[论文解读] Offline Signature Identification by Fusion of Multiple Classifiers using Statistical Learning Theory

Dakshina Ranjan Kisku, Phalguni Gupta+1 more|arXiv (Cornell University)|Mar 30, 2010

Handwritten Text Recognition Techniques参考文献 11被引用 34

一句话总结

本文提出了一种基于融合的离线签名识别系统，通过支持向量机（SVM）将多种分类器——高斯经验规则、欧氏距离和马氏距离分类器——进行融合，以提高识别准确率。在包含600名个体共5,400个签名的数据库上进行评估，该方法利用统计学习理论实现稳健的得分融合，取得了令人满意的结果。

ABSTRACT

This paper uses Support Vector Machines (SVM) to fuse multiple classifiers for an offline signature system. From the signature images, global and local features are extracted and the signatures are verified with the help of Gaussian empirical rule, Euclidean and Mahalanobis distance based classifiers. SVM is used to fuse matching scores of these matchers. Finally, recognition of query signatures is done by comparing it with all signatures of the database. The proposed system is tested on a signature database contains 5400 offline signatures of 600 individuals and the results are found to be promising.

研究动机与目标

• 通过结合多种分类器，提高离线签名识别的准确性。
• 解决单一分类器在处理签名数据中类内差异和类间相似性方面的局限性。
• 通过SVM应用统计学习理论，实现来自不同分类器的匹配得分的最优融合。
• 开发一个能够在大规模数据库上实现可靠签名识别的鲁棒系统。
• 验证基于真实世界签名数据的得分级融合的有效性。

提出的方法

• 使用图像处理技术从离线签名图像中提取全局和局部特征。
• 应用三种基础分类器：高斯经验规则、欧氏距离和马氏距离，用于签名匹配。
• 为每个查询签名与数据库中的签名进行比对，生成每个分类器的匹配得分。
• 使用支持向量机（SVM）将三个分类器的匹配得分融合为一个更具判别力的综合得分。
• 通过将查询签名的融合得分与数据库中所有签名的得分进行比较，完成签名识别。
• 利用统计学习理论优化SVM融合过程，以提升泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 与单一分类器相比，融合多个分类器是否能提高离线签名识别的准确性？
• RQ2 基于SVM的得分融合在整合不同基于距离的分类器的多样化匹配得分方面效果如何？
• RQ3 所提出的融合框架在大规模离线签名数据库上的表现如何？
• RQ4 全局特征和局部特征如何提升识别系统的鲁棒性？
• RQ5 统计学习理论的整合是否能增强在类内差异存在情况下的签名识别可靠性？

主要发现

• 所提出的融合框架通过结合互补优势，显著提升了识别准确率，优于单一分类器。
• 使用SVM进行得分融合，使匹配过程具备更好的泛化能力和鲁棒性。
• 该系统在包含600名个体共5,400个离线签名的大规模数据库上取得了令人满意的结果。
• 全局与局部特征的整合增强了匹配过程的判别能力。
• 通过SVM融合高斯经验规则、欧氏距离和马氏距离分类器，相比独立方法表现更优。
• 结果表明，统计学习理论在设计可靠签名识别系统方面具有显著有效性。