[论文解读] Biometric Signature Processing & Recognition Using Radial Basis Function Network

Ankit Chadha, Neha Satam+1 more|arXiv (Cornell University)|Nov 7, 2013

Handwritten Text Recognition Techniques参考文献 9被引用 4

一句话总结

该论文提出了一种基于径向基函数网络（RBFN）的签名识别方法，使用200个训练样本即可实现80%的识别准确率。该系统通过校正旋转、缩放和位移对签名进行预处理，提取64像素灰度特征，并训练RBFN将输入签名与数据库进行分类，从而实现实时、低成本、计算负载较低的高效认证。

ABSTRACT

Automatic recognition of signature is a challenging problem which has received much attention during recent years due to its many applications in different fields. Signature has been used for long time for verification and authentication purpose. Earlier methods were manual but nowadays they are getting digitized. This paper provides an efficient method to signature recognition using Radial Basis Function Network. The network is trained with sample images in database. Feature extraction is performed before using them for training. For testing purpose, an image is made to undergo rotation-translation-scaling correction and then given to network. The network successfully identifies the original image and gives correct output for stored database images also. The method provides recognition rate of approximately 80% for 200 samples.

研究动机与目标

• 开发一种自动化、高效且准确的签名识别方法，利用机器学习替代人工验证。
• 解决由于不同书写会话中旋转、缩放和位移导致的签名类内差异问题。
• 通过从8×8灰度图像导出的64维特征向量，降低计算复杂度。
• 评估径向基函数网络（RBFN）在真实扭曲条件下识别手写签名的性能。
• 证明该方法在移动设备和嵌入式系统中低成本、实时硬件部署的可行性。

提出的方法

• 预处理通过几何变换估计校正测试签名中的旋转、缩放和位移。
• 特征提取将每个8×8灰度签名图像压缩为64×1的向量，表示像素强度值。
• RBFN在包含50个签名、每个签名64个特征的64×50训练样本矩阵上进行训练，输入空间为二维，覆盖强度范围[0, 255]。
• 网络使用可调展宽的高斯径向基函数，并在训练过程中最小化均方误差（MSE）。
• 验证阶段使用5个不重叠的测试图像评估识别性能。
• 系统在配备Intel Core i5处理器和4GB内存的Windows 8机器上使用MATLAB 7.0实现并测试。

实验结果

研究问题

• RQ1 RBFN能否在存在旋转、缩放和位移变化的情况下有效识别手写签名？
• RQ2 基于8×8灰度图像导出的64维特征空间，可实现多高的识别准确率？
• RQ3 RBFN的性能如何随训练样本数量的变化而变化？
• RQ4 几何校正能在多大程度上提升签名验证系统中的识别准确率？
• RQ5 所提出的方法是否适合在移动或嵌入式平台中实现低成本、实时部署？

主要发现

• 当使用200个签名样本进行训练时，系统识别率达到80%，在400个样本时性能达到峰值76.8%。
• 使用500个样本时识别率下降至71.34%，使用50个样本时为72.65%，表明在约200个样本时性能最优。
• RBFN在50次迭代内收敛，MSE值低于10.85，最低MSE（2.23695×10⁻³¹）在500次迭代时达到。
• 该方法对几何失真表现出鲁棒性，在10个测试样本中检测到的旋转和缩放值与原始参数高度一致。
• 使用64维特征向量显著降低了计算需求，相比标准DCT方法具有明显优势。
• 该系统非常适合低成本、实时硬件实现，具备在平板电脑和智能手机等移动设备中集成的潜力。