基于紋理特征的維吾爾文離線手寫簽名鑒別

張淑婧，麥合甫熱提，吾爾尼沙·買買提，朱亞俐，庫爾班·吾布力+

(1.新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046； 2.新疆大學(xué) 教務(wù)處，新疆 烏魯木齊 830046)

0 引 言

手寫簽名鑒別通過不同的獲取方式分為兩種：在線手寫簽名鑒別和離線手寫簽名鑒別。離線手寫簽名中只存在簽名的靜態(tài)特征，鑒別難度較大。通過不斷的研究，常見語種的離線簽名鑒別已趨近完善，取得良好的實(shí)驗(yàn)結(jié)果，而針對維吾爾文簽名的研究仍處于發(fā)展階段。

Muhammad Sharif等[1]使用遺傳算法對簽名的特征進(jìn)行選擇，使用SVM分類器進(jìn)行分類鑒別，在CEDAR和GPDS拉丁文數(shù)據(jù)庫上得到最終AER分別為4.17%和5.42%。Elias N.Zois等[2]對網(wǎng)格特征編碼并進(jìn)行模板匹配，該方法在GPDS數(shù)據(jù)庫上可得到EER為9.42%。Guerbai等[3]使用單類SVM進(jìn)行不依賴于書寫者的簽名鑒別實(shí)驗(yàn)，在CEDAR數(shù)據(jù)庫中結(jié)果AER為5.60%。Hafemann等[4]提出使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行簽名鑒別的方法，運(yùn)用支持向量機(jī)進(jìn)行分類鑒別，在CEDAR數(shù)據(jù)庫中得到約為4.63%的等錯(cuò)誤率。在維吾爾文簽名識別和鑒別的研究中，庫爾班·吾布力等[5-8]于2014-2018年通過對簽名圖像提取改進(jìn)的方向特征、灰度共生矩等特征，采用不同的分類算法進(jìn)行簽名識別和鑒別。吐爾遜姑麗·阿布都瓦依提[5]開始對維吾爾文離線手寫簽名鑒別進(jìn)行研究。在文獻(xiàn)[6]中采用密度特征和KNN分類器，得到識別準(zhǔn)確率達(dá)96%。

本文中采用多尺度塊局部二值模式以及改進(jìn)的分塊局部相位量化算法對簽名進(jìn)行特征提取，并使用隨機(jī)森林算法對維吾爾文簽名進(jìn)行分類鑒別，對得到的實(shí)驗(yàn)結(jié)果進(jìn)行分析。

1 離線手寫簽名鑒別

離線手寫簽名鑒別問題的研究，是生物識別研究中的一個(gè)研究領(lǐng)域，也是模式識別領(lǐng)域的一個(gè)研究方向。作為模式識別中的一個(gè)研究方向，與大多數(shù)模式識別問題一樣，離線手寫前面分為4個(gè)步驟，分別為數(shù)據(jù)采集、預(yù)處理、特征提取、訓(xùn)練及測試。其流程如圖1所示。

圖1 離線手寫簽名鑒別流程

數(shù)據(jù)采集：本文使用維吾爾文離線簽名數(shù)據(jù)庫，此數(shù)據(jù)庫中采集了870個(gè)維吾爾族人的簽名。每人書寫21個(gè)真簽名，簡單偽造簽名21個(gè)，熟練偽造簽名21個(gè)，共17 400個(gè)簽名樣本。從中選擇18人的真假簽名作為本實(shí)驗(yàn)的簽名樣本進(jìn)行實(shí)驗(yàn)。同時(shí)，使用拉丁文簽名數(shù)據(jù)庫CEDAR進(jìn)行簽名鑒別實(shí)驗(yàn)。

預(yù)處理：為了更好保留簽名圖像的差異化信息，在對圖像進(jìn)行特征提取之前需要對其進(jìn)行處理。本文中首先對圖像進(jìn)行大小歸一化，將簽名圖像大小歸一為384×96像素。此后，使用加權(quán)平均法進(jìn)行灰度化處理，用OTSU算法對簽名圖像進(jìn)行二值化處理，并使用雙邊濾波對圖像進(jìn)行去噪。這樣能夠更好保存圖像的內(nèi)部信息以及邊緣信息。預(yù)處理圖像如圖2所示。

圖2 預(yù)處理簽名圖像

特征提?。禾卣魈崛∈呛灻b別過程中重要的一環(huán)，只有從簽名中提取到能夠表示簽名者身份的特征才能繼續(xù)進(jìn)行鑒別。本文采用由Shengcai Lia等提出的多尺度塊局部二值算子與局部相位量化特征進(jìn)行串聯(lián)融合，形成本文用于實(shí)驗(yàn)的特征向量。

訓(xùn)練及測試：首先將訓(xùn)練簽名樣本從特征提出中所提取出的特征向量進(jìn)行訓(xùn)練，形成訓(xùn)練模型，再通過訓(xùn)練模型進(jìn)行分類測試，得出測試簽名是否為真簽名。本文中采用隨機(jī)森林算法對簽名進(jìn)行分類鑒別。

2 特征提取

2.1 局部二值模式

局部二值模式(local binary pattern，LBP)[9]，是一種主要對圖像紋理特征進(jìn)行描述的特征算子，其具有灰度不變性及旋轉(zhuǎn)不變性等特性。通過多年來對該算子的不斷發(fā)展與改進(jìn)，現(xiàn)已被廣泛應(yīng)用于圖像分類，圖像檢索等領(lǐng)域。

2.1.1 基本LBP算子

LBP算法以鄰域?yàn)榇翱冢崛D像的局部紋理。選取鄰域大小為3×3的窗口，將窗口內(nèi)中心點(diǎn)gc的灰度值作為中心閾值，將其周圍8個(gè)點(diǎn)g0,…,g7的像素與其比較，若鄰域灰度值大于gc灰度值，則該點(diǎn)記為1，反之記為0。以該鄰域內(nèi)以左上角點(diǎn)為起點(diǎn)，按順時(shí)針方向可得到一個(gè)八位二進(jìn)制數(shù)，求取該二進(jìn)制數(shù)的十進(jìn)制表示方法，即為該點(diǎn)LBP值，求取方法如圖3所示。

圖3 基本LBP算子生成過程

2.1.2 多尺度塊局部二值模式

多尺度塊局部二值模式(multiscale block local binary pattern，MB-LBP)是由Shengcai Lia等提出的一種LBP的改進(jìn)算法[10]。該算法將進(jìn)行灰度值的比較時(shí)，沒有采取原始LBP算法中的將像素灰度值進(jìn)行比較，而是將對圖像子區(qū)域內(nèi)像素的平均灰度值作為子區(qū)域灰度值進(jìn)行比較。如圖4所示。

圖4 MB-LBP算子生成過程

圖4為一個(gè)9×9的MB-LBP算子生成過程。9×9的圖像塊劃分為9個(gè)大小為3×3的小塊，求取每個(gè)3×3小塊的灰度平均值，得到3×3的灰度矩陣，其余提取MB-LBP算子與原始LBP算子過程一樣。當(dāng)采用3×3的MB-LBP算子時(shí)，則相當(dāng)于一個(gè)基本3×3LBP算子。求取小區(qū)域平均灰度值時(shí)，可以采取求和區(qū)域表或積分圖像的方法。本文采取積分圖像的方法，以方便快捷的計(jì)算灰度平均值標(biāo)量。因此，MB-LBP算子的提取速度同樣較快，僅稍慢于基本3×3算子提取速度。不同分塊規(guī)模時(shí)MB-LBP濾波圖像如圖5所示。

圖5 MB-LBP濾波后簽名圖像

由圖5可以看出，不同規(guī)模MB-LBP濾波的圖像有較大區(qū)別。隨意在進(jìn)行實(shí)驗(yàn)時(shí)，應(yīng)選擇合適的規(guī)模。本文中選取9×9的MB-LBP算子進(jìn)行實(shí)驗(yàn)。提取MB-LBP算子的進(jìn)行訓(xùn)練鑒別時(shí)，還需要提取其直方圖，形成MB-LBP直方圖特征。

2.2 局部相位量化

局部相位量化(local phase quantization，LPQ)是由Ojansivu等[11]提出的一種局部描述符，在圖像的頻域空間處理空間模糊紋理特征，其具有良好的模糊不變性和灰度不變性。LPQ算法的提出者指出，該算法僅使用圖像的相位信息作為圖像特征，具有較強(qiáng)的魯棒性，該算法目前別廣泛應(yīng)用于人臉識別領(lǐng)域中。在數(shù)字圖像處理領(lǐng)域中，空間模糊圖像I(x) 是通過對圖像強(qiáng)度f(x) 和點(diǎn)擴(kuò)展函數(shù)h(x) 進(jìn)行卷積得到的，公式如下

I(x)=f(x)×h(x)

(1)

在圖像頻域內(nèi)，上式可用式(2)

J(u)=F(u)×H(u)

(2)

該式為式(2)在頻域內(nèi)的乘積形式。其中，J(u)、F(u) 和H(u) 分別為I(x)、f(x) 和h(x) 的離散傅里葉變換。由于局部相位量化算法僅討論圖像相位，則考慮到J(u)、F(u) 和H(u) 的相位信息，則可有公式

∠J(u)=∠F(u)×∠H(u)

(3)

當(dāng)點(diǎn)擴(kuò)展函數(shù)h(x) 中心對稱時(shí)，其傅里葉變換H(u) 一直為實(shí)數(shù)。當(dāng)H(u) 不小于0時(shí)，相位信息∠H(u) 為0；當(dāng)H(u) 小于0時(shí)， ∠H(u) 值為π。

在LPQ算法中，通過計(jì)算短時(shí)離散傅里葉變換，計(jì)算圖像中M×M大小的領(lǐng)域Nx內(nèi)每個(gè)像素位置的圖像f(x)， 公式如下所示

F(u,x)=∑f(x-y)e-2πjuT

(4)

式中：u為頻率。圖像的行列的卷積計(jì)算可以分開進(jìn)行，在本算法中，以對圖像先行后列的方式做一維卷積計(jì)算。計(jì)算局部傅里葉系數(shù)時(shí)，采用的4個(gè)頻率點(diǎn)如下所示

u1=[a,0]T,u2=[0,a]T,u3=[a,a]T,u4=[a,-a]T,

(5)

其中，a是足夠小的數(shù)，且使H(u)>0。 則有

Fx=[F(u1,x),F(u2,x),F(u3,x),F(u4,x)]

(6)

為使LPQ算子方便表示和計(jì)算，需將它們進(jìn)行進(jìn)一步的量化。通過對Fx中每一分量的實(shí)部和虛部的符號對傅里葉系數(shù)的相位信息進(jìn)行標(biāo)記，公式如下

(7)

向量K(x)=[Re{F(x)},Im{F(x)}] 的第j個(gè)部分由kj表示。此時(shí)qj通過二進(jìn)制編碼的方法，被量化為LPQ特征值，計(jì)算方法如下所示

(8)

LPQ算法提取特征過程如圖6所示。

圖6 LPQ提取特征過程

3 隨機(jī)森林

隨機(jī)森林(random forest，RF)算法由2001年被提出，該算法是一種基于決策樹的機(jī)器學(xué)習(xí)算法[12]。其利用對多個(gè)樹進(jìn)行訓(xùn)練并預(yù)測的分類算法，通過生成多個(gè)決策樹和投票的方法對多特征數(shù)據(jù)進(jìn)行分類，具有較高的計(jì)算效率和準(zhǔn)確率?，F(xiàn)階段，隨機(jī)森林別廣泛應(yīng)用于生態(tài)、經(jīng)濟(jì)、圖像識別中。

該算法的基本單元為決策樹，采用Bagging集成思想，隨機(jī)選取不同的訓(xùn)練特征子集構(gòu)建不同的決策樹，根據(jù)所有構(gòu)建出的決策樹的分類結(jié)果通過投票的方法確定最終分類。隨機(jī)森林具有樣本集的隨機(jī)性和特征的隨機(jī)性這兩個(gè)主要特性。所以，隨機(jī)森林算法具有良好的泛化能力，快速處理上千維的特征數(shù)據(jù)，且不會產(chǎn)生過擬合現(xiàn)象。

隨機(jī)森林算法作為一種基于決策樹的分類算法，主要包括以下幾個(gè)步驟：

步驟1 從原始樣本集D中采用Bootstrap 重抽樣的方法有放回地形成k個(gè)樣本子集Dk；

步驟2 設(shè)原始樣本中包含a個(gè)屬性，從每一個(gè)樣本中選擇屬性a中的m個(gè)特征值，建立決策樹；

步驟3 重復(fù)上述過程，建立n個(gè)決策樹，并在每個(gè)節(jié)點(diǎn)位置將小于維度格式的維度向量作為該節(jié)點(diǎn)的分類標(biāo)準(zhǔn)；

步驟4 對獲得的分類結(jié)果進(jìn)行誤差測試，采用多數(shù)投票確定最優(yōu)分類結(jié)果。

圖7為隨機(jī)森林算法的生成過程。

圖7 隨機(jī)森林分類流程

4 實(shí) 驗(yàn)

4.1 數(shù)據(jù)庫與實(shí)驗(yàn)環(huán)境

本文中數(shù)據(jù)庫采用由本地收集的維吾爾文簽名數(shù)據(jù)庫和國際公開的拉丁文手寫簽名數(shù)據(jù)庫CEDAR。維吾爾文簽名數(shù)據(jù)庫中，包含30人維吾爾文手寫簽名圖像，其中每人包括20個(gè)真簽名，20個(gè)簡單偽造簽名，20個(gè)熟練偽造簽名，合計(jì)1800個(gè)簽名圖像。CEDAR數(shù)據(jù)庫中，包含55人拉丁文簽名，每人包括24個(gè)真實(shí)簽名圖像和24個(gè)偽造簽名圖像，共2640個(gè)簽名圖像。在進(jìn)行離線手寫簽名鑒別時(shí)，從兩個(gè)數(shù)據(jù)庫中每人的真簽名和偽造簽名中分別選取12個(gè)簽名圖像進(jìn)行訓(xùn)練，總共每人選取24個(gè)簽名用于訓(xùn)練，其余簽名圖像用于測試。則對于維吾爾文手寫簽名鑒別實(shí)驗(yàn)而言，總共720個(gè)圖像用于訓(xùn)練，1080個(gè)圖像用于測試；對于CEDAR拉丁文數(shù)據(jù)庫而言，共1320個(gè)圖像用于訓(xùn)練，1320個(gè)圖像用于測試。本文中，對兩種不同數(shù)據(jù)庫隨機(jī)選取簽名圖像進(jìn)行10組實(shí)驗(yàn)，求取實(shí)驗(yàn)結(jié)果平均值作為該組實(shí)驗(yàn)的結(jié)果。

本文中所有實(shí)驗(yàn)均在64位Windows7的環(huán)境下進(jìn)行，其CPU為i5 4460，3.20 Hz，內(nèi)存為4 GB，具體程序通過使用Visual Studio 2012與Matlab2016b混合編程調(diào)試。

4.2 參數(shù)設(shè)置與評價(jià)標(biāo)準(zhǔn)

本文在使用隨機(jī)森林算法中，單棵樹最大深度為10，節(jié)點(diǎn)分裂最小樣本數(shù)為2，決策樹最大棵數(shù)為3000棵樹，其中樹中每個(gè)節(jié)點(diǎn)隨機(jī)選取特征15個(gè)，從而尋求最佳分裂。

在進(jìn)行離線維吾爾文手寫簽名鑒別時(shí)，使用錯(cuò)誤拒絕率(false rejection rate，F(xiàn)RR)與錯(cuò)誤接受率(false accep-tance rate，F(xiàn)AR)對簽名鑒別的結(jié)果進(jìn)行評價(jià)。FRR代表在鑒別過程中將真簽名誤認(rèn)為偽造簽名的錯(cuò)誤率，而FAR代表將偽造簽名誤認(rèn)為真簽名時(shí)的錯(cuò)誤率。為了更好的對簽名鑒別結(jié)果的綜合能力進(jìn)行評價(jià)，引入總正確率(ove-rall right rate，ORR)進(jìn)行評價(jià)。FRR、FAR、ORR這3種評價(jià)標(biāo)準(zhǔn)計(jì)算公式如下所示

(9)

(10)

(11)

4.3 基于MB-LBP的簽名鑒別實(shí)驗(yàn)

本文在提取MB-LBP直方圖特征時(shí)，采用分塊的方式，這樣的處理可以更好提取不同部位簽名特點(diǎn)，并進(jìn)行比較。防止因?yàn)椴煌灻崛〉腗B-LBP濾波圖像相似而帶來的誤差。本文主要通過從圖像寬度進(jìn)行等分的方式對MB-LBP圖像進(jìn)行分塊，將每一個(gè)小圖像塊的MB-LBP直方圖進(jìn)行串聯(lián)融合，形成256×k維的特征向量。該分塊特征記為MB-LBPk，其中，k即為等分后圖像區(qū)域塊數(shù)。本文實(shí)驗(yàn)中，k取1,2,3,4,6,8等6個(gè)值(均可對圖像寬度384進(jìn)行整除)。實(shí)驗(yàn)結(jié)果見表1。

表1 基于MB-LBPk的維吾爾文簽名鑒別實(shí)驗(yàn)結(jié)果

表1中數(shù)據(jù)為使用MB-LBP算法提取特征，在維吾爾文簽名圖像數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)的結(jié)果。在不分塊的情況下，通過分類鑒別得到FRR為4.87%，F(xiàn)AR為7.71%的結(jié)果。當(dāng)切分塊數(shù)為4時(shí)，可以得到本組實(shí)驗(yàn)中的最好結(jié)果，其FRR為3.54%，F(xiàn)AR為5.54%，ORR為95.46%，分別比未分塊時(shí)的鑒別結(jié)果提高了1.33%、2.71%和1.75%。使用MB-LBP算法提取的特征在CEDAR數(shù)據(jù)庫中的實(shí)驗(yàn)結(jié)果見表2。

表2中對CEDAR數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)的結(jié)果與表1中相似的是，當(dāng)圖像不進(jìn)行分塊特征提取時(shí)，其鑒別結(jié)果低于分塊后的鑒別結(jié)果。當(dāng)k=1時(shí)，ORR為95.67%。對圖像提取分塊MB-LBPk時(shí)，在k=2的情況下，F(xiàn)RR、FAR、ORR分別為3.88%、3.65%、96.23%。

表2 基于MB-LBPk的CEDAR數(shù)據(jù)庫簽名鑒別實(shí)驗(yàn)結(jié)果

表1與表2中結(jié)果對比，CEDAR數(shù)據(jù)庫中總正確率低于維吾爾文簽名鑒別總正確率，且得到最佳結(jié)果的分塊特征MB-LBPk的k值也不相同。造成這種情況發(fā)生的主要原因是，不同語言的文字書寫結(jié)構(gòu)不同，因此造成鑒別結(jié)果的差異。從表1和表2中，可以看出采用對圖像分塊后提取特征的方法可以有效提高簽名的鑒別率。

4.4 基于LPQ的簽名鑒別實(shí)驗(yàn)

與基于MB-LBP的簽名鑒別類似，基于局部相位量化的簽名鑒別實(shí)驗(yàn)中也加入了分塊的思想，該分塊后的LPQ算法記為LPQk。分塊的塊數(shù)k=1,2,3,4,6,8， 與MB-LBPk相同。該算法實(shí)驗(yàn)結(jié)果見表3。

表3 基于LPQk的維吾爾文簽名鑒別實(shí)驗(yàn)結(jié)果

表3中為通過LPQk算法提取維吾爾文簽名特征后的鑒別實(shí)驗(yàn)結(jié)果。由表中結(jié)果可得知，分塊塊數(shù)k=4時(shí)，有最佳結(jié)果。此時(shí)，F(xiàn)RR為3.38%，F(xiàn)AR為5.29%，ORR為95.67%。未分塊k=1時(shí)，實(shí)驗(yàn)結(jié)果FRR為5.08%，F(xiàn)AR為6.35%，ORR為94.29%?？梢缘弥?，當(dāng)k=4時(shí)的實(shí)驗(yàn)結(jié)果FRR、FAR和ORR分別比未分塊時(shí)提高1.70%、1.06%、1.38%。表4為使用LPQk特征對CEDAR數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)的鑒別結(jié)果。

表4 基于LPQk的CEDAR數(shù)據(jù)庫簽名鑒別實(shí)驗(yàn)結(jié)果

使用LPQk算法提取CEDAR數(shù)據(jù)庫中簽名特征鑒別后的結(jié)果見表4。在k=1的情況下，得到的總正確率ORR為96.04%。當(dāng)k=4時(shí)，該方法在CEDAR拉丁文數(shù)據(jù)庫上實(shí)驗(yàn)可以得到最佳結(jié)果，F(xiàn)RR為3.05%，F(xiàn)AR為3.85%，總正確率為96.55%。而在k=8，鑒別結(jié)果最差為95.98%，比實(shí)驗(yàn)所得到的最高總正確率低0.57%。

表3與表4中的數(shù)據(jù)相比，最差實(shí)驗(yàn)結(jié)果均不出現(xiàn)在未切分前的鑒別實(shí)驗(yàn)中。造成該結(jié)果的原因可能是由于維吾爾文、拉丁文的姓名間相似度較高，若不能將簽名圖像的特異部分進(jìn)行分塊，造成特征向量相似，則簽名鑒別結(jié)果較差。所以，在使用LPQk算法進(jìn)行簽名鑒別實(shí)驗(yàn)時(shí)，分塊數(shù)k會極大影響簽名鑒別的總正確率。

4.5 基于MB-LBP與LPQ融合的簽名鑒別實(shí)驗(yàn)

在對提取MB-LBP和LPQ兩種特征的簽名分別進(jìn)行實(shí)驗(yàn)后，由表1～表4中數(shù)據(jù)可以看出，兩種方法在維吾爾文簽名數(shù)據(jù)庫和CEDAR簽名數(shù)據(jù)庫中均獲得良好實(shí)驗(yàn)結(jié)果。由此可以看出，兩種特征提取算法皆可以提取出有效的紋理特征。在兩種特征分別提取特征進(jìn)行實(shí)驗(yàn)的基礎(chǔ)上，對MB-LBPk和LPQk進(jìn)行并聯(lián)融合，形成256×k×2維的高維特征向量(融合時(shí)，兩種算法k值取相同值)。采用隨機(jī)森林算法對高維特征向量進(jìn)行訓(xùn)練分類。實(shí)驗(yàn)結(jié)果見表5、表6。

表5 基于MB-LBPk和LPQk的維吾爾文 簽名鑒別實(shí)驗(yàn)結(jié)果

表6 基于MB-LBPk和LPQk的CEDAR數(shù)據(jù)庫 簽名鑒別實(shí)驗(yàn)結(jié)果

表5中數(shù)據(jù)即為MB-LBPk和LPQk融合特征提取算法在維吾爾文簽名數(shù)據(jù)庫中進(jìn)行實(shí)驗(yàn)的結(jié)果。當(dāng)k=4時(shí)，簽名鑒別結(jié)果最好，總正確率為96.36%。比單獨(dú)使用MB-LBPk和LPQk算法提取特征時(shí)的總正確率提升0.89%和0.68%。對未分塊時(shí)融合后特征向量進(jìn)行鑒別時(shí)總正確率為94.75%，比k=4時(shí)ORR低1.60%。

表6為融合特征在CEDAR數(shù)據(jù)庫中的拉丁文手寫簽名上進(jìn)行實(shí)驗(yàn)的結(jié)果。與維吾爾文簽名鑒別實(shí)驗(yàn)結(jié)果不同的是該組實(shí)驗(yàn)的最優(yōu)結(jié)果是在k=2時(shí)。此時(shí)，CEDAR數(shù)據(jù)庫離線手寫簽名鑒別的FRR為2.39%，F(xiàn)AR為4.14%，ORR為96.73%。比融合前MB-LBPk和LPQk特征的簽名鑒別總正確率分別提高0.50%和0.18%。較好提升了CEDAR中拉丁文簽名鑒別結(jié)果。當(dāng)k=1未分塊時(shí)的ORR為96.39%，比融合后的最佳結(jié)果低0.34%。

由表1～表6中數(shù)據(jù)可知，MB-LBP和LPQ的特征提取方法，能夠有效提取簽名圖像的特征信息，并通過隨機(jī)森林分類器可以得到良好的簽名鑒別結(jié)果。分塊后的MB-LBP和LPQ對圖像信息更加敏感，可以使維吾爾文簽名和拉丁文簽名的鑒別結(jié)果得到一定的提升。最后通過特征融合的方法，把MB-LBPk和LPQk串聯(lián)融合形成高維特征向量，在兩個(gè)不同文種簽名圖像庫中進(jìn)行鑒別實(shí)驗(yàn)，得到的總正確率分別為96.35%和96.73%。

4.6 實(shí)驗(yàn)對比

為了更好探究本文所提出的離線手寫簽名鑒別方法，將本文中所得到的實(shí)驗(yàn)結(jié)果與已有的實(shí)驗(yàn)結(jié)果進(jìn)行對比。維吾爾文簽名數(shù)據(jù)庫結(jié)果對比和CEDAR數(shù)據(jù)庫結(jié)果對比見表7、表8。

表7 維吾爾文手寫簽名鑒別結(jié)果對比/%

表8 CEDAR數(shù)據(jù)庫手寫簽名鑒別結(jié)果對比/%

通過與已有的實(shí)驗(yàn)結(jié)果進(jìn)行對比，由表7可以看出，本文方法在對維吾爾文離線手寫簽名進(jìn)行鑒別時(shí)，在擴(kuò)大了實(shí)驗(yàn)數(shù)據(jù)量的情況下，結(jié)果仍高于已有實(shí)驗(yàn)結(jié)果。本文方法比2018年提出的視覺詞袋模型特征(BoVW)和SVM分類器進(jìn)行鑒別的結(jié)果FRR、FAR、ORR分別提高了1.12%、3.96%、2.54%[14]?？梢钥闯?，該方法比文獻(xiàn)[14]中方法的FAR有大幅度提升，所以其總正確率也同樣提升。從表8中的數(shù)據(jù)看出，本文方法在CEDAR拉丁文數(shù)據(jù)庫中也有良好的實(shí)驗(yàn)結(jié)果，其結(jié)果高于文獻(xiàn)結(jié)果1%以上。說明本文提出方法在對于維吾爾文離線手寫簽名鑒別和拉丁文CEDAR數(shù)據(jù)簽名鑒別中是有效的。

5 結(jié)束語

本文中提出了基于MB-LBP和LPQ融合的維吾爾文離線手寫簽名鑒別，并且該方法中使用隨機(jī)森林進(jìn)行分類鑒別。該方法在包含30人簽名(20真簽名/每人，20簡單偽造簽名/每人，20熟練偽造簽名/每人)的維吾爾文手寫簽名數(shù)據(jù)庫和包含55人(24真簽名/每人，24偽造簽名/每人)CEDAR拉丁文簽名數(shù)據(jù)庫中進(jìn)行實(shí)驗(yàn)，得到的總正確率分別為96.35%和96.73%，均高于已有實(shí)驗(yàn)結(jié)果。因此，MB-LBP和LPQ可以有效提取簽名圖像特征，且隨機(jī)森林算法能夠高效的處理高維特征向量進(jìn)行分類鑒別。在今后的研究工作中，將本文中兩種算法繼續(xù)進(jìn)行網(wǎng)格化分塊實(shí)驗(yàn)，并使用多種分類器進(jìn)行鑒別實(shí)驗(yàn)對比。嘗試使用深度學(xué)習(xí)算法對簽名圖像進(jìn)行訓(xùn)練測試，提高簽名的總正確率。