基于人工免疫模型的在线手写签名识别方法
第19卷第3期2007年3月
计算机辅助设计与图形学学报
JOURNAL OF COMPU TER 2AIDED DESIGN &COMPU TER GRAPHICS
Vol 119,No 13Mar 1,2007
收稿日期:2006-06-08;修回日期:2006-11-101基金项目:国家自然科学基金(69903006,60373065);教育部“新世纪优秀人才资助计划”
(NCET 20420460)1张莉莎,女,1979年生,博士研究生,主要研究方向为生物计算技术、智能人机交互1孙正兴,男,1964年生,博士,教授,博士
生导师,主要研究方向为智能人机交互、多媒体计算、计算机视觉1
基于人工免疫模型的在线手写签名识别方法
张莉莎 孙正兴
(南京大学计算机软件新技术国家重点实验室 南京 210093)(szx @nju 1edu 1cn )
摘要 采集能表征签名者潜在手写习惯的签名特征,利用人工免疫模型的自学习和自适应实现在较少训练样本的条件下获得具有更高区分度的手写签名模板1实验结果表明,文中方法识别具有良好的训练效果,能获得较好的验证率和鉴别率1
关键词 在线手写签名识别;特征选择;样本训练;人工免疫模型;抗原;抗体中图法分类号 TP39113
Online Signature R ecognition Using Artif icial Immune Model
Zhang Lisha Sun Zhengxing
(State Key L aboratory f or Novel Sof t w are Technology ,N anji ng U niversity ,N anji ng 210093)
Abstract This paper presents an approach for online signature recognition which extracts the most com 2monly used signature features ,and utilizes the self 2learning and self 2adaptation of artificial immune theory to obtain new models with higher distinguishability when the training samples are limited 1Experiments show that this approach performs well in sample training and results in satisfactory verification rate and identifica 2tion rate 1
K ey w ords online hand 2written signature recognition ;feature selection ;sample training ;artificial immune model ;antigen ;antibody
手写签名识别以其自然流畅的书写方式[1]成为身份验证中的一种常用技术1相比离线签名识别[1],在线签名识别[2]直接利用用户输入笔迹的几何、物理和时序等多种线索来捕捉用户的签名习惯和区分用户签名的差异,具有较高的正确性和安全性,成为手写签名识别领域的主流技术1已有对在线手写签名识别的研究主要包括两大方面:特征选择和样本训练1一方面,有效的签名特征表示是手写签名识别的基础1Seiichiro 等[3]采用数据手套搜集签名者手部18个主要关节的动作信号进行分析和特征选择;J ulian 等[4]对手写签名中的100种全局特征进行了实验分析,验证了如签名持续时间、提笔次数、签名速率的变化等动态信息具有较强的区分用户的能力;Christian 等提出采用多功能数字化
笔[5]记录手写过程中笔的三维压力和倾斜角度,通
过粗糙集分析和特征筛选得到50维特征向量表示用户的签名模板,以再现良好的书写风格1国内一些研究人员在研究手写签名识别时也对特征选择和抽取问题做了相应的分析[627],这些研究为在线签名识别的有效特征表示提供了有力依据1但如何能既发挥多种签名特征的效用,又保证特征表示的实用性仍是在线签名识别需要进一步探索的重要课题1另一方面,手写签名样本的训练直接关系到签名模板的代表性和合理性1已有在线手写签名识别研究的样本训练主要采用统计方法和机器学习方法:动态时间牵引算法已在在线签名识别中得到广泛的应用[8];Stephan 等[9]提出的将先验形状知识和结构模板相结合的ASSM (active sketch shape model )
可变形状模板统计识别方法,在手绘草图识别和手写符号鉴别上有良好效果;机器学习方法中以支撑向量机(support vector machine,SVM)和隐马尔可夫模型(hidden Markov model,HMM)应用较为广泛[10212]1然而,这些方法都存在训练样本需求量较大的问题1从方法的原理来看,SVM是为区分2类问题而设计的,其扩展到多类问题的能力有限; HMM方法基于状态转换概率的思想,更适合于描述时序性强的问题;从实验结果来看,ASSM可变形状模板描述模型的能力很强,弹性调整算法的识别
率较高,但实验中错误率仍较高[9]1研究人员为了达到较高的识别率,往往要求采集较大数量的训练样本,由于手写签名识别是面向数量庞大的多用户的,在实际应用中要求众多签名者主动、耐心地提供大量训练样本是不现实的1因而,较少训练样本条件下获得具有较高代表性和区分度的样本训练方法是在线手写签名识别需要进一步研究的问题1人工免疫系统对病毒的识别和学习机制已成功地应用于模式识别领域[13216],其对细胞的选择、克隆、变异等操作又可以自动生成大量相似的细胞1本文提出一种基于人工免疫模型的在线手写签名识别方法,该方法采用普通输入方式(鼠标或手写笔)所能获取的签名特征,利用免疫的自学习和自适应等计算能力来解决在线手写签名识别中的2个问题:将免疫系统自动生成与抗体相近的细胞的能力应用到手写签名识别中,令其自主生成与签名者所提供的初始签名样本相似的训练样本,从而达到对初始训练样本需求量较小的目的;利用克隆选择原理中对抗原识别度越高的免疫细胞越有可能被选择参与繁殖过程和自动生成新的细胞的能力,
使免疫算法更具针对性和完备性,以解决庞大用户群引起签名模板区分度小的问题1实验结果表明,本文算法虽仍未达到比其他算法更优的验证率和鉴别率,但对样本训练有良好的改进效果,可以在少量训练样本的情况下达到与多样本情况相仿的识别效果1
1 基于人工免疫模型的手写签名识别机理
根据手写签名识别存在的问题,本文提出了一种如图1所示手写签名识别系统的框架1除了传统手写签名识别系统中的样本数据获取、预处理、特征抽取和特征匹配,该框架包括另外2个重要的模块: 1)离线训练模块1通过人工免疫算法对签名样本的特征表示进行克隆、变异等操作,生成更多与原始样本相似、与签名特征匹配的样本作为用户签名模板,在小样本训练条件下生成符合用户签名特征的模板;2)在线自适应模块1在结果评价时添加新的有代表性的签名模板,同时淘汰过时的、与签名者当前签名习惯不一致的模板,使模板库与签名者细微的习惯变化保持同步1本文的研究重点是对签名进行特征选择,并进行基于人工免疫模型的样本训练1在此训练方式下,特征匹配部分也以人工免疫模型为基础,从而形成基于人工免疫模型的签名识别方式1
图1 基于人工免疫模型的手写签名识别系统框架图
111 手写签名特征选择
手写签名中能描述用户签名习惯的特征很多,在实际应用中首先应考虑采用普遍性高、一般设备就能获取的、可以良好表达签名习惯的特征,包括笔画曲率、笔尖压力、速率等,而上述对手指关节信息感应的数据手套[3]则属于比较复杂和昂贵的信息获取设备;其次,基于特征集选择的冗余度和多元预测[17]问题,我们所选择的特征及特征组合应具有较小的相关性和良好的用户区分性,即特征集所表达信息的冗余度尽可能小,但能够区分不同签名者的签名,达到较高的鉴别率和验证率1本文在B样条曲线拟合、误差计算及采用动态规划算法对签名笔画进行分段的基础上,首先抽取样本的原始几何特征和动态特征,如x坐标值、y坐标值、压力、速率、笔画持续时间、签名持续时间,再与模板进行差值计算,获得10个间接特征,最后对这16个特征(如表1所示)进行用户区分性计算1实验结果表明,所采用的特征具有较好的用户区分性1
112 基于人工免疫模型的样本训练
同一用户的签名样本之间的差别比较小,对签名求得的均值样本在一定程度上代表了用户的签名习惯1然而能采集的样本毕竟是有限的,实际应用中也不可能对单个用户搜集大量签名,模型训练的目的是为了自动产生更多与样本数据相似、反映签名者手写特点的模板1基于人工免疫原理的样本训
213计算机辅助设计与图形学学报2007年
练中,本文采用克隆选择方法,其基本思想是只有那些能识别抗原的细胞才会被繁殖,描述了当B细胞识别非自体抗原模式时免疫应答的形成过程以及该免疫应答的基本特征,其维持抗体类型多样性的性质是模式识别的基础1算法中一些相关的基本概念在手写签名的训练和识别过程的定义如表2所示1
表1 签名特征的符号和描述
特征类型特征符号特征描述
直接特征几何特征
x特征点的x轴坐标值
y特征点的y轴坐标值
动态特征
p特征点的笔尖压力值
v特征点的笔尖速率值
st r dr各笔画的持续时间
sig2dr签名样本的整体持续时间
间接特征几何特征
x2mean各笔画x坐标轴上的平均值与模板对应笔画的该平均值的差值
x2dev各笔画x坐标轴上的标准差值与模板对应笔画的该标准差值的差值
y2mean各笔画y坐标轴上的平均值与模板对应笔画的该平均值的差值
y2dev各笔画y坐标轴上的标准差值与模板对应笔画的该标准差值的差值动态特征
p2mean各笔画笔尖压力的平均值与模板对应笔画的该平均值的差值
p2dev各笔画笔尖压力的标准差值与模板对应笔画的该标准差值的差值
v2mean各笔画笔尖速率的平均值与模板对应笔画的该平均值的差值
v2dev各笔画笔尖速率的标准差值与模板对应笔画的该标准差值的差值
st r2duration各笔画持续时间与模板对应笔画的该时间值的差值
sig2duration签名样本的整体持续时间与模板的整体持续时间的差值
表2 克隆选择算法中的基本概念模型概念训练识别
抗原分子用户提呈的手写签名训
练样本
用户提呈的手写签名
待测样本
抗体分子经历克隆、变异后与原
始样本较相似的个体
训练后得到的所有签
名模板
记忆细胞能够匹配抗原的抗体分
子
多次匹配待测样本的
签名模板
亲和力 原始训练样本与新个体
的匹配程度
待测样本与签名模板
的匹配程度
克隆操作复制亲和力符合要求的抗体
变异操作对抗体的特征位随机进行突变
2 人工免疫算法
基于人工免疫模型的手写签名样本训练是为不同的签名建立相应类别的细胞群体,所有签名样本都表示成包含几何特征和动态特征的免疫细胞个体,通过离线的个体训练和在线的个体识别检验用户签名的合法性1
211 个体定义和笔画调整
设签名个体的表示形式为IN D ij={S k}(1≤i≤N sig,1≤j≤N sample,1≤k≤N s)1其中,N sig为签名者个数,N sample为每个签名者所提供的签名样本数,N s为签名所含笔画数,IN D ij为第i个签名者的第j个样本,该样本包含N s个笔画1签名中第k个笔画表示为S k=(G k,D k),G k为该笔画的几何特征,D k为该笔画的动态特征,分别定义如下:
G k=(x k,y k,x2mean k,x2dev k,y2mean k,y2dev k), D k=(p k,v k,st roke2dr k,sig2dr k,p2mean k,
p2dev k,v2mean k,v2dev k,st roke2duration k)1
采用B样条曲线拟合签名个体IN D ij,一个包括N s个笔画的个体被拟合成N s条B样条曲线,每一笔画对应一条B样条曲线1但存在以下问题:1)不同签名中汉字所包含的笔画个数不一样;2)汉字中有些笔画转折较大,如 、 等,而且人们在书写汉字时常常出现多个笔画(指汉字书写规则中定义的规范笔画)的连笔,其衔接处有时连贯,有时突兀,都是因人而异的;3)即使同一用户书写同一签名的多个样本,依然会存在细微的差异,这种差异可能导致笔画分割时产生不同的结果1因此,直接使用固定维数的特征向量表示不同类别手写签名的几何性质是很困难的1本文采用基于阈值的动态规划方法(threshold based dynamic programming,TBDP)调整特征向量维度,在获得一个合适的笔画组合序列时会受到笔画长度阈值和B样条曲线拟合误差的约束,但由于2个相似的签名样本在同样的笔画分割
313
3期张莉莎等:基于人工免疫模型的在线手写签名识别方法
算法下得到的笔画数较为接近、笔画形状也相似,因此可以预定义一个阈值,当满足
认证样本中某个笔画的长度
认证样本笔画的总长度-
签名模板中对应笔画的长度签名模板笔画的总长度
<阈值,
说明当前笔画组合序列是合适的;反之,则是不可取的1从而使得任意2个个体的特征维度一致,再进行亲和力计算1这样可以事先排除一些不可能的笔画组合序列,提高个体匹配时的效率1212 样本训练
本文的样本训练方法采用克隆选择算法,以用户提呈的训练样本作为初始训练群体,通过迭代地选择、克隆、变异,生成更多与原始群体相似、具有用户签名特征的抗体集合,并将符合亲和力要求的抗体作为记忆细胞,如图2所示1定义细胞群体M i
(1≤i ≤N sig )为第i 个用户的签名样本集合,M m i 为M i 的模板细胞,即M i 中与所有其他免疫细胞的亲和力最大的记忆细胞;M =∑N sig
M
i
为全体签名者的记
忆细胞集合1
图4 鉴别的识别流程示意
图2 基于人工免疫模型的样本训练流程示意
算法分为8个步骤,循环执行Step3～Step8,直
至满足收敛条件为止1
Step11生成初始记忆细胞集合(M ),它由用户的手写签
名训练样本组成,M =M 1+…+M N sig ,计算每个子集M i 的模板细胞M m i 1
Step21随机生成r 个新的未标记细胞群体P r 1Step31生成候选方案的一个集合P ,它由记忆细胞集合M 和新的细胞群体P r 组成,即P =M +P r 1
Step41选择h 个具有高亲和力的个体(h 视用户数N sig
和每个用户样本数N sample 而定)1
Step51克隆这h 个最好的个体,组成一个临时的克隆群
体C 1与抗原亲和力越高,个体在克隆时的规模也就越大1
Step61把克隆群体提交到高频变异,根据亲和力的大小
决定变异1产生一个成熟的抗体群体C 31
Step71对C 3进行再选择:
a 1将标记个体i 与M m i 进行亲和力计算,亲和力大于阈
值t 1的保留;
b 1将未标记个体与M m i (1≤i ≤N sig )计算亲和力,若存
在亲和力大于阈值t 1,则将其标记为亲和力最大的模板细胞的标记1选中的个体加入对应的记忆细胞集合M i 1
Step81生成r ′个新的个体取代P 中t 个低亲和力的个
体,保持多样性1
21
3 签名识别
签名识别分为2种:
1)验证1鉴定某个手写签名是否所宣称签名者的真实签名1提呈一个宣称为某签名者S ig i 的签名样本,计算这个样本和记忆细胞集合M 中标记为签名者S ig i 的所有记忆细胞的亲和力1如果存在一定比例p 的记忆细胞亲和力高于阈值t ,那么提呈样本就是该签名者的真实签名;否则,为假冒签名1
图3 验证的识别流程示意
2)鉴别1识别某个手写签名属于哪一位签名
者,其算法流程如图4所示1提呈一个未知的签名样本,计算这个样本和记忆细胞集合M 中所有记忆细胞的亲和力1判别方法有2种:a 1选择具有最高亲和力且亲和力高于阈值t 的记忆细胞的标记作
4
13计算机辅助设计与图形学学报2007年
为该签名样本所属的签名者标记;b 1选择具有最高亲和力的记忆细胞所在的集合M i 的模板细胞
M m i ,计算其与签名样本的亲和力,若高于阈值t ,那
么该样本属于该签名者1
3 实验设计和结果分析
311 样本收集
我们收集了15个用户的签名,采集的实验样本分为2部分:1)真实签名1每个用户在一个连续的时间内提供50个手写签名,并均分为5组;2)仿冒签名1每个用户仿效另外特定5人(平均分配)的签名习惯(主要是签名的几何形状特征),在熟练后各假冒10个签名,即每个用户提交10×5=50个假冒的签名,每个特定的签名有10×5=50个相应的假冒签名,并均分为5组1312 人工免疫训练实验图5 训练模板与未训练模板的识别结果比较
31211 免疫算法的训练能力
为了验证经过免疫算法训练的模板库比未经过训练的模板库有更好的识别效果,我们建立3个签名模板库:将原始样本中的第1组样本,第1,2组样本分别作为模板库M a 和M b ,原始样本的第1组样本经过人工免疫算法训练,生产新的模板库M c ,然后用模板库M a ,M b 和M c 分别识别某类别签名的同一组真实签名样本,观察识别结果1部分实验结果如图5所示,纵坐标表示测试样本与模板中所有记忆细胞的亲和力1从图5中可以看出:1)模板M b 对应的亲和力明显高于模板M a ;每一类签名中,经过训练的模板M c 对应的亲和力几乎都高于未经训练的模板M a ,在某些样本上甚至高于模板M b 的亲和力1第4类签名中,经过训练的模板M c 对应的亲和力明显高于未经训练的2组模板12)未经训练的样本亲和力波动幅度较大,而训练模板的折线段相
对平稳1由此可知,人工免疫训练具有以下优势:1)使一些与原始样本亲和力较低的样本与模板整体的亲和力得到提高;2)减少了训练所需的样本数,使得在只提供少量签名样本的情况下仍能达到与大量签名样本相仿、甚至更为理想的识别效果131212 算法稳定性和多样性
为了测试算法在训练签名样本方面的稳定性和多样性,进行如下2个子实验1
实验11对相同的训练样本进行多次训练,比较所得签名模板对测试样本的识别效果1
图6所示为对某用户的2组训练样本分别进行3次训练得到3组不同的模板,再对另一组测试样
本的识别结果的比较1实验表明,相同的样本经过人工免疫算法的训练,保留了样本所包含的签名者内在习惯特征,生成的模板库基本相似,但又存在一
定的差异性,使其更好地适应用户签名固有的、细微的变化1
图6 训练次数对识别结果的影响比较
实验21对同一签名者的不同训练样本进行训练,比较所得签名模板对测试样本的识别效果1
本文对所有签名者的各4组签名样本分别训练得到相应的模板,再用第1组签名样本和另一类别
的签名样本分别测试1图7所示为某类签名者的实
验结果,4条折线段都比较接近1实验表明,经过
5
133期张莉莎等:基于人工免疫模型的在线手写签名识别方法
人工免疫算法的训练,即使2组原始样本之间存在差异,但训练所得的记忆细胞仍比较相似,对识别结果的影响很小
1
图7 训练样本与测试样本类别关系识别结果比较
实验1,2说明,采用人工免疫算法对样本进行训练,在可以较好地保留原有样本的特征的同时;对原有个体的克隆、变异和一定条件下随机生成新个体等固有机制,能获得与原有个体十分相近的新个体,弥补了少量样本未能充分反映签名者书写习惯的缺陷,从而在只提供了少量训练样本的情况下也能获得反映签名者潜在书写习惯的、更加丰富和完善的签名模板1313 实验结果分析
1)验证
实验选取10个用户的签名进行验证1对于每个用户类别,我们选择真实签名中第1组样本进行训练获得签名模板,再验证其余40个真实签名和其中40个仿冒签名1实验结果如表3所示,显示了真实签名的识别率和错误拒绝率、仿冒签名的判别率和错误接受率1
由表3可以看出,真实签名的识别率几乎都在70%,仿冒签名的判别率几乎都在85%,且两者大
致是反相关的1识别率越高的签名类别,其判别率普遍较低;反之,亦然1这种现象并非由于当前采用
的特征对真实和仿冒签名本身不可分,主要原因在于:采用人工免疫算法训练样本后,接受或拒绝某个签名的阈值设置得不够理想,不足以达到最优区分真实签名和仿冒签名的目的1
表3 10个类别签名的验证结果
%类别
识别率
错误拒绝率
判别率
错误接受率
class 110010008510015100class 29715021508715012150class 39010010100971502150class 47215027150951005100class 510010008215017150class 675100251007215027150class 760100401001001000class 890100101008715012150class 970100301001001000class 10
90100
10100
100100
2)鉴别
实验采用14个用户的签名进行鉴别1选用真实签名中第1组样本进行训练,用第2,3组共20个真实签名与所有类别的模板比较,进行鉴别,实验结
果如表4所示1由表4可以看出,14个签名者中,几
乎所有签名者的鉴别率都超过80%(包括80%),2Π3的签名者的鉴别率超过90%(包括90%)1
表3 14个类别签名的鉴别结果
签名者鉴别样本数鉴别率Π%签名者鉴别样本数鉴别率Π%
sig 101890100sig 171995100sig 111680100sig 1820100100sig 121890100sig 191995100sig 131785100sig 11020100100sig 1420100100sig 1111890100sig 1520100100sig 1121785100sig 16
17
85100
sig 113
19
95100
4 结 论
针对目前手写签名识别中模板区分度不高和训练样本数量较大的问题,本文采用签名中一些常用的、易采集的几何特征和表征签名者潜在手写习惯的动态特征,在对其进行特征相关性和用户区分性分析的基础上,构造基于人工免疫模型的样本训练方法,对多个签名者有限的签名样本进行训练,使其
6
13计算机辅助设计与图形学学报2007年
在训练样本较少的情况下获得具有良好区分度的手写签名模板,再对不同签名者的样本进行验证和鉴别1实验结果表明,采用人工免疫算法进行样本训练具有良好的自学习和自适应能力,能在样本有限的情况下模拟出代表用户签名习惯的新样本,所组成的签名模板与原始样本既相似又有差别;在保留用户签名习惯特征的基础上又获得了因原始样本数量有限而未能显示的特征信息,从而使得其识别效果优于未经训练的原始模板库,并达到较好的识别率1这也说明,人工免疫算法在在线手写签名识别中具有良好的应用前景1
参 考 文 献
[1]Plamondon Rejean,Srihari Sargur N1On2line and off2line hand2
writing recognition:a comprehensive survey[J]1IEEE Trans2
actions on Pattern Analysis and Machine Intelligence,2000,22
(1):63-84
[2]Y an Wan,Zheng Jianbin,Zhou Li,et al1Overview and fore2
cast of personal identification based on on2Line handwritten sig2
nature verification[J]1Journal of Application of Electronic
Technique,2004,30(9):1-3(in Chinese)
(颜 琬,郑建彬,周 莉,等1基于在线手写签名的身份认
证技术研究和展望[J]1电子技术应用,2004,30(9):1-3) [3]Hangai Seiichiro,Higuchi Takeshi1Writer Identification using
finger2bend in writing signature[C]ΠΠProceedings of Biometric
Authentication Workshop,Prague,2004:229-237
[4]J ulian Fierrez2Aguilar,Loris Nanni,Jaime Lopez2Penalba,et
al1An on2line signature verification system based on fusion of lo2
cal and global information[C]ΠΠProceedings of Audio2and
Video2based Biometric Person Authentication,New Y ork,
LNCS3546,2005:523-532
[5]Christan H,J uergen K,G eorg S1A novel digitizing pen for the
analysis of pen pressure and inclination in handwriting biometrics
[C]ΠΠProceedings of Biometric Authentication Workshop,
Prague,2004:283-294
[6]Zuo Wenming,Li Shaofa,Zeng Xiangui1Analysis of texture
features of offline handwritten signatures[J]1Journal of Micro2
electronics and Computer,2005,22(2):154-157(in Chinese)
(左文明,黎绍发,曾宪贵1脱机手写签名纹理特征分析[J]1
微电子学与计算机,2005,22(2):154-157)
[7]Zhao Guimin,Xia Limin,Chen Aibin1Rapid verification for
handwriting signature[J]1Journal of Computer Engineer,
2003,29(7):56-58(in Chinese)
(赵桂敏,夏利民,陈爱斌1手写签名的快速认证[J]1计算机
工程,2003,29(7):56-58)
[8]Jain A K,Griess Friederike D,Connell Scott D1On2line signa2
ture verification[J]1Pattern Recognition,2002,35(12):2963
-2972
[9]Stephan Al2Zubi,Arslan Broemme,K laus Toennies1Using an
active shape structural model for biometric sketch recognition
[C]ΠΠProceedings of Deutsche Arbeitsgemeinschaft für Muster2
erkennung(DA GM),Magdeburg,2003:187-195
[10]J ustino Edson J R,Bortolozzi Flávio,Sabourin Robert1A com2
parison of SVM and HMM classifiers in the off2line signature
verification[J]1Pattern Recognition Letters,2005,26(9):
1377-1385
[11]K ashi R S,Hu J,Nelson W L,et al1On2line handwritten sig2
nature verification using hidden Markov model features[C]
ΠΠProceedings of International Conference of Document Analysis
and Recognition,Ulm,1997:253-257
[12]Van B Ly,G arcia2Salicetti S,Dorizzi B1Fusion of HMM’s
likelihood and Viterbi path for on2line signature verification[C]
ΠΠProceedings of Biometric Authentication Workshop,Prague,
2004:318-331
[13]De Castro,von Zuben L N F1An evolutionary immune network
for data clustering[C]ΠΠProceedings of the6th Brazilian Sympo2
sium on Neural Networks,Rio de Janiero,2000:84-89 [14]Tarakanov A O,Skormin V A1Pattern recognition by immuno2
computing[C]ΠΠProceedings of the Special Sessions on Artificial
Immune Systems in Congress on Evolutionary Computation,
Honolulu,2002:938-943
[15]White Jennifer A,G arrett Simon M1Improved pattern recogni2
tion with artificial Clonal selection?[C]ΠΠProceedings of the
2nd International Conference on Artificial Immune Systems(I2
CARIS),Edinburgh,2003:181-193
[16]Xiao Renbin1Mechanism path synthesis based on immune com2
puting[J]1Journal of Computer2Aided Design&Computer
Graphics,2004,16(6):812-818(in Chinese)
(肖人彬1基于免疫计算的机构轨迹综合[J]1计算机辅助设
计与图形学学报,2004,16(6):812-818)
[17]Dougherty E R1Feature2selection overfitting with small2sample
classifier design[J]1IEEE Intelligent Systems Magazine,
2005,20(6):64-66
713
3期张莉莎等:基于人工免疫模型的在线手写签名识别方法
手写体签名的特征提取
不同特征提取的手写签名识别方法研究 摘要 目录 引言 在当今社会的各种经济活动中，人们越来越多的用手写签名来代替印章，尤其是在办公自动化、邮政系统等诸多方面的信息处理中。例如：各种文书、合同、协议、支票等文件通常要求当事人亲笔签名；各国政府之间的协议和备忘录的签订，官方文件以及法令和法规的颁布，银行支票的签署和汇兑，都需要当事人亲笔签名才能生效。签名鉴定在国外，尤其是在北美和西欧，是普遍接受的身份辨识方法之一。在计算机安全领域中，基于人的行为特征的手写签名识别技术具有方便、实用、低成本并符合人的生活习惯等特点，理所当然地受到了广泛的关注。 手写签名识别系统利用计算机自动识别手写签名样本是某个特定人亲自签署的“真签名”还是别人模仿的“伪签名”。在办公自动化和公共安全方面，签名识别的重要性日益明显，在大多数企业，尤其是经常需要颁布或签署文件的行政部门来说，通过辨识签名的真伪来确定身份的方式易于被人们所接受。由于签名识别具有良好的应用前景和巨大的商业价值，世界各国许多学者和研究机构都已表现出极大兴趣，国内近几年也逐步开始了对中文签名认证的研究工作。 1 绪论 1.1研究计算机识别签名的目的及意义 手写签名识别系统利用计算机自动识别手写签名样本是某个特定人亲自签署的“真签名”还是别人模仿的“伪签名”。在办公自动化和公共安全方面，签名识别的重要性日益明显，在大多数企业，尤其是经常需要颁布或签署文件的行政部门来说，通过辨识签名的真伪来确定身份的方式易于被人们所接受。由于签名识别具有良好的应用前景和巨大的商业价值，世界各国许多学者和研究机构都已表现出极大兴趣，国内近几年也逐步开始了对中文签名认证的研究工作。 手写字符识别涉及模式识别、图像处理、数字信号处理、自然语言理解、人丁智能、模糊数学、信息论、计算机、中文信息处理等学科，是一门综合性技术，
手拉手模型专题练习(全等或相似)
全等三角形是初中知识一个重点，考试时经常会以填空、选择、解答题的形式出现，所占分值比例较大，所以学习全等三角形尤为重要。全等三角形共有5种判定方式：SSSSASASA AAS HL。特殊情况下平移、旋转、对称也会构成全等三角形。 方法： 全等三角形判定方法一：SSS（边边边），即三边对应相等的两个三角形全等? 全等三角形判定方法二：SAS（边角边），即三角形的其中两条边对应相等，且两条边的夹角也对应相等的两个三角形全等? 全等三角形判定方法三：ASA（角边角），即三角形的其中两个角对应相等，且两个角夹的的边也对应相等的两个三角形全等. 全等三角形判定方法四：AAS （角角边），即三角形的其中两个角对应相等，且对应相等的角所对应的边也对应相等的两个三角形全等. 全等三角形判定方法五：HL （斜边、直角边），即在直角三角形中一条斜边和一条直角边对应相等的两个直角三角形全等? 附加：平移、旋转或对称的两个三角形全等? 注意事项： SSS SAS ASA AAS可用于任意三角形；HL只限于直角三角形. 注意SSA AAA不能判定全等三角形. 在证明时注意利用定理，如：等式性质、等量代换、等角重合有等角、公共边、公共角、对顶角相等、等角或同角的余角或补角相等、角平分线定义、线段中点定义等 证明全等写条件时注意书写顺序. 写全等结论时注意对应顶点的位置. 有时全等三角形会结合等腰三角形出现命题。
娱型一：手拉手模型一全等 等追三術形 届伴：46LB. 旳为等边三角刖坯论：①①6dAC/SZ> :② AFB = 60: ③OE平分_4ED （易忘） 务件：AOA目…\OCD沟为等谨总角三鬲形 站抡：①AOAC^AOSD :②亠AE￡=9（F ③OE平分_AED（务忘） 导角核心图形 弄憔RT\
基于Matlab的人工免疫算法
文件头: 一个基于Matlab的人工免疫算法 %Immune Algorithm based on the immune network model for function f(x1,x2) optimum %copy right SCUT Guangxing Tan 2005.02.18 clear all; %Parameters Size=120; G=200; CodeL=15; E=round(rand(Size,2*CodeL)); %Initial Code %Main Program for k=1:1:G time(k)=k; for s=1:1:Size m=E(s,:); y1=0;y2=0; %Uncoding m1=m(1:1:CodeL); for i=1:1:CodeL y1=y1+m1(i)*2^(i-1); end x1=10.24*y1/65535.0-5.12;
m2=m(CodeL+1:1:2*CodeL); for i=1:1:CodeL y2=y2+m2(i)*2^(i-1); end x2=10.24*y2/65535.0-5.12; %f(X1,X2)=(a/(b+(x1*x1+x2*x2)))*(a/(b+(x1*x1+x2*x2)))+(x1*x1+x2*x2)*(x1*x1+x2*x2) %here -5.12= 背景技术 手写签名识别技术是通过计算机把手写签名的图像、笔顺、速度和压力等信息与真实签名样本进行比对，以鉴别手写签名真伪的技术。这种技术是国际上公认的更容易被大众接受的一种身份认证方式，也是目前计算机身份识别领域的前沿课题。 在实际中，这种手写签名识别技术可以用来解决计算机设备中的系统安全性、保密性的问题，通常实现这种手写签名识别技术需要预先存储真实签名样本，使用者通过触摸屏、手写板或其它手写输入设备输入签名后，手写签名识别系统会采集签名的数据信息，如笔迹形状、书写速度、书写加速度及书写压力等；然后对所采集到的签名数据信息进行预处理，如起笔处理、合并、去除孤立点与冗余点、平滑和倾斜校正等，以尽可能去除误导识别结果的因素；接看进一步从预处理后的签名数据信息中提取签名的特征信息；最后将所获得的特征信息与真实签名样本进行匹配对比，以判断使用者的签名是否符合认证条件。 签名形状和相对位置的相关参数，具体可以包括：签名的整体倾斜角度、签名的宽高比、签名的笼迹长度、签名落笔的总时间、签名抬笔的总时间、书写平均速度、笔迹的压力变化信息和形状变化信息等，提取所述全局特征信息的方法可以为： ( 1)签名的整体倾斜角度： 把笔迹的所有采样点，用一元线性回归的方法，拟合为一条直线，该条直线的斜率k，即可表示签名的整体倾斜角度。 (2)签名的宽高比，即签名的宽度和高度的比值。 (3)签名笔迹长度：签名相连各点之间的距离之和，这个距离即为两点间的欧氏距离。 (4)签名落笔的总时间：即笔按下的时间总长，由累加每一笔的抬笔时间与落笔时间的差得到。 (5)签名抬笔的总时间，即后一笔画的落笔时词与前一笔画的抬笔时间间隔的总和。 (6)书写平均速度：表示笔在书写时的速度，不包括笔在空中的速度，用签名的总长度与笔落下的时间的比值表示。 (7)笔迹的压力变化信息：即归一化的压力方差Dp，首先把压力的均值移到0处，然后求各点压力的平方和S，最后对S开平方得到Dp，表示了笔迹压力的变化剧烈程度。 (8)笔迹形状的变化信息：采样点权重的总和，表示该笔迹的整体变化程度，具体的权重总和计算方法可以参考局部特征信息相关部分的描述。 A.2 X 分辨率的最小值和方差 最小值为每厘米40点。在任意选择的一水平厘米上，分辨率不能偏移均值超过5%。X 的分辨率与速度和笔的倾角到速度和笔的倾角的最大值无关。 A.3 Y 分辨率的最小值和方差 最小值为每厘米40点。在任意选择的一垂直厘米上，分辨率不能偏移均值超过5%。Y 分辨率与速度和笔的倾角到速度和笔的倾角的最大值无关。 A.4 最小样本频率和方差 最小样本频率值应为每秒50个样本。当F>0，在每20微秒内没有连续的样本点。 A.5 X 误差 对于任意一点，X 误差应小于X可能值的0.2%。 A.6 Y 误差 对于任意一点，Y 误差应小于Y可能值的0.2%。 A.7 力度 手拉手模型 一．填空题（共18小题） 1．已知△ABC中，∠ABC＝45°，AB＝7，BC＝17，以AC为斜边在△ABC外作等腰Rt△ACD，连接BD，则BD的长为． 2．如图，在△ABC中，∠ABC＝60°，AB＝3，BC＝5，以AC为边在△ABC外作正△ACD，则BD的长为． 3．四边形ABCD中，AC＝BC，∠ACB＝90°，∠ADB＝30°，AD＝，CD＝14，则BD＝． 4．已知在四边形ABCD中，AB＝AC，∠ABC＝∠ADC＝60°，连接BD，若CD＝2，AB ＝2，则BD的长度为． 5．如图，在四边形ABCD中，∠ADC＝∠ABC＝45°，CD＝，BC＝，连接AC、BD，若AC⊥AB，则BD的长度为． 6．如图，四边形ABCD中，∠ABC＝∠ACD＝∠ADC＝45°，△DBC的面积为8，则BC 长为． 7．如图，D为△ABC内一点，且AD＝BD，若∠ACD＝∠DAB＝45°，AC＝5，则S△ABC ＝． 8．如图，线段AB绕着点A逆时针方向旋转120°得到线段AC，点B对应点C，在∠BAC 的内部有一点P，P A＝8，PB＝4，PC＝4，则线段AB的长为． 9．如图，在△ABC中，∠ABC＝60°，＝，D为△ABC外一点，连接AD、CD．若∠ADC＝30°，AC＝AD，则的值为． 10．如图，△ABC、△CDE是两个直角三角板，其中∠ECD＝∠ACB＝90°，∠CED＝45°，∠CAB＝30°，若AB＝DE＝2，将直角三角板CDE绕点C旋转一周，则|AD﹣BE|的最大值为． 11．如图，点D为等边△ABC外一点，∠ADC＝60°，连接BD，若AD＝8，△BCD的面积为，则BD的长为． 12．如图，△ABC中，∠ABC＝45°，AB＝2，BC＝6，AD⊥AC，AD＝AC，连接BD，则BD的长为． 13．如图，在△ABC中，∠ABC＝60°，AB＝3，BC＝12，以AC为腰，点A为顶点作等腰△ACD，且∠DAC＝120°，则BD的长为． 钢笔签名设计免费版 【篇一：钢笔签名设计免费版】 在线个性艺术签名设计免费版1:透明背景的动态签名设计在线生成! /a/22.htm 2:潇洒实用的顶尖手写艺术签名设计，完全免费，在线生成，让您受益终生！ /a/15.htm 3: 急切网在线签名设计免费版之卡通娃娃瓶盖头像。 /a/9.htm 4: 超可爱的艺术签名设计，完全免费设计，更方便、更快捷。 /a/30.htm 5: 跟名师学签名,在线生成明星签名,完全免费。 /a/29.htm 6: 用蝴蝶、泡泡、星光等素材点缀您的姓名签名设计图。 /a/28.htm 7: 带彩色蝴蝶的签名设计在线生成免费版。 /a/27.htm 8: 在线签名设计免费版之带渐变背景的签名设计在线生成。 /a/26.htm 9:动态防伪签名是一款防止别人仿冒而设计的特殊艺术签名。 /a/25.htm 10: 一笔英文艺术签名设计在线生成免费版。 /a/24.htm 11:英文艺术签名设计免费版。 /a/21.htm 12:中国顶尖设计师手写姓名签名图片，全球领先的500*200像素姓名签名档。 /a/19.htm 13:采用火焰燃烧的纸张设计出独具风格的艺术签名！ /a/16.htm 14:一笔签名设计免费版在线之true love签名图！ /a/14.htm 15: 个性艺术字签名免费版在线，仰视艺术字赐予签名的网站！ /a/13.htm 16: 急切网火焰字制作，又名动感炫彩火焰发光字体生成器，一个自己在线设计火焰发光字签名的网址。 /a/12.htm 17: 急切网光影字制作，又名动感炫彩光影文字生成器，一个自己在线制作光影字的网址。 /a/11.htm 18: 急切网荧光字制作，又名光影字设计。蓝色黑底个性签名字体设计出来的荧光字格外漂亮。 /a/10.htm 19: 要图片！！！个性签名用的，带文字的，非主流也可，急切网免费个性文字签名档图片在线设计，30秒钟帮你搞定所有你想要的。/a/6.htm 20: 希望您的签名变成非主流签名档图片么？ /a/5.htm 21: 急切网艺术签名在线生成免费版，针对椭圆签名进行优化设计，自定义签名颜色、签名大小、阴影颜色、签名字体，签名底图，支持多达8个文字的设计。 /a/4.htm 22:为心爱的人制作一个个性十足的免费签名吧!输入ta的姓名，赶紧给ta一个惊喜哦! /a/3.htm 23: 1. 设计速度最快的签名系统，只需一分钟就可设计完成，无需等待； /a/2.htm 24:透明背景的英文签名设计免费版在线生成! /a/23.htm 25:2014年最新版的500*296像素免费个性古风艺术签名生成器。/a/20.htm 26:采用花草、鱼鸟、荷花、蝴蝶、龙腾、凤凰等设计花鸟字姓名签名! /a/18.htm /a/17.htm 28: 超个性的四字瓶盖头像签名设计动态免费版。 /a/8.htm 29: 鼠年兴，牛年壮，虎年猛，兔年强，龙年飞，蛇年祥，马年奔，羊年放，猴年高，鸡年升，狗年旺。 /a/7.htm 毕业设计开题报告 计算机科学与技术 手写数字识别技术研究 一、选题的背景、意义 字符识别处理的信息可分为两大类:一类是文字信息,处理的主要是用各国家,各民族的文字(如:汉字,英文等)书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟,并推出了很多应用系统;另一类是数据信息,主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据,如:邮政编码,统计报表,财务报表,银行票据等等,处理这类信息的核心技术是手写数字识别。因此,手写数字的识别研究有着重大的现实意义,一旦研究成功并投入应用,将产生巨大的社会和经济效益。 在当前在手写体数字识别的研究中，对于已二值化的图像抽取特征的方法有许多种。常用的统计特征有Gabor变换特征、Legendre矩特征、Pseudo-Zernike矩特征与Zernike矩特征。统计特征通常反映图像点阵总体分布情况，这些特征的图像预处理简单，对噪声不敏感，但对字的一些精细结构部分反应不灵敏。由数字图像的骨架和轮廓可抽取出手写体数字的结构特征，它往往对字结构精细部分反映灵敏，但图像预处理复杂，对噪声较敏感，一个完善的基于结构特征的分类器往往十分庞杂。基于这种情况，研究一种特征提取基于根据图像象素的走向判断出某段数字的结构的手写体识别系统具有一定的现实意义。 二、研究的基本内容与拟解决的主要问题 手写字符识别技术作为光学字符识别的一个重要分支，其综合了数学图像处理、计算机图形学和人工智能等多方面的知识，已越来越成为计算机自动化和智能化的重要技术。 由于手写数字的不规范性和多样性，再加上为了识别精确而对数字图像进行高点阵扫描，从而使数字识别时所要处理的信息不仅量大，而且复杂。为了能更好地识别，就要求识别系统能从大量数据中抽取关键信息，加以准确识别。脱机识别将书写字符转化为点阵或二值图像再抽取特征进行识别, 该方法与书写顺序无关, 较易识别具有“补笔划”或有“自由始终点”的字符, 但不易抽取象笔划特征这样分类能力强的特征。 本毕业设计主要解决以图像形式存在的手写体数字的识别问题。主要分为三个部分， 几何变换的三种模型手拉手、半角、对角互补 ?? ? ? ? ? ? ? ? ? ?? ? ?? ? ? ? ? ?? ?? ? ?? 等腰三角形 手拉手模型等腰直角三角形（包含正方形） 等边三角形（包含费马点） 特殊角 旋转变换对角互补模型 一般角 特殊角 角含半角模型 一般角 等线段变换（与圆相关） 【练1】（2013北京中考）在ABC △中，AB AC =，BACα ∠=（060 α ?< 【练2】 （2012年北京中考）在ABC △中，BA BC BAC α=∠=， ，M 是AC 的中点，P 是线段上的动点，将线段PA 绕点P 顺时针旋转2α得到线段PQ ． （1）若α=60?且点P 与点M 重合（如图1），线段CQ 的延长线交射线BM 于点D ，请补全图形，并写出CDB ∠的度数； （2）在图2中，点P 不与点B M ，重合，线段CQ 的延长线与射线BM 交于点D ，猜 想CDB ∠的大小（用含α的代数式表示），并加以证明； （3）对于适当大小的α，当点P 在线段BM 上运动到某一位置（不与点B ，M 重合）时，能使得线段CQ 的延长线与射线BM 交于点D ，且PQ QD =，请直接写出α的范围． 考点1：手拉手模型：全等和相似 包含： 等腰三角形、等腰直角三角形（正方形）、等边三角形伴随旋转出全等，处于各种 位置的旋转模型，及残缺的旋转模型都要能很快看出来 （1）等腰三角形旋转模型图（共顶点旋转等腰出伴随全等） （2）等边三角形旋转模型图（共顶点旋转等边出伴随全等） （3）等腰直角旋转模型图（共顶点旋转等腰直角出伴随全等） （4）不等边旋转模型图（共顶点旋转不等腰出伴随相似） 例题精讲 CAD电子签名制作方法说明 姓名：何连伟 日期：2014/9/22 目录 1.目的与适用范围 在工程设计领域，工程师、设计师们每天接触大量的图纸。图纸设计出来以后经过审批、流转后归档、录入系统。每天一个阶段都有相关负责人签字确认，一旦出现错误要根据签署的名字查找负责归属人，所以签字时必不可少的一环。然而传统的纸质签名一方面增加了审批人的工作负担，录入系统前一张张的图纸签字无疑需要花费大量的时间，降低工作效率，另外纸质签名被篡改后不易辨认责任人，也给工作带来一定的难度。所以CAD电子签名的应运而生使这一问题迎刃而解。那么CAD电子签名是怎样实现的呢？我们需要使用到R2V软件和CAD 软件，R2V软件是一个可以把图像矢量化成CAD格式的软件。 本次说明文档适用于工程师、设计师因设计需要在图纸中录入电子签名，可参考本说明。 2.使用软件简介 R2V软件简介 Raster2Vector（R2V）是一种高级光栅图矢量化软件系统。该软件系统将强有力的智能自动数字化技术与方便易用的菜单驱动图形用户界面有机地结合到Windows&NT环境中，为用户提供了全面的自动化光栅图像（用相素来记录图像）到矢量图形（用点对点来记录图像）的转换，它可以处理多种格式的光栅（扫描）图像，是一个可以用扫描光栅图像为背景的矢量编辑工具。由于该软件的良好的适应性和高精确度，其非常适合于GIS、地形图、CAD及科学计算等应用。 R2V图像格式支持1位黑白、8位灰度及彩色（4位、8位及24位）的TIFF、GeoTIFF和BMP图像文件格式。R2V矢量输出/输入支持ArcView（形文件）、Arc/Info、DXF、MapInfo（MIF/MID）、MapGuideSDL、3D网格文件、3D DEM（兼容USGS DEM）及3D XYZ矢量文件格式。 手写文字识别技术的研究 关兵 摘要：随着计算机性能的提高和科技的不断发展，随着信息时代的到来，为适应社会的需要，文字识别技术也将更完善。OCR技术，利用光学技术对文字或字符进行扫描并转换成计算机内码，其工作原理是通过扫描仪或数码相机等输入设备获取文字、表格、图片等信息，利用各种模式算法分析文字形态特征，判断出文字的标准编码存储在文件中。在现实生活中有着广泛的应用价值。 关键词：手写文字识别 OCR技术形态特征模式识别 引言 计算机文字识别，俗称光学文字识别，其英文术语为Optical Character Recognition(缩写为OCR)，是指通过计算机技术及光学技术对印刷或书写的文字进行自动的识别，达到认知的目的，是实现文字高速自动录入的一项关键技术。到目前为止，汉字OCR是模式识别技术的一个分支，其主要目的是将汉字（手写体与印刷体）自动读入计算机。而手写文字识别技术，是指通过计算机来识别手写文字的一种识别文字的技术。 随着信息化的到来，OCR文字识别技术发展很快，在日常生活中日益重要。文字识别是中文信息录入的快捷手段，由于汉字是非字母、非拼音化的文字，笔划复杂多样，人工键入速度慢而劳动强度大，计算机自动识别文字或语言方式解决了这一难题，能快速高效地将汉字输入进计算机；文字识别技术是提高办公自动化水平的主要因素。办公自动化就是要借助计算机来进行文档的处理，以代替人们日常的办公活动，在现代社会，图像信息占有较大的比重，存在大量文字信息，因此，文字的自动识别对图像的处理有重要的意义；文字识别技术丰富和完善了文字识别理论。现在人们已可通过手写文件经OCR产品的识别录入计算机，大大推动发展了文字识别理论；文字识别是智能计算机智能接口的重要组成部分，智能计算机能认识文字、图像和景物，能听懂语音、理解文字。视觉是智能计算机接受外界信息的主要手段，而识别文字是智能计算机必备的功能。 一、OCR技术的发展 OCR概念的诞生，要早于计算机的问世。早期的OCR多以文字的识别方法研究为主，识别的文字当时仅为0-9这几个数字。后来随着计算机的出现和发展，OCR研究才在全球范围内广泛研究和发展。OCR发展至今，可分为三个阶段： 1、第一代OCR产品出现于60年代初期，在此期间，IBM公司、NCR等公司分别研制出了自己的OCR软件，最早的OCR产品应该是IBM公司的IBM1418。它们只能识别印刷体的数字， 英文字母及部分符号，而且都是指定的字体。60年代末，日立公司和富士通公司也 研制出了各自的OCR产品。 2、第二代OCR系统是基于手写体字符的识别，前期只限于手写体数字，从时间上来看，是60年代中期到70年代初期。 1965年IBM公司研发出IBM1287，并在纽约世界博览会上展出，开始能识别印刷体数字、英文字母及部分简单的符号。第一个实现信函自动分拣系统的是东芝公司，两年后NEC公司也推出了这样的系统，到1974年，分拣率达到92%-93%。 3、第三代OCR系统要解决的技术问题是对于质量较差的文稿及大字符集的识别，例如汉字的识别。1966年，IBM公司开发的OCR系统利用简单的模板匹配法识别了1000个复杂的印刷体汉字，到了1977年，东芝公司又制出可识别2000多印刷体汉字的单字汉字识别系统。 毕业设计文献综述 计算机科学与技术 手写数字识别技术研究 一、前言部分 手写数字识别(Handwritten Numeral Recognition)是光学字符识别技术(Optical Character Recognition,简称OCR)的一个分支,它研究的对象是：如何利用电子计算机自动辨认人手写在纸张上的阿拉伯数字。 OCR是模式识别的一个分支，按字体分类主要分为印刷体识别和手写体识别两大类.而手写体识别又可分为受限手写体和不受限识别体，按识别方式有课分为在线识别和脱机识别。在整个OCR领域中，最为困难的就是脱机手写字符的识别。到目前为止,尽管人们在脱机手写英文,汉字识别的研究中已取得很多可喜成就,但距实用还有一定距离。而在手写数字识别这个方向上,经过多年研究,研究工作者已经开始把它向各种实际应用推广,为手写数据的高速自动输入提供了一种解决方案。 字符识别处理的信息可分为两大类:一类是文字信息,处理的主要是用各国家,各民族的文字(如:汉字,英文等)书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟,并推出了很多应用系统;另一类是数据信息,主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据,如:邮政编码,统计报表,财务报表,银行票据等等,处理这类信息的核心技术是手写数字识别。因此,手写数字的识别研究有着重大的现实意义,一旦研究成功并投入应用,将产生巨大的社会和经济效益。[1][2][15] 二、主题部分 （一）.手写数字识别研究的理论意义 手写数字识别作为模式识别领域的一个重要问题,也有着重要的理论价值: 1.阿拉伯数字是唯一的被世界各国通用的符号,对手写数字识别的研究基本上与文化背景无关,这样就为各国,各地区的研究工作者提供了一个施展才智的大舞台。在这一领域大家可以探讨,比较各种研究方法。 2.由于数字识别的类别数较小,有助于做深入分析及验证一些新的理论。 3.尽管人们对手写数字的识别已从事了很长时间的研究,并已取得了很多成果,但到目前为止机器的识别本领还无法与人的认知能力相比,这仍是一个有难度的开放问题(Open 简写签名设计在线生成 【篇一简写签名设计在线生成】免费艺术签名在线生成器可以在线生成设计出个性艺术签名。 在线生成签名字体除了之前提到的意象签、合文签和花押签等，还有下面一些竖式签名是将名字竖着签写、自上而下的签名。 竖签法是我国最早的签名形式，也是现代最基本的签名形式之一。 竖式签名主要签在文字内容竖式书写的受签对象上，在书法和绘画作品上运用较多，无文字内容的受签对象也可采用这种形式。 竖式签名字体从笔画的承接到章法布局的设计均可参照行草书法的书写形式，在制作的时候可以参考。 竖式签名中承上启下是关键，上下字连接并非仅仅是第一个字的收尾是第二个字的起笔，而是关系到整体的中心轴线，即主要脊梁”竖式签名字体在主体结构上，上松下紧，上窄下宽，背向相衬，神韵贯通。 防伪签名是一种旨在防止别人仿冒而设计的特殊签名文字，其款式布局缜密，图式变化多端，转换生成方式多样，有意增加某些笔画的书写难度，或在某些笔画当中做一些防伪的安排，可识别性较低，让人难以模仿。 在线生成防伪签名字体有反签、数字签和字母签等几种形式，其中反签最常见也最易被确定。 所谓反签就是将签名正字反写、倒写或侧写，经过反转、旋转等转换方式方可识其庐山真面目”这种字体在笔顺、字形等方面都打破常规的签名字体设计制作方式，看上去像数字或字母组合，且正写反签，纵横颠倒，形式独特，不易模仿，且具有极强的防伪功能。 仔细观察防伪签名我们可发现文字笔画是逆向而行，横折或竖折笔画尤其明显，但较少运用夸张等艺术手法，名字的整体是横卧着的，这就是防伪签中比较常见的反签字体。 数字签、字母签和反签一样，是防伪签的另外两种形式。 签名者巧妙运用数字或字母，使名字变成一串数字或字母密码，看似数字或字母，实为中文。 这种签名字体需要将名字的每个笔画都要拆开，再用合适的数字或字母代替而成。 并非所有的姓名都可以设计成数字签、字母签，要根据汉字的特点，一般笔画较少、结构较简单的名字可以设计转换成此类签名字体，因此文件中较少 手拉手模型 1．等边三角形 导角核心：八字导角 条件：△OAB ，△OCD 均为等边三角形 结论：①△OAC ≌△OBD ；②∠AEB = 60°；③OE 平分∠AED 2．等腰直角三角形 导角核心： 条件：△OAB ，△OCD 均为等腰直角三角形 结论：①△OAC ≌△OBD ；②∠AEB = 90°；③OE 平分∠AED 3．任意等腰三角形 核心图形：核心条件：OA=OB ；OC=OD ；∠AOB=∠COD 条件：△OAB ，△OCD 均为等腰三角形，且∠AOB = ∠COD 结论：①△OAC ≌△OBD ；②∠AEB=∠AOB ；③OE 平分∠AED 例题讲解： A 类 1．在直线ABC 的同一侧作两个等边三角形△ABD 和△BCE ，连接AE 与CD ， 等边三角形要得到哪些结论？ 要联想到什么模型？ 证明：（1）△ABE ≌△DBC ； （2）AE=DC ； （3）AE 与DC 的夹角为60°； （4）△AGB ≌△DFB ； （5）△EGB ≌△CFB ； （6）BH 平分∠AHC ； 解题思路： 1．出现共顶点的等边三角形，联想手拉手模型 2．利用边角边证明全等； 3．八字导角得角相等； 2．如图两个等腰直角三角形ADC 与EDG ，连接AG 、CE ，二者相交于H. 问 （1）△ADG ≌△CDE 是否成立？ （2）AG 是否与CE 相等？ （3）AG 与CE 之间的夹角为多少度？ （4）HD 是否平分∠AHE ？ 解题思路： 1．出现共顶点的等腰直角三角形，联想手拉手模型 2．利用边角边证明全等； 3．八字导角得角相等； 3．如图，分别以△ABC 的边AB 、AC 同时向外作等腰直角三角形，其中 AB =AE ，AC =AD ，∠BAE =∠CAD=90°， 点G 为BC 中点，点F 为BE 中点，点H 为CD 中点。探索GF 与GH 的位置及数量关系并说明理由。 多个中点，一般考虑什么？ 等腰直角三角形要得到哪些结论？ 要联想到什么模型？ 等腰直角三角形要得到哪些结论？ 要联想到什么模型？ 不用手机的签名设计在线生成 不用手机的签名设计在线生成 的咏叹时，或许你将不再处处jū泥于《兰亭》帖某笔某画的固定形态，而达到心手双畅的高境界。唐张怀瓘在《书断》序中说:“若乃思贤哲于千载，览陈迹于缣简，谋猷在觌，作事粲然，言察深衷，使百代无隐，斯可尚也。及夫身处一方，会情万里，标拔志气，黼藻性灵，披封睹迹，欣如会面，又可乐也。“这里虽然是论述书fǎ的功用，但完全可以把它作为临帖达到最高境界的具体要qiú。同时这也足以说明书fǎ绝不仅仅是一种技巧形式而已，它的文化内涵是博大精深的。这自然就要qiú我们在学xí前人传统时，必须超越技术层面，而进入文化精神的境界去理解它。所谓“心到”，即是要在临帖中突显这一文化意义。在达到“心到”这一境界之后，相信人们在 不用手机的签名设计在线生成 隶，他在《广艺舟双楫》中写道:“书莫盛于汉，非独气体所高，亦其变制最多，皋牢百代。杜度作cǎo，蔡邕作飞白，liú德升作行书，皆汉眭人也。晚季变真楷，后世莫能外。盖体眭制至汉，变已极矣。” 汉代书fǎ的雄强朴茂之风与当时的社眭会风气有关。汉代隶书蕴hán眭着一种博大的气势，充溢而涌动着雄健的力量。精美绝妙的汉隶至今仍然散发着无穷无尽的艺术魅力。 我们今天所能见到的汉代隶书，都是凭当时刻在石碑上而保留下来的。可惜当时书丹的作者没有留下他们的姓名，后人只好以某碑或某碑铭文内容为其命名，例如:《乙瑛碑》、《史晨碑》、《礼器碑》、《孔宙碑》、《石门颂》、á山碑》、《曹全碑》、《西狭颂》、《张景碑》、《张迁《hu 御并，故三代、先秦不计夫工拙，而不以为学，是无书fǎ之说焉……道不足则技，始以书为工，后寓性眭情、襟度、风格其中，而见其人，专门名家始有书学 手拉手模型 1、等边三角形 条件：△OAB，△OCD均为等边三角形 结论：；；导角核心：八字导角 2、等腰直角三角形 条件：△OAB，△OCD均为等腰直角三角形结论：；；导角核心： 3、任意等腰三角形 条件：△OAB，△OCD均为等腰三角形，且∠AOB = ∠COD 结论：；； 核心图形： 核心条件：；； 例题讲解： A类 1：在直线ABC的同一侧作两个等边三角形△ABD和△BCE，连接AE与CD，等边三角形要得到哪些结论 要联想到什么模型 证明：（1）△ABE≌△DBC； （2）AE=DC； （3）AE与DC的夹角为60°； （4）△AGB≌△DFB； （5）△EGB≌△CFB； （6）BH平分∠AHC； 解题思路： 1：出现共顶点的等边三角形，联想手拉手模型 2：利用边角边证明全等； 3：八字导角得角相等； 2：如图两个等腰直角三角形ADC与EDG，连接AG,CE,二者相交于H.等腰直角三角形要得到哪些结论 要联想到什么模型 问（1）△ADG≌△CDE是否成立 （2）AG是否与CE相等 （3）AG与CE之间的夹角为多少度 （4）HD是否平分∠AHE 解题思路： 1：出现共顶点的等腰直角三角形，联想手拉手模型 2：利用边角边证明全等； 3：八字导角得角相等； 3：如图，分别以△ABC 的边AB、AC 同时向外作等腰直角三角形，其中AB =AE ，AC =AD， 等腰直角三角形要得到哪些结论 要联想到什么模型 ∠BAE =∠CAD=90°，点G为BC中点，点F 为BE 中点，点H 为CD中点。探索GF 与 多个中点，一般考虑什么 GH 的位置及数量关系并说明理由。 基于异构网络环境的人工免疫系统及其算法研究综述 摘要：人工免疫作为一种新型的研究领域，有着广泛的应用范围，人工免疫算法的研究也已成为人工智能研究领域的一个重要内容，它突出地体现了现代科学发展的多层次、多学科和多领域的相互渗透、相互交叉和相互促进的特点。因此，将人工免疫系统的原理应用在计算机领域有着重要的理论意义和实际应用价值。本文详细介绍了几种常见的免疫算法机理，并指出了人工免疫系统的研究方向。 关键词：人工免疫系统，人工免疫算法 1、人工免疫系统介绍 1.1 人工免疫系统 20世纪70年代，Jerne[1,2]首先提出了人工免疫系统的网络假说，并以此开创了独特型网络理论。独特型网络理论为人工免疫系统以后的应用和研究提供了理论指导，并发展成为人工免疫的基础理论之一。 Perelson[3]在独特型网络理论的基础上进一步给出了免疫网络的数学框架，从而加快了人工免疫系统在计算机科学方面的发展。1986年，Farmer【4】基于免疫网络的假说，构造了一个免疫系统的动态模型，并提出了一些学习算法的构造思想。此后Forrest 又提出了阴性选择算法，他的工作对于人工免疫系统的发展尤其是在信息安全领域应 用的发展具有十分重要意义。随后的研究者不断从生物免疫系统中吸取精髓，使之广泛用于优化、数据分析、机器学习、聚类分析、模式识别、故障诊断、机器人控制、自适应控制领域、计算机及网络安全领域等各个应用领域。人工免疫系统主要关注的是用计算和数学模型对免疫学进行模拟，更好地了解免疫系统。人工免疫包括：免疫系统，遗传系统和神经系统。 按照目前人们普遍接受的观点，基于免疫系统仿生机理开发的入工免疫系统[9-12]的理论研究主要在集中在人工免疫网络模型 和人工免疫算法两个方面。针对人工免疫网络模型的研究多集中在以Jerne的独特性免疫网络为基础的不同模型仿真实验上。而针对人工免疫算法的研究主要是在已有系统 模型的基础上，制定一些目的性较强的计算方法或实施策略，主要包括免疫遗传算法、克隆选择算法、阴性选择算法和免疫学习算法等。 1.2 人工免疫系统处理特性 从信息处理的角度上分析，人工免疫系统具有如下特点： （1）多样性：免疫系统抗体库的多样性特征，能及时对不同类型的入侵抗原进行有效的保证和消除。 （2）容错性：免疫系统在分类和响应中突发的一些比较小的信息处理错误不会使整个信息处理结果造成严重影响。 （3）分布自律性：免疫系统没有集中控制系统，它是由许多局部的并且相互作用的基本信息单元联合起来达到对全局的保护。 （4）动态稳定性：免疫系统要消除各种外来的不断变化的入侵抗原，并保持整个系统的稳定。 （5）自适应鲁棒性：免疫系统具有非常强的自我学习能力，并且通过此学习使其成为能够随环境不断变化而不断改变和完善的一个自适应型的鲁棒进化系统。 2、免疫算法[6-8]介绍 人工免疫系统是借鉴免疫系统机理特点和功能的智能系统，具有广泛的应用和理论基础。在此着重阐述免疫算法的研究和AIS的应用研究。 2.1 免疫遗传算法 为了使遗传算法在个体多样性和群体收敛性之间取得平衡，并克服遗传算法的缺 中考专题复习——几何题用旋转构造“手拉手”模型 一、教学目标： 1.了解并熟悉“手拉手模型”，归纳掌握其基本特征． 2.借助“手拉手模型”，利用旋转构造全等解决相关问题． 3.举一反三，解决求定值，定角，最值等一类问题． 二、教学重难点： 1.挖掘和构造“手拉手模型”，学会用旋转构造全等． 2.用旋转构造全等的解题方法最优化选择． 三、教学过程： 1.复习旧知 师：如图，△ABD ，△BCE 为等边三角形，从中你能得出哪些结论？ 生：（1）△ABE ≌△DBC （2）△ABG ≌△DBF （3）△CFB ≌△EGB （4）△BFG 为等边三角形 （5）△AGB ∽△DGH （6）∠DHA ＝60°（7）H ，G ，F ，B 四点共圆 （8）BH 平分∠AHC …… 师：我们再来重点研究△ABE 与△DBC ，这两个全等的三角形除了对应边相等，对应角相等外，还有什么共同特征呢？ 生：它们有同一个字母B ，即同一个顶点B ． 师：我们也可以把△DBC 看作由△ABE 经过怎样的图形运动得到？ 生：绕点B 逆时针旋转60°得到． 2.引入新课 师：其实我们可以给这两个全等的三角形赋予一个模型，叫“手拉手模型”，谁可以将这个模型的特征再做进一步的简化归纳呢？ 生：对应边相等． 师：我们可以称之为“等线段”． 生：有同一个顶点． 师：我们可以称之为“共顶点”． 师：等线段，共顶点的两个全等三角形，我们一般可以考虑哪一种图形运动？ 生：旋转． 师： “手拉手模型”可以归纳为：等线段，共顶点，一般用旋转． H G F E D C B A 3.小题热身 图1 图2 图3 1．如图1，△BAD中，∠BAD＝45°，AB＝AD，AE⊥BD于E，BC⊥AD于C，则AF＝____BE．2．如图2，△ABC和△BED均为等边三角形，ADE三点共线，若BE＝2，CE＝4，则AE＝______．3．如图3，正方形ABCD中，∠EAF＝45°，BE＝3，DF＝5，则EF＝_______． 师：我们来看第1，第2题，这里面有“手拉手模型”吗？请你找出其中的“等线段，共顶点”．生：题1中，等线段是AC，BC，共顶点是C，△ACF绕点C逆时针旋转90°得△BCD．题2中，等线段是AB，BC，共顶点是B，△ABD绕点D顺时针旋转60°得△CBE． 师：我们再来看第3题，这里有“手拉手模型”吗？ 生：没有． 师：那其中有没有“等线段，共顶点”呢？ 生：等线段是AD，AB，共顶点是A． 师：我们可否利用旋转来构造“手拉手模型”呢？ 生：将AE旋转，绕点A逆时针旋转90°． 师：为什么是逆时针旋转90°，你是如何思考的？ 生：我准备构造一个和△ABE全等的三角形，AB绕点A逆时针旋转90°即为AD，那么将AE逆时针旋转90°可得AG，连接GD，证明全等． 师：说的不错，谁能再来归纳一下，借助“手拉手模型”，用旋转构造全等的方法吗？ 生：先找有没有“等线段，共顶点”，再找其中一条“共顶点”的线段，将其旋转． 师：旋转角度如何确定，方向怎么选择？ 生：选择其中一个三角形，将“共顶点”的线段旋转．旋转角为两条“等线段”间的夹角．方向应与所选择的起始“等线段”旋转到另一条“等线段”时的方向一致． 师：非常棒，可以说，你已经掌握了这节课的精髓．但是，很多题目中只是隐含了“手拉手模型”的一些条件，剩余的需要我们自己去构造，可以如何构造呢？ 步骤1：先找有没有“等线段，共顶点”． 步骤2：选择其中一个三角形，将其中经过“共顶点”的线段旋转． 手写数字识别技术研究开题报告 开题报告 手写数字识别技术研究 一、选题的背景、意义 字符识别处理的信息可分为两大类:一类是文字信息,处理的主要是用各国家,各民族的文字如:汉字,英文等书写或印刷的文本信息,目前在印刷体和联机手写方面技术已趋向成熟,并推出了很多应用系统;另一类是数据信息,主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据,如:邮政编码,统计报表,财务报表,银行票据等等,处理这类信息的核心技术是手写数字识别。因此,手写数字的识别研究有着重大的现实意义,一旦研究成功并投入应用,将产生巨大的社会和经济效益。 在当前在手写体数字识别的研究中,对于已二值化的图像抽取特征的方法有许多种。常用的统计特征有Gabor变换特征、Legendre矩特征、Pseudo-Zernike 矩特征与Zernike矩特征。统计特征通常反映图像点阵总体分布情况,这些特征的图像预处理简单,对噪声不敏感,但对字的一些精细结构部分反应不灵敏。由数字图像的骨架和轮廓可抽取出手写体数字的结构特征,它往往对字结构精细部分反映灵敏,但图像预处理复杂,对噪声较敏感,一个完善的基于结构特征的分类器往往十分庞杂。基于这种情况,研究一种特征提取基于根据图像象素的走向判断出某段数字的结构的手写体识别系统具有一定的现实意义。 研究的基本内容与拟解决的主要问题 手写字符识别技术作为光学字符识别的一个重要分支,其综合了数学图像处理、计算机图形学和人工智能等多方面的知识,已越来越成为计算机自动化和智能化的重要技术。 由于手写数字的不规范性和多样性,再加上为了识别精确而对数字图像进行高点阵扫描,从而使数字识别时所要处理的信息不仅量大,而且复杂。为了能更好地识别,就要求识别系统能从大量数据中抽取关键信息,加以准确识别。脱机识别将书写字符转化为点阵或二值图像再抽取特征进行识别, 该方法与书写顺序无关, 较易识别具有“补笔划”或有“自由始终点”的字符, 但不易抽取象笔划特征这样分类能力强的特征。 本毕业设计主要解决以图像形式存在的手写体数字的识别问题。主要分为三个部分,即预处理,手写体数字的结构化特征提取,分类器设计及识别。 图像预处理阶段的细化工作,主要是为了使结构化特征提取时,所提取的特征能更好地反映手写数字或字母的特征。手写体数字或字母的结构化特征的提取,是本论文的关键部分,直接关系到识别的准确率。结构化特征主要根据图像象素的走向,准确判断出某段数字或字母的结构,如直线、折线、曲线、分叉线等。 为了提高识别率,我们将采用BP神经网络算法,对手写体数字或字母的特征进行智能化处理,输出正确的结果。 研究的方法与技术路线、研究难点,预期达到的目标 手写数字识别研究的难点在于:第一,不同数字之间字形相差不大,使得准确区分某些数字相当困难;第二,数字虽然只有十种,而且笔划简单,但同一数字写法千差万别。使得手写数字识别的识别率和识别精度很低。 本设计主要分为三大步骤:第一阶段,预处理;第二阶段,特征提取;第三手写签名识别
手拉手模型-含答案
钢笔签名设计免费版
手写数字识别技术研究【开题报告】
中考数学专题训练-旋转模型几何变换三种模型手拉手-半角-对角互补
cad电子签名制作步骤
手写文字识别技术的研究
手写数字识别技术研究【文献综述】
简写签名设计在线生成
ni三角形手拉手模型-专题讲义
不用手机的签名设计在线生成
三角形手拉手模型专题讲义(无答案)
人工免疫系统及其算法综述
中考数学专题训练几何题中用旋转构造“手拉手”模型
手写数字识别技术研究开题报告整理