·上一文章:防电磁干扰的重要措施——滤波技术
·下一文章:一种数字跟踪测距模块的设计与实现
(3)按梯度下降法调整网络权值W直至误差E<ε,才结束。
4 实验结果
径向基神经网络由主成分特征提取出的10特征值作为输入节点,而隐含层节点个数则根据每组训练样本的不同(参见上述算法)确定,输出层只有一个神经元,该神经元的输出就是签名图像的对应分类(真假两类)。
实验中共采集11个人的660个签名。每人有30个真签名和其他人模仿的30个假签名。图1和图2是部分训练和测试样本,图1和图2的前两个签名为作者签名,其他为假冒签名。
在每个人的60个签名中,42个签名(其中真签名21个,假签名21个)作为训练样本,剩下的18个真假签名作为测试样本,因为有11个人的11组签名,所以认证工作也分成11次,即1次进行1个人训练签名样本的训练和测试样本的测试。把这些样本送入RBF神经网络进行分类验证,实验结果见表1:
5 结论
提出一种基于主成分特征提取和径向基神经网络相结合的脱机手写签名认证方法。首先为了减少运算量,对经过预处理的签名灰度图像进行降维,即采用主成分特征提取的方法降低图像维数,同时过滤掉高频干扰信号,突出签名的主要特征,得到适合计算机识别的低维图像,然后在签名的分类认证中,基于径向基神经网络的验证方法可以在合理的时间内,以较少的主成分个数得到较好的识别效果。因为国内尚未出现统一的签名数据库,实验在自行采集的小型签名数据样本进行,对更大型的数据库的认证识别是今后需做的工作。