非特定人脱机手写笔迹鉴别方法的研究

摘要

笔迹鉴别是一种重要的人体生物特征识别方法，它在公安、司法、考古、金融和电子商务等各个领域都有广泛的应用，而非特定脱机手写笔迹鉴别是笔迹鉴别中应用范围最广的分支，是目前研究的热点和难点。本文主要研究非特定人脱机手写笔迹鉴别的算法。
　　本文将在图像分类中常用的Bag of Words(BoW)方法运用到非特定人脱机手写笔迹鉴别中。在特征提取方面，我们对SIFT特征，NoSIFT特征，SURF特征，CNN激活特征，LBP特征进行详细介绍和讨论对比。受 Contour-Hinge等特征的启发，文中提出基于轮廓点的ELBP和基于轮廓点的ESIFT特征，实验证明两种基于轮廓点的特征包含互补信息，将两种特征融合后可以进一步提高鉴别准确率。
　　在特征编码层面，本文对传统的硬投票(Hard Voting)方法和LLC稀疏编码方法进行对比分析，首次提出将一种基于局部仿射子空间编码的方法(LASC)运用到笔迹鉴别。这种方法考虑到每个单词周围邻域空间信息，因此明显优于传统硬投票和LLC编码方法，当字典空间较大时，该方法不会过早的出现过拟合现象，随着字典空间变大，鉴别准确率可以进一步提高。同时，本文深入讨论分析了基于GMM的FV、UBM、KLD三种编码方法并进行了对比实验分析。之后本文对比分析了基于BoW的特征表达和基于GMM的特征表达各自优缺点以及各自性能。
　　最后，本文提出一种多字典特征融合的非特定人脱机手写笔迹鉴别方法。通过将判别性较高的特征进行加权融合，在公开数据集ICDAR2013和CVL数据集上取得较好的效果。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1.1 课题研究的背景和意义

1.2 笔迹鉴别技术研究现状

1.3 本文的研究内容和结构

2 基于BoW和GMM的笔迹鉴别

2.1 Bag of Words方法概述

2.2 Gaussian Mixture Model简介

2.3 基于BoW/GMM方法的笔迹鉴别

3 特征提取

3.1 SIFT特征

3.2 ESIFT和ELBP特征

3.3 NoSIFT特征

3.4 SURF特征

3.5 CNN激活特征

3.6 Contour-Zernike特征

4 基于BoW编码方法

4.1 HV编码

4.2 LLC编码

4.3 LASC编码

4.4 VLAD编码

5 基于GMM编码方法

5.1 GMM-FV编码

5.2 GMM-UBM编码

5.3 GMM-KLD编码

6 基于多字典特征融合的笔迹鉴别

6.1 数据集及评价标准

6.2 基于BoW/GMM不同编码方法比较

6.3 基于BoW/GMM不同特征的比较

6.4 不同距离相似性度量及归一化的影响

6.5 基于多字典特征融合的笔迹鉴别

7 全文总结与展望

7.1 全文总结

7.2 课题展望

致谢

参考文献

附录1 攻读硕士学位期间发表的论文