康志輝

（廈門(mén)軟件職業(yè)技術(shù)學(xué)院，福建廈門(mén) 361024）

基于二維Gabor變換與神經(jīng)網(wǎng)絡(luò)的簽名識(shí)別算法研究

康志輝

（廈門(mén)軟件職業(yè)技術(shù)學(xué)院，福建廈門(mén) 361024）

在借鑒國(guó)內(nèi)外優(yōu)秀的簽名鑒定技術(shù)基礎(chǔ)上，提出一種先將簽名轉(zhuǎn)化為圖片進(jìn)行預(yù)處理，將經(jīng)過(guò)預(yù)處理后的簽名圖片當(dāng)做紋理，采用多尺度的Gabor濾波器在不同尺度不同方向上處理，然后使用PCA方法提取特征值，最后經(jīng)過(guò)人工神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練樣本，實(shí)現(xiàn)簽名識(shí)別。實(shí)驗(yàn)測(cè)試表明，該方法能夠達(dá)到較高的識(shí)別率。

簽名識(shí)別；特征提取；Gabor濾波器；PCA；人工神經(jīng)網(wǎng)絡(luò)

0 引言

圖像處理是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。圖像模式識(shí)別，又稱(chēng)圖形識(shí)別，就是通過(guò)計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來(lái)研究模式的自動(dòng)處理和判別。在圖像模式識(shí)別過(guò)程中，需要運(yùn)用圖像處理的一些技術(shù)，比如在模式識(shí)別的預(yù)處理過(guò)程中，就需要用諸如去噪、提取特征等技術(shù)。圖像處理技術(shù)為圖像模式識(shí)別提供了實(shí)現(xiàn)的可能。簽名識(shí)別，也被稱(chēng)為簽名力學(xué)辨識(shí)。鑒于每個(gè)人都有自己獨(dú)特的書(shū)寫(xiě)風(fēng)格，提高簽名真?zhèn)伪孀R(shí)率的意義就顯得尤其重要。利用計(jì)算機(jī)模擬人類(lèi)對(duì)于文字的感知，模擬人類(lèi)對(duì)簽名真假的判斷，在民事訴訟、商業(yè)糾紛、銀行等領(lǐng)域得到了廣泛應(yīng)用。為了能夠提高簽名的識(shí)別率，本文在研究國(guó)內(nèi)外優(yōu)秀的簽名鑒定技術(shù)基礎(chǔ)上，提出了一種基于二維Gabor變換與神經(jīng)網(wǎng)絡(luò)的簽名識(shí)別方法。

1 簽名識(shí)別系統(tǒng)的構(gòu)建

1.1 簽名識(shí)別步驟

（1）收集簽名樣本，將樣本處理為圖片。

（2）預(yù)處理簽名圖片。預(yù)處理的過(guò)程較為復(fù)雜，先后順序依次為：去除無(wú)用背景，灰度化，圖像去噪，二值化，傾斜矯正，歸一化。

（3）簽名圖片特征提取。簽名的特征值就是能夠反映這個(gè)簽名者的書(shū)寫(xiě)風(fēng)格。理論上，不同人的簽名樣本提取出的特征值是不同的。圖像模式識(shí)別的關(guān)鍵就在于特征提取。計(jì)算機(jī)之所以能夠做到模式識(shí)別，關(guān)鍵就在于通過(guò)計(jì)算機(jī)可以從樣本中提取出能夠代表樣本的特征值。借助這些特征值，運(yùn)用各種分類(lèi)器就能夠完成識(shí)別。

基于二維Gabor變換與神經(jīng)網(wǎng)絡(luò)的簽名識(shí)別方法是將預(yù)處理后的圖片當(dāng)做紋理進(jìn)行處理。采用二維Gabor濾波器在4個(gè)尺度、8個(gè)方向上處理圖片。然后用主成分分析法（PCA）進(jìn)行降維，提取出32個(gè)特征值。

（4）簽名識(shí)別。在模式識(shí)別中，采用BP網(wǎng)絡(luò)模型。通過(guò)特征提取，從40張簽名樣本中能夠得到40組（每組32個(gè)）特征值，將BP神經(jīng)網(wǎng)絡(luò)的輸入層結(jié)點(diǎn)設(shè)置為32個(gè)，訓(xùn)練一個(gè)BP模型。由于本方法是用于簽名鑒定，即只需要鑒定出簽名是真實(shí)的還是偽造的，所以輸出層結(jié)點(diǎn)只需要設(shè)置1個(gè)即可。輸出層結(jié)點(diǎn)輸出為1，表示該簽名是真，反之為假。通過(guò)大量的實(shí)驗(yàn)實(shí)證，將采用的BP神經(jīng)網(wǎng)絡(luò)隱藏層設(shè)置為一層8個(gè)結(jié)點(diǎn)的效果較好。

1.2 簽名識(shí)別流程

簽名識(shí)別是一個(gè)典型的模式識(shí)別，基本流程是先從樣本庫(kù)的40張樣本中提取特征值，再用這些特征值訓(xùn)練一個(gè)BP模型，然后再提取待識(shí)別簽名圖片的特征值，并將它們輸入到訓(xùn)練后的BP模型中，最終得到識(shí)別結(jié)果。

圖1 圖像模式識(shí)別流程

2 簽名識(shí)別的具體實(shí)施

2.1 簽名樣本的采集

收集40份簽名樣本，并將其處理為圖片。

2.2 簽名樣本的預(yù)處理

預(yù)處理過(guò)程包括去除無(wú)用背景、灰度化、圖像去噪、二值化、傾斜矯正、歸一化。

2.2.1 去除無(wú)用背景

設(shè)計(jì)一個(gè)取色器來(lái)完成去除無(wú)用背景處理。首先，在原圖中截取一小塊區(qū)域在取色器中放大顯示。截取的這塊區(qū)域要包含簽名的某部分。然后，在取色器中獲取簽名的RGB值。最后遍歷原圖，將原圖的RGB值與取色器中獲取的RGB值對(duì)比，如果在某一范圍內(nèi)，則接受，保留該點(diǎn)，否則，拒絕該點(diǎn)，設(shè)置為白色。這個(gè)范圍是通過(guò)設(shè)定一個(gè)閾值來(lái)實(shí)現(xiàn)的，實(shí)驗(yàn)證明，閾值設(shè)為30時(shí)能夠達(dá)到較好的效果。

圖2 去除無(wú)用背景前

圖3 去除無(wú)用背景后

2.2.2 灰度化

在RGB模型中，當(dāng)R=G=B時(shí)，彩色表示一種灰度顏色，其中R=G=B的值即為灰度值?；叶然卸喾N方法，具體如下所述。

（1）分量法：將彩色圖像的RGB值作為三個(gè)灰度圖像的灰度值，根據(jù)需要選取一種灰度圖像。

（2）最大值法：將彩色圖像中RGB分量亮度的最大值作為灰度圖的灰度值。

（3）平均值法：將彩色圖像中的RGB三分量亮度求平均得到一個(gè)灰度值。

（4）加權(quán)平均法：將彩色圖像中的RGB三個(gè)分量按照權(quán)重計(jì)算灰度值。

在本方法中，灰度化除了計(jì)算灰度值外，還要將一幅三通道圖轉(zhuǎn)換為單通道圖。因?yàn)橐话愕膱D片包括拍攝下的簽名圖片都是三通道圖，為了方便后續(xù)操作，需要將三通道圖轉(zhuǎn)化為單通道的灰度圖。

圖4 灰度化前

圖5 灰度化后

2.2.3 圖像去噪

現(xiàn)實(shí)中的圖像在數(shù)字化和傳輸過(guò)程中經(jīng)常受到成像設(shè)備與外部環(huán)境噪聲干擾等影響，稱(chēng)為含噪圖像或噪聲圖像。減少圖像中噪聲的過(guò)程稱(chēng)為圖像去噪。去除無(wú)用背景后的圖片（如圖3所示）可能會(huì)出現(xiàn)斷續(xù)，存在孤立點(diǎn)等情況。這些都屬于模式識(shí)別中的干擾，要盡量消除，否則將影響到識(shí)別率，應(yīng)采用中值濾波器和高斯濾波器進(jìn)行去噪處理。

中值濾波是一種常用的非線(xiàn)性平滑濾波器。其基本原理是把圖像或數(shù)字序列中某一點(diǎn)的值，用該點(diǎn)的某個(gè)領(lǐng)域中各點(diǎn)值的中值代換，其主要功能是讓周?chē)笏鼗叶戎挡畋容^大的像素，改取與周?chē)袼刂到咏闹?，從而可以消除孤立的噪聲點(diǎn)。

高斯濾波是一種線(xiàn)性平滑濾波，適用于消除高斯噪聲。高斯濾波就是對(duì)整幅圖像進(jìn)行加權(quán)平均的過(guò)程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過(guò)加權(quán)平均后得到。高斯濾波的效果很明顯，對(duì)比圖6和圖7可以發(fā)現(xiàn)，圖7中簽名筆畫(huà)內(nèi)那些空洞的部分被填充了，簽名的邊緣部分得到了保護(hù)。

圖6 圖像去噪前

圖7 圖像去噪后

2.2.4 二值化

圖像的二值化，就是將圖像像素點(diǎn)的灰度值設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的、只有黑和白的視覺(jué)效果。從去噪后的圖7中可以看到，去噪后的圖片比較模糊。雖然簽名已經(jīng)從圖像中提取出來(lái)了，但是簽名圖像中構(gòu)成簽名筆畫(huà)的這些像素點(diǎn)的灰度值不是同一的，范圍在[0，255]之間。需要將這些灰度值統(tǒng)一成一個(gè)值，因此將字體的灰度值設(shè)置為0（黑色），背景設(shè)置為255（白色）。圖像二值化后如圖8所示。

圖8 二值化后

2.2.5 傾斜矯正

簽名圖片通常為人工拍攝的，不可能很端正，而且因簽名者簽名的習(xí)慣不同，字體也會(huì)存在不同程度的傾斜。傾斜矯正就是將傾斜的簽名樣本矯正到正確的位置。傾斜矯正的難度在于精確估算字體傾斜的角度。通過(guò)分析可以看出，簽名樣本即使傾斜了，在整體上也是位于一條傾斜的直線(xiàn)之上，因此可用最小二乘法線(xiàn)性擬合直線(xiàn)0，然后計(jì)算該直線(xiàn)與水平位置的夾角，這個(gè)夾角就是應(yīng)該矯正的角度了。本系統(tǒng)中如果將字體上每個(gè)像素點(diǎn)的位置當(dāng)做一個(gè)坐標(biāo)來(lái)擬合直線(xiàn)，計(jì)算量會(huì)很大。因此，只取文字的下邊緣，即圖片中每一列最底下一個(gè)不是白色的像素點(diǎn)作為坐標(biāo)。雖然精確度不及將字體的所有像素點(diǎn)當(dāng)做坐標(biāo)參與計(jì)算，但是計(jì)算量卻大大減少了。通過(guò)實(shí)驗(yàn)，經(jīng)過(guò)修改的最小二乘法傾斜矯正的效果顯著。

圖9 傾斜矯正前

圖10 傾斜矯正后

2.2.6 歸一化

圖像歸一化就是通過(guò)一系列變換（即利用圖像的不變矩尋找一組參數(shù)，使其能夠消除其他變換函數(shù)對(duì)圖像變換的影響），將待處理的原始圖像轉(zhuǎn)換成相應(yīng)的唯一標(biāo)準(zhǔn)形式，該標(biāo)準(zhǔn)形式圖像對(duì)平移、旋轉(zhuǎn)、縮放等仿射變換具有不變特性。之所以要對(duì)簽名圖片進(jìn)行歸一化處理是因?yàn)榕臄z所得的圖片大小不一樣，如果圖片過(guò)大將會(huì)加大特征提取時(shí)的計(jì)算量。圖片中除了簽名字體外，其余部分都是無(wú)用的。所以歸一化時(shí)只需要將字體所在的部分截取出來(lái)就行。本方法將字體歸一化為256×256大小的圖片，所以要對(duì)原圖進(jìn)行縮放。圖像縮放時(shí)使用雙線(xiàn)性插值的方法，保持原字體的形態(tài)不變。

圖11 歸一化前

圖12 歸一化后

2.3 簽名樣本特征提取

本方法的特征提取是用二維Gabor濾波器對(duì)簽名樣本進(jìn)行濾波，然后用PCA方法進(jìn)行降維。在識(shí)別方案中，采用4個(gè)尺度8個(gè)方向時(shí)效果更加明顯。通過(guò)實(shí)驗(yàn)，可以獲取到不同尺度不同方向的濾波器濾波后的簽名圖片。受篇幅所限，文中展示幾張經(jīng)過(guò)二維Gabor濾波器處理后的實(shí)部圖像。

圖13 尺度0方向0

圖14 尺度1方向3/8π

圖15 尺度2方向4/8π

圖16 尺度3方向2/8π

通過(guò)觀(guān)察，可以看出Gabor濾波器的特點(diǎn)，即在與濾波器方向平行的紋理響應(yīng)得比較明顯。

一幅簽名圖片經(jīng)過(guò)二維Gabor濾波器在4個(gè)尺度8個(gè)方向上處理后，能夠得到32張類(lèi)似圖13～16的圖片。這32張圖片充分表現(xiàn)了該簽名樣本的特征。接下來(lái)采用PCA方法從得到的32張圖片中提取出能夠表現(xiàn)原簽名樣本特征的特征值。具體做法如下：將這32張圖片組成一個(gè)行為256×256，列為32，值為每個(gè)像素點(diǎn)灰度值的矩陣，然后用PCA方法求得32個(gè)特征值。這32個(gè)特征值可以理解為對(duì)該矩陣貢獻(xiàn)最大的值。受篇幅所限，文中僅展示五幅簽名樣本所提取的特征值，見(jiàn)表2。

表2中的每一列表示的是一幅簽名的特征值。直觀(guān)地觀(guān)察這些數(shù)據(jù)發(fā)現(xiàn)，這五幅簽名的特征值差別不是很大。這5張簽名來(lái)自同一個(gè)人，是簽名樣本庫(kù)中保留的樣本。

表2 五幅簽名樣本提取的特征值

2.4 簽名識(shí)別

簽名識(shí)別分為兩個(gè)步驟。

（1）訓(xùn)練一個(gè)BP模型

經(jīng)過(guò)特征提取的簽名樣本，能夠得到多組（與訓(xùn)練樣本圖片數(shù)一致），每組32個(gè)特征值，表2列出了5張簽名樣本的特征值。本方法所采用的BP模型為3層神經(jīng)網(wǎng)絡(luò)，如圖17所示，其中n=32，m=1。

訓(xùn)練樣本的過(guò)程：每一組特征值（一張簽名圖片提取的特征值算一組）分別從輸入層的32個(gè)結(jié)點(diǎn)輸入，此時(shí)的輸出結(jié)點(diǎn)輸出值設(shè)置為1，表示真實(shí)簽名。經(jīng)過(guò)多次迭代，神經(jīng)網(wǎng)絡(luò)的權(quán)值不斷地修改，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

圖17 BP模型

（2）識(shí)別簽名

識(shí)別簽名是指對(duì)一幅簽名圖片進(jìn)行判定，做出接受或者拒絕的選擇。識(shí)別簽名同樣需要對(duì)預(yù)測(cè)圖片進(jìn)行特征提取，得到一組特征值，如表3所示。

表3 待識(shí)別簽名特征值

將待預(yù)測(cè)簽名圖片提取的32個(gè)特征值，輸入到BP模型的32個(gè)輸入層結(jié)點(diǎn)，經(jīng)過(guò)計(jì)算能夠在輸出層輸出一個(gè)數(shù)。當(dāng)這個(gè)數(shù)與1的差值在某個(gè)范圍內(nèi)，則接受該簽名，反之則拒絕。這個(gè)范圍是通過(guò)設(shè)定閾值來(lái)實(shí)現(xiàn)的。實(shí)驗(yàn)證明，閾值設(shè)定在0.05～0.02之間。閾值設(shè)定為0.05可以理解為相似度在95%以上才能接受。

經(jīng)過(guò)以上兩個(gè)步驟的操作，對(duì)表3中的數(shù)據(jù)進(jìn)行驗(yàn)證，當(dāng)隱層結(jié)點(diǎn)為8時(shí)，得到輸出結(jié)果為0.949956。因此，判定表3中的簽名圖片不是真實(shí)的。

3 結(jié)論

本文研究的方法是將簽名圖片當(dāng)做紋理進(jìn)行處理，應(yīng)用二維Gabor濾波器和主成分分析法（PCA）提取特征值。從簽名圖片的細(xì)節(jié)入手，能夠完整地提取出一幅簽名圖片的特征值。在訓(xùn)練樣本方面，采用多層人工神經(jīng)網(wǎng)絡(luò)，充分利用特征值。實(shí)驗(yàn)證明，識(shí)別率較高。因?yàn)楸竞灻R(shí)別方法，所能得到的關(guān)于真實(shí)簽名的所有特征，僅僅局限于圖片上的信息，但是人類(lèi)書(shū)寫(xiě)動(dòng)力定型并非固定不變，簽名的動(dòng)態(tài)變化范圍很大，僅從字形上，有時(shí)可能無(wú)法區(qū)分真實(shí)簽名和偽造簽名。

［1］張偉.漢字筆跡鑒別算法的研究［D］.哈爾濱：東北林業(yè)大學(xué)，2009.

［2］劉培鋒，張文斌，王祁.灰度圖像下車(chē)牌定位與分割算法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2008.

［3］孟明，吳仲城，余永，等.基于筆段特征和HMM的在線(xiàn)簽名認(rèn)證方法研究［J］.模式識(shí)別與人工智能，2007，20（1）：95-100.

［4］Lee T S.Image Representation Using 2D Gabor Wavelet. IEEE Trans on PAMI［J］.1996，18（10）：959-971.

［5］向偉，文久富.基于Gabor小波和PCA的掌紋識(shí)別方法比較研究［J］.西南民族大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，36（3）：450-453.

［6］李鈺，孟祥萍.基于Gabor濾波器的圖像紋理特征提取［J］.長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，29（1）：78-81.

［7］嚴(yán)鴻，管燕萍.BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)的確定方法及實(shí)例［J］.控制工程，2009，S2：100-102.

A Research on Signature Verification Based on 2D-Gabor Transform and Neural Network

KANG Zhi-hui
（Xiamen Institute of Software Technology,Fujian Xiamen 361024,China）

Based on the domestic and foreign excellent signature verification technology,a new method is proposed to pre-process the signature into the image.After preprocessing of signature image as a texture,Gabor filter is used in multi-scale processing at different scale and at different directions.Then use PCA method to extract the characteristic value,finally,use the artificial neural network to train the samples and realize signature recognition.Through the experiments,this method can achieve higher recognition rate.

signature recognition;extract image feature information;2D-Gabor filter;PCA;Artificial Neural Network

TP391.41

A

1673-2022（2016）04-0044-05

2016－09－12

2014年福建省中青年教師教育科研項(xiàng)目（科技A類(lèi)）“軟件技術(shù)專(zhuān)業(yè)校內(nèi)生產(chǎn)性實(shí)訓(xùn)基地建設(shè)的探索與實(shí)踐”（JAS14914）

康志輝（1982-），男，福建龍海人,副教授，高級(jí)工程師，軟件工程碩士，主要從事計(jì)算機(jī)與網(wǎng)絡(luò)技術(shù)方面的教學(xué)工作。