[论文解读] An Online Writer Identification System based on Beta-Elliptic Model and Fuzzy Elementary Perceptual Codes.

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

Handwritten Text Recognition Techniques被引用 12

一句话总结

本文提出了一种基于Beta-Elliptic建模和Fuzzy Elementary Perceptual Codes的在线写作者识别系统，用于从在线手写中的分段Beta笔画中提取静态和动态特征。该系统根据位置和几何特性对N个连续笔画进行分组，然后使用深度神经网络进行分类，在拉丁文和阿拉伯文脚本上的性能优于现有方法。

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 Beta stroke, we extract a set of static and dynamic features using four features extraction techniques based on the Beta Elliptic model and the Fuzzy Elementary Perceptual Codes. Next, all the segments which are composed of N consecutive Beta strokes are categorized into groups and subgroups according to their position and their geometric characteristics. Finally, Deep Neural Network are used for classification. 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

• 开发一种鲁棒的在线手写写作者生物识别识别系统，以在现有方法基础上提高识别准确率。
• 使用Beta-Elliptic模型对在线手写笔画进行建模，以捕捉其几何和动态特征。
• 利用Fuzzy Elementary Perceptual Codes和多种特征提取技术提取具有区分性的特征。
• 基于空间和几何特性对笔画序列进行分组，以提升分类性能。
• 使用深度神经网络在包含拉丁文和阿拉伯文等多种脚本的测试集上评估系统性能。

提出的方法

• 系统基于笔画动态特性对在线手写进行预处理和分段，生成独立的Beta笔画。
• 针对每个Beta笔画，应用基于Beta-Elliptic模型的四种特征提取技术，以提取静态和动态特征。
• 使用Fuzzy Elementary Perceptual Codes对笔画特征中的感知模式进行编码，以改善特征表示。
• 根据位置和几何属性，将N个连续的Beta笔画聚类为组和子组。
• 训练深度神经网络，利用分组并提取特征后的笔画序列对写作者身份进行分类。
• 在包含拉丁文和阿拉伯文手写样本的数据集上对系统进行评估。

实验结果

研究问题

• RQ1 Beta-Elliptic模型在多大程度上能够有效表示在线手写笔画的几何和动态特征？
• RQ2 Fuzzy Elementary Perceptual Codes在多大程度上提升了写作者识别的特征表示能力？
• RQ3 基于位置和几何特性的N个连续笔画分组是否能提升分类性能？
• RQ4 与现有写作者识别系统相比，该系统在拉丁文和阿拉伯文脚本上的准确率如何？
• RQ5 深度神经网络在利用提取特征识别写作者身份方面起到了何种作用？

主要发现

• 所提出的系统在拉丁文和阿拉伯文脚本上的性能优于现有写作者识别系统。
• Beta-Elliptic建模与Fuzzy Elementary Perceptual Codes的结合增强了写作者识别的特征区分能力。
• 基于几何和位置特性的笔画序列分组显著提升了分类准确率。
• 深度神经网络能有效从提取的特征中学习复杂模式，实现写作者身份识别。
• 该系统在不同书写风格和脚本（包括阿拉伯文和拉丁文）上表现出强大的泛化能力。
• 实验结果证实了结合几何建模、感知编码和深度学习的多阶段方法的有效性。