本发明专利技术公开了一种基于笔画特征的笔迹配准方法。所述方法首先采用关键点提取方法将模板笔迹和测试笔迹按笔画进行分段,然后,采用笔画特征计算所述模板笔迹和测试笔迹中笔画间的累计相似度矩阵,最后,采用动态规划算法寻找使累计相似值最大的笔画对应关系。其中,在累计相似度矩阵的计算中,引入合并算子以应对关键点提取不一致现象,引入跳跃算子以应对多笔、漏笔现象。关于笔画间相似值计算,提出从大小、位置、方位角和形状四个方面进行度量。相对于已有配准方法,所述方法采用的笔画特征抗干扰能力更强,笔画相似值度量方法对笔画特征描述更全面;此外,特别在累计相似度矩阵计算中引入的合并和跳跃算子后,在面对笔迹书写的微观不一致时,使笔画配准结果鲁棒。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种。所述方法首先采用关键点提取方法将模板笔迹和测试笔迹按笔画进行分段,然后,采用笔画特征计算所述模板笔迹和测试笔迹中笔画间的累计相似度矩阵,最后,采用动态规划算法寻找使累计相似值最大的笔画对应关系。其中,在累计相似度矩阵的计算中,引入合并算子以应对关键点提取不一致现象,引入跳跃算子以应对多笔、漏笔现象。关于笔画间相似值计算,提出从大小、位置、方位角和形状四个方面进行度量。相对于已有配准方法,所述方法采用的笔画特征抗干扰能力更强,笔画相似值度量方法对笔画特征描述更全面;此外,特别在累计相似度矩阵计算中引入的合并和跳跃算子后,在面对笔迹书写的微观不一致时,使笔画配准结果鲁棒。【专利说明】
本专利技术属于信息安全领域,特别是通过比较手写笔迹中反映个性化书写习惯的特征,实现网络环境下的身份认证。
技术介绍
在线笔迹认证是指利用专门输入设备在线获取用户的手写笔迹,经比较其中所蕰涵的个性化特征从而实现用户身份鉴别的一项技术。长久以来,手写签名作为一种授权方式,在司法、经济等活动中被人们广泛使用。但在计算机笔迹自动鉴别领域,目前准确率并不高。分析被系统误识的伪造样本后发现,并不是因为伪造得多么难以辨别,而是系统对反映个性书写习惯的局部笔画细节特征提取能力的不足,所述笔迹笔画细节特征包括整体布局、笔画的运笔方式、笔画起落笔方式、笔画间相对位置关系、书写用力、书写节奏等。在笔迹鉴定领域,笔迹专家无一不是依靠这些特征来进行鉴别。而要让系统像笔迹专家那样提取笔画细节特征,首先得鲁棒地建立起笔画对应关系。可是,实现上述功能的笔迹配准算法被公认为该领域最大的难题,其困难主要表现在:a)由于微观上书写的不一致性(停笔、顿笔、抖笔,多笔、漏笔、异化笔、虚提笔等),不论采用何种关键点提取方法(遗传算法、等长分割、极值点、小波过零点、视觉关键点、糊糊综合、模型特征点等),均存在笔画分割不一致情况;b)基于错误分割的笔画特征目标函数,无论采用怎样的寻优方法(动态规划、遗传算法、梯度下降、退火算法、模型匹配等)都难以克服多种书写不一致,得到正确的笔画对应关系。有鉴于此,有学者试图绕过分割点提取,直接利用采样点来构造优化函数,在确立采样点对应关系之后,再来提取笔画特征。可是,由于采样点特征的有限可区分性以及采样噪声,此方法的鲁棒性可能更糟。
技术实现思路
本专利技术的目的是提供一种在面对因多笔、漏笔,绕笔、抖笔等造成的笔画不匹配和分割点提取不一致现象时,获得鲁棒笔画对应关系的,从而最终提高认证器的准确性。为了实现上述目的,本专利技术所采用的技术方案是:一种,包括以下步骤:步骤100:采用关键点提取方法,将模板笔迹和测试笔迹按笔画分段。步骤200:计算模板笔迹和测试笔迹中笔画间的累计相似度矩阵D。具体地,按公式(1),计算模板笔迹T和测试笔迹S中笔画间的累计相似度矩阵D。【权利要求】1.一种,所述方法包括如下步骤: 步骤100:采用关键点提取方法,将模板笔迹T和测试笔迹S按笔画分段; 步骤200:计算模板笔迹T和测试笔迹S中笔画间累计相似度矩阵D: 2.如权利要求所述的I所述的,其特征在于:所述步骤200中的(a)~(f)项用于应对因书写不一致造成的关键点多提取、漏提取现象,(a)~(f)项分别与1:1、2:1,1:2,3:1,1:3,2:2的笔画间对应关系相对应;(g)~(h)项用于应对因书写不致造成的多笔、少笔现象,(g)~(h)项分别与模板笔迹T多出一笔画、测试笔迹S多出一笔画相对应。3.如权利要求所述的I所述的,其特征在于:所述步骤100中关键点提取方法就是按笔画对笔迹进行分割的方法,包括极值点、小波过零点、视觉关键点、糊糊综合的关键点提取方法,具体为:设T= It1, t2,..., tN1}, S= (S1, s2,..., sN2},分别表示模板笔迹和测试笔迹的采样点时间序列,N1、N2分别表示各个时间序列中采样点个数;其中,模板笔迹和测试笔迹由手写输入设备获取,每个采样点均包含笔尖所在书写平面的二维位置信息;设KT=Ikt1, kt2,...,ktN+1}, KS=Iks1, ks2,...,ksM+1},分别表示由关键点提取方法得到的关键点在 T、S 中的序号,其中,1≤ ktm≤Nl,l ≤m≤N+1,1 ≤ ksn< N2,l ≤ n ≤ M+1,N+1,M+1分别表示 KT、KS 中关键点的个数;设 BT=ODt1, bt2,...,btN}, BS=Ods1, bs2,...,bsM},分别表示由关键点序列KT、KS对T、S分割得到的笔画序列,其中,模板笔迹T中的第m段笔画btm的起止点由关键点ktm、ktm+1定义,其中1≤m≤N ;测试笔迹S中的第η段笔画bsn的起止点由关键点ksn、ksn+1定义,其中1≤≤Μ。4.如权利要求所述的I所述的,其特征在于: 设A= {au a2,..., aj、B= {b^ b2,..., by},分别表示所述模板笔迹T和所述测试笔迹S两段笔画的采样点序列,x、y分别表示所述笔画A、B中的采样点个数,则所述步骤200中所述笔画相似值度量方法的具体步骤包括: 步骤210:计算所述笔画A和B之间的尺寸相似值Ds: 5.如权利要求所述的4所述的,其特征在于:所述步骤240中所述计算所述笔画A和B之间形状上的相似值的具体步骤是: 步骤241:采用笔画分段方法对所述笔画Α、Β进行分段,得到分段点,具体步骤包括: 步骤A:计算笔画中所有采样点到首尾点构成的直线的距离; 步骤B:若最远距离与直线长度的比值小于距离阈值,分段结束;否则,进入下一步;步骤C:取最远点作为分段点,得到分割的前后两个子段,对分得的两个子段重复步骤A和步骤B,直到所有分得的子段均近似直线;设 KA=Ika1, ka2,...,kap+1}, KB=Ikb1, kb2,...,kbq+1},分别表示由所述笔画分段方法求得所述笔画A、B的分段点序列,其中,I ^ kak ^ X, I ^ k ^ p+1,1 ^ kbx ^ y, I ^ I ^ q+1,p+1,q+1分别表示各个序列KA、KB中分段点的个数; 步骤242 Jj^path=Kc1, (I1), (c2, d2),...(cwl, dwl)},表示由经典DTW算法得到的点点对应关系,其中,(c0, d。)表示所述笔画A中的第C。个采样点与所述笔画B中的第d。个采样点相对应,I ≤ C。≤ c0+1 ≤ X, c0+1-c0 ≤ 1,I ≤ d。≤d0+1 ≤ y, dQ+「d。≤ 1,I ≤o<wl, wl 表示所求得的采样点对个数; 步骤243:采用纠偏方法对采样点对应关系进行纠偏,得到分段点对应关系:设!《^表示所述笔画A中的一个分段点,依点点对应关系Path,查得b是所述笔画B中与kam对应的采样点,若kbn是所述笔画B的所有分段点中距所述b最近的分段点,且距离小于长度阈值,则判定kam与kbn对应;否则,判定kam与b相对应,其中,I≤m≤p+1,1≤η≤q+1,l^b^y ;从所述笔画A和B的分段点集合KA,KB中去除按上述规则已判定对应关系的分段点;去除后若集合KB为空,说明已本文档来自技高网...
【技术保护点】
一种基于笔画特征的笔迹配准方法,所述方法包括如下步骤: 步骤100:采用关键点提取方法,将模板笔迹T和测试笔迹S按笔画分段; 步骤200:计算模板笔迹T和测试笔迹S中笔画间累计相似度矩阵D: 式(1)中,Dij表示从模板笔迹T和测试笔迹S的首段笔画开始到第i、j段笔画处累计的笔画与笔画间的相似值之和,定义初始值D00为0;di,j表示采用笔画相似值度量方法计算得到的模板笔迹T中的第i段笔画与测试笔迹S中的第j段笔画之间的相似值,所述dmer(i‑1,i),j表示合并模板笔迹T中的第i‑1到i段笔画后与测试笔迹S中第j段笔画进行比较得到的相似值,所述下标mer(p,q)表示合并第p到q段笔画,若mer(p,q)出现在下标中逗号的左侧表示合并模板笔迹T的第p到q段笔画,若mer(p,q)出现在下标中逗号的右侧表示合并测试笔迹S的第p到q段笔画,p,q表示笔画序号,p<q;如果在i、j处计算得到的与(a)~(f)项对应的各笔画间相似值均大于笔画相似度阈值P,说明此处存在多笔或少笔,Dij的取值在(g)~(h)项中选取;式(1)中P表示预先设定的笔画相似度的最小阈值,作用是快速排除低相似性笔画的干扰;所述w表示预先设定的笔画匹配窗口长度值,作用是减小寻优搜索范围,所述P、w的设置应综合考虑计算量和配准的准确性; 步骤300:依据步骤200计算得到的笔画间累计相似度矩阵D,采用动态规划方法,寻找使累计相似值之和最大的笔画对应关系。...
【技术特征摘要】
【专利技术属性】
技术研发人员:邹杰,曾蓓蓓,
申请(专利权)人:武汉汉德瑞庭科技有限公司,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。