[发明专利]一种基于改进VGG-16模型的英文笔迹鉴别方法

说明书

本发明公开了一种基于改进VGG‑16模型的英文笔迹鉴别方法，包括：收集来自不同人不同笔迹的英文文档数据集；将获得的手写英文笔迹文档，经过单词分割，获取英文单词构成的数据集，基于数据集构造训练样本集及测试样本集；获取改进后的VGG‑16模型，用于构造卷积神经网络，该模型包括：2个传统卷积层，3个复合卷积层，5个池化层和3个全连接层；输入训练样本集，提取字符特征，进行分类训练；利用训练后的神经网络自动鉴别英文笔迹。本发明可以高效地实现英文笔迹的鉴别，识别准确率可达到100％。算法对光照变化、简单几何形变，以及附加噪声都具有一定的鲁棒性，可用于手写体英文笔迹鉴定的相关领域；算法经过扩展后，也可用于其它文字手写体的笔迹鉴别。

技术领域

本发明涉及计算机视觉领域和模式识别相关领域，尤其涉及一种基于改进VGG-16模型的英文笔迹鉴别方法，可对手写英文进行鉴别，经扩展后可用于其它手写笔迹的鉴别。

背景技术

笔迹鉴别是通过对待测文本和样本笔迹的相似度进行比较，来判定笔迹是否相同的一种检验技术，其在司法鉴定、法庭科学，以及金融领域合同确认等多个领域都有广泛的应用。当前笔记鉴别可分为：在线笔迹鉴别和离线笔迹鉴别2大方向；其中，离线笔迹鉴别又可分为：基于局部特征和全局特征2大类。基于局部特征方法是对笔迹材料的局部结构、轮廓、几何特征等进行特征描述，并通过编码方式将局部特征编码为全局特征；而基于全局特征方法则是直接对原始的笔迹材料进行全局特征提取，再将提取的特征作为鉴定依据。

早期的研究者通过构造有效的手工特征方法对笔画质量、字符的倾斜程度、单词连笔程度，以及字母整体结构等信息进行建模，以提取相关笔迹的纹理特征，效率低，准确度差。近年来，随着深度神经网络技术的不断发展，利用其自主学习的优势提取相关特征，可以大大提高笔迹鉴别的准确率。

英文笔迹鉴别的难点在于：英文字符属于一种外文笔迹，具有笔画简单，结构单一，书写难度小，书写多样化程度高等特点；同时这类笔迹鉴定理论不够完善、理论依据不足，虽然目前国内外学者在该领域作了大量的研究工作，但仍然存在很多不足，缺乏实用性。目前，英文笔迹鉴别的问题主要体现在三个方面：

1)英文笔迹数据集的选取方式及采集；

2)如何利用计算机技术，采用更高效的方法来解决英文笔迹鉴别问题；

3)如何将英文笔迹鉴定和神经网络结合起来，使鉴定效果达到最优。

发明内容

本发明提供了一种基于改进VGG-16模型的英文笔迹鉴别方法，本发明利用采集的英文手写体数据集，通过将英文文档分割成单个单词，再基于改进的VGG-16模型构建卷积神经网络来实现手写英文笔迹的自动鉴别，以达到实用化的要求，详见下文描述：

一种基于改进VGG-16模型的英文笔迹鉴别方法，所述方法包括以下步骤：

收集来自不同人不同笔迹的英文文档数据集；

将获得的手写英文笔迹文档，经过单词分割，获取英文单词构成的数据集，基于数据集构造训练样本集及测试样本集；

获取改进后的VGG-16模型，用于构造卷积神经网络，该模型包括：2个传统卷积层，3个复合卷积层，5个池化层和3个全连接层；

输入训练样本集，提取字符特征，进行分类训练；利用训练后的神经网络自动鉴别英文笔迹。

其中，所述方法在开源人工智能系统框架matconvnet下，卷积层，池化层，全连接层按序连接，网络输入层经过复合卷积层、池化层和全连接层的共同作用，最终得到局部特征的一系列向量，输入到最后一层的分类器中进行分类鉴别。

进一步地，所述收集来自不同人不同笔迹的英文文档数据集具体为：

每人手写一张英文笔迹，包括240个单词，选取200个单词为训练数据集，随机选取20个单词作为测试数据集；