笔迹鉴别图像处理特征提取支持向量机论文.doc

基于多特征数据融合的离线中文笔迹鉴别研究【摘要】 笔迹鉴别是通过分析手写笔迹的书写风格来判断书写人身份的一门技术。随着应用领域的不断扩展,笔迹鉴别技术已经成为计算机视觉和模式识别领域一个十分活跃的研究方向。本文基于多特征数据融合与支持向量机技术,研究了行之有效的离线中文笔迹鉴别方法,为计算机笔迹鉴别系统的实现提供技术支持,并进一步拓展笔迹鉴别的应用范围和领域。本文主要研究内容如下:研究了笔迹图像预处理方法,主要包括对鉴别图像进行灰度化、二值化、归一化等。给出了一整套笔迹预处理算法,理论分析和实验验证了算法的有效性。通过对归一化和拼接处理后的笔迹图像特征向量的构建,进而提出了形状特征法。形状特征法主要是对笔迹图像的八连通区域的重心特征、偏心率、区域内凸壳中的像素比率、区域内围框中的像素比率的提取。其中重心特征反映的是书写者笔迹相对于水平方向上的偏移,偏心率、区域内凸壳中的像素比率、区域内围框中的像素比率主要反映的是笔迹中笔划交叉重叠的部分。纹理特征的提取是目前笔迹鉴别研究热点,本文讨论了纹理分析的基本知识和常用方法,将笔迹视为纹理图像,从纹理分析的基本方法入手,同时结合灰度共生矩阵和Gabor滤波器,分别提出了基于灰度共生矩阵提取笔迹特.更多还原【Abstract】 Handwriting identification is a technique that aims to decide the identity of writers according to the handwriting styles. With the improvement of applied field, handwriting identification becomes a very active area of the computer vision and pattern-recognition.In this paper, a novel valid method based on fusion technology and Support Vector Machine for writer identification is discussed. The research can offer technical support for the computer handwriting identification system, and expand fur.更多还原 【关键词】 笔迹鉴别； 图像处理； 特征提取； 支持向量机； 【Key words】 writer identification； image processing； feature extraction； Support Vector Machine； 【索购论文全文】138113721 139938848 即付即发目录摘要 4-6 ABSTRACT 6-7 1 绪论 11-15 1.1 引言 11 1.2 研究背景 11 1.3 选题意义 11-12 1.4 本文研究的主要内容和结构安排 12-15 2 笔迹鉴别的基础知识 15-23 2.1 引言 15 2.2 笔迹鉴别 15-16 2.2.1 笔迹鉴别的定义 15 2.2.2 笔迹鉴别的分类 15-16 2.2.3 中文笔迹鉴别的重点和难点 16 2.3 笔迹特征的提取 16-18 2.3.1 特征提取的定义 16 2.3.2 特征提取的作用 16-17 2.3.3 特征提取的分类 17-18 2.4 分类器设计 18-21 2.4.1 分类器的定义 18 2.4.2 分类器分类 18-21 2.5 本章小结 21-23 3 笔迹鉴别的预处理 23-33 3.1 引言 23 3.2 笔迹图像的采集 23 3.3 笔迹图像的灰度化 23-26 3.4 去除背景与笔迹图像的二值化 26-29 3.5 笔迹图像的归一化处理 29-31 3.5.1 字符的提取 29-30 3.5.2 字符大小归一化和文字拼接 30-31 3.6 本章小结 31-33 4 笔迹鉴别的特征提取 33-45 4.1 引言 33 4.2 形状特征的提取 33-35 4.2.1 重心特征 33-34 4.2.2 偏心率 34 4.2.3 区域内凸壳中的像素比率 34 4.2.4 区域内围框中的像素比例 34-35 4.3 基于共生矩阵的纹理特征的提取 35-36 4.3.1 共生矩阵 35 4.3.2 纹理特征的提取 35-36 4.4 基于Gabor 变换的纹理特征的提取 36-41 4.4.1 傅里叶变换、Gabor 变换和小波变换 36-37 4.4.2 Gabor 变换的性质 37-38 4.4.3 多通道Gabor 滤波器 38-39 4.4.4 二维Gabor 滤波器 39 4.4.5 利用Gabor 滤波器提取图像的纹理特征 39-41 4.5 实验及结果分析 41-44 4.5.1 形状特征的提取 41-42 4.5.2 基于共生矩阵的纹理特征的提取 42-43 4.5.3 利用Gabor 变换提取纹理特征 43-44 4.6 本章小结 44-45 5 离线文字笔迹鉴别的SVM 分类 45-61 5.1 引言 45 5.2 支持向量机 45-49 5.2.1 支持向量机的理论背景 45-46 5.2.2 支持向量机分类器的理论基础 46-48 5.2.3 支持向量机分类器的特性 48-49 5.2.4 支持向量机分类器的难点 49 5.3 离线文字笔迹鉴别的SVM 分类 49-55 5.3.1 离线文字笔迹鉴别SVM 分类的线性可分情形 50-51 5.3.2 离线文字笔迹鉴别SVM 分类的非线性情形 51-53 5.3.3 支持向量机分类的核函数选择 53 5.3.4 支持向量机分类的松弛变量与惩罚因子的设定