基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法技术

本发明专利技术属于图像识别应用技术领域，尤其涉及一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法。本发明专利技术提供一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法，通过增加鲸鱼优化算法的惯性权重来加强算法的寻优广度和精度，再通过胶囊神经网络采用改进的鲸鱼算法输出的最优权值、阈值作为初始参数值训练模型。实验验证，改进的鲸鱼算法

【技术实现步骤摘要】
基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法


[0001]本专利技术属于图像识别应用
，尤其涉及一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法。

技术介绍

[0002]手写签名识别系统是目前文本分类中一个比较热点的方向，签名的自动验证可以在联机或脱机模式下完成。在联机过程中，签名是通过电子方式收集的，即在签名板上，并且还包含其他一些辅助信息，例如，笔向上，笔向下，压力，角度等。在离线模式下，签名是仅通过笔和纸进行收集，并且不存在辅助信息，因此脱机签名验证的功能和灵活性更少，这使过程更具挑战性。离线签名验证的目的是根据一个人的签名以及肯定或否定决策的结果来自动验证一个人。通过伪造来破坏签名验证系统是可能的。文献中主要报道了两种类型的伪造，即随机伪造和熟练伪造。在随机伪造中，所有真正的签名都被视为数据集中所有其他用户的伪造签名，而在熟练的伪造中，熟练的技术人员练习对特定人的签名进行签名。
[0003]手写签名识别系统主要涉及到图像处理、模式识别等方面的学科知识,主要包括图像预处理、信息区域定位和识别等处理过程，已被广泛应用于信息处理、身份认证和人机交互等领域。而由于现实生活中的手写签名由于签名者在签名时的心理状态及所处的环境都可能使得签名存在不同程度的差异，导致签名特征提取和特征表示是一件非常复杂的事情，因此识别的准确率不高。针对提高手写签名的识别率成为一项重要的研究热点。

技术实现思路

[0004]本专利技术针对现有手写签名识别系统的所存在的技术问题，提出一种方法简单、操作方便且能够有效对图像进行有效识别的基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法。
[0005]为了达到上述目的，本专利技术采用的技术方案为：一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法，包括以下步骤：
[0006]步骤1、初始化胶囊神经网络参数，由胶囊神经网络的参数构成鲸鱼种群；
[0007]步骤2、对胶囊神经网络参数进行实值编码，得到初始鲸鱼种群；
[0008]步骤3、计算初始鲸鱼个体适应度；
[0009]步骤4、对鲸鱼种群进行寻优更新，根据改进WOA算法更新鲸鱼种群并计算个体生成概率；
[0010]步骤5、判定是否满足终止条件，即达到给定的最大迭代次数；若满足则输出鲸鱼种群的最优个体及最优宽度、中心和权值；反之跳转到步骤4继续执行优化；
[0011]步骤6、更新胶囊神经网络的参数，即可实现对手写签名识别的识别；
[0012]其中，所述步骤4包括以下步骤：
[0013]步骤4.1、差分算法通过差分变异得到新个体，使得算法可以从局部最优点跳出；
[0014]步骤4.2、对鲸鱼算法的变异、交叉操作过程进行优化；
[0015]步骤4.3、进行权值位置更新。
[0016]作为优选，所述步骤3中，初始鲸鱼个体适应度的计算公式为：
[0017][0018]其中，Y
ij
为胶囊神经网络输出的预测值，为待测样本空间的理论实际值，k为训练样本总数，m为胶囊神经网络输出层神经元个数。
[0019]作为优选，所述步骤4.1为：
[0020]差分算法通过差分变异得到新个体，使得算法可以从局部最优点跳出；
[0021]假设待捕猎物是当前的最优个体，其数学模型为：
[0022]X(t+1)＝Xp(t)
‑
A*|C
[0023]式中：X(t)是代表个体位置的向量；t代表当前迭代次数；Xp代表猎物的位置向量。
[0024]作为优选，所述步骤4.2的具体操作方法为：
[0025]假设针对每一个目标个体X(i＝1,2,3...,N)从当前代G中随机选择3个没有相同点的个体进行变异，相关函数表达式为：
[0026]v
i,G+1
＝X
r1,G
+F
×
(X
r2,G
‑
X
r3,G
)
[0027]其中，为任意整数，并且满足r1≠r,r2≠i；F为缩放比例因子，大小在[0，1]范围内，这里取0.5；基于差分进化鲸鱼算法的交叉操作中，为实现目标个体的x
i,G
(i＝1,2,...,N)进化，通过交叉操作，随机选择可使试验向量中至少含有一个贡献的目标个体X
i,G
，通过贡献的目标个体改变种群。具体公式为：
[0028][0029]式中，为矩形分布的任意数；为任意整数；
[0030]为交叉概率。
[0031]与现有技术相比，本专利技术的优点和积极效果在于：
[0032]本专利技术提供一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法，通过增加鲸鱼优化算法的惯性权重来加强算法的寻优广度和精度，再通过胶囊神经网络采用改进的鲸鱼算法输出的最优权值、阈值作为初始参数值训练模型。实验验证，改进的鲸鱼算法
‑
胶囊神经网络方法相比传统的方法在收敛速度和预测精度方面都有更优的表现。
附图说明
[0033]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术提供的整体流程图；
[0035]图2为本专利技术提供的实验结果图；
[0036]图3为本专利技术提供的模型训练对比图。
具体实施方式
[0037]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和实施例对本专利技术做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0038]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用不同于在此描述的其他方式来实施，因此，本专利技术并不限于下面公开说明书的具体实施例的限制。
[0039]实施例，首先建造手写签名数据集，在本实施例中，收集500张有手写签名的A4纸，用于测试本文方法对手写签名识别的准确率，总共有3500个签名。首先将手写签名图像作为下一步待切割的图像，将待识别的手写签名信息区域进行切割和提取，获取单独的手写签名图像，然后将所有图像统一到224*224大小。
[0040]初始化胶囊神经网络参数，由胶囊神经网络的参数构成鲸鱼种群；
[0041]胶囊神经网络的结构：将大小为224
×
224的输入图像首先经过经典的卷积操作，将卷积操作得到的数据用于基础胶囊的构建，基础胶囊通过路由算法将数据路由到下一层(笔迹胶囊)中对应胶囊，最后使用两个全连接层完成图像解码与重建图像。
[0042]对胶囊神经网络参数进行实值编码，得到初始鲸鱼种群；
[0043]对胶囊神经网络进行初始网络训练得到网络宽度、中心和权值，进行实值编码，将每个胶囊神经网络作为鲸本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法，其特征在于，包括以下步骤：步骤1、初始化胶囊神经网络参数，由胶囊神经网络的参数构成鲸鱼种群；步骤2、对胶囊神经网络参数进行实值编码，得到初始鲸鱼种群；步骤3、计算初始鲸鱼个体适应度；步骤4、对鲸鱼种群进行寻优更新，根据改进WOA算法更新鲸鱼种群并计算个体生成概率；步骤5、判定是否满足终止条件，即达到给定的最大迭代次数；若满足则输出鲸鱼种群的最优个体及最优宽度、中心和权值；反之跳转到步骤4继续执行优化；步骤6、更新胶囊神经网络的参数，即可实现对手写签名识别的识别；其中，所述步骤4包括以下步骤：步骤4.1、差分算法通过差分变异得到新个体，使得算法可以从局部最优点跳出；步骤4.2、对鲸鱼算法的变异、交叉操作过程进行优化；步骤4.3、进行权值位置更新。2.根据权利要求1所述的基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法，其特征在于，所述步骤3中，初始鲸鱼个体适应度的计算公式为：其中，Y
ij
为胶囊神经网络输出的预测值，为待测样本空间的理论实际值，k为训练样本总数，m为胶囊神经网络输出层神经元个数。3.根据权利要求2所述的基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法，其特征在于，所述步骤4.1为：差分算法通过差分变异得到新个体，使得算法可以从局部最优点跳出；假设待捕猎物是当前的最优个体，其数学模型为：X(t+...

【专利技术属性】
技术研发人员：冯炫，屈瑶，严宁，兰巍，郭强，
申请(专利权)人：陕西建材科技集团股份有限公司，
类型：发明
国别省市：