[发明专利]一种基于非负矩阵分解的离线手写签名识别

说明书

技术领域

本发明涉及一种离线手写签名识别方法，具体来说涉及一种基于基于非负矩阵分解的离线手写签名识别。

背景技术

随着社会经济与信息技术的飞速发展，人类生产和生活方式发生了急剧变化，网络时代的到来更是为人们的生活、工作，以及社会的发展注入了强大的动力，也成为人们生活不可或缺的一部分。然而，在它为我们带来方便的同时，信息安全隐患也随之愈加凸显出来。在我们身边，信用卡密码被盗，各种证件被盗用等造成的个人、集体遭受重大损失的事件比比皆是。因此，如何正确判断每个人的身份成为现代社会迫切需要解决的问题。这就需要一种准确、高效、实用的个人身份验证技术。而签名是一种具有法律效力，日常接触多，并被大众普遍接受的一种身份验证方式，在社会生活中占有重要作用。

签名，就是把自己的姓名通过书写的方式反映在书写的承受客体上。一般来讲，签名代表书写者对某一行为或者对某一事件的认可或承诺，它既是社会信誉的担保，又是对承担相应法律义务的承诺。签名作为一个生物特征，是现在身份验证中被广泛接受的一种属性，与我们日常生活、工作密切相关。在日常所涉及到的签署合同、公证、提款、订立协议、处理单据等活动中，签名是必不可少，并且具有相应的法律效力。因此我们会认为，签名已成为社会生活中的身份标志。同时，由于签名被作为同意或授权的标志，已长时间成为伪造的对象，特别是在信用卡和银行支票的时代。所以，提高个人身份验证的速度和准确性对社会发展和经济进步有着重大的意义，它可以更有效地防止犯罪。

非负矩阵分解(Nonnegative Matrix Factorization，NMF)：1999年，D.D.Lee和H.S.seung两位科学家在著名的科学杂志(nature)上刊登了对数学中非负矩阵研究成果的一篇文章，该文提出了一种新的矩阵分解思想一非负矩阵分解(NMF)算法。在信号处理和数据分析领域，为了达到数据压缩、消除噪声和加速处理等目的，常常将信号分解为多信号的线性迭加，也就是从样本中获得两部分信息：基和系数。这个问题可以用矩阵形式统一和简单地表述为：

X＝WH

式中X是一个mxn维的矩阵，W和H分别是m×r维和r×n维的矩阵。

NMF计算模型与PCA、ICA、SVD等计算模型类似，所不同的是要寻找元素均大于等于0的W、H，使目标函数最小。非负矩阵分解法通过将数据矩阵分解为基矩阵W和系数矩阵H来达到降维的目的，在矩阵分解过程中非负矩阵分解保持了基矩阵和系数矩阵的非负性。NMF方法的提出为通过矩阵形式来有效的处理大规模数据提供了新的途径，并且相对于传统算法而言，NMF分解算法具有实现上的简便性、分解形式和分解结果上的可解释性，以及占用存储空间少等诸多优点。

发明内容

本发明的目的在于提供一种基于非负矩阵分解的离线手写体签名识别方法。基于本发明，在对签名图像进行预处理的基础上，通过对训练矩阵进行非负矩阵分解得到基矩阵以及系数矩阵即为训练图像特征矩阵，再对测试矩阵在基矩阵上进行投影即可得到测试图像特征矩阵，再运用支持向量机即可分类决策。

本发明的目的可通过以下的技术措施来实现：一种基于非负矩阵分解的离线手写体签名识别方法，关键在于按照如下步骤进行：

(一)采集签名数据，并对所有签名图像进行预处理，获得所有预处理后的训练集签名图像的数据矩阵A以及需识别的测试集签名图像的数据矩阵B；

对签名图像进行预处理的过程为：

(a1)对签名图像进行平滑去噪处理；

(a2)签名图像进行平滑去噪处理后，将签名图像转换成为二值图，所述二值图中的背景像素的值设为0；前景像素的值设为1；再对所述签名图像逐行扫描，遇到值为1的像素点则记录下来该像素点的坐标(x，y)，从上到下，从左到右依次寻找灰度图像中非背景点的边缘：x_min、x_max、y_min、y_max，依据坐标对签名图像进行切割，去除其空白区域。切割后，签名图像的高度为y_max-y_min，宽度为x_max-x_min。

(二)对训练集签名图像特征的提取：将A进行非负矩阵分解(NMF)，得到对应的基图像矩阵W和每张签名图像对应的权重向量即特征向量构成的特征矩阵H；