摘要：本文針對(duì)高等教育自學(xué)考試考生試卷筆跡真?zhèn)舞b定應(yīng)用，利用人工筆跡鑒定專(zhuān)家知識(shí)，結(jié)合文本獨(dú)立，和訓(xùn)練樣本少的特點(diǎn)給出一種基于紋理的算法。通過(guò)實(shí)驗(yàn)得出，正確接受率為92.9%，正確拒絕率為90.0%。

關(guān)鍵字：筆記鑒別；紋理；Gabor

中圖分類(lèi)號(hào)：G642

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-5913(2008)02-0122-03

1引言

不同的人根據(jù)自身的生理特征和后天的學(xué)習(xí)情況不同，而練就不同的筆跡，正所謂“字如其人”。筆跡正是一種相對(duì)穩(wěn)定的行為特征，因此筆跡可以用來(lái)識(shí)別個(gè)體身份。目前在公安、社會(huì)化考試、銀行等領(lǐng)域得到日益廣泛的應(yīng)用，其中一個(gè)典型應(yīng)用就是高等教育自學(xué)考試考生試卷筆跡真?zhèn)舞b定?，F(xiàn)在試卷筆跡鑒定工作是通過(guò)考試中心文檢人員手工比對(duì)，這種傳統(tǒng)的筆跡鑒別方法，容易引入個(gè)人因素，影響鑒定效果的真實(shí)性。隨著考生人數(shù)的增多，這項(xiàng)比對(duì)工作相當(dāng)耗費(fèi)人力、物力。本文正是基于高自考這樣的背景，來(lái)研究基于文本獨(dú)立的離線筆跡鑒別。

目前筆跡鑒別研究方向可以分為在線(on-line)和離線(off-line)兩類(lèi)。進(jìn)一步細(xì)分，離線筆跡鑒別又可分為：文本依存(Text-dependent)和文本獨(dú)立(Text-independent)

兩種。文本依存就是提前規(guī)定書(shū)寫(xiě)內(nèi)容，文本獨(dú)立則對(duì)書(shū)寫(xiě)內(nèi)容沒(méi)有限制。筆跡鑒別的復(fù)雜性在于字跡的變化性，其任務(wù)就是從所有筆跡樣本中提取那些變化最大的特征，然后根據(jù)這些特征對(duì)測(cè)試筆跡樣本進(jìn)行真、偽分類(lèi)。

另一個(gè)問(wèn)題是，目前分類(lèi)方法主要有支持向量機(jī)、多層神經(jīng)網(wǎng)絡(luò)等，由于實(shí)際應(yīng)用中樣本數(shù)較少，以上方法都不適用，因此本文主要針對(duì)訓(xùn)練樣本少的實(shí)際應(yīng)用情況討論文本獨(dú)立型(Text-independent)書(shū)寫(xiě)人識(shí)別。通過(guò)用Gabor等紋理分析方法提取文字紋理特征，獲得了較好的識(shí)別效果。

2基于Gabor小波的紋理分析

紋理分析在圖像處理、分析和識(shí)別中廣泛應(yīng)用，是從圖像中提取反映紋理特性的特征。每個(gè)人都有自己的書(shū)寫(xiě)風(fēng)格，從整體筆跡圖像看，它們含有不同的紋理特征，如筆跡的排版規(guī)律(行間、字間排列等)、單個(gè)字符的筆劃搭配關(guān)系都可以看成是一種紋理。從已知的筆跡鑒別方法來(lái)看，有不少都采用了紋理分析的思想。將筆跡視為圖像紋理，利用紋理分析的方法提取筆跡紋理特征并進(jìn)行鑒別，是目前研究的熱點(diǎn)。

Gabor函數(shù)由Dennis Gabor于20世紀(jì)40年代提出的，后來(lái)被J．Daugman首先用于表征圖像，并用于視覺(jué)方面的研究。隨著計(jì)算機(jī)的不斷發(fā)展，成為了非常流行的圖像處理方法，這得益于Gabor函數(shù)特有的屬性及其生物意義。生物學(xué)的研究表明Gabor函數(shù)可以較準(zhǔn)確地描述人腦視覺(jué)皮層簡(jiǎn)單細(xì)胞的感受野。如圖1所示。

圖1視覺(jué)皮層簡(jiǎn)單細(xì)胞的感受野與二維Gabor函數(shù)的對(duì)比

Gabor函數(shù)是一個(gè)被復(fù)正弦函數(shù)調(diào)制的高斯函數(shù)，它是唯一能夠達(dá)到時(shí)頻測(cè)不準(zhǔn)關(guān)系下界的函數(shù)，能夠最好地兼顧信號(hào)在時(shí)域和頻域中的分辨能力。其中，一維Gabor函數(shù)如式(1)：

其中m用來(lái)控制函數(shù)的中心，s為寬度（Gaussian函數(shù)的標(biāo)準(zhǔn)偏差），周期為T(mén)，函數(shù)波形如圖2所示。

圖2一維Gabor函數(shù)波形

二維Gabor函數(shù)具有方向選擇性和帶通性，能夠比較精確地提取圖像的局部紋理特征。二維Gabor函數(shù)如式(2)所示：

3Gabor變換以及筆跡特征獲取

本文使用Gabor核函數(shù)對(duì)筆跡紋理圖像進(jìn)行Gabor變換，提取筆跡特征。給定一幅圖像f(x，y)，其Gabor變換定義為：

(4)

根據(jù)卷積定理，時(shí)域中卷積相當(dāng)于頻域中乘積，故可借助快速傅立葉變換（FFT）。這是由于快速傅立葉變換算法的計(jì)算效率要比基本的離散傅立葉變換高出幾個(gè)數(shù)量級(jí)，由于FFT的高效率，在許多情況下實(shí)現(xiàn)卷積最有效的方法是先計(jì)算參與卷積的序列的離散傅立葉變換，然后將它們的變換相乘，最后計(jì)算這些變換乘積的逆變換?？焖俑盗⑷~變換算法有很多種，目前廣為使用的是蝶形算法。對(duì)于本文中，進(jìn)行的是二維傅立葉變換，由于其行列可分性，因此可以先對(duì)列進(jìn)行一維快速傅立葉變換，然后對(duì)行進(jìn)行一維傅立葉變換。特征提取的實(shí)現(xiàn)過(guò)程入下：

(1) 先根據(jù)Gabor核函數(shù)的參數(shù)，即4個(gè)頻率和8個(gè)相位，依次求出32個(gè)Gabor核函數(shù)，并對(duì)其依次進(jìn)行二維快速傅立葉變換，將其結(jié)果保存到數(shù)組；

(2) 對(duì)筆跡紋理圖像塊進(jìn)行二維快速傅立葉變換，將其結(jié)果分別與32個(gè)Gabor核函數(shù)相乘，并且乘上一個(gè)系數(shù)；

(3) 對(duì)32個(gè)相乘結(jié)果分別進(jìn)行二維傅立葉逆變換，這樣對(duì)于每一個(gè)Gabor核函數(shù)將對(duì)應(yīng)得到一個(gè)Gabor變換系數(shù)，該系數(shù)為復(fù)數(shù)，對(duì)于每一個(gè)筆跡樣本就對(duì)應(yīng)得到32個(gè)變換系數(shù)；

(4) 針對(duì)每一變換系數(shù)，分別求出模值，然后根據(jù)模值求出方差和均值，經(jīng)實(shí)驗(yàn)比較，對(duì)于本文文本依存情況，僅選取32維方差要比選取32維均值或者64維方差和均值的混合特征作為筆跡特征，鑒別率要高，效果要好，因此最終特征選用32維變換系數(shù)模值的方差。

4分類(lèi)器的構(gòu)建

由于人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等分類(lèi)器均需要較多樣本進(jìn)行訓(xùn)練，而在實(shí)際應(yīng)用中樣本數(shù)較少。根據(jù)這一事實(shí)，并且結(jié)合本文提出的訓(xùn)練方法，本文從樣本距離角度尋求分類(lèi)器。從相關(guān)文獻(xiàn)中了找了8個(gè)與距離相關(guān)的分類(lèi)標(biāo)準(zhǔn)，目的是通過(guò)實(shí)驗(yàn)從中找出適合于本文的分類(lèi)器。這8個(gè)分類(lèi)標(biāo)準(zhǔn)依次為歐氏距離、普通距離、相似度、特征距離、Canberra距離、Dice系數(shù)、Jacquard系數(shù)、向量間距離，其數(shù)學(xué)表達(dá)式分別如式4～1所示：

歐氏距離：

以上8個(gè)式子中， 和 分別為特征向量，i=1，2，3，4，5……

實(shí)驗(yàn)時(shí)選取8個(gè)人的樣本，其中5個(gè)人每人1份，另3個(gè)人每人10份樣本，共8個(gè)人35份筆跡樣本，測(cè)試結(jié)果如表1所示，表中A，B，C分別為三個(gè)書(shū)寫(xiě)人，每人10份筆跡樣本，實(shí)驗(yàn)步驟為(以A為例，其它類(lèi)似)：

(1) 以A的第一份樣本為參考樣本，經(jīng)“隨機(jī)訓(xùn)練”為每個(gè)分類(lèi)器獲取閾值；

(2) 以A的第一份樣本為參考樣本，用獲取到的閾值，與A的其它9個(gè)樣本進(jìn)行比對(duì)，給出測(cè)試正確樣本數(shù)，對(duì)于每個(gè)分類(lèi)器分別填入對(duì)應(yīng)表格“本人”處；

(3) 以A的第一份樣本為參考樣本，用獲取到的閾值，與B、C的各5個(gè)樣本進(jìn)行比對(duì)，給出測(cè)試正確樣本數(shù)，對(duì)于每個(gè)分類(lèi)器分別填入對(duì)應(yīng)表格“不同人”處；

(4) 分別統(tǒng)計(jì)每個(gè)分類(lèi)器判別正確的樣本數(shù)。

根據(jù)表中各分類(lèi)器的分類(lèi)結(jié)果，并結(jié)合運(yùn)算量，本文最終選定歐氏距離作為分類(lèi)器。對(duì)于兩個(gè)樣本，其歐氏距離越小，表明兩個(gè)樣本越相似，假設(shè)兩個(gè)樣本之間的歐氏距離為d，分類(lèi)閾值為g，那么如果d

5結(jié)論

本文研究?jī)?nèi)容是文本獨(dú)立的離線筆跡鑒別，結(jié)合課題背景本文給出一種基于紋理的方法。實(shí)驗(yàn)時(shí)，先采集30人共計(jì)108份筆跡樣本，然后對(duì)這些筆跡樣本進(jìn)行預(yù)處理、形成紋理圖，使用32個(gè)Gabor核函數(shù)，進(jìn)行Gabor變換，把變換后所得系數(shù)的方差作為最后的筆跡特征，共32維。最后使用歐氏距離作為分類(lèi)器，采用本文提出的閾值獲取辦法進(jìn)行訓(xùn)練。我們?cè)谧约翰杉墓P跡庫(kù)上實(shí)驗(yàn)，在對(duì)28人的56份樣本實(shí)驗(yàn)中，對(duì)于與參考樣本出自同一人的筆跡樣本的測(cè)試，共28份，對(duì)于與參考樣本不同人的筆跡樣本，共140份。

從表2可以看出，針對(duì)本文方法，對(duì)于與參考樣本出自同一人的筆跡樣本的測(cè)試，共28份，其中被正確鑒別的份數(shù)為26，正確接受率為92.9% 。對(duì)于與參考樣本不同人的筆跡樣本，共140份，正確鑒別的份數(shù)為126，正確拒絕率為90.0%。達(dá)到了較為理想的效果。

Writer Identification Based on Small Amount of Test Samples and TextureAnalyse

Abstract This paper is presented for identification of examination papers handwriting， A kind of algorithm， which is characterized with less training samples and text-independent， is proposed， and it is used of artificial handwriting identification expert knowledge. Finally， experiments show that the correct acceptances rate is 92.9% and the correct rejections rate is 90.0%.

Keywords：handwriting identification， texture， Gabor filter

參考文獻(xiàn)

[1] 孫廣萍. 身份驗(yàn)證中的簽名鑒別技術(shù)[J]. 黑龍江通信技術(shù)，2003，(1):34-35.

[2] 劉宏，李錦濤，崔國(guó)勤. 基于ＳＶＭ和紋理的筆跡鑒別方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2003，15(12):1479-1484.

[3] 許春曄，郭寶蘭. 基于Gabor函數(shù)的漢字字體識(shí)別[J]. 河北大學(xué)學(xué)報(bào)(自然科學(xué)報(bào))，2001，21(2):167-170.

[4] 邊肇祺，張學(xué)工. 模式識(shí)別[M]. 北京:清華大學(xué)出版社，2000.

[5] Andrew R Webb著. 王萍，楊培龍，羅穎昕譯. Statistical Pattern Recognition， 2ED[M]. 北京:電子工業(yè)出版社，2004.

[6] 陶躍華. 基于向量的相似度計(jì)算方案[J]. 云南師范大學(xué)學(xué)報(bào)，2001，21(5):17-19.

[7] 易東，陳慶虎. 基于多分類(lèi)器組合的筆跡驗(yàn)證[J]. 計(jì)算機(jī)應(yīng)用，2006，26(1):172-173.

[8] 劉成林，戴汝為，劉迎建. 簡(jiǎn)化的Winger分布及其在筆跡鑒別中的應(yīng)用[J]. 計(jì)算機(jī)學(xué)報(bào)，1997，20(11):1018-1024.

作者簡(jiǎn)介：桑金歌，男(漢族)，河北工業(yè)大學(xué)在讀碩士研究生，滄州職業(yè)技術(shù)學(xué)院信息工程系副主任。

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。”