论文部分内容阅读
在现今网络化与信息化高度发达社会中,信息的安全显得极其重要,个人身份识别技术拥有显著的应用价值。在各种身份识别技术中,手写签名认证技术具有方便性、唯一性与稳定性的特点,所以它的应用越来也广泛。
本文主要对手写签名识别进行研究,结合隐马尔科夫模型(hidden Markov model,HMM)和小波神经网络(wavelet neural networks,WNN)的优点提出了一种新的签名识别方法。主要内容有:
首先,本文介绍了在线手写签名识别的一般过程。重点研究了签名识别的特征提取部分,提取最优特征来优化签名的特征序列。并通过实验验证最优特征的识别效果(详见第二章)。
其次,对HMM算法进行研究,在其基础上构建签名识别系统。实验表明高斯混合密度数和状态数是影响签名识别效果的两个主要因素,通过选择合适的高斯混合密度数、状态数和最优特征能进一步提高了识别效果(详见第三章)。
再次,在基于HMM在线手写签名识别系统的基础上,引入了小波神经网络。把小波神经网络与隐马尔科夫模型结合,形成一个新的签名识别系统,即基于HMM/WNN签名识别系统。隐马尔科夫模型能很好的描述时间序列,小波神经网络有很强的分类能力,二者的优势结合提高了签名识别效果(详见4.2和4.3)。
最后,为了验证本文提出的方法的可行性与普遍适用性,本文用两组来自不同数据库的数据对签名识别系统进行验证,通过仿真得出两组签名识别结果的等错率(EER)。结果表明:本文的HMM/WNN签名识别系统优于标准HMM模型的识别系统,取得了很好的识别效果(详见4.4)。