离线签名鉴别新方法：结合轮廓LBP与共生直方图特征

"基于新轮廓特征的离线签名鉴别，通过改进的局部二值模式（LBP）和轮廓模式共生直方图特征，提高离线签名鉴别的准确性和鲁棒性，采用主成分分析（PCA）降维和支持向量机（SVM）进行测试，实现了较低的平均错误率。" 离线签名鉴别是一种广泛应用的身份验证技术，特别是在金融交易和个人身份确认中。传统的离线签名鉴别方法往往依赖于签名的笔画内部点和背景点的特征，但这些特征可能会受到噪声和环境变化的影响，导致鉴别效果不佳。针对这一问题，研究者提出了一种基于轮廓特征的新方法，以增强签名的识别能力。 局部二值模式（LBP）是一种常用的纹理描述符，能有效捕获图像的局部结构信息。然而，在离线签名中，签名笔画内部点与背景点的LBP特征相似度高，这会对签名的特征提取造成干扰。为此，研究者提出在轮廓处提取LBP直方图特征，通过新的规则剔除无用模式，提高了LBP特征的有效性和鲁棒性，降低了内部点与背景点的混淆影响。 另一方面，方向链码特征虽然在某些情况下能反映签名的形状信息，但在签名鉴别任务中可能存在局限性。为了克服这个问题，研究者引入了轮廓模式共生直方图特征，这种特征可以更全面地捕捉签名轮廓的复杂变化和模式关系，从而增强鉴别性能。 在特征融合阶段，研究者将改进的LBP特征与轮廓模式共生直方图特征结合，利用主成分分析（PCA）进行特征降维，减少了数据冗余，同时保持了主要信息。PCA可以将高维特征空间映射到低维空间，降低计算复杂度，提高模型的训练和预测效率。 最后，采用支持向量机（SVM）作为分类器，分别在MCYT和GPDS两个公开的离线签名数据库上进行测试。SVM以其优秀的分类性能和泛化能力，能够有效地利用特征进行签名鉴别。测试结果显示，该方法的平均错误率分别为13.51%和12.97%，在相同的数据集上相比其他方法，错误率更低，表明了新方法的有效性。 总结来说，该研究通过改进的LBP特征和轮廓模式共生直方图特征，结合PCA降维和SVM分类，提高了离线签名鉴别的准确性和鲁棒性，为离线签名识别领域提供了新的思路和技术手段。