高維統(tǒng)計特征融合的維吾爾文脫機手寫簽名識別*

艾海提?伊敏，木特力甫?馬木提，阿力木江?艾沙，吐爾根?依不拉音，庫爾班?吾布力+

1.新疆大學(xué) 信息科學(xué)與工程學(xué)院，烏魯木齊 830046

2.新疆大學(xué) 圖書館，烏魯木齊 830046

3.新疆大學(xué) 網(wǎng)絡(luò)與信息中心，烏魯木齊 830046

1 引言

手寫簽名是人生過程當(dāng)中慢慢形成的一種個人自身行為，它與其他生物特征相比具有容易得到，共享方便，接受使用率高等優(yōu)勢。因此將簽名識別當(dāng)作一種身份認(rèn)證的方法，在現(xiàn)代社會的各行業(yè)各領(lǐng)域中普遍使用，并且發(fā)揮了重要的作用[1]，比如銀行服務(wù)窗口存取款，簽收快件，通訊卡，簽訂合同等。但是隨著各類信息處理技術(shù)的發(fā)展而產(chǎn)生的個人信息暴露問題越來越多，為了預(yù)防個人信息的暴露問題，各地的研究者特別關(guān)注簽名識別，并紛紛提出了新的簽名識別算法或者對以前提出的簽名識別方法進行改進，提高簽名識別技術(shù)的可靠性。整個簽名識別領(lǐng)域根據(jù)簽名數(shù)據(jù)獲取方式的不同主要分為在線（online）簽名識別與離線（offline）簽名識別[2-3]。在線簽名識別一般用電子屏幕或其他電子設(shè)備來收集數(shù)據(jù)，離線簽名識別是簽名者把自己的簽名寫在一張紙上，使用掃描儀進行掃描或者使用拍照設(shè)備拍照來收集數(shù)據(jù)。

離線簽名識別技術(shù)是模式識別技術(shù)的一個重要分支，主要目的是把測試簽名樣本與已知的訓(xùn)練簽名樣本進行對比，以其相似程度來判斷待測試簽名是否屬于真實簽名者自己的簽名[3-4]。離線式簽名識別系統(tǒng)的總體結(jié)構(gòu)包括測試模塊和訓(xùn)練模塊兩部分。離線簽名識別系統(tǒng)的總體結(jié)構(gòu)模塊如圖1所示。

Fig.1 Overall structure of off-line signature recognition system圖1 離線式簽名識別系統(tǒng)的總體結(jié)構(gòu)圖

目前，手寫簽名識別和鑒別方法具有很好的實用前景和使用價值，在國內(nèi)外已成為研究熱點。手寫簽名識別技術(shù)到目前為止歷過了30多年的研究和發(fā)展。盡管大多數(shù)簽名識別研究集中在英文、漢文、阿拉伯文、拉丁文、波斯文、印度文等使用范圍較大的語種，但對于住在中國新疆維吾爾自治區(qū)的少數(shù)民族所使用的維吾爾文來說也有相關(guān)的研究工作與成果。

首先簡介國內(nèi)外其他文種的一些研究成果。2012年，Pal等人在文獻[5]中，從每幅英文簽名和漢文簽名中分別提取梯度特征、背景特征、擴展的背景特征、澤尼克（Zernike）矩特征，在分類器部分采用支持向量機（support vector machine，SVM）進行分類，獲得了97.7%的總正確率。2013年，Bhattacharya等人在文獻[6]中，對每幅英文簽名圖像采用像素匹配技術(shù)（pixel matching technique，PMT）提取像素點，在分類匹配過程中使用常用的SVM分類器和ANN（artificial neural network）進行分類識別匹配，每個算法獲得了0.11%與0.16%的錯誤接受率。2014年，Jaiswal等人在文獻[7]中，從每幅簽名圖像提取全局特征和局部特征，使用神經(jīng)網(wǎng)絡(luò)進行分類識別，最終得到95%的識別率。2015年，Pham等人在文獻[8]中，從荷蘭簽名數(shù)據(jù)和中文簽名數(shù)據(jù)上提取對噪聲魯棒性比較好的強度直方圖特征和基于形狀的幾何特征，用相似性度量方法來進行相似性評分，最后荷蘭簽名數(shù)據(jù)上得到97.67%的準(zhǔn)確率，中文簽名數(shù)據(jù)上得到80.04%的準(zhǔn)確率。2016年，Serdouk等人在文獻[9]中，從每幅中文簽名與英文簽名上提取了梯度局部二值模式特征，還在簽名的拓撲結(jié)構(gòu)基礎(chǔ)上提取最長運行特征，使用AIRS分類器進行分類匹配，最終從中文簽名和英文簽名中分別得到3.54%和12.52%的平均錯誤率。

針對維吾爾手寫簽名的識別研究工作開始得較晚，但仍然有相關(guān)的研究結(jié)果。2012年，Ubul等人在文獻[10]中提出了基于修改的網(wǎng)格信息特征的維吾爾文手寫簽名識別系統(tǒng)，每幅簽名圖像中提取64維和120維網(wǎng)格信息特征，在分類決策過程中分別使用歐氏距離、貝葉斯分類器和KNN（Knearest neighbor）分類器進行分類識別，分別獲得了86.45%、89.26%、93.53%的識別率。2012年，Ubul等人在文獻[11]中找出有些對維吾爾文手寫簽名識別精度的影響，從每幅二值化簽名圖像中提取32維局部中心點特征和3維全局基線特征，細化簽名圖像中提取16維方向特征，在分類匹配部分采用歐氏距離與卡方距離進行分類識別，最好的識別率分別是95.0%、90.5%和22.0%。2013年，古麗熱娜·阿布里孜等人在文獻[12]中提出了多分辨幾何特征的識別方法，從每幅簽名圖像上提取16維方向特征和32維局部中心點特征，分別采用歐式距離和卡方距離度量方法進行分類，最好識別率達到了95.5%和90.5%。2016年，庫爾班·吾布力等人在文獻[13]中提出一種基于密度特征的簽名識別方法，對每幅簽名圖像提取4個方向的密度特征，使用距離度量法進行分類識別，取得96.0%的識別率。

本文研究了離線手寫簽名識別率不高的問題，提出了一種高維特征的識別方法。主要研究內(nèi)容包括：第2章對維吾爾文簽名進行預(yù)處理操作；第3章基于簽名筆墨的結(jié)構(gòu)特征提取和選擇合適維吾爾文手寫簽名的局部中心點特征和ETDT特征，然后將特征互相組合；第4章使用KNN對待分類簽名樣本特征向量和訓(xùn)練簽名樣本特征向量之間的距離進行排序操作，然后使用距離度量法和相似性度量法來進行分類匹配和識別；第5章進行相關(guān)的實驗與數(shù)據(jù)分析；第6章對全文進行總結(jié)，并且分析未來研究趨勢。

2 數(shù)據(jù)采集和預(yù)處理

本文使用的維吾爾文手寫簽名數(shù)據(jù)庫包括年歲有差異的150個人（每人20個），總共3 000幅簽名樣本圖像。這些樣本簽名都是通過使用掃描儀（掃描精度為300 dpi）掃描，然后以BMP（256位位圖）格式和規(guī)定的序號分別存儲在計算機上，采集成簽名圖像庫。

預(yù)處理的主要目的是給特征提取階段提供樣本圖像所包含的有效信息，除去無效信息和噪聲干擾。因此，對簽名圖像進行預(yù)處理操作是必要的。簽名圖像的預(yù)處理過程如圖2所示。

Fig.2 Preprocessing flow diagram圖2 預(yù)處理流程圖

通過各種預(yù)處理操作而得到的簽名圖像依然存在簽名圖像本身具有的有效信息。進行預(yù)處理操作后的效果圖如圖3所示。

Fig.3 Signature image before and after preprocessing圖3 預(yù)處理前后的簽名圖像

3 特征提取方法與選擇

特征提取的主要目標(biāo)是從通過各種預(yù)處理而得到的簽名圖像所包括的所有信息中提取有效的信息，同時使用這種有效的信息來描述整個簽名樣本，并且充分地反映個人的書寫風(fēng)格。特征選擇的另一個目標(biāo)是為了快速地處理?？傮w來說，應(yīng)該選擇一些簽名樣本本身具有的有效特征信息集合。該過程也直接影響到簽名識別率的高低。選用一個全面符合維吾爾文字符規(guī)則與手寫風(fēng)格的有效特征是維吾爾文手寫簽名識別研究的關(guān)鍵技術(shù)之一。由于簽名者在同一時間在不同情緒下的簽名也存在一定的差異，在縱與橫方向上的遷移量不小，尤其是對于習(xí)慣連筆簽字的簽名者來說更明顯，因此為了表達這種手寫風(fēng)格，分別提取了局部中心點特征[11-12]和ETDT特征[14]。

3.1 局部中心點特征

下面將提取局部中心點特征的過程分為幾個步驟來介紹：首先將每一個整體的簽名圖像按如圖4所示分割為具有相同尺寸的4×16個小矩形窗口；第二步通過對每個小矩形窗口的簽名印痕部分各自進行水平方向的投影計算和垂直方向的投影計算，找出該小矩形窗口的簽名印痕所包含的黑像素點數(shù)目。第三步按照每一個小窗口的投影計算找出對應(yīng)的中心點，然后把找出來的64個中心點的水平與垂直坐標(biāo)單獨當(dāng)作特征，這樣就可以構(gòu)成總128維特征。于是隨意一個人的局部中心點特征向量表達為：

式中，m=1,2,…,10,…,32（m是一個人對應(yīng)的全部訓(xùn)練樣本）；c是特征的維數(shù)，文中取值為128；n是參與訓(xùn)練的人對應(yīng)的符號。對全部參加訓(xùn)練的人簽名來說，全部高分辨圖像層的特征向量為：

式中，k為參與訓(xùn)練的總?cè)藬?shù)。假定子圖像的大小為w×h（w和h分別表示子圖像的寬度和高度），那么小窗口中的簽名曲線段T(x,y)的水平投影和垂直投影分別為TS[y]和TC[x]。

在上面的公式中，簽名圖像的黑像素點以heixiangsu來表示。按下面的公式來計算每個小窗口中所包含的簽名曲線段的中心點，公式如下：

式中，Zh和Zv各自表示為中心點的橫坐標(biāo)與縱坐標(biāo)；TS[y]表示每個小窗口的水平方向投影計算出的黑像素點數(shù)目，TC[x]表示垂直方向投影計算出的黑像素點數(shù)目。圖4是128維局部中心點特征提取和局部中心點示意圖。

Fig.4 Sketch of 128 dimensional local central point feature extraction圖4 128維局部中心點特征提取示意圖

圖5是局部中心點特征提取流程圖。

3.2 ETDT特征

ET特征主要描述簽名樣本的外部形狀信息，DT特征正好相反，主要描述簽名樣本的內(nèi)部形狀信息。組合起來的ETDT特征可以完全描述簽名的外部內(nèi)部形狀信息所包含的特征。

Fig.5 Flow chart of local central point feature extraction algorithm圖5 局部中心點特征提取算法流程

ET特征：將一幅簽名圖像按列分為列數(shù)相同的L個塊，對于每個塊，按照從上到下的順序，累加每列中從上邊緣開始到第一個由白點變黑點之間的白點數(shù)目，然后除以每塊的總點數(shù)來進行歸一化。以此類推，可以從下到上進行同樣的處理，總共得到L×2個特征向量。再把一幅簽名圖像按行分為行數(shù)相同的H個塊，對于每個塊，按照從左到右的順序，累加每行中從左邊緣開始到第一個由白點變黑點之間的白點數(shù)目，然后除以每塊的總點數(shù)來進行歸一化。以此類推，可以從右到左進行同樣的處理，總共得到H×2個特征向量。ET特征如圖6所示。

Fig.6 ET feature圖6 ET特征

圖6中，條形面積表達各個方向與各個塊中的ET特征點數(shù)。從圖6可知，ET特征描述的是簽名樣本的外部形狀信息。

DT特征：首先將一幅簽名圖像按列分為列數(shù)相同的L個塊，對于每個塊，按照從上到下的順序，累加每列中從第一個黑變白點開始到第二個白變黑點之間的白點數(shù)目，然后除以每塊的總點數(shù)來進行歸一化。以此類推，可以從下到上進行同樣的處理，總共得到L×2個特征向量。再把一幅簽名圖像按行分成為行數(shù)相同的H個塊，對于每個塊，按照從左到右的順序，累加每行中從第一個黑變白點開始到第二個白變黑點之間的白點數(shù)目，然后除以每塊的總點數(shù)來進行歸一化。以此類推，可以從右到左進行同樣的處理，總共得到H×2個特征向量。ET特征如圖7所示。

Fig.7 DT feature圖7 DT特征

圖7中，條形面積表達各個方向與各個塊中的ET特征點數(shù)。從圖7可知，ET特征描述的是簽名樣本的內(nèi)部形狀信息。

本文中L=16,H=12。將ET和DT特征組合形成(L×4+H×4)=112維的特征向量。

4 本文的特征分類識別

在數(shù)據(jù)分析和分類的過程中，需要知道個體與類別之間差異的大小，從而評估個體的相似性。提取的簽名特征也需要分析，因此利用什么樣的分類法進行特征匹配是一個很重要的模式匹配識別問題。在理論方面，可以采用任何一種分類器進行分類，但是分類器的選用同樣對識別結(jié)果有一定的影響。因此，得到符合維吾爾文手寫簽名的特征之后，必須使用某種判別規(guī)則，把已提取的有效特征信息向量和待測試簽名的本身信息互相進行匹配，并獲得這次匹配的識別率。

本文首先使用KNN分類器將待分類簽名樣本表達成和訓(xùn)練簽名樣本一致的特征向量，再按照K的取值對待測試樣本和每個訓(xùn)練樣本的距離進行排序，選擇距離最小的K個樣本作為近鄰樣本[15]。采用KNN分類器得到待測試樣本和訓(xùn)練樣本的距離還需要使用距離度量方法來計算[16-17]。本文為了達到識別目的而使用了常用的距離度量方法（絕對距離、歐式距離、卡方距離）和相似性度量（cosine度量）[18-19]來計算訓(xùn)練樣本和測試樣本之間的距離與相似性。距離度量與相似性度量方法的區(qū)別如圖8所示。

Fig.8 Distance measurement and similarity measurement圖8 距離度量與相似性度量

從圖8可知，距離度量方法計算的是向量空間中各個點之間的絕對距離，與它們所在的坐標(biāo)位置直接有關(guān)。而cosine相似度方法計算的是向量空間中各個向量之間的夾角，與它們互相形成的夾角有關(guān)。余弦相似度方法比距離度量方法主要反映在方向上的差異，而不是位置或長度上，并且不受坐標(biāo)軸旋轉(zhuǎn)、放大、縮小的影響。

假設(shè)某個測試樣本的特征向量為：

假設(shè)訓(xùn)練樣本的特征向量為：

式中，N是互相獨立的特征所包含的特征維數(shù)。計算它們之間的距離而所使用的距離度量方法如下：

（1）絕對距離分類器

（2）歐式距離分類器

（3）卡方距離度量

（4）cosine相似性度量

式中，xi是測試樣本X的各維元素；yi是訓(xùn)練樣本Y的各維元素；W是特征向量維數(shù)。使用距離度量方法計算這些特征向量之間的距離時，如果計算出來的距離越近，那么可以判斷測試樣本數(shù)據(jù)的類別。使用cosine相似性度量方法時，如果計算出來的夾角余弦值越小，兩個特征向量不相似或不互相重疊，反而兩個特征向量很相似。

5 實驗結(jié)果與分析

本實驗所采用的維吾爾文手寫簽名數(shù)據(jù)庫包含性別、年齡有差異的150個人，每個人具有20個簽名，構(gòu)建3 000幅簽名樣本庫。本文分別選取2 400幅和1 500幅簽名樣本作為隨機訓(xùn)練集，剩余的600幅與1 500幅簽名樣本作為隨機測試集。對于提取的每一幅簽名圖像的局部中心點特征和ETDT特征單獨進行實驗，并對兩種特征組合形成新的高維融合特征再進行實驗。在分類匹配步驟中，主要利用KNN分類器在不同的K值下以不同的距離度量和相似性度量方法來實現(xiàn)訓(xùn)練簽名樣本與測試樣本特征向量間相似性度量排序，查找與訓(xùn)練樣本特征向量距離最近的測試簽名。每次從{1～10}中選取偶數(shù)的一個單位作為K的值，同時對上述的每個距離相似性度量算法進行20次實驗，然后把20次實驗結(jié)果的平均值作為算法的最后識別率。通過大量的統(tǒng)計運算獲取不同K值下的簽名平均識別率。單一特征使用不同的距離度量和相似性度量方法的實驗結(jié)果如表1和表2所示。

Table 1 Recognition rates using different classifiers for local center point feature表1 局部中心點特征使用不同分類器的識別結(jié)果

Table 2 Recognition rates using different classifiers for ETDT feature表2 ETDT特征使用不同分類器的識別結(jié)果

從表1和表2可知，無論采用哪一種距離度量算法，隨著實驗中所使用的訓(xùn)練樣本數(shù)目的增加，實驗識別率也逐漸提高。除此之外，當(dāng)K=1時，局部中心點特征使用絕對距離度量的識別率高于其他距離度量算法，最高平均識別率達到了96.4%。ETDT特征使用cosine相似性度量算法的識別率高于其他距離度量算法，最高平均識別率達到94.1%。為了進一步驗證這些特征的效率，再對這兩個特征融合進行同類分類實驗，實驗結(jié)果如表3所示。

從表3可得，針對使用單一簽名特征進行識別正確率不夠高的情況，融合特征的識別率達到了優(yōu)異的結(jié)果。特征組合形成的高維融合特征互補彼此的缺點，因此有效地提高了系統(tǒng)的穩(wěn)定性。對于融合特征而言，使用絕對距離和cosine距離的分類效果最好，分別達到了97.1%和96.1%的識別率。而且本文提取的ETDT特征和cosine相似性度量在維吾爾文離線手寫簽名識別技術(shù)研究中初次采用，即已得到較好的識別結(jié)果。

Table 3 Recognition rates using different classifiers for combined feature表3 融合特征使用不同分類器的識別結(jié)果

為了進一步驗證本文算法在維吾爾文手寫簽名識別中是否有效，而采用另外一批簽名數(shù)據(jù)進行對比實驗和分析。首先選取與其他研究者相同數(shù)目的維吾爾文手寫簽名樣本，50個人的總共1 000幅簽名樣本圖像。再從中分別隨機選取800幅簽名樣本作為訓(xùn)練集，其余的簽名樣本圖像作為隨機測試集。然后提取與前面相同維數(shù)的特征，使用同樣的距離度量法進行分類識別。最后按照實驗結(jié)果進行對比分析，證明了本文提取的特征的有效性。采用另外一批簽名數(shù)據(jù)庫的實驗結(jié)果如表4所示。

從表4可知，分別選取800幅簽名樣本作為訓(xùn)練集，提取相同特征，即在不同K值下用4種距離相似性度量算法實現(xiàn)分類識別。在對比實驗中，單一特征使用絕對距離和cosine距離進行實驗時，得到的最好識別結(jié)果與選取2 400幅簽名樣本作為訓(xùn)練集進行實驗相比分別提高了2.3%和2.1%。兩種特征互相組合形成的高維融合特征使用絕對距離和cosine距離進行實驗時，得到的最好識別結(jié)果與選取2 400幅簽名樣本作為訓(xùn)練集相比分別提高了2.3%和1.74%。對比實驗結(jié)果體現(xiàn)出本文算法的有效性及可靠性?；诟呔S局部中心點和ETDT特征互相組合的融合特征來說，使用絕對距離和cosine相似性度量的算法比其他距離度量算法在維吾爾文離線簽名識別中具有顯著的優(yōu)越性。

Table 4 Recognition results using another batch of Uyghur signature databases表4 采用另外一批維吾爾文簽名數(shù)據(jù)庫的識別結(jié)果

除此之外，為了更進一步驗證本文方法在另一批簽名數(shù)據(jù)庫上是否效率，在公開簽名數(shù)據(jù)庫GPDS中使用本文方法。從GPDS公開數(shù)據(jù)庫中選取50個人的手寫簽名樣本（總1 000個樣本）進行識別實驗。為了提取同樣維數(shù)的特征，首先對GPDS簽名進行歸一化操作，然后提取128維局部中心點特征和112維ETDT特征，最后采用本文的度量方法對兩種特征單獨進行識別實驗。本實驗中同樣選取800幅簽名樣本作為隨機訓(xùn)練集，其余的簽名樣本圖像作為隨機測試集，最好的平均識別率達到了94.25%。實驗結(jié)果再次證明本文算法采用另外一批簽名樣本作為實驗數(shù)據(jù)的時候，對最終的識別率沒有太大的影響，是比較穩(wěn)定的，并更適應(yīng)于維吾爾文手寫風(fēng)格的變化。

本文方法與不同方法進行性能對比，使用以前研究者的數(shù)據(jù)庫（總1 000個簽名樣本）進行實驗，并在原來的簽名數(shù)據(jù)庫基礎(chǔ)上擴展簽名數(shù)據(jù)再進行實驗。本文方法與維吾爾文手寫簽名識別研究工作進行比較，對比結(jié)果如表5所示。

6 結(jié)束語

本文提出了一種新的維吾爾文手寫簽名識別方法。在特征提取部分，從每個簽名樣本上提取128維局部中心點特征和112維ETDT特征，將得到的兩種特征組合形成新的高維特征。選用KNN分類器對維吾爾文手寫簽名的訓(xùn)練樣本集特征向量和測試樣本集特征向量進行排序，分別使用絕對距離、歐式距離度量法和cosine相似性度量法來進行分類判別實驗。為了比較其他類似的研究結(jié)果，選用相同數(shù)目的簽名樣本進行對比實驗，實驗結(jié)果再次證明了本文方法是一種有效的維吾爾文手寫簽名識別方法。

Table 5 Comparing recognition rates of the proposed method with the related work表5 本文方法和相關(guān)工作的比較結(jié)果

[1]Xu Shasha,Wei Jincheng,Qiu Xiaochu.Off-line Chinese signature verification based on the improved support vector machine[J].Electronic Design Engineering,2012,20(2):17-19.

[2]Zois E N,Alewijnse L,Economou G.Offline signature veri-fication and quality characterization using poset-oriented grid features[J].Pattern Recognition,2016,54(C):162-177.

[3]Y?lmaz M B,Yan?ko?lu B.Score level fusion of classifiers in off-line signature verification[J].Information Fusion,2016,32:109-119.

[4]Wang Jian,Ma Shuyue.Center based off-line signature verification[J].Application Research of Computers,2012,29(3):1149-1151.

[5]Pal S,Pal U,Blumenstein M.Off-line English and Chinese signature identification using foreground and background features[C]//Proceedings of the 2012 International Joint Conference on Neural Networks,Brisbane,Jun 10-15,2012.Piscataway:IEEE,2012:1-7.

[6]Bhattacharya I,Ghosh P,Biswas S.Offline signature verification using pixel matching technique[C]//Proceedings of the 1st International Conference on Computational Intelligence:Modeling Techniques and Applications,Kalyani,Sep 27-28,2013.Amsterdam:Elsevier Science Publishers,2013:970-977.

[7]Jaiswal S G,Kasetwar A R.Off-line signature verification using global&local features with neural networks[C]//Proceedings of the 2014 International Conference on Advanced Communication Control and Computing Technologies,Ramanathapuram,May 8-10,2014.Piscataway:IEEE,2014:1525-1531.

[8]Pham T A,Le H H,Do N T.Offline handwritten signature verification using local and global features[J].Annals of Mathematics and Artificial Intelligence,2015,75(1):231-247.

[9]Serdouk Y,Nemmour H,Chibani Y.New off-line handwritten signature verification method based on artificial immune recognition system[J].Expert Systems with Applications,2016,51(C):186-194.

[10]Ubul K,Adler A,Abliz G,et al.Off-line Uyghur signature recognition based on modified grid information features[C]//Proceedings of the 11th International Conference on Information Science,Signal Processing and Their Applications,Montreal,Jul 2-5,2012.Piscataway:IEEE,2012:1056-1061.

[11]Ubul K,Adler A,Yadikar N.Effects on accuracy of Uyghur handwritten signature recognition[C]//Proceedings of the Chinese Conference on Pattern Recognition,Beijing,Sep 24-26,2012.Berlin,Heidelberg:Springer,2012:548-555.

[12]Abliz G,Ubul K,Moyidin K,et al.Research on off-line Uyghur signature recognition technology based on multiresolution geometric features[J].Computer Engineering and Applications,2013,49(16):168-171.

[13]Ubul K,Ablikim R,Yadikar N.Off-line Uyghur signature recognition technology based on density feature[J].Computer Engineering and Design,2016,37(8):2200-2205.

[14]Fang B,Leung C H,Tang YY,et al.Offline signature verification with generated training samples[J].IEE Proceedings-Vision,Image and Signal Processing,2002,149(2):85-90.

[15]Xiao Huihui,Duan Yanming.Improved theKNN algorithm based on related to the distance of attribute value[J].Computer Science,2013,40(S2):157-159.

[16]Rodrigues B,Chaudhari A,Sakhare P,et al.Prototype for signature verification system using Euclidean distance[C]//Proceedings of the 2015 International Conference on Green Computing and Internet of Things,Delhi,Oct 8-10,2015.Washington:IEEE Computer Society,2015:1624-1627.

[17]Angadi S A,Gour S.Euclidean distance based offline signature recognition system using global and local wavelet features[C]//Proceedings of the 5th International Conference on Signal and Image Processing,Jeju Island,Jan 8-10,2014.Washington:IEEE Computer Society,2014:87-91.

[18]Pirlo G,Impedovo D.Cosine similarity for analysis and verification of static signatures[J].IET Biometrics,2013,2(4):151-158.

[19]Foroozandeh A,Akbari Y,Jalili M J,et al.Persian signature verification based on fractal dimension using testing hypothesis[C]//Proceedings of the 2012 International Conference on Frontiers in Handwriting Recognition,Bari,Sep 18-20,2012:313-318.

附中文參考文獻：

[1]徐莎莎,魏金成,邱曉初.基于改進的支持向量機的脫機中文簽名驗證[J].電子設(shè)計工程,2012,20(2):17-19.

[4]王劍,馬書月.基于幾何中心靜態(tài)手寫簽名的識別算法研究[J].計算機應(yīng)用研究,2012,29(3):1149-1151.

[12]古麗熱娜·阿布里孜,庫爾班·吾布力,卡米力·木依丁,等.基于多分辨幾何特征的維吾爾文脫機簽名識別[J].計算機工程與應(yīng)用,2013,49(16):168-171.

[13]庫爾班·吾布力,熱依買·阿不力克木,努爾畢亞·亞地卡爾,等.基于密度特征的維吾爾文離線簽名識別[J].計算機工程與設(shè)計,2016,37(8):2200-2205.

[15]肖輝輝,段艷明.基于屬性值相關(guān)距離的KNN算法的改進研究[J].計算機科學(xué),2013,40(S2):157-159.