用于手写签名识别的小波包混合高斯模型

doi:10.3778/j.issn.1002-8331.2009.36.048

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (36): 161-164.DOI: 10.3778/j.issn.1002-8331.2009.36.048

• 图形、图像、模式识别 • 上一篇下一篇

用于手写签名识别的小波包混合高斯模型

肖春景¹，李春利^1，2，乔永卫³，张敏¹

1.中国民航大学计算机科学与技术学院，天津 300300
2.哈尔滨工程大学自动化学院，哈尔滨 150001
3.中国民航大学工程技术训练中心，天津 300300

收稿日期:2008-12-25 修回日期:2009-03-02 出版日期:2009-12-21 发布日期:2009-12-21
通讯作者: 肖春景

Wavelet packs and Guass model for off-line handwritten signature recognition

XIAO Chun-jing¹，LI Chun-li^1，2，QIAO Yong-wei³，ZHANG Min¹

1.Computer Science and Technology Department，Civil Aviation University of China，Tianjin 300300，China
2.Automation Department，Harbin Engineering University，Harbin 150001，China
3.Engineering and Technical Training Center，Civil Aviation University of China，Tianjin 300300，China

Received:2008-12-25 Revised:2009-03-02 Online:2009-12-21 Published:2009-12-21
Contact: XIAO Chun-jing

摘要/Abstract

摘要： 为了解决手写体签名识别中数据预处理复杂、分割困难、特征提取不充分等问题，提出了基于小波包分解与高斯模型的脱机手写体签名识别方法。它对归一化的整个签名图像进行小波包分解，对分解值自动聚类和高斯建模，不但没有去噪、旋转、平移、分割的过程，而且特征提取完全且是可逆的分解过程。实验表明提出方法比其他方法具有更好的抗噪性、鲁棒性、适应性和识别率，为含噪脱机手写体签名识别提供了一种可行的技术解决方案。

关键词: 小波包, 高斯模型, 标准化, 聚类

Abstract: The paper proposes a way of off-line handwritten signature recognition based on wavelet packs and Gauss model in order to solve the problems of complicated data preprocessing，difficult segmentation and deficient feature extraction.It decomposes the whole signature image with wavelet packs after normalized，clusters the decomposed values and gains Gauss modeling.It doesn’t need noise reduction，rotation，translation and segmentation，and feature extraction is complete and is reversible decomposed course.The results show that the method proposed has better antinoise，flexibility than other methods and improves the recognition rate.It provides a feasibility techno-project for off-line handwritten signature.

Key words: wavelet packs, Guass model, normalization, clustering

中图分类号:

TP391.41

肖春景¹，李春利^1，2，乔永卫³，张敏¹. 用于手写签名识别的小波包混合高斯模型[J]. 计算机工程与应用, 2009, 45(36): 161-164.

XIAO Chun-jing¹，LI Chun-li^1，2，QIAO Yong-wei³，ZHANG Min¹. Wavelet packs and Guass model for off-line handwritten signature recognition[J]. Computer Engineering and Applications, 2009, 45(36): 161-164.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.

用于手写签名识别的小波包混合高斯模型

Wavelet packs and Guass model for off-line handwritten signature recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics