摘 要：【目的】隨著計(jì)算機(jī)技術(shù)發(fā)展，越來(lái)越多的電子簽字被應(yīng)用于現(xiàn)實(shí)生活中。為解決電子簽字識(shí)別問(wèn)題，利用魯棒性較好的PNN神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別輸入的電子簽名，并轉(zhuǎn)換成可編輯的英文字母。【方法】在識(shí)別過(guò)程中，為提高識(shí)別的正確率，需要對(duì)收集到的電子簽字進(jìn)行處理。先提取簽字中的黑色有字母部分，再將提取到的黑色有字母部分統(tǒng)一大小，并將統(tǒng)一大小后的黑色有字母部分放在大小一樣的白色畫(huà)布上。經(jīng)過(guò)處理后的電子簽字可作為PNN網(wǎng)絡(luò)輸入變量，進(jìn)行網(wǎng)絡(luò)識(shí)別?！窘Y(jié)果】以一組傾斜程度較大的電子簽字進(jìn)行識(shí)別驗(yàn)證，結(jié)果表明PNN網(wǎng)絡(luò)整體識(shí)別效果較好，對(duì)傾斜程度較大的電子簽字識(shí)別效果較差。【結(jié)論】該方法能高效識(shí)別傾斜程度較小的電子簽字，未來(lái)應(yīng)對(duì)傾斜程度較大的電子簽字展開(kāi)進(jìn)一步的研究。

關(guān)鍵詞：PNN網(wǎng)絡(luò)；模式識(shí)別；字母處理

中圖分類號(hào)：TP393" " "文獻(xiàn)標(biāo)志碼：A" " 文章編號(hào)：1003-5168（2025）04-0026-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.04.006

Research on the Recognition of Electronic Signatures with Uppercase English Letters Based on PNN Network

WANG Xiaojuan1 YANG Yongxin2

（1.Faculty of International Business and Management，Chongqing Institute of Foreign Studies，Chongqing 401420，China; 2.Chongqing Survey Institute Co.， Ltd.， Chongqing 401120，China）

Abstract：[Purposes]With the development of computers， more and more electronic signatures appear in real life. In order to solve the problem of recognition of these electronic signatures， this paper uses a robust PNN neural network to recognize the input electronic signatures into editable English letters. [Methods] In the process of recognition， in order to improve the accuracy of recognition， it is necessary to process the collected electronic signatures. Firstly， the black lettered part in the signature is extracted， and then the extracted black lettered part is unified in size， and the unified black lettered part is placed on a white canvas of the same size. The processed electronic signature can be used as an input variable of the PNN network for network recognition. [Findings] In order to test whether the processing method in this paper is effective， a group of electronic signatures with a large degree of skew are added to the paper， and it is verified that the PNN network has a poor recognition effect on electronic signatures with a large degree of skew. [Conclusions] This method can efficiently identify electronic signatures with less tilt， and further research should be carried out on electronic names with greater tilt in the future.

Keywords： PNN network; pattern recognition; alphabet processing

0 引言

隨著信息化時(shí)代的到來(lái)，電子設(shè)備得到高速發(fā)展。電子設(shè)備簽字或網(wǎng)絡(luò)簽字，俗稱“網(wǎng)簽”［1］也開(kāi)始出現(xiàn)，并逐漸成為潮流趨勢(shì)［2］，而如何高效、快速、準(zhǔn)確識(shí)別出這些“網(wǎng)簽”也成為關(guān)鍵問(wèn)題。PNN網(wǎng)絡(luò)在數(shù)字識(shí)別［3］、航空發(fā)動(dòng)機(jī)起動(dòng)系統(tǒng)異常狀態(tài)識(shí)別［4］、手勢(shì)識(shí)別［5］等領(lǐng)域的應(yīng)用較多。本研究基于PNN網(wǎng)絡(luò)如何高效、快速、準(zhǔn)確識(shí)別出“網(wǎng)簽”進(jìn)行研究，力求在“快”和“準(zhǔn)”上有所突破。

1 PNN網(wǎng)絡(luò)

1.1 概率神經(jīng)網(wǎng)絡(luò)原理

概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）是神經(jīng)網(wǎng)絡(luò)的一種，是基于貝葉斯最優(yōu)分類決策理論和概率密度函數(shù)的非參數(shù)估計(jì)方法。PNN網(wǎng)絡(luò)隱含層采用徑向基核函數(shù)，具有很好的容錯(cuò)能力，在網(wǎng)絡(luò)模型識(shí)別測(cè)試中具有一定優(yōu)勢(shì)。PNN對(duì)樣本類別測(cè)試是一種完全向前的算法，擁有很高的訓(xùn)練速度及準(zhǔn)確分類精度。

1.2 概率神經(jīng)網(wǎng)絡(luò)模型

概率神經(jīng)網(wǎng)絡(luò)模型主要由三部分組成，即輸入層、隱含層和輸出層。其中，隱含層是該模型的核心部分，通過(guò)構(gòu)建概率密度函數(shù)來(lái)描述輸入信號(hào)和輸出信號(hào)之間的關(guān)系。具體結(jié)構(gòu)如圖1所示。

由圖1可知，第一層為輸入層，負(fù)責(zé)接收樣本數(shù)據(jù)，并傳輸給隱含層，且輸入層神經(jīng)元數(shù)目與輸入樣本向量維度相同；第二層為隱含層，神經(jīng)元數(shù)目與輸入樣本向量數(shù)目相同，接收輸入層傳輸來(lái)的向量。隱含層中第i類模式的第j神經(jīng)元所確定的輸入/輸出關(guān)系見(jiàn)式（1）。

[Φij（x）=1（2π）12σde-（x-xij）（x-xij）Tσ2] （1）

式中：i=1，2，…，M，其中M為樣本特征向量的總類數(shù)；[x]為輸入隱含層的量，d為樣本特征向量的維數(shù)；[xij]為第i類樣本的第j個(gè)中心；σ為平滑因子。

2 大寫(xiě)英文字母電子簽字的收集及處理

2.1 大寫(xiě)英文字母電子簽字的收集

本研究收集的大寫(xiě)英文字母電子簽字是由20名學(xué)生在windows畫(huà)板中，選用[28×28]畫(huà)布，并用工具箱的鉛筆輸入的，用以模仿實(shí)際生活中，用筆在輸入畫(huà)板輸入的情況。經(jīng)過(guò)比對(duì)，本研究收集的大寫(xiě)英文字母電子簽字和在輸入畫(huà)板輸入的大寫(xiě)英文字母電子簽字基本相似。收集到的部分字母A、B的情況如圖2所示。

由圖2可知，書(shū)寫(xiě)習(xí)慣的不同，導(dǎo)致書(shū)寫(xiě)的字母大小、傾斜程度也不同。在大寫(xiě)英文字母識(shí)別過(guò)程中，各個(gè)字母是由矩陣（由0、1構(gòu)成）組成的。雖然本研究選用的是28×28的畫(huà)布，但其中的部分字母大小差別較大，導(dǎo)致得到的矩陣差異較大。為此，本研究通過(guò)對(duì)大寫(xiě)英文字母電子簽字進(jìn)行處理來(lái)解決這個(gè)問(wèn)題。

2.2 大寫(xiě)英文字母電子簽字的處理

本研究收集的手寫(xiě)英文字母簽字因不同人的書(shū)寫(xiě)習(xí)慣導(dǎo)致字母大小不一，造成在識(shí)別字母時(shí)難度加大。為解決這一問(wèn)題，通過(guò)編寫(xiě)程序來(lái)統(tǒng)一其大小。首先，提取有字母部分的四個(gè)輪廓，即將完全白色的部分裁剪掉，只留有黑色墨跡的部分。其次，由于裁剪出來(lái)的每張圖片大小不一樣，無(wú)法用PNN網(wǎng)絡(luò)進(jìn)行識(shí)別，需要將其擴(kuò)大或縮小成統(tǒng)一規(guī)格（通過(guò)MATLAB的imresize程序來(lái)實(shí)現(xiàn)），并放在28×28統(tǒng)一大小的畫(huà)布上。最后，由于28×28圖片過(guò)大，需要進(jìn)行歸一化處理，統(tǒng)一歸一化成 14×14。以手寫(xiě)字母A為例，其處理過(guò)程如圖3所示。

由圖3可知，第一張圖片是輸入的原始英文字母；第二張圖片是提取四個(gè)邊框位置后的英文字母，圖片分別以字母“A”的上、下、左、右為邊界；第四張圖片是28×28的英文字母歸一化成14×14的英文字母，歸一化處理后的圖片部分變粗。整體來(lái)看，每個(gè)圖片都沒(méi)有失真，但是構(gòu)成圖片的矩陣變化較大。

3 PNN網(wǎng)絡(luò)識(shí)別過(guò)程

基于PNN對(duì)處理過(guò)的手寫(xiě)英文字母簽字的識(shí)別流程如圖4所示。

3.1 PNN神經(jīng)網(wǎng)絡(luò)建立

Matlab軟件提供了PNN網(wǎng)絡(luò)建立的函數(shù)，函數(shù)調(diào)用語(yǔ)句為net=newpnn（p_train，t_train，spread）。其中，p_train為輸入向量、t_train為輸出向量、spread為徑向基函數(shù)的散布。spread的值越大，函數(shù)曲線的逼近越平滑。若要緊密地?cái)M合原來(lái)數(shù)據(jù)，則要更小一點(diǎn)的spread值。經(jīng)過(guò)反復(fù)試驗(yàn)，spread=0.3時(shí)，與原來(lái)圖片的擬合效果最佳，故本研究選用的spread值為0.3。

3.2 PNN神經(jīng)網(wǎng)絡(luò)識(shí)別

當(dāng)輸入A、B、C、D、E這五個(gè)字母時(shí)（其中，B和E選擇傾斜度較高的字母），用兩組A、B、C、D、E作為測(cè)試，當(dāng)spread=0.3時(shí)，網(wǎng)絡(luò)識(shí)別的效果如圖5所示。

由圖5可知，在識(shí)別的十個(gè)字母中，有兩個(gè)字母未被識(shí)別正確。一個(gè)是字母B被識(shí)別成字母E，另一個(gè)是字母E被識(shí)別成了C，而其他字母都被正確識(shí)別出。

未被識(shí)別的字母處理后的圖像如圖6所示。由圖6可知，未被識(shí)別出的字母存在一定傾斜，且與標(biāo)準(zhǔn)字母B、E的差別較大。在書(shū)寫(xiě)時(shí)，有一組字母故意做傾斜書(shū)寫(xiě)，用以檢測(cè)PNN網(wǎng)絡(luò)對(duì)傾斜字母的識(shí)別情況。由實(shí)驗(yàn)結(jié)果可知，不傾斜的字母大部分可以正確識(shí)別，而對(duì)傾斜字母的識(shí)別則存在一定困難，這也是未來(lái)研究方向。

4 識(shí)別結(jié)果及分析

將原來(lái)的數(shù)據(jù)集打亂，利用PNN網(wǎng)絡(luò)分別對(duì)兩組圖片進(jìn)行識(shí)別，并對(duì)識(shí)別正確率進(jìn)行對(duì)比。測(cè)試組選用手寫(xiě)英文字母簽字，一組是由5位同學(xué)手寫(xiě)輸入的10組圖片，另一組是對(duì)這10組圖片經(jīng)處理得到的。PNN網(wǎng)絡(luò)對(duì)各個(gè)英文字母處理前、后的識(shí)別正確率見(jiàn)表1。

由表1可知，經(jīng)本研究提出的方法處理后的圖片，每個(gè)字母的識(shí)別正確率顯著提高，尤其是A、N等字母的識(shí)別正確率。而未經(jīng)處理過(guò)的圖片識(shí)別正確率在80%左右，處理過(guò)的圖片識(shí)別正確率在90%以上。由此可知，PNN網(wǎng)絡(luò)對(duì)經(jīng)過(guò)本研究提出方法處理后的圖片識(shí)別效果較為理想。

5 結(jié)語(yǔ)

實(shí)驗(yàn)結(jié)果表明，本研究提出的處理方法對(duì)大小不一的手寫(xiě)簽字和對(duì)手寫(xiě)簽字整體偏左、偏右等情況有效，能大大提高識(shí)別正確率。但對(duì)書(shū)寫(xiě)傾斜的手寫(xiě)簽字效果不佳，PNN網(wǎng)絡(luò)的識(shí)別正確率偏低，這也是未來(lái)要研究和解決的問(wèn)題。

參考文獻(xiàn)：

［1］張行.人工智能在手寫(xiě)簽字鑒定應(yīng)用中的研究［J］.信息安全研究，2020，6（7）：622-633.

［2］王麗君.手寫(xiě)簽名調(diào)制圖像微縮紋理信息防偽算法研究［D］.北京：北京印刷學(xué)院，2023.

［3］幸堅(jiān)炬，李軍，謝贊福.PNN在手寫(xiě)體數(shù)字識(shí)別中的應(yīng)用［J］.現(xiàn)代計(jì)算機(jī)（專業(yè)版），2016（23）：20-23.

［4］張雷鳴，蔣麗英，崔建國(guó)，等.基于改進(jìn)ReliefF-PNN的航空發(fā)動(dòng)機(jī)起動(dòng)系統(tǒng)異常狀態(tài)識(shí)別［J］.沈陽(yáng)航空航天大學(xué)學(xué)報(bào)，2023，40（6）：68-75.

［5］REN B ，GAO Z Q，LI Y，et al.Real-time continuous gesture recognition system based on PSO-PNN［J］.Measurement Science and Technology，2024，35（5）：056122.