基于Gist和IPCA算法的多文種離線手寫(xiě)簽名識(shí)別*

韓 輝,麥合甫熱提,吾爾尼沙·買(mǎi)買(mǎi)提,朱亞俐,庫(kù)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.新疆多語(yǔ)種信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，新疆 烏魯木齊 830046；3.新疆大學(xué)教務(wù)處，新疆 烏魯木齊 830046)

1 引言

生物特征為人體所固有且不可復(fù)制、不會(huì)失竊和不會(huì)被遺忘，利用生物特征進(jìn)行身份識(shí)別安全、可靠、準(zhǔn)確。手寫(xiě)簽名作為一種有效并且被法律認(rèn)可的生物行為特征，被廣泛應(yīng)用于金融、司法、銀行和保險(xiǎn)等各個(gè)領(lǐng)域[1]。手寫(xiě)簽名根據(jù)數(shù)據(jù)獲取方式的不同分為在線手寫(xiě)簽名和離線手寫(xiě)簽名[1,2]；根據(jù)數(shù)據(jù)組成和分類(lèi)方法的不同可分為手寫(xiě)簽名識(shí)別和手寫(xiě)簽名鑒別[2]。手寫(xiě)簽名自被提出可以用于進(jìn)行身份識(shí)別至今，針對(duì)世界主流語(yǔ)言文字的研究已經(jīng)取得了豐碩的成果，但是對(duì)于我國(guó)少數(shù)民族語(yǔ)言以及多文種混合的簽名識(shí)別研究仍處于發(fā)展階段。

Ubul等人[3]通過(guò)提取維吾爾文離線手寫(xiě)簽名的多維改進(jìn)的網(wǎng)格信息特征，并采用歐氏距離ED(Euclidean Distance)、K近鄰KNN(K-Nearest Neighbor)和貝葉斯網(wǎng)絡(luò)3種分類(lèi)器對(duì)維吾爾文離線手寫(xiě)簽名進(jìn)行分類(lèi)識(shí)別，最終得到了93.53%的平均準(zhǔn)確率。Pal等人[4]提出了一種基于前景和背景的雙語(yǔ)脫機(jī)簽名識(shí)別技術(shù)，采用梯度直方圖HOG(Histogram of Oriented Gradient)和Zernike矩等特征，在支持向量機(jī)SVM(Support Vector Machine)分類(lèi)器下得到了最高為97.70%的識(shí)別率，但是該工作只進(jìn)行了文種的識(shí)別，并沒(méi)有實(shí)現(xiàn)把簽名圖像分類(lèi)到用戶個(gè)體。Serdouk等人[5]從CEDAR和GPDS-300這2個(gè)數(shù)據(jù)集中提取了圖像的梯度局部二值模式GLBP(Gradient Local Binary Patterns)并利用SVM分類(lèi)器進(jìn)行簽名鑒別，最終在2個(gè)數(shù)據(jù)集上分別得到了9.58%和14.01%的平均錯(cuò)誤率。劉利利[6]采用形狀上下文特征在GPDS960和自建的離線手寫(xiě)簽名鑒別數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn),分別得到了誤拒率為9.75%、誤納率為12.89%和誤拒率為12.38%、誤納率為18.27%的效果。魏佳敏等人[7]通過(guò)提取圖像的靜態(tài)特征和偽動(dòng)態(tài)特征并進(jìn)行有效融合，在極限學(xué)習(xí)機(jī)和稀疏表示的兩階段分類(lèi)中取得了95.53%的平均準(zhǔn)確率，但是該工作的缺點(diǎn)是分類(lèi)數(shù)量少，文字形式單一。艾海提·伊敏等人[8]通過(guò)提取局部中心點(diǎn)和ETDT 2種特征并進(jìn)行有效融合，同時(shí)使用絕對(duì)距離、歐氏距離、卡方距離和cosine距離進(jìn)行分類(lèi)識(shí)別，最終得到了最高為98.70%的平均準(zhǔn)確率。Mo等人[9]提出了一種基于離散曲波變換的多文種離線手寫(xiě)簽名識(shí)別方法，在我國(guó)2種少數(shù)民族語(yǔ)言維吾爾語(yǔ)和柯?tīng)柨俗握Z(yǔ)中實(shí)現(xiàn)了較好的識(shí)別準(zhǔn)確率。

本文針對(duì)多文種混合模式的離線手寫(xiě)簽名識(shí)別展開(kāi)研究。由于離線手寫(xiě)簽名圖像有效的筆畫(huà)部分普遍比較稀疏，存在大量的無(wú)效白色背景，但是目前現(xiàn)有的特征提取方法大多是對(duì)圖像整體表層內(nèi)容進(jìn)行描述，這樣會(huì)使得提取到的特征存在大量的冗余，不利于提高識(shí)別準(zhǔn)確率。而如果想要提高識(shí)別準(zhǔn)確率，則需要依賴大量的訓(xùn)練數(shù)據(jù)和提取多個(gè)特征并進(jìn)行有效融合，這樣又會(huì)造成提取的特征過(guò)多和特征維度過(guò)大，最終計(jì)算困難影響識(shí)別效率。為此，本文提出了一種基于Gist和增量主成分分析IPCA(Incremental Principal Component Analysis)算法的多文種離線手寫(xiě)簽名識(shí)別方法，利用Gist特征對(duì)靜態(tài)圖像的宏觀全局意義上的特征進(jìn)行描述，使其在特征提取的過(guò)程中更多地聚焦到簽名圖像的整體布局和筆畫(huà)部分，而忽略圖像無(wú)效白色背景；同時(shí)，利用IPCA算法的批處理方式，把提取的數(shù)據(jù)特征逐批加載到內(nèi)存中，遞增式更新特征的主成分，以達(dá)到在對(duì)識(shí)別效果影響很小的情況下大大提高運(yùn)行效率。本文使用漢語(yǔ)、英語(yǔ)和我國(guó)少數(shù)民族語(yǔ)言維吾爾語(yǔ)3個(gè)不同的數(shù)據(jù)集對(duì)本文方法進(jìn)行實(shí)驗(yàn)。由于這3種語(yǔ)言來(lái)自不同中文的語(yǔ)系(漢語(yǔ)：漢藏語(yǔ)系，英語(yǔ)：印歐語(yǔ)系，維語(yǔ)：阿爾泰語(yǔ)系)，所以能有效證明本文所提方法的有效性，而且本文還混合3種數(shù)據(jù)后進(jìn)行了實(shí)驗(yàn)，最后都使用SVM分類(lèi)器進(jìn)行識(shí)別分類(lèi)。實(shí)驗(yàn)結(jié)果表明，本文提出的方法即使使用少量的訓(xùn)練數(shù)據(jù)，無(wú)論是在單文種還是在多文種混合的數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)，其識(shí)別準(zhǔn)確率與之前相關(guān)研究相比都表現(xiàn)較優(yōu)。

2 離線手寫(xiě)簽名識(shí)別

離線手寫(xiě)簽名識(shí)別是模式識(shí)別研究領(lǐng)域的一個(gè)重要研究方向。類(lèi)似于其他模式識(shí)別問(wèn)題的實(shí)驗(yàn)流程，離線手寫(xiě)簽名識(shí)別的基本步驟包括簽名圖像數(shù)據(jù)采集、圖像預(yù)處理、特征提取、分類(lèi)決策4個(gè)步驟。本文方法的具體實(shí)驗(yàn)流程如圖1所示。

Figure 1 Experimental procedure of the proposed method圖1 本文方法實(shí)驗(yàn)流程

(1)簽名數(shù)據(jù)采集。在數(shù)據(jù)采集的過(guò)程中，首先要求每位簽名者將自己的名字書(shū)寫(xiě)在已被等分成橫七豎三共21個(gè)矩形方框的一張A4紙上。之后，把每一份手寫(xiě)簽名樣本通過(guò)掃描儀以300 dpi的分辨率掃描成電子圖像，并以“.jpg”格式保存在計(jì)算機(jī)中。然后，使用切圖工具將其處理成一個(gè)個(gè)單獨(dú)的簽名樣本圖像，并以“.bmp”格式24位圖像保存在數(shù)據(jù)集中。

(2)數(shù)據(jù)預(yù)處理。為了更好地保留簽名圖像類(lèi)內(nèi)相似性和類(lèi)間差異性，在對(duì)簽名圖像進(jìn)行特征提取之前需要先對(duì)其進(jìn)行預(yù)處理操作，以最大限度地保留簽名本身的信息。本文首先依次使用高斯濾波、全局平均閾值和Unger平滑算法[10]對(duì)圖像進(jìn)行去噪、二值化和平滑等預(yù)處理操作;然后去除簽名圖像無(wú)效邊緣背景，并使用最鄰近插值法進(jìn)行簽名圖像的尺寸歸一化(96*384)。預(yù)處理后的圖像如圖2所示。

Figure 2 Pre-processing renderings圖2 預(yù)處理效果圖

(3)特征提取。特征提取是簽名識(shí)別過(guò)程中最重要的一環(huán)，提取的特征優(yōu)異與否，將直接影響分類(lèi)識(shí)別的結(jié)果。本文針對(duì)離線手寫(xiě)簽名有效特征稀疏難以提取的問(wèn)題，提出了一種基于Gist和IPCA算法的多文種離線手寫(xiě)簽名識(shí)別方法，且分別將特征維度k設(shè)置為60,80,100,120和140進(jìn)行對(duì)比實(shí)驗(yàn)。

(4)訓(xùn)練和測(cè)試。本文選取每位簽名者的前S(=5,8,11,14,17)個(gè)簽名用于訓(xùn)練，其余的用于測(cè)試，使用SVM分類(lèi)器對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行比較分析。

3 特征提取與降維

3.1 Gist特征提取

“Gist”最初源自于1979年Friedman的論文[11]，用來(lái)對(duì)場(chǎng)景進(jìn)行抽象的描述。2001年被Oliva等人[12]借用來(lái)代指空間包絡(luò)特征，用于對(duì)經(jīng)過(guò)分塊的輸入圖像進(jìn)行離散傅里葉變換和窗口傅里葉變換，進(jìn)而提取其全局特征信息。隨后，在2003年由Torralba等人[13]繼續(xù)研究并進(jìn)行改進(jìn)，用6個(gè)方向、4尺度的小波變換代替傅里葉變換進(jìn)行紋理特征提取。2004年，Renninger等人[14]又采用Gabor濾波對(duì)其進(jìn)行改進(jìn),用于提取靜態(tài)場(chǎng)景圖像的Gist特征。2007年，Siagian等人[15]基于生物的中央周?chē)鸀V波特征，將圖像分成方向、顏色和密度3種特征通道，共34個(gè)次通道，每幅圖像分割為4*4共16個(gè)小模塊，采用Gabor濾波算法提取圖像的Gist全局特征信息。

Gist特征是一種全局的特征描述方式，它能夠很好地捕捉到場(chǎng)景圖像的整體特征。對(duì)靜態(tài)場(chǎng)景圖像進(jìn)行識(shí)別時(shí)，不需要對(duì)圖像進(jìn)行分割和局部特征提取就可以實(shí)現(xiàn)快速的靜態(tài)場(chǎng)景圖像的分類(lèi)[16,17]。與以往的特征提取方法不同的是，Gist特征利用Gabor變換多尺度和多方向的特性，能很好地模擬人類(lèi)視覺(jué)，以盡可能地關(guān)注到簽名圖像的筆畫(huà)和整體，并將變換后的多通道圖像分別分塊取平均，再將這些平均值進(jìn)行直方圖均衡化得到最終的特征數(shù)據(jù)。與其他單通道圖像特征提取方法相比，上述方法更加全面具體，有效解決了有效特征難以提取的問(wèn)題。其計(jì)算公式如式(5)所示：

(1)

(2)

kv=2-(v+2)/2π

(3)

(4)

其中，σ為常數(shù)，i為虛數(shù)單位，z表示圖像矩陣中元素的坐標(biāo)值。u和v分別表示對(duì)應(yīng)Gabor濾波器的方向和尺度。

將一副大小為h*w的輸入圖像分成n*n個(gè)圖像塊，每個(gè)圖像塊g(x,y)分別與u尺度、v方向的Gabor濾波器ψ(z)進(jìn)行卷積濾波，每個(gè)網(wǎng)格內(nèi)取平均值得到一個(gè)特征，并將這些特征進(jìn)行級(jí)聯(lián)拼接，得到圖像的Gist特征，其計(jì)算公式如式(5)所示：

Gψ,g(x,y,μ,υ)=g(x,y)?ψμ,υ(z)

(5)

其中?在此定義為卷積運(yùn)算符。這樣每幅輸入圖像就獲得了u*v*n*n維的Gist特征數(shù)據(jù)。

3.2 IPCA降維

增量主成分分析IPCA算法是主成分分析PCA(Principal Component Analysis)算法的一種改進(jìn)，用于解決因樣本數(shù)量或特征維數(shù)大而造成的系統(tǒng)資源占用問(wèn)題[18]。與深度學(xué)習(xí)在數(shù)據(jù)量過(guò)大時(shí)的加載方法一致，IPCA是將數(shù)據(jù)分成多個(gè)批次，然后每次都只從外存中取一個(gè)批次的數(shù)據(jù)輸入到內(nèi)存中，直接用新樣本對(duì)已有的主成分進(jìn)行增量式修正，進(jìn)而得到最終的樣本最優(yōu)降維。

λh=Ah

(6)

其中，λ是對(duì)應(yīng)的特征值。將A替換為樣本協(xié)方差矩陣，對(duì)于每一個(gè)時(shí)間步長(zhǎng)i，向量h替換為其在第m批樣本向量待求的第i個(gè)特征,記為hi(m),每個(gè)批次一個(gè)樣本數(shù)據(jù)，即m=1,2,…,n。令v=λh，可以得到式(7)：

(7)

其中，v(m)是對(duì)v的第m步的估計(jì)值。考慮到h=v/‖v‖，并且在一開(kāi)始，設(shè)v(0)=h(1)作為數(shù)據(jù)擴(kuò)展的第一個(gè)方向，并令hi(m)=v(m-1)/‖v(m-1)‖，從而式(7)可以推出增量表達(dá)式及其遞歸形式，如式(8)所示：

(8)

其中，(m-1)/m是之前估計(jì)的權(quán)重，1/m是新數(shù)據(jù)的權(quán)重。

4 支持向量機(jī)

支持向量機(jī)SVM是一種有監(jiān)督學(xué)習(xí)的二元分類(lèi)的廣義線性分類(lèi)器[19]，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面。SVM通過(guò)核函數(shù)將輸入數(shù)據(jù)映射至高維空間，為了將輸入特征向量映射到高維特征空間，本文使用高斯徑向基核函數(shù)，將問(wèn)題轉(zhuǎn)換成線性可分問(wèn)題進(jìn)行非線性分類(lèi)，并使用其軟邊矩SVM分類(lèi)方法對(duì)簽名數(shù)據(jù)進(jìn)行分類(lèi)計(jì)算，具體實(shí)現(xiàn)公式如式(9)所示：

s.t.{yi(wTXi+b)≥1-ξi,ξi≥0

(9)

其中，ξi為松弛變量，用于把一些離群點(diǎn)向中心集中；C為懲罰因子，其值越大，對(duì)誤分類(lèi)的懲罰越大，這樣對(duì)訓(xùn)練集測(cè)試時(shí)準(zhǔn)確率就高，但泛化能力弱，反之，泛化能力較強(qiáng)；N表示樣本個(gè)數(shù)，yi表示學(xué)習(xí)目標(biāo)。經(jīng)過(guò)實(shí)驗(yàn)對(duì)比，本文實(shí)驗(yàn)中設(shè)置C=1e3。

5 實(shí)驗(yàn)

5.1 實(shí)驗(yàn)數(shù)據(jù)

本文共采集和使用了3個(gè)完全不同語(yǔ)系的離線手寫(xiě)簽名數(shù)據(jù)集，其中包括漢語(yǔ)、少數(shù)民族語(yǔ)言維吾爾語(yǔ)和西文英語(yǔ)。

(1)漢語(yǔ)離線手寫(xiě)簽名數(shù)據(jù)集：漢語(yǔ)歸屬于漢藏語(yǔ)系，其特點(diǎn)是字與字之間有明顯的間隔，單個(gè)字體的書(shū)寫(xiě)較為緊湊。該數(shù)據(jù)集包含160人的離線手寫(xiě)簽名，每人21個(gè)，共3 360幅離線手寫(xiě)簽名圖像。

(2)維吾爾語(yǔ)離線手寫(xiě)簽名數(shù)據(jù)集：維吾爾語(yǔ)歸屬于阿爾泰語(yǔ)系，其書(shū)寫(xiě)特點(diǎn)是字母與字母之間連寫(xiě)構(gòu)成一個(gè)音節(jié)，幾個(gè)音節(jié)寫(xiě)在一起構(gòu)成一個(gè)詞，詞與詞之間分開(kāi)書(shū)寫(xiě)。該數(shù)據(jù)集也包含160人的離線手寫(xiě)簽名，每人21個(gè)，共3 360幅離線手寫(xiě)簽名圖像。

(3)西文英語(yǔ)離線手寫(xiě)簽名數(shù)據(jù)集：英語(yǔ)歸屬于印歐語(yǔ)系，其書(shū)寫(xiě)方式和維吾爾語(yǔ)大致相同，但兩者字母結(jié)構(gòu)完全不同。本文使用的是公開(kāi)數(shù)據(jù)集GPDS Synthetic Off-Line Signature[20,21]中前160人的前21個(gè)真實(shí)簽名樣本圖像，共3 360幅離線手寫(xiě)簽名圖像。

3個(gè)數(shù)據(jù)集共3*3360=10080幅離線手寫(xiě)簽名圖像。圖3所示是本文實(shí)驗(yàn)數(shù)據(jù)樣本圖像。

Figure 3 Presentation of data samples圖3 數(shù)據(jù)樣本展示

在實(shí)驗(yàn)過(guò)程中，由于簽名圖像并沒(méi)有先后順序，所以本文使用每個(gè)數(shù)據(jù)集中每個(gè)人前S(=5,8,11,14,17)個(gè)簽名圖像作為訓(xùn)練數(shù)據(jù)，其余圖像作為測(cè)試數(shù)據(jù)。

5.2 運(yùn)行環(huán)境和評(píng)價(jià)標(biāo)準(zhǔn)

本文所有實(shí)驗(yàn)均在64位Ubuntu 18.04.5 LTS的環(huán)境下進(jìn)行，其CPU為Intel i5-4200M，2.40 GHz，內(nèi)存為8 GB，具體程序通過(guò)基于PyCharm實(shí)現(xiàn)。

由于本文實(shí)驗(yàn)的是多分類(lèi)任務(wù),所以只使用平均準(zhǔn)確率AAR(Average Accuracy Rate)作為評(píng)價(jià)指標(biāo)，其計(jì)算公式如式(10)所示：

(10)

其中，T表示所有參與測(cè)試的數(shù)據(jù)量;CT表示參與預(yù)測(cè)的數(shù)據(jù)中得到正確結(jié)果的數(shù)據(jù)量;N=10,表示本文把每次實(shí)驗(yàn)進(jìn)行10次，并取平均值得到AAR。

5.3 結(jié)果分析

5.3.1 Gabor濾波器尺度和方向的選擇

首先，本文混合3個(gè)數(shù)據(jù)集的所有數(shù)據(jù)，分別使用不同尺度u(=1,2,3,…,8)的Gabor濾波進(jìn)行Gist特征提取，得到對(duì)應(yīng)的8種d(=64,128,192,256,320,384,448,512)維Gist特征。其對(duì)應(yīng)的識(shí)別結(jié)果如圖4所示。

Figure 4 Experimental results of classification using Gist features with different scales圖4 使用不同尺度Gist特征的分類(lèi)結(jié)果

一般情況下，提取的特征維度越小，特征數(shù)據(jù)就越難以完整表示原本的圖像數(shù)據(jù)，進(jìn)而直接導(dǎo)致分類(lèi)結(jié)果差。由圖4可以看出，當(dāng)使用1尺度4個(gè)方向的Gabor濾波器提取得到64維Gist特征時(shí)，識(shí)別準(zhǔn)確率最高為76.26%；當(dāng)提取的特征維度為384維(6尺度4個(gè)方向)時(shí)，即使訓(xùn)練數(shù)據(jù)個(gè)數(shù)S僅為5，識(shí)別準(zhǔn)確率也達(dá)到了90.54%。但是，隨著提取特征的維度不斷增大，識(shí)別準(zhǔn)確率增幅越來(lái)越小，而實(shí)驗(yàn)運(yùn)行時(shí)間復(fù)雜度的增幅也越來(lái)越大。

對(duì)于不同方向的Gabor濾波器，本文使用8尺度1個(gè)方向(0°)、8尺度2個(gè)方向(0°和90°)和8尺度4個(gè)方向(0°,45°,90°和135°)進(jìn)行對(duì)比,如圖5所示。不難看出，使用的方向越多，提取到的特征越詳細(xì),具體識(shí)別準(zhǔn)確率也就越高。

Figure 5 Experimental results of classification using different directional GIST features圖5 使用不同方向Gist特征的分類(lèi)結(jié)果

圖6給出了當(dāng)每個(gè)人的訓(xùn)練數(shù)據(jù)個(gè)數(shù)S為11時(shí)，不同方向的Gist特征在不進(jìn)行降維的情況下的識(shí)別準(zhǔn)確率與實(shí)驗(yàn)運(yùn)行時(shí)間對(duì)比。

Figure 6 Comparison of running effects when S=11圖6 S=11時(shí)運(yùn)行效果對(duì)比

所以，本文選用8尺度4個(gè)方向的Gabor濾波器進(jìn)行Gist特征提取，共得到d=512維的特征數(shù)據(jù)。

5.3.2 IPCA降維維度選擇

一般情況下，特征數(shù)據(jù)降維后，其表示能力也會(huì)相對(duì)降低，而實(shí)驗(yàn)運(yùn)行速度會(huì)相應(yīng)提高。本文使用不同降維算法：主成分分析法PCA、稀疏主成分分析法SPCA(Sparse Principal Component Analysis)和核主成分分析法KPCA(Kernel Principal Component Analysis),把特征維度約減到100維后進(jìn)行識(shí)別得到的實(shí)驗(yàn)結(jié)果如表1所示。

如表1所示，使用不同的降維算法的分類(lèi)識(shí)別在識(shí)別準(zhǔn)確率上，IPCA算法相對(duì)最低，但是只比使用PCA算法的識(shí)別準(zhǔn)確率低了0.17%，而其實(shí)驗(yàn)運(yùn)行時(shí)間只有使用原始特征的1/50以下，只有核主成分分析算法KPCA的1/2。在保證識(shí)別準(zhǔn)確率變化不大的情況下，極大地提高了實(shí)驗(yàn)運(yùn)行效率，可見(jiàn)這種算法在實(shí)際應(yīng)用中是可行的。所以，本文使用IPCA算法進(jìn)行維度約減，并利用IPCA算法批處理的能力來(lái)提高運(yùn)行效率。

Table 1 Experimental results of classification using different dimensionality-reduction methods

除此之外，本文把提取得到的512維的Gist特征分別約減到k(=60,80,100,120,140)維，并進(jìn)行識(shí)別實(shí)驗(yàn)。圖7和圖8分別為使用不同維度的Gist特征的分類(lèi)識(shí)別效果對(duì)比。

Figure 7 Recognition results of classification using different dimension features圖7 不同維度特征的分類(lèi)識(shí)別結(jié)果

Figure 8 Running time of classification using different dimension features圖8 不同維度特征的實(shí)驗(yàn)運(yùn)行時(shí)間

與使用原始特征數(shù)據(jù)的識(shí)別結(jié)果相比，圖7中的實(shí)驗(yàn)結(jié)果表明，當(dāng)維度降到一定程度時(shí)，識(shí)別準(zhǔn)確率會(huì)大大減小，但是與表1中使用原始低維特征數(shù)據(jù)的實(shí)驗(yàn)結(jié)果相比，即使維度約減到k=60維時(shí)，識(shí)別準(zhǔn)確率依然比使用原始64維(1尺度4個(gè)方向)特征的平均高出10%以上。當(dāng)維度k=80時(shí)，即使訓(xùn)練數(shù)據(jù)個(gè)數(shù)為5，其實(shí)驗(yàn)結(jié)果依然能達(dá)到90%以上。本文希望在不影響實(shí)驗(yàn)結(jié)果的情況下，盡可能地提高運(yùn)行效率，所以在接下來(lái)的工作中只展示了維度約減到k=100時(shí)的實(shí)驗(yàn)結(jié)果。

5.3.3 實(shí)驗(yàn)結(jié)果

上述實(shí)驗(yàn)結(jié)果展示了3個(gè)數(shù)據(jù)集混合情況下的識(shí)別結(jié)果，除此之外，本文還在單文種及兩兩混合的實(shí)驗(yàn)數(shù)據(jù)集上分別進(jìn)行了識(shí)別實(shí)驗(yàn)。表2和表3分別表示單文種和兩兩混合實(shí)驗(yàn)數(shù)據(jù)集上的簽名識(shí)別結(jié)果。

Table 2 Experimental results of classification on single-language dataset

Table 3 Experimental results of classification on mutil-language dataset

通過(guò)表2和表3可知，就單文種的離線手寫(xiě)簽名識(shí)別結(jié)果而言，英語(yǔ)數(shù)據(jù)集上的識(shí)別結(jié)果相對(duì)較差。以往實(shí)驗(yàn)經(jīng)驗(yàn)和實(shí)驗(yàn)結(jié)果證實(shí)，維吾爾語(yǔ)數(shù)據(jù)集上的識(shí)別準(zhǔn)確率會(huì)相對(duì)較高，但是本文提取的Gist特征在漢語(yǔ)的離線簽名數(shù)據(jù)集上的識(shí)別準(zhǔn)確率較好。這是因?yàn)橹暗膶?shí)驗(yàn)大部分提取的是局部特征，維吾爾語(yǔ)的離線手寫(xiě)簽名筆畫(huà)較為稠密，有效的局部特征表示能力相對(duì)較強(qiáng);而在整體性方面漢語(yǔ)手寫(xiě)簽名特征表示能力較強(qiáng)；對(duì)于英語(yǔ)數(shù)據(jù)集中的簽名數(shù)據(jù)，其筆畫(huà)相對(duì)稀疏，也不似中文漢字簽名那樣字與字之間具有整體性，且不同的2個(gè)簽名間的整體差異更大，所以其識(shí)別結(jié)果較差。對(duì)于兩兩語(yǔ)種混合的數(shù)據(jù)集，由于類(lèi)別數(shù)翻倍，所以識(shí)別準(zhǔn)確率有所下降，但降低幅度不大，這樣正說(shuō)明了本文算法的有效性和實(shí)用性。

5.4 對(duì)比分析

為了證明本文所提方法的有效性，本文使用了幾種常見(jiàn)的紋理特征提取方法：局部二值模式LBP(Local Binary Pattern)、局部方向模式LDP(Local Direction Pattern)和局部相位量化LPQ(Local Phase Quantization)，并分別結(jié)合Gabor變換進(jìn)行特征提取，結(jié)果如表4所示。

Table 4 Experimental results of classification using different amount of training data

根據(jù)上述實(shí)驗(yàn)結(jié)果易知，本文提出的基于Gist特征的離線手寫(xiě)簽名識(shí)別方法，無(wú)論是在單文種還是在3種不同語(yǔ)系的手寫(xiě)簽名混合的數(shù)據(jù)集上，即使使用少量的訓(xùn)練數(shù)據(jù)，也都具有較高的識(shí)別準(zhǔn)確率。同時(shí)，為了提高實(shí)驗(yàn)的運(yùn)行效率，本文使用IPCA算法對(duì)提取的特征數(shù)據(jù)進(jìn)行特征降維，與使用原始特征的運(yùn)動(dòng)時(shí)間進(jìn)行對(duì)比，降維后的實(shí)驗(yàn)運(yùn)行效率得到了很大的提高。為了表明本文方法準(zhǔn)確有效，本文與之前相關(guān)方法的實(shí)驗(yàn)結(jié)果進(jìn)行了比較，如表5所示。

Table 5 Comparison between the proposed method and related methods表5 本文方法與相關(guān)方法的對(duì)比

通過(guò)實(shí)驗(yàn)對(duì)比，本文提出的基于Gist特征的多文種混合模式的離線手寫(xiě)簽名識(shí)別方法有效地實(shí)現(xiàn)了多文種混合方式下的多文種離線手寫(xiě)簽名識(shí)別，而且即使使用少量的訓(xùn)練數(shù)據(jù)，依然有很好的識(shí)別結(jié)果。

6 結(jié)束語(yǔ)

針對(duì)多文種混合模式的離線手寫(xiě)簽名識(shí)別，本文提出了一種基于Gist特征的方法：利用Gist特征對(duì)靜態(tài)圖像的宏觀表示能力，提取了具有較強(qiáng)表示能力的數(shù)據(jù)特征，提高了識(shí)別準(zhǔn)確率；同時(shí)使用IPCA算法進(jìn)行特征維度約減，提高了實(shí)驗(yàn)運(yùn)行效率。與之前的研究方法相比，本文方法在實(shí)驗(yàn)結(jié)果和實(shí)驗(yàn)效率上都相對(duì)較優(yōu)。本文方法是一種傳統(tǒng)的模式識(shí)別方法，與目前比較流行的深度學(xué)習(xí)方法相比，本文方法所需中間步驟較多，如預(yù)處理、特征提取和分類(lèi)決策；相對(duì)而言，傳統(tǒng)方法的優(yōu)點(diǎn)在于所需訓(xùn)練數(shù)據(jù)較少、運(yùn)行效率較高、運(yùn)行環(huán)境要求較低等。所以，在接下來(lái)的工作中，將致力于實(shí)現(xiàn)更加高效的和實(shí)用的多文種離線手寫(xiě)簽名識(shí)別方法。