基于笔画片段方向分布特征的笔迹识别方法
【专利摘要】本发明提供了一种基于笔画片段方向分布特征的笔迹识别方法，该方法用于离线笔迹识别技术。首先需要将书写的笔迹用扫描仪扫描成笔迹图像，接着提取图像中的笔迹轮廓，并将轮廓分解成笔画片段，然后利用本发明的笔画方向分布特征提取方法提取笔画片段的方向分布特征，最后采用加权曼哈顿距离来测量笔迹图像间的相似性，从而进行身份识别。本发明提取了一种新的基于笔画片段方向分布的特征提取方法，进一步提高了笔迹识别精度。
【专利说明】基于笔画片段方向分布特征的笔迹识别方法
【技术领域】
[0001] 本发明涉及基于行为特征的身份识别【技术领域】，尤其涉及一种基于笔画片段方向 分布特征的离线笔迹识别方法。
【背景技术】
[0002] 生物特征识别是利用人的生理特征或行为特征，进行个人身份的鉴定的方法和技 术。每个个体都有唯一的可以测量或可自动识别、验证的生理特性或行为方式，即生物特 征。它可划分为生理特征（如指纹、面像、虹膜、掌纹等）和行为特征（如步态、声音、笔迹 等）。生物识别就是依据每个个体之间独一无二的生物特征对其进行识别与身份的认证。
[0003] 笔迹是一个人独特的行为特征，不同人的笔迹存在很大差别。每个人书写习惯不 同，在长时间的书写训练过程中，产生了诸如转承启合等部分的差别，这些差别最终导致了 整个字体较大的差异性。一般情况下，模仿者只能模仿字形，却无法准确还原原作者的书写 习惯，模仿的笔迹与原笔迹在细节上会存在差异。计算机笔迹识别正是利用了笔迹的这种 独特性和差异性，主要是通过测量书写者的字形及笔画的速度、顺序和压力等特征，进行身 份鉴别。
[0004] 随着生物特征识别技术的快速发展，根据获取笔迹途径的不同，现有笔迹识别技 术分为在线和离线两种。在线方式能够获得更多关于书写顺序、速度、压力等有益于身份识 别的信息，但这些信息需要运用特殊的设备来获取，因此限制了该类方法的应用范围及发 展前景；离线方式在书写时的限制很少，书写完毕后只需要一个类似扫描仪的设备获取笔 迹，将笔迹记录在静态图像中，然后从图像中提取特征，进行鉴别。与在线笔迹识别相比，离 线笔迹识别更加方便快捷，应用范围更为广阔。
[0005] 近几年，已经提出很多关于离线笔迹识别（Off-line handwritten biometric recognition)的方法，S卩0LHBR方法，但现有技术中，大部分0LHBR方法的精度较低，还需要 进一步提升0LHBR方法的准确性及精度。
【发明内容】
[0006] 为克服现有技术中存在的离线笔迹识别准确性及精度较低的问题，本发明针对 0LHBR方法，提供了一种基于笔画片段方向分布特征的笔迹识别方法。
[0007] -种基于笔画片段方向分布特征的笔迹识别方法，其特征在于，包括以下步骤：
[0008] 步骤一、获取笔迹图像；
[0009] 步骤二、对所述笔迹图像的边缘进行检测，提取所述笔迹图像的笔迹轮廓；
[0010] 步骤三、将所述笔迹轮廓分解成笔画片段；
[0011] 步骤四、分析所述笔画片段的方向特征；
[0012] 步骤五、提取所述笔画片段的方向分布特征；
[0013] 步骤六、计算相似度，根据相似度来进行笔迹识别。
[0014] 所述步骤一进一步包括：扫描笔迹，获得笔迹图像。
[0015] 所述步骤二进一步包括：用sobel算子提取背景单一的所述笔迹图像的所述笔迹 轮廓，用canny算子提取背景复杂的所述笔迹图像的所述笔迹轮廓。
[0016] 所述步骤三进一步包括：检测所述笔迹轮廓上的角点；角点局部最小值检测；去 除所述笔迹轮廓端部；排除短笔画片段。
[0017] 所述检测所述笔迹轮廓上的角点的步骤包括：通过角点模板来对所述笔迹轮廓的 端部进行检测，并对连接中心边缘像素的笔画像素的数量进行统计，从而确定当前像素是 否为角点；所述角点局部最小值检测的步骤包括：排除所述检测所述笔迹轮廓上的角点的 步骤中检测出来的与笔迹识别无关的角点；所述去除所述笔迹轮廓端部的步骤包括：不对 所述笔迹轮廓的端部的笔画像素进行数量统计，从而得到笔画片段；所述排除短笔画片段 的步骤包括：排除对于笔迹识别没有作用的短笔画片段。
[0018] 所述步骤五进一步包括：在大小为（2r+l) X (2r+l)、中心边缘像素为当前边缘像 素的滑动窗口中，只统计与所述滑动窗口中心边缘像素连接的笔画片段的数量，其中r为 所述滑动窗口中心与所述滑动窗口边界之间的距离。
[0019] 所述步骤五进一步包括：统计（m，n，cQ的数量，即笔画片段边缘像素（m，n)具 有方向特征屯的数量，（m，n)表示笔画片段边缘像素在滑动窗口的位置，其中1彡m， n < 2r+l，r为所述滑动窗口中心与所述滑动窗口边界之间的距离，屯表示32个不同笔画 方向分布中的一个方向。
[0020] 所述步骤五进一步包括：统计获得全部（m，n，di)的数量，并计算所述笔迹图像的 归一化方向特征，公式如下：
【权利要求】
1. 一种基于笔画片段方向分布特征的笔迹识别方法，其特征在于，包括以下步骤： 步骤一、获取笔迹图像； 步骤二、对所述笔迹图像的边缘进行检测，提取所述笔迹图像的笔迹轮廓； 步骤三、将所述笔迹轮廓分解成笔画片段； 步骤四、分析所述笔画片段的方向特征； 步骤五、提取所述笔画片段的方向分布特征； 步骤六、计算相似度，根据相似度来进行笔迹识别。
2. 根据权利要求1所述的笔迹识别方法，其特征在于：所述步骤一进一步包括：扫描笔 迹，获得笔迹图像。
3. 根据权利要求1所述的笔迹识别方法，其特征在于：所述步骤二进一步包括：用 sobel算子提取背景单一的所述笔迹图像的所述笔迹轮廓，用canny算子提取背景复杂的 所述笔迹图像的所述笔迹轮廓。
4. 根据权利要求1所述的笔迹识别方法，其特征在于：所述步骤三进一步包括：检测所 述笔迹轮廓上的角点；角点局部最小值检测；去除所述笔迹轮廓端部；排除短笔画片段。
5. 根据权利要求4所述的笔迹识别方法，其特征在于：所述检测所述笔迹轮廓上的角 点的步骤包括：通过角点模板来对所述笔迹轮廓的端部进行检测，并对连接中心边缘像素 的笔画像素的数量进行统计，从而确定当前像素是否为角点；所述角点局部最小值检测的 步骤包括：排除所述检测所述笔迹轮廓上的角点的步骤中检测出来的与笔迹识别无关的角 点；所述去除所述笔迹轮廓端部的步骤包括：不对所述笔迹轮廓的端部的笔画像素进行数 量统计，从而得到笔画片段；所述排除短笔画片段的步骤包括：排除对于笔迹识别没有作 用的短笔画片段。
6. 根据权利要求1所述的笔迹识别方法，其特征在于：所述步骤五进一步包括：在大小 为（2r+l) X (2r+l)、中心边缘像素为当前边缘像素的滑动窗口中，只统计与所述滑动窗口 中心边缘像素连接的笔画片段的数量，其中r为所述滑动窗口中心与所述滑动窗口边界之 间的距离。
7. 根据权利要求6所述的笔迹识别方法，其特征在于：所述步骤五进一步包括：统计 (m，n，(Ii)的数量，即笔画片段边缘像素数量（m，η)具有方向特征Cl i的数量，（m，η)表示笔 画片段边缘像素在滑动窗口的位置，其中I < m，η < 2r+l，r为所述滑动窗口中心与所述滑 动窗口边界之间的距离，Cli表示32个不同笔画方向分布中的一个方向。
8. 根据权利要求7所述的笔迹识别方法，其特征在于：所述步骤五进一步包括： 统计获得全部（m，n，（Ii)的数量，并计算所述笔迹图像的归一化方向特征，公式如下：
其中Σ(π,η)Ν(πι，η)为所有所述笔画片段的边缘像素在所述滑 动窗口中（m, η)位置的总和，N(m, n, (Ii)为在所述滑动窗口（m, η)位置具有屯方向的所述 笔画片段的边缘像素的数量。
9. 根据权利要求1所述的笔迹识别方法，其特征在于：所述步骤六进一步包括：通过加 权曼哈顿距离来计算相似度，公式为^<
，其中SDDF为笔画片段方 向分布特征，σ i为SDDF第i个分量的标准偏差，SDDFli和SDDF2i分别是当前比较相似度的 SDDF的第i个分量，D为相似度，根据计算获得的相似度进行笔迹识别。
【文档编号】G06K9/20GK104392229SQ201410528541
【公开日】2015年3月4日 申请日期:2014年10月9日 优先权日:2014年10月9日
【发明者】丁红, 张晓峰, 王则林, 高瞻 申请人:南通大学