脱机中文签名鉴别系统关键技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-16页 |
| §1.1 研究背景及研究意义 | 第9-10页 |
| §1.2 签名鉴别技术的分类 | 第10页 |
| §1.3 手写签名鉴别技术的国内外研究动态 | 第10-12页 |
| §1.4 中文手写签名鉴别的特点与难点 | 第12-13页 |
| §1.5 研究内容与组织结构 | 第13-15页 |
| §1.6 本章小结 | 第15-16页 |
| 第二章 数据采集与预处理 | 第16-22页 |
| §2.1 签名图像的数据采集 | 第16页 |
| §2.2 签名图像的预处理 | 第16-21页 |
| §2.2.1 签名图像的平滑 | 第17-18页 |
| §2.2.2 签名图像的二值化 | 第18-19页 |
| §2.2.3 签名图像的轮廓提取 | 第19-20页 |
| §2.2.4 签名图像的骨架提取 | 第20-21页 |
| §2.3 本章小结 | 第21-22页 |
| 第三章 签名图像的特征选择与提取 | 第22-33页 |
| §3.1 特征分类 | 第22-23页 |
| §3.2 形状特征的提取 | 第23-26页 |
| §3.2.1 签名的高度和宽度比 | 第23页 |
| §3.2.2 签名水平压缩后高度和宽度比 | 第23-24页 |
| §3.2.3 黑点面积与总面积比 | 第24页 |
| §3.2.4 水平及垂直方向相对重心 | 第24-25页 |
| §3.2.5 水平及垂直方向笔划密度特征 | 第25页 |
| §3.2.6 轮廓倾斜方向向量特征 | 第25-26页 |
| §3.3 伪动态特征的提取 | 第26-30页 |
| §3.3.1 签名的高灰度稳定区特征 | 第26-28页 |
| §3.3.2 灰度级分布直方图 | 第28-29页 |
| §3.3.3 笔划宽度分布直方图 | 第29页 |
| §3.3.4 签名骨架方向灰度特征 | 第29-30页 |
| §3.4 特征选择 | 第30-32页 |
| §3.5 本章小结 | 第32-33页 |
| 第四章 签名图像的模式分类鉴别 | 第33-42页 |
| §4.1 模式识别与模式分类 | 第33-34页 |
| §4.2 模式识别方法在签名鉴别中的应用 | 第34-36页 |
| §4.3 K-NN法 | 第36-37页 |
| §4.4 加权欧氏距离法 | 第37-38页 |
| §4.5 基于神经网络的模式识别 | 第38-40页 |
| §4.6 基于支撑矢量机的模式识别 | 第40-41页 |
| §4.7 本章小结 | 第41-42页 |
| 第五章 基于人工神经网络的签名鉴别 | 第42-60页 |
| §5.1 神经网络概述 | 第42-43页 |
| §5.2 神经网络工作原理及其模型构成 | 第43-45页 |
| §5.3 误差反向传播神经网络(BP网络) | 第45-52页 |
| §5.3.1 误差反向传播神经网络结构 | 第46-48页 |
| §5.3.2 误差反向传播算法 | 第48-51页 |
| §5.3.3 标准BP算法存在的问题 | 第51-52页 |
| §5.4 径向基函数神经网络 | 第52-58页 |
| §5.4.1 径向基函数网络的基本结构及数学模型 | 第53-54页 |
| §5.4.2 径向基函数网络的学习算法 | 第54-56页 |
| §5.4.3 基于径向基函数网络的分类鉴别器构造 | 第56-57页 |
| §5.4.4 RBF神经网络和BP神经网络的比较 | 第57-58页 |
| §5.5 实验结果 | 第58-59页 |
| §5.6 本章小结 | 第59-60页 |
| 第六章 基于拉格朗日支撑矢量机的签名鉴别 | 第60-68页 |
| §6.1 支撑矢量机(SVM)概述 | 第60页 |
| §6.2 支撑矢量机算法 | 第60-63页 |
| §6.3 拉格朗日支撑矢量机(LSVM)算法 | 第63-67页 |
| §6.4 实验结果 | 第67页 |
| §6.5 本章小结 | 第67-68页 |
| 第七章 脱机中文签名鉴别系统设计 | 第68-73页 |
| §7.1 系统框架、处理流程和界面 | 第68-71页 |
| §7.2 开发与运行环境 | 第71页 |
| §7.3 系统功能及特点 | 第71-72页 |
| §7.4 本章小结 | 第72-73页 |
| 第八章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 附录 | 第79页 |
