新聞中心

EEPW首頁 > 模擬技術 > 設計應用 > 一種脫機手寫簽名認證方法

一種脫機手寫簽名認證方法

作者: 時間:2009-10-16 來源:網絡 收藏

在包含有N個對象的m維單位空間(各屬性取值均采用規(guī)格化處理)中,對象間的平均距離為以此為標準,并按照“各聚類中對象問的距離不應超過此標準,各聚類間距離不應低于此標準”的規(guī)則進行聚類學習。采用此得到的聚類類別數即為將要確定的隱層神經元數。
整個RBF網絡的學習步驟為:
(1)設由上述聚類算法得到的RBF網絡隱層單元數為K,最大允許誤差ε,置所有可調參數(權)為均勻分布的較小數(0~1或-1~1之間的隨機數)。置初始誤差E為0,學習率η為0~1之間的小數。網絡訓練后達到的精度Emin為一個正小數。
(2)采用上面根據相似性閾值和最小距離原則的簡單聚類確定基函數的中心Zi及δi方差,

本文引用地址:http://m.butianyuan.cn/article/188562.htm


(3)按梯度下降法調整網絡權值W直至誤差Eε,才結束。

4 實驗結果
徑向基神經網絡由主成分特征提取出的10特征值作為輸入節(jié)點,而隱含層節(jié)點個數則根據每組訓練樣本的不同(參見上述算法)確定,輸出層只有一個神經元,該神經元的輸出就是簽名圖像的對應分類(真假兩類)。
實驗中共采集11個人的660個簽名。每人有30個真簽名和其他人模仿的30個假簽名。圖1和圖2是部分訓練和測試樣本,圖1和圖2的前兩個簽名為作者簽名,其他為假冒簽名。

在每個人的60個簽名中,42個簽名(其中真簽名21個,假簽名21個)作為訓練樣本,剩下的18個真假簽名作為測試樣本,因為有11個人的11組簽名,所以認證工作也分成11次,即1次進行1個人訓練簽名樣本的訓練和測試樣本的測試。把這些樣本送入RBF神經網絡進行分類驗證,實驗結果見表1:

5 結論
提出一種基于主成分特征提取和徑向基神經網絡相結合的手寫簽名認證。首先為了減少運算量,對經過預處理的簽名灰度圖像進行降維,即采用主成分特征提取的方法降低圖像維數,同時過濾掉高頻干擾信號,突出簽名的主要特征,得到適合計算機識別的低維圖像,然后在簽名的分類認證中,基于徑向基神經網絡的驗證方法可以在合理的時間內,以較少的主成分個數得到較好的識別效果。因為國內尚未出現統一的簽名數據庫,實驗在自行采集的小型簽名數據樣本進行,對更大型的數據庫的認證識別是今后需做的工作。


上一頁 1 2 3 下一頁

關鍵詞: 脫機 方法

評論


相關推薦

技術專區(qū)

關閉