[论文解读] Offline Writer Identification based on the Path Signature Feature

Songxuan Lai, Lianwen Jin|arXiv (Cornell University)|May 3, 2019

Handwritten Text Recognition Techniques参考文献 35被引用 4

一句话总结

本文提出了一种新颖的离线写作者识别方法，通过从笔迹轮廓中提取路径签名（PS）特征，特别利用对数路径签名（LPS）实现紧凑且具有判别性的表示。该方法在IAM、Firemaker、CVL和ICDAR2013数据集上均达到最先进性能，其中IAM数据集的top-1准确率达到97%，CVL数据集达到99.27%，ICDAR2013数据集达到96.6%，即使在墨水较少或仅使用单行查询的情况下也表现出高度的效率与鲁棒性。

ABSTRACT

In this paper, we propose a novel set of features for offline writer identification based on the path signature approach, which provides a principled way to express information contained in a path. By extracting local pathlets from handwriting contours, the path signature can also characterize the offline handwriting style. A codebook method based on the log path signature---a more compact way to express the path signature---is used in this work and shows competitive results on several benchmark offline writer identification datasets, namely the IAM, Firemaker, CVL and ICDAR2013 writer identification contest dataset.

研究动机与目标

• 开发一种原理严谨、数据高效的离线写作者识别方法，通过轮廓几何特征捕捉笔迹风格。
• 将原本用于时间序列的路径签名框架适配至离线手写识别，将轮廓片段视为路径处理。
• 在不使用复杂预处理或特征融合的情况下，提升基准数据集上的性能表现。
• 评估在墨水不足条件和模板质量变化下的鲁棒性。

提出的方法

• 通过多边形化笔画边界的轮廓，提取局部路径片段（pathlets）。
• 使用路径的迭代积分计算路径签名（PS），捕捉曲率和方向等几何与方向特征。
• 利用对数路径签名（LPS）将PS压缩为更紧凑、更稳定的表示。
• 使用向量量化构建LPS特征的码书，以实现高效匹配。
• 采用基于LPS特征的最近邻分类器进行写作者识别。
• 优化路径片段长度（w）、采样率（m）和码书大小（M）等超参数，以平衡准确率与速度。

实验结果

研究问题

• RQ1 路径签名框架能否有效捕捉来自离线手写轮廓的判别性笔迹风格？
• RQ2 基于LPS的码书方法与现有基于轮廓和深度学习的方法相比，在标准基准上的表现如何？
• RQ3 该方法在墨水量变化和模板质量差异下的鲁棒性如何？
• RQ4 该方法能否在极小数据量（如单行文本或有限模板）下实现高准确率？

主要发现

• 所提出的基于LPS的方法在IAM数据集上达到97%的top-1准确率，优于大多数先前的基于轮廓的方法。
• 在CVL数据集上，该方法达到99.27%的top-1准确率，无需特征融合即可匹配或超越最先进结果。
• 仅使用一行文本作为查询时，该方法在CVL数据集上达到95.31%的top-1准确率，展现出强大的数据效率。
• 在ICDAR2013数据集上，该方法达到96.6%的top-1准确率，表明其在多样化笔迹风格下具有出色的泛化能力。
• 该方法计算效率高，LPS计算速度显著快于SIFT，且在低墨水模板下经超参数调优后仍表现良好。
• 当模板中墨水不足时性能下降，凸显了在低墨水条件下提升鲁棒性的必要性。