一种基于小波包分析和神经网络的笔迹鉴别方法

摘要

作者将笔迹的书写过程理解为笔迹能量的空间分布过程.基于这一观点,作者提出了一整套计算机笔迹纹理特征分析方法.首先,作者提出了一种与传统方法截然不同的笔迹归一化方法,它即能够充分保留笔迹样本的空间分布信息,又可以有效的简化笔迹的预处理过程.接着,该文论述了一种与较常出现的小波基匹配降维方法有着本质区别的二维小波包最好基特征提取方法.该方法直接在二维空间上由db6小波包基对笔迹纹理实施3尺度小波包分解,再在由以香农熵为代价函数提取得到的15个小波包最好基处对分解系数实行重构.为了更好的描述这15个子纹理图像所包含的能量特征,该文提出了一种被称为非线性能量测度的子纹理图像能量特征值实现方法,实验证明这种方法具有纹理自适应匹配的能力.经过上述一系列处理后,一个汉字笔迹图像可以被压缩为一个含有15个元素的能量测度矩阵.将分解得到的各能量测度矩阵的组合经规范化后由BP神经网络进行学习和分类,实践证明此笔迹鉴别系统对实现中提取的有限样本的鉴别正确率可达95﹪以上.该系统已由C++和Matlab混合编程实现.

目录

文摘

英文文摘

第一章课题综述与本文简介

1.1计算机笔迹鉴别的发展历程

1.2计算机笔迹鉴别的基本问题

1.3计算机笔迹鉴别的一般方法和所选取的特征

1.4本文所做的工作和各章节的组织

第二章小波分析的基本理论框架

2.1知识预备—从傅立叶变换到小波变换

2.1.1傅立叶变换与短时傅立叶变换

2.1.2小波变换与傅立叶变换之比较

2.2连续小波变换

2.2.1连续小波变换的定义

2.2.2小波时频窗特性分析

2.3离散小波变换

2.3.1多分辨分析与两尺度方程

2.3.2正交小波分解的Mallat算法

2.3.3一维小波包分解

2.4二维多分辨分析

3.1系统结构的提出

3.2系统的具体实现过程

3.2.1笔迹预处理

3.2.2特征提取与选择

3.2.3人工神经网络实现模式分类

3.2.4系统的程序实现

第四章实验数据及结果评价

4.1本实验所录入的笔迹样本

4.2训练样本二维小波包最好基特征数据

4.3训练样本的统计特征数据

4.4笔迹鉴别结果及评价

第五章总结与展望

参考文献

致谢