[论文解读] An Extended Beta-Elliptic Model and Fuzzy Elementary Perceptual Codes for Online Multilingual Writer Identification using Deep Neural Network

Thameur Dhieb, Sourour Njah+4 more|arXiv (Cornell University)|Apr 16, 2018

Handwritten Text Recognition Techniques参考文献 37被引用 6

一句话总结

本文提出了一种基于扩展贝塔-椭圆模型进行笔画表征、并利用模糊基本感知码进行特征提取的在线多语言写作者识别系统，随后通过深度神经网络进行分类。该方法在拉丁文和阿拉伯文书写识别任务中表现优异，优于现有方法。

ABSTRACT

Actually, the ability to identify the documents authors provides more chances for using these documents for various purposes. In this paper, we present a new effective biometric writer identification system from online handwriting. The system consists of the preprocessing and the segmentation of online handwriting into a sequence of Beta strokes in a first step. Then, from each stroke, we extract a set of static and dynamic features from new proposed model that we called Extended Beta-Elliptic model and from the Fuzzy Elementary Perceptual Codes. Next, all the segments which are composed of N consecutive strokes are categorized into groups and subgroups according to their position and their geometric characteristics. Finally, Deep Neural Network is used as classifier. Experimental results reveal that the proposed system achieves interesting results as compared to those of the existing writer identification systems on Latin and Arabic scripts.

研究动机与目标

• 开发一种能够处理多语言在线手写的鲁棒生物特征写作者识别系统。
• 通过引入扩展贝塔-椭圆模型对笔画进行建模，改进在线手写识别中的特征表征。
• 利用模糊基本感知码增强感知特征提取，以更好地区分书写风格。
• 将动态与静态笔画特征整合到基于序列的分类框架中，采用深度神经网络进行分类。
• 在多种文字（尤其是拉丁文和阿拉伯文）上评估系统性能，以支持真实世界中的多语言应用。

提出的方法

• 系统将在线手写文本预处理为单个笔画，并基于时间与空间标准进行分割。
• 每条笔画使用扩展贝塔-椭圆模型进行建模，以捕捉其几何与动态特征。
• 从每条笔画中提取模糊基本感知码，以模糊且类人的方式表征感知特征。
• 根据位置与几何属性，对连续笔画（N条笔画序列）进行分组与子分组，以保留序列上下文信息。
• 使用N条笔画序列的连接特征向量对深度神经网络分类器进行训练，以识别写作者。
• 通过在拉丁文与阿拉伯文等文字间保持不变的表征，支持多语言输入。

实验结果

研究问题

• RQ1 扩展贝塔-椭圆模型能否有效表征在线手写笔画的几何与动态特征？
• RQ2 模糊基本感知码如何增强手写特征的判别能力以实现写作者识别？
• RQ3 N条连续笔画的基于序列的分组在多大程度上提升了分类准确率？
• RQ4 深度神经网络分类器在多语言文字（尤其是拉丁文与阿拉伯文）上的表现如何？
• RQ5 所提出的系统在准确率与鲁棒性方面是否优于现有写作者识别方法？

主要发现

• 与现有最先进方法相比，所提出系统在拉丁文与阿拉伯文书写识别任务中均表现出更优性能。
• 扩展贝塔-椭圆模型与模糊基本感知码的结合显著提升了写作者识别的特征表征能力。
• 对N条连续笔画进行基于序列的分组，增强了模型捕捉书写风格模式的能力。
• 深度神经网络分类器在多语言手写数据上表现出强大的泛化能力。
• 该系统在识别不同书写风格与文字的写作者方面表现出高鲁棒性与高准确率。