手写体个人特征识别方法及系统技术方案

本发明专利技术通过采集使用者对某一图形字符的手写特征并对其按一定的方法建立模型参数库。利用该参数库，对任一图形字符按一定方法进行匹配以确定该图形字符是否由同一人书写。本发明专利技术系统是由手写体特征采集器、信号处理模块、计算模块、手写体特征分析模块、判别模块、识别结果输出模块、只读存储器、可擦写存储器及数据交换接口等部分组成。本发明专利技术书写工具为普通的笔和纸，不改变书写习惯；主要书写特征被采集，且被采集的各种书写特征具有严格的相关性、较好的完整性和较高的准确性，几乎不可能被仿冒。本发明专利技术可用于各种需要进行身份识别的领域，如：电子商务，信用卡管理，门禁系统等等。（*该技术在2021年保护过期，可自由使用*）

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及一种手写体个人特征识别方法及系统，属于计算机应用领域。在已有技术中，有采用具有笔迹识别功能的LCD液晶显示屏，有采用能感应笔尖轨迹的特殊材料或采用内部具有专门感应装置的笔等等，其造价昂贵，不宜推广。中国专利CN87202995中公开了一种手写汉字识别、输入仪，它是由书写板、压力传感器组、信号处理部分、识别部分和输入部分组成。该仪器仅具有识别汉字的功能，不能用于识别签名等个人身份特征。为克服上述不足，本专利技术的目的在于提供一种识别严谨、使用方便的手写体个人特征识别方法及系统，为达到上述目的，本专利技术的基本工作原理是采集使用者对某一图形字符的手写特征并对其按一定的方法建立模型参数库，利用该参数库，对任一图形字符按一定方法进行匹配以确定该图形字符是否由同一人书写，本专利技术采用了如下的识别方法一种手写体个人特征识别方法，包括下列步骤(1)手写体特征采集通过至少三个以上且不在一条直线上的压力传感器采集使用者对某一图形或字符的手写特征信号；(2)将采集到的手写体特征信号进行放大及模数转换；(3)根据位置/时间函数及压力/时间函数关系，计算转换后的手写体特征数字信号，分别得到书写力度、书写笔迹、书写速度、书写顺序等手写体个人特征参数；(4)对上述手写体个人特征参数进行分析整理；(5)建立手写特征模型参数库；(6)设立手写体特征专家知识库，建立手写体特征判别准则；(7)判别根据手写特征模型参数库，判断在后输入的图形字符是否由同一人书写；(8)判别结果输出。根据上述识别方法，本专利技术设计了如下的识别系统手写体个人特征识别系统是由手写体特征采集器、信号处理模块、计算模块、手写体特征分析模块、判别模块、识别结果输出模块、只读存储器、可擦存储器及数据交换接口等部分组成。现结合附图对本专利技术做进一步的解释附附图说明图1为本专利技术方法步骤框图，附图2为手写体特征采集器结构示意图，附图3为手写体特征位置/时间函数关系示意图，附图4为对通过手写体特征采集器采集的数据进行位置/时间函数计算后获得的签名笔迹特征，附图5为对上述签名数据进行压力/时间函数计算获得该签名的压力特征参数曲线，附图6为本专利技术方法的最佳实施例，附图7为本专利技术系统实施例。如图1所示，一种手写体个人特征识别方法，包括下列步骤(1)手写体特征采集通过至少三个以上且不在一条直线上的压力传感器采集使用者对某一图形或字符的手写特征信号，由MCU或CPU控制压力传感器，以不低于每秒200次的速率进行数据采集；设采样频率为f，在时刻Ti，采到的压力数据可表示为{F1i，F2i，...Fni}，其中F1------在Ti时刻1号压力传感器采集的压力信号F2------在Ti时刻2号压力传感器采集的压力信号Fn------在Ti时刻n号压力传感器采集的压力信号；(2)将采集到的手写体特征信号进行放大及模数转换；(3)根据位置/时间函数及压力/时间函数关系，计算转换后的手写体特征数字信号，分别得到书写力度、书写笔迹、书写速度、书写顺序四组参数；(4)对上述四组手写体特征参数进行分析整理；(5)建立手写特征模型参数库；(6)设立手写体特征专家知识库，建立手写体特征判别准则；(7)判别根据手写特征模型参数库，判断在后输入的图形字符是否由同一人书写；(8)识别结果输出。如图2所示，为手写体特征采集器结构示意图，以手写体特征采集器使用3个压力传感器为例。附图3为手写体特征位置/时间函数关系示意图，仍以使用3个压力传感器为例假设以F9表示压力传感器9采集的压力，F10表示压力传感器10采集的压力，F11表示压力传感器11采集的压力，L表示三个压力采集点之间的距离，P表示落笔点(笔迹中的某一点)，P9表示落笔点距压力采集点9的距离，P10表示落笔点距压力采集点10的距离，由于系统具有较高的采样速率，在获得某组数据的某一时刻Ti，可视为相对静态，只要有落笔点(存在笔迹)，则F9，F10，F11，L为已知条件，根据力学平衡原理，可得F9×L+F10×L＝(F9+F10+F11)×P9F9×L+F11×L＝(F9+F10+F11)×P10即P9＝(F10+F11)/(F9+F10+F11)×LP10＝(F9+F11)/(F9+F10+F11)×L由此，可确定落笔点的准确位置。对每组数据都进行上述处理后，则书写笔迹由有限个落笔点组成，且每个落笔点可表示为{Xi，Yi，Fi，Ti}，其中Xi为相对横坐标值，Yi为相对纵坐标值，Fi为书写力度值，Ti为相对时间参数。由于系统具有较高的采样速率，可以采集到足够多的落笔点数量，这些数量的落笔点完全可以表示出书写笔迹。如附图4所示，为对通过手写体特征采集器采集的数据进行位置/时间函数计算后获得的签名笔迹特征。如图5所示，对上述签名数据进行压力/时间函数计算获得该签名的压力特征参数曲线。通过对采集到的多组数据进行整理，可得到本次手写体的压力/时间曲线，在手写体特征识别系统中，选定一个时间段(或选定某段笔迹)，通过分析其相对应的书写笔迹(或相对应的完成时间)，经算法处理可得出书写顺序特征。连续选取一定数量的落笔点，通过分析其相对应的笔迹曲线长度和完成时间并经算法处理，可得出书写速度特征。如图6所示为本专利技术方法的最佳实施例，步骤1手写体特征采集(1)通过至少三个以上且不在一条直线上的压力传感器采集使用者对某一图形或字符的手写特征信号；步骤2将采集到的手写体特征信号分别进行放大及模数转换(2)；步骤3根据位置/时间函数及压力/时间函数关系，计算转换后的手写体特征数字信号(3)，分别得到书写力度、书写笔迹、书写速度、书写顺序四组参数；步骤4对计算后得到的手写体特征参数预处理(14)，其中包括去零误差处理若系统的任一部分存在零误差，需要进行相应的处理以消除零误差的影响。去噪处理压力为随时间变化的函数，该函数在任一时刻的频率必定在可确定的范围之内。过大或过小的频率都可以认为是噪音，通过一高通滤波和一低通滤波函数将其滤去。归一化处理压力信号的幅度可能过大或过小，需要将其变换到统一的范围内方便处理。步骤5对上述手写体特征参数进行分析(4)；首先对笔迹特征和力度特征进行分析，对已有的大量数据进行分析的结果表明，出自不同人的手写体其笔迹特征和力度特征有较大的区别。若样本笔迹特征或力度特征与验证模型不符合，则可进行否定判决并输出识别结果，这样可提高系统的识别速度。若样本的笔迹特征和力度特征均符合验证模型，为提高识别精度，则进行速度特征和笔顺特征分析。手写体特征参数分析选用的参数有能量，平均能量，幅值以及随机模型的概率函数。步骤6训练/建模(13)为了获得某一验证模型，书写人可重复多次进行书写训练，采用隐马尔可夫模型和神经网络方法建模，笔迹特征、力度特征、速度特征和笔顺特征分别建模(聚类)。步骤7手写特征模型参数库(5)，将已获得的参数模型按一定的检索规律建立手写体特征参数库；步骤8手写体特征测度估计(12)，用隐马尔可夫模型建立的模型库，采用相应的隐马尔可夫模型统计方法进行分析，以求得匹配概率。用神经网络的方法建立的模型库，采用相应的方法求得匹配估计。步骤9设立手写体特征专家知识库(6)，根据实验，建立关于模型匹配的判别准则，并不断验证、改进判别准则。将每个符合验证模本文档来自技高网...

【技术保护点】
一种手写体个人特征识别方法，其特征在于：（１）手写体特征采集：通过至少三个以上且不在一条直线上的压力传感器采集使用者对某一图形或字符的手写特征信号；（２）将采集到的手写体特征信号进行放大及模数转换；（３）根据位置／时间函数及压力 ／时间函数关系，计算转换后的手写体特征数字信号，分别得到书写力度、书写笔迹、书写速度、书写顺序等手写体个人特征参数；（４）对上述手写体特征参数进行分析整理；（５）建立手写特征模型参数库；（６）设立手写体特征专家知识库，建立手写体 特征判别准则；（７）判别：根据手写特征模型参数库及手写体特征专家知识库，判断在后输入的图形字符是否由同一人书写；（８）识别结果输出。

【技术特征摘要】
【国外来华专利技术】

【专利技术属性】
技术研发人员：曾立彬，陈新，
申请(专利权)人：曾立彬，陈新，
类型：发明
国别省市：11[中国|北京]