：排除所述檢測(cè)所述筆跡輪廓上的角點(diǎn)的 步驟中檢測(cè)出來的與筆跡識(shí)別無關(guān)的角點(diǎn)；所述去除所述筆跡輪廓端部的步驟包括：不對(duì) 所述筆跡輪廓的端部的筆畫像素進(jìn)行數(shù)量統(tǒng)計(jì)，從而得到筆畫片段；所述排除短筆畫片段 的步驟包括：排除對(duì)于筆跡識(shí)別沒有作用的短筆畫片段。
[0018] 所述步驟五進(jìn)一步包括：在大小為（2r+l) X (2r+l)、中心邊緣像素為當(dāng)前邊緣像 素的滑動(dòng)窗口中，只統(tǒng)計(jì)與所述滑動(dòng)窗口中心邊緣像素連接的筆畫片段的數(shù)量，其中r為 所述滑動(dòng)窗口中心與所述滑動(dòng)窗口邊界之間的距離。
[0019] 所述步驟五進(jìn)一步包括：統(tǒng)計(jì)（m，n，cQ的數(shù)量，即筆畫片段邊緣像素（m，n)具 有方向特征屯的數(shù)量，（m，n)表示筆畫片段邊緣像素在滑動(dòng)窗口的位置，其中1彡m， n < 2r+l，r為所述滑動(dòng)窗口中心與所述滑動(dòng)窗口邊界之間的距離，屯表示32個(gè)不同筆畫 方向分布中的一個(gè)方向。
[0020] 所述步驟五進(jìn)一步包括：統(tǒng)計(jì)獲得全部（m，n，di)的數(shù)量，并計(jì)算所述筆跡圖像的 歸一化方向特征，公式如下：

【權(quán)利要求】
1. 一種基于筆畫片段方向分布特征的筆跡識(shí)別方法，其特征在于，包括以下步驟： 步驟一、獲取筆跡圖像； 步驟二、對(duì)所述筆跡圖像的邊緣進(jìn)行檢測(cè)，提取所述筆跡圖像的筆跡輪廓； 步驟三、將所述筆跡輪廓分解成筆畫片段； 步驟四、分析所述筆畫片段的方向特征； 步驟五、提取所述筆畫片段的方向分布特征； 步驟六、計(jì)算相似度，根據(jù)相似度來進(jìn)行筆跡識(shí)別。
2. 根據(jù)權(quán)利要求1所述的筆跡識(shí)別方法，其特征在于：所述步驟一進(jìn)一步包括：掃描筆 跡，獲得筆跡圖像。
3. 根據(jù)權(quán)利要求1所述的筆跡識(shí)別方法，其特征在于：所述步驟二進(jìn)一步包括：用 sobel算子提取背景單一的所述筆跡圖像的所述筆跡輪廓，用canny算子提取背景復(fù)雜的 所述筆跡圖像的所述筆跡輪廓。
4. 根據(jù)權(quán)利要求1所述的筆跡識(shí)別方法，其特征在于：所述步驟三進(jìn)一步包括：檢測(cè)所 述筆跡輪廓上的角點(diǎn)；角點(diǎn)局部最小值檢測(cè)；去除所述筆跡輪廓端部；排除短筆畫片段。
5. 根據(jù)權(quán)利要求4所述的筆跡識(shí)別方法，其特征在于：所述檢測(cè)所述筆跡輪廓上的角 點(diǎn)的步驟包括：通過角點(diǎn)模板來對(duì)所述筆跡輪廓的端部進(jìn)行檢測(cè)，并對(duì)連接中心邊緣像素 的筆畫像素的數(shù)量進(jìn)行統(tǒng)計(jì)，從而確定當(dāng)前像素是否為角點(diǎn)；所述角點(diǎn)局部最小值檢測(cè)的 步驟包括：排除所述檢測(cè)所述筆跡輪廓上的角點(diǎn)的步驟中檢測(cè)出來的與筆跡識(shí)別無關(guān)的角 點(diǎn)；所述去除所述筆跡輪廓端部的步驟包括：不對(duì)所述筆跡輪廓的端部的筆畫像素進(jìn)行數(shù) 量統(tǒng)計(jì)，從而得到筆畫片段；所述排除短筆畫片段的步驟包括：排除對(duì)于筆跡識(shí)別沒有作 用的短筆畫片段。
6. 根據(jù)權(quán)利要求1所述的筆跡識(shí)別方法，其特征在于：所述步驟五進(jìn)一步包括：在大小 為（2r+l) X (2r+l)、中心邊緣像素為當(dāng)前邊緣像素的滑動(dòng)窗口中，只統(tǒng)計(jì)與所述滑動(dòng)窗口 中心邊緣像素連接的筆畫片段的數(shù)量，其中r為所述滑動(dòng)窗口中心與所述滑動(dòng)窗口邊界之 間的距離。
7. 根據(jù)權(quán)利要求6所述的筆跡識(shí)別方法，其特征在于：所述步驟五進(jìn)一步包括：統(tǒng)計(jì) (m，n，(Ii)的數(shù)量，即筆畫片段邊緣像素?cái)?shù)量（m，η)具有方向特征Cl i的數(shù)量，（m，η)表示筆 畫片段邊緣像素在滑動(dòng)窗口的位置，其中I < m，η < 2r+l，r為所述滑動(dòng)窗口中心與所述滑 動(dòng)窗口邊界之間的距離，Cli表示32個(gè)不同筆畫方向分布中的一個(gè)方向。
8. 根據(jù)權(quán)利要求7所述的筆跡識(shí)別方法，其特征在于：所述步驟五進(jìn)一步包括： 統(tǒng)計(jì)獲得全部（m，n，（Ii)的數(shù)量，并計(jì)算所述筆跡圖像的歸一化方向特征，公式如下：
其中Σ(π,η)Ν(πι，η)為所有所述筆畫片段的邊緣像素在所述滑 動(dòng)窗口中（m, η)位置的總和，N(m, n, (Ii)為在所述滑動(dòng)窗口（m, η)位置具有屯方向的所述 筆畫片段的邊緣像素的數(shù)量。
9. 根據(jù)權(quán)利要求1所述的筆跡識(shí)別方法，其特征在于：所述步驟六進(jìn)一步包括：通過加 權(quán)曼哈頓距離來計(jì)算相似度，公式為^<
，其中SDDF為筆畫片段方 向分布特征，σ i為SDDF第i個(gè)分量的標(biāo)準(zhǔn)偏差，SDDFli和SDDF2i分別是當(dāng)前比較相似度的 SDDF的第i個(gè)分量，D為相似度，根據(jù)計(jì)算獲得的相似度進(jìn)行筆跡識(shí)別。
【文檔編號(hào)】G06K9/20GK104392229SQ201410528541
【公開日】2015年3月4日 申請(qǐng)日期:2014年10月9日 優(yōu)先權(quán)日:2014年10月9日
【發(fā)明者】丁紅, 張曉峰, 王則林, 高瞻 申請(qǐng)人:南通大學(xué)