离线手写体笔迹鉴别方法研究
《蒙古文脱机手写识别研究》范文
《蒙古文脱机手写识别研究》篇一一、引言随着信息技术的快速发展，手写识别技术逐渐成为人工智能领域的研究热点。
蒙古文脱机手写识别作为该领域的重要分支，具有广阔的应用前景。
本文旨在探讨蒙古文脱机手写识别的研究现状、方法及挑战，以期为相关研究提供参考。
二、蒙古文脱机手写识别的研究背景与意义蒙古文作为一种独特的文字系统，具有丰富的文化内涵和历史价值。
然而，随着科技的发展，蒙古文的书写方式逐渐向数字化转变。
脱机手写识别技术能够实现对蒙古文手写文字的自动识别，对于推动蒙古文化传承、提高书写效率、促进信息化建设具有重要意义。
三、蒙古文脱机手写识别的研究现状目前，蒙古文脱机手写识别技术已取得一定成果。
研究方法主要包括特征提取、模型训练和识别算法等。
其中，特征提取是关键步骤，需要从手写文字中提取出能够反映文字特征的向量；模型训练则需要利用大量标注数据训练出能够准确识别文字的模型；识别算法则需要根据具体应用场景选择合适的算法。
此外，研究者们还在不断探索新的方法和技术，如深度学习、神经网络等，以提高蒙古文脱机手写识别的准确率和效率。
四、蒙古文脱机手写识别的技术研究在特征提取方面，研究者们采用多种方法提取手写文字的特征，如笔画特征、结构特征、形态特征等。
这些特征能够有效地反映手写文字的形态和结构，为后续的识别提供重要依据。
在模型训练方面，研究者们利用大量标注数据训练出能够准确识别蒙古文手写文字的模型。
这些模型通常采用机器学习算法或深度学习算法，能够自动学习和提取手写文字的特征，提高识别的准确率。
在识别算法方面，研究者们根据具体应用场景选择合适的算法。
例如，在离线手写识别中，研究者们采用基于模板匹配的算法或基于神经网络的算法；在线手写识别则更加注重对手写过程的动态分析和建模。
五、挑战与展望尽管蒙古文脱机手写识别技术取得了一定成果，但仍面临诸多挑战。
首先，手写文字的多样性使得特征提取和模型训练的难度较大；其次，标注数据的获取和处理也是一项复杂而繁琐的工作；此外，现有算法在处理复杂场景和多种字体时仍存在一定局限性。
基于LBPC和LCPC特征的离线签名鉴别方法研究
（2）在分析传统轮廓方向特征描述的基础上，提出基于 LCPC 的直方图特 征。传统轮廓方向链码特征只统计连续三个像素点的所有变化，其在描述笔画习 惯存在局限性。本文对基本轮廓模式进行分析，并引入了模式共生的概念，提出 了 LCPC 统计直方图特征。同样为提取局部位置信息，将 LCPC 特征与网格特征 进行了融合。
III
目录
第 1 章 绪论 .................................................................................................................1 1.1 研究背景及意义 ............................................................................................1 1.2 离线签名鉴别研究现状 ................................................................................3 1.3 主要研究内容及论文结构 ............................................................................8
《蒙古文脱机手写识别研究》范文
《蒙古文脱机手写识别研究》篇一一、引言随着信息技术的快速发展，手写识别技术已成为一项重要的研究领域。
特别是在少数民族语言环境中，如蒙古文等，脱机手写识别技术的发展具有更重要的意义。
此技术能够帮助我们更快速、更准确地获取和处理蒙古文手写信息，从而提高文字处理的效率和准确性。
本文将对蒙古文脱机手写识别的相关研究进行详细的阐述和分析。
二、蒙古文脱机手写识别的背景和意义蒙古文作为一种独特的文字系统，其书写风格和结构具有鲜明的民族特色。
然而，由于手写文字的多样性和复杂性，蒙古文手写识别的准确性和效率一直是研究的难点。
脱机手写识别技术可以在不依赖于任何书写工具或设备的条件下，通过对手写文字的分析和识别，实现对文字的输入和转化。
这对于提高蒙古文信息处理的速度和准确性具有重要意义。
三、蒙古文脱机手写识别的技术方法（一）特征提取特征提取是蒙古文脱机手写识别的关键步骤之一。
通过对手写文字的形状、结构、笔画等特征进行提取，可以有效地提高识别的准确性和效率。
目前，常用的特征提取方法包括基于像素的方法、基于轮廓的方法、基于笔画的方法等。
（二）分类器设计分类器是蒙古文脱机手写识别的核心部分。
通过对提取的特征进行分类和判断，可以实现对手写文字的识别。
目前，常用的分类器包括神经网络、支持向量机、决策树等。
其中，神经网络在蒙古文脱机手写识别中具有较好的应用效果。
（三）识别算法优化为了提高蒙古文脱机手写识别的准确性和效率，需要不断对识别算法进行优化。
这包括对特征提取方法的改进、对分类器参数的调整、对算法运行速度的优化等。
同时，还需要考虑算法在实际应用中的可扩展性和可移植性。
四、蒙古文脱机手写识别的研究现状和挑战目前，蒙古文脱机手写识别技术已经取得了一定的研究成果。
然而，由于手写文字的多样性和复杂性，以及蒙古文独特的书写风格和结构，该技术的研发仍然面临诸多挑战。
这包括如何提高识别的准确性和效率、如何处理手写文字的噪声和变形、如何实现算法的实时性和可靠性等。
基于机器学习的离线手写字符识别技术研究
基于机器学习的离线手写字符识别技术研究近年来，随着机器学习的兴起，各种基于机器学习的技术也逐渐涌现。
离线手写字符识别技术就是其中一种重要的应用场景。
离线手写字符识别技术能够识别手写文本中的字符，将其转换为计算机可读取的形式，从而实现文字识别、字体转换等功能。
在现代社会中，离线手写字符识别技术被广泛应用于银行、邮政、快递、物流、防伪等领域。
一、离线手写字符识别技术的现状目前，离线手写字符识别技术的应用场景已经非常广泛，但是其效果却有待提高。
手写字符涉及到人类，所以没有固定形状和大小，这也给字符识别带来了困难。
而且，手写字符出现频率不高，导致数据样本比较少，这也会影响到识别的准确率。
二、基于机器学习的离线手写字符识别技术原理机器学习是指计算机通过大量的数据进行学习和训练，从而得到事物之间的相关规律和规律之间的关系。
这种方法十分适合于离线手写字符识别技术的应用场景。
机器学习的过程可以分为数据预处理、特征提取、模型训练和模型评估四个部分。
数据预处理：将离线手写字符转换成数字矩阵，便于计算机处理。
数字矩阵中的每一个元素代表字符的一个像素，值为0或1。
特征提取：选取特定的像素位置，并将其数值组合成特征向量，然后将多个特征向量合并，形成一个特征矩阵。
模型训练：选定合适的机器学习算法，对特征矩阵进行训练。
常用的机器学习算法包括支持向量机、随机森林、神经网络等。
模型评估：使用测试集对模型进行评估，得到模型的准确率、召回率、F1分数等指标。
通过以上过程，机器学习就可以生成一个可以识别离线手写字符的模型。
三、目前的离线手写字符识别技术存在的问题虽然基于机器学习的离线手写字符识别技术已经在一定程度上解决了问题，但是仍然存在许多问题。
首先，基于机器学习的离线手写字符识别技术需要大量的数据集来训练模型。
但是，在实际应用中，手写字符数据集往往较小，难以满足训练数据的需求，从而影响模型的精度和可靠性。
其次，由于手写字符不具有固定的形状和大小，而且人类写字的习惯也不同，所以同一字符出现的形状和大小也不同。
《蒙古文脱机手写识别研究》范文
《蒙古文脱机手写识别研究》篇一一、引言在信息技术高速发展的今天，计算机手写识别技术逐渐成为了研究的热点之一。
对于具有独特书写体系的蒙古文而言，脱机手写识别技术的发展尤为关键。
蒙古文因其独特性和复杂性，其识别率直接影响到文字信息化的效率和准确性。
本文旨在深入探讨蒙古文脱机手写识别技术的研究现状及前景，以期为相关研究提供理论依据和技术支持。
二、蒙古文脱机手写识别的现状蒙古文脱机手写识别技术的研究始于上世纪末，经过多年的发展，已经取得了一定的成果。
然而，由于蒙古文书写风格的多样性和复杂性，以及书写工具、纸张等外部因素的影响，使得蒙古文脱机手写识别的准确率仍有待提高。
目前，蒙古文脱机手写识别技术主要面临以下几个问题：1. 识别准确率有待提高。
受书写风格、字形变化等因素的影响，蒙古文手写识别的准确率仍然较低。
2. 算法复杂度高。
为了满足识别准确性的要求，现有算法通常较为复杂，导致处理速度较慢，难以满足实时应用的需求。
3. 缺乏标准化数据集。
蒙古文手写识别的研究需要大量的训练数据，而目前缺乏标准化、公开可用的数据集，制约了研究的进展。
三、蒙古文脱机手写识别的技术研究针对上述问题，本文提出以下几种可能的解决方案和技术研究方向：1. 深度学习技术的应用。
深度学习在图像识别领域取得了显著的成果，可以尝试将深度学习技术应用于蒙古文脱机手写识别中，提高识别准确率。
2. 特征提取技术的改进。
针对蒙古文书写风格的多样性，可以通过改进特征提取技术，提取更具有代表性的特征，提高识别的准确性。
3. 构建标准化数据集。
为了促进蒙古文脱机手写识别技术的发展，需要构建标准化、公开可用的数据集，为研究提供充足的数据支持。
4. 优化算法设计。
针对算法复杂度高的问题，可以通过优化算法设计，降低算法复杂度，提高处理速度，满足实时应用的需求。
四、研究前景随着信息技术的不断发展，蒙古文脱机手写识别技术具有广阔的应用前景。
未来可以尝试将该技术应用于以下领域：1. 文字输入领域。
脱机手写体汉字识别方法的研究的开题报告
脱机手写体汉字识别方法的研究的开题报告题目：脱机手写体汉字识别方法的研究一、研究背景及意义手写体汉字是中文书写的重要形式之一，但由于每个人的书写习惯、风格不同，手写体汉字的识别一直是计算机视觉领域的难点之一。
这个问题一直对文字识别、自然语言处理等相关领域的研究产生了重要影响。
目前，随着深度学习技术的发展，手写体汉字的识别也变得更加准确和实用。
然而，传统的在线手写字识别中，需要使用笔尖及其在纸面上留下的轨迹，以便更好地确定书写者所书写的汉字。
这种方法虽然准确度很高，但是可能不太适用于一些场景，比如智能手机、平板电脑等移动设备，因为这些设备没有任何手写笔在运动时留下的轨迹信息。
因此，脱机手写体汉字识别，作为一种新型的处理方式，目前正受到越来越多的关注。
本研究旨在探索脱机手写体汉字识别的新方法，以提升其准确性和实用性，为汉字信息处理领域的发展做出积极的贡献。
二、研究内容和方法本研究将主要聚焦以下三个方面：1. 脱机手写体汉字数据集的建立。
由于缺少足够的脱机手写体汉字数据集，本研究将首先建立一个大规模的脱机手写体汉字数据集。
我们将利用现有的在线手写体汉字数据集，并利用一系列的前后处理方法，转化为具有脱机手写体的特征的数据集。
我们将针对该数据集，开展进一步的识别实验，以评估我们的算法性能。
2. 脱机手写体汉字特征提取方法研究。
本研究将基于深度学习技术对脱机手写体汉字中的特征进行提取。
具体来说，我们将采用卷积神经网络（CNN）和循环神经网络（RNN）等算法，来设计和优化脱机手写体汉字的特征提取模型。
3. 脱机手写体汉字识别算法研究。
我们将利用深度学习的技术，开发具有高准确率，高稳定性，和高实用性的脱机手写体汉字识别算法。
我们将首先对所建立数据集进行批量测试，以评估我们算法的实际应用性能，并与现有手写体识别方法进行对比。
三、预期成果本研究预期的主要成果包括以下内容：1. 脱机手写体汉字数据集的建立，该数据集包含样本的数量和种类均达到了先进水平。
基于深度学习的离线手写签名真伪识别方法
基于深度学习的离线手写签名真伪识别方法作者：胥玉龙张永梅滑瑞敏来源：《电脑知识与技术》2019年第15期摘要：针对手写签名样本数据量少、需要较高准确率的特点，设计了一种基于弹性网格的Gabor特征提取结合卷积神经网络的离线手写签名内容识别方法，利用仿射变换扩展数据集，基于弹性网格提取Gabor特征，训练带有BN层和Dropout层的卷积神经网络进行签名内容分类。
提出了一种LBP特征提取算法结合深度置信网络的离线手写签名真伪识别方法，分块提取LBP直方图特征，进行特征合并，训练由三层受限玻尔兹曼机堆叠而成的深度置信网络进行签名真伪识别。
实验结果表明，该方法可以有效提高离线手写签名分类和真伪识别的准确率，并减少了过拟合现象的发生。
关键词：弹性网格;Gabor特征;卷积神经网络;深度置信网络;离线手写签名中图分类号：TP391 ; ; ; ;文献标识码：A文章编号：1009-3044（2019）15-0228-05Abstract： Considering less sample data quantity and higher accuracy in handwritten signature，design an off-line handwritten signature content identification method combined with Gabor feature extraction based on spring mesh and Convolutional Neural Networks （CNN）. The data sets are extended by affine transformation， Gabor features are extracted based on spring mesh， and CNNwith the BN layer and the Dropout layer is trained for signature content classification. An LBP featureextraction algorithm in combination with Deep Belief Networks （DBN） offline identification for signature authenticity method is proposed. LBP histogram features are extracted on the block and merged， and the DBN formed by the three-layer Restricted Boltzmann Machines is trained for signature authenticity. The experiment results show the methods can effectively improve the accuracy of off-line handwritten signature classification and authenticity， and reduce the occurrence of overfitting phenomenon.Key words： spring mesh; Gabor features; Convolutional Neural Networks; Deep Belief Networks; off-line handwritten signature1 引言身份鉴别手段，文字书写具有通用性、独特性、易获取等优点，因而在用户中易于推广普及。
脱机手写体汉字识别技术研究
脱机手写体汉字识别技术研究[摘要]脱机手写体汉字识别是汉字高速、自动输入计算机的重要手段，是智能计算机接口的一个重要组成部分，在文献检索、办公自动化、邮政系统、银行票据处理、表格录入及盲人阅读机等方面有着广阔的应用前景。
脱机手写体汉字识别因其自身的复杂性，使得系统的实现具有很大的困难，目前还没有十分成熟的产品，是一门待发展的技术，因此它成为了国内外研究的热点。
[关键词]脱机手写体汉字识别特征提取分类器脱机手写体汉字识别是从扫描仪或数字式照相机等图像输入设备获取已经写好的文件或单据后，再对全文进行手写汉字或符号的识别，并将结果输入到计算机中存档。
一、研究现状及技术困难(一)研究历史及现状。
对汉字识别研究最早的是美国IBM公司的Casey和Nagy，1966年他们发表了第一篇关于汉字识别的文章，用模板匹配法识别1000个印刷体汉字，从此在世界范围内拉开了汉字识别研究的序幕。
手写体汉字识别的研究最早始于20世纪70年代中期的日本，我国则在80年代初期开始进行手写体汉字识别的研究。
目前进行手写体汉字识别研究的国家和地区主要集中在中国、日本、中国台湾、美国和加拿大，实际应用水平最高的首推日本。
尽管一些实验系统已经达到了较高的识别率，然而这些系统性能的好坏在很大程度上依赖于手写汉字样本质量，绝大多数对书写的规范性都有较严格的要求。
因此，可以说脱机手写体汉字识别目前仍然处于实验阶段，要研制出通用性高、性能稳定的实用系统，则是任重而道远。
(二)面临的技术困难。
脱机手写体汉字识别技术中存在的困难是多方面的。
就识别对象本身而言，客观上的技术困难主要有：1．汉字类别多。
国标一级汉字3755个。
二级汉字6763个。
2．汉字字形结构复杂。
平均每个汉字的笔划数约为11，不可避免会带来一些障碍，如连笔、笔划不清、畸变等。
3．汉字集合中相似字较多，手写时变形的存在，产生较印刷体更多的相似字。
4．手写体汉字的变形因人而异，差别很大，具体表现在以下方面：①基本笔划变化，横不平，竖不直，直笔变弯，折笔的拐角变成圆弧等；②笔划模糊，不规范，该连的不连，不该连的却相连；③笔划与笔划之间、部件与部件之间的位置发生变化；④笔划的倾斜角、笔划的长短、部件的大小发生变化：⑤笔划的粗细变化，主要由于不同人使用不同的书写笔。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
,,, =
,
,
2 + dd,
式中 ： , ——Gauss 函数，可以是 圆对称或椭 圆形不变 形式 的。 以圆对称 不变形式的 为例，其脉 冲响应函数 为
, = 2+ 2 22
2
0 +0
其相应的频率转移函数是
, =2 2
0 2+
2 0
，其中 = 2 1 2 2
其二维 Gabor 滤波器的 数学模型[22]如下
(4) 笔段方 向直方图法：思想是 把每份笔迹图像分 成若干 幅子图像，图像经细化后断开 所有交叉点，成为互不相连的笔 段，再把笔段量化到几个不同 的方向，然后对每个方向上的笔 段长 度进行直 方图统计。文献[9]对 每个方向上 的笔段长 度取 16 个值，这样 直方图有 8*16 个数据 ，对每个方向上 16 个 数据 压缩 到 3 维，这样特征 总共有 8*3=24 维。分别 用均值最 小距 离法 、K-NN 近邻法和 Bayes 准则，结果 K-NN 法（K=3）的 识别 率最 高达 92.5 %，当特征 维数为 128 维 时，用 K-NN 近邻 法的 识别 率为 99.9 %。文献 [10]对笔划方 向角进行 直方图统计 ，然 后用多 项式拟合压缩数据到 15 维，对 20 人书写的 800 份笔迹 进行 分类，识别 率为 96.3 %。
（1）
－ 2582 －
, , = , , • cos 2 cos + sin
, , = , , • sin 2 cos + sin
（2）
, , = 2 1 2 • exp
+2 2 22
式中： , , ——Gauss 函数， ——方向参数，——中心频率，
—— 空间常数， , ——表示奇 、偶 Gabor 滤 波器。
3 特征提取
描述、提取笔迹特征是笔迹鉴别的研究重点和难点之一。 3.1 文 本独立 的方 法
文本独立特征反映了一个人书写的整幅布局特征或字符 大 致形态，倾 斜和方位等 ，提取的是 与字符无关 的特征。常用 的提取方法有变换法[5]、自相关法[5]和基于直方图统计法（如游 程长度 直方图法[6]、笔段长 度直方图法[9]、笔段 方向直方图法[10]
图 6 笔迹经预处理后的分割效果
等）、基于纹理 分析的方法（如多通道 Gabor 滤波器[2 、灰 ,22] 度共 生矩阵方法[4]、小波变换法[3]等）、文本线方法（以由 4 条文本线 确定 的 3 个区域 高度为特征 ，只对西文 适用）等。
(1) 变换法：也叫 谱分析法，如 Fourier 变换、Walsh 变 换、 Gabor 变换 等。基本 思想是计算 二值图像的 Fourier 功率 谱， 用区域平均、Legendre 多项式或余弦基函数拟合的方法对功率 谱系数进行数据压缩得到特征矢量，文献[5]用最小距离分类， 平均 识别率为 90 %以上。
(2)自相关函数法：思想是计算图像的自相关值，文献[5]取 位 移较小的 16*16 个 值作为特 征，用 20 个人 书写的 800 份 （20*40）笔迹进行了试验，用最小距离分类，平均识别率达 95 %。
(3) 游 程直方图法：思想是对笔迹图像进行水平和垂直方 向扫描，计算白象链游程直方图，该直方图基本上反映了书写 的整体特征。文献 [6] 用水平游程直方图的差的绝对值作为距 离度量，把同一人笔迹的距离归一化到 100，则发现不同人笔迹 之间的最小距离为 150，从而识别率达 100 %；垂直游离直方图 的距离度量是先将直方图平方后再对绝对值求和，实验结果是 7 人中有 5 人能正确识别，从而识别率达 71 %。文献[7,8]分别在 该算法思想的指导下，进行了实验，正确鉴别率都达 90 %以上。
3. 南宁职业技术学院 计算机系，广西 南宁 530004)
摘 要 ：笔 迹鉴 别可 分为在 线、离 线两 种。主 要针对 现有 的离线 手写体 笔迹 鉴别方 法展 开研究 ，重 点集中 在笔 迹图像 预处 理、 特 征提取 、分类 、鉴 别过程 和效 果评价 等方 面，探 讨了各 种方 法的优 点和 不足，并提出 了今 后一些 可能 的研究 方向 和内容 。 关 键词 ：笔 迹 鉴别 ; 预处 理; 特征 提取 ; 分 类器 ; 纹理 中 图法 分类 号 ：TP391.43 文献 标识 码 ：A 文 章编 号：1000-7024 (2006) 14-2581-04
(5) 全局纹 理分析法：思想是将 笔迹视为图 像纹理，利用 纹理分析的方法提取笔迹纹理特征并进行鉴别,是目前研究的 热点 。该方法 的最大优越 性在于鉴别 的文本无 关性，即 不要 求鉴 别的文字 完全相同，这就大大 地提高了鉴 别算法的 适用 范围 和实用性 。文献 [18] 使用 19 个 人的不同 笔迹进行实 验， 采用 游程长度 分析法来提 取纹理特征 ，用欧氏 距离分类 器完 成识 别工作，取 得了较好 的效果。除 灰度统计 直方图法、自相 关函数法、灰度共生矩阵和灰 度差分统计、灰度游程长度直方 图法 外、如基于 快速 Gabor 的多通道 滤波算法 、基于小波 分析 的算 法等成为 当前研究和 应用的热点 。当然还 有许多针 对不 同文 字和应用 场合的一些 改进算法[20]，Gabor 小 波变换是 一种 多通 道信号分 解，其函数 为
Abstract：According to the differences of applications and identifying objects, writer identification (WI) is classified into on-line and Off-line. The methods of off-line identification of handwriting are summarized, especially the techniques of handwriting image preprocessing, feature extracting, classifying, result evaluating, their advantages and disadvantages. Finally some research topics for the future are suggested. Key words：writer identification (WI); preprocessing; feature extracting; classifier; texture
0引 言
计算机笔 迹鉴别 (writer identification，WI)，是通过 机器来 分 析、比对不同 人书写相同 单字 (特征字 ) 或整体笔迹 风格的 差 异特征来识 别书写者的 过程，就像语 音、指纹、虹膜 和脸谱 等 生物特征识 别技术一样 ，广泛应用于 公安、司法、金 融和考 古 学等领域。具有鉴 别快、效率 高、不受文 检人员主观 因素的 影响等特点，还能够自动地对书写人及其笔迹信息进行处理、 归档和建库等。
Research on methods of off-line handwriting writer identification
WANG Feng-ling1,3, LIU Lian-fang2, JIANG Zong-li1, GAO Wei-feng2 (1. School of Computer, Beijing University of Technology, Beijing 100072, China；2. Pingsoft New Technology Company Limited, Nanning 530004, China；3. Department of Computer, Nanning Polytechnic College, Nanning 530004, China)
－ 2581 －
笔迹样本
图像输入、预处理
特征提取
笔迹样本 特征码
专家的进 一步验证
鉴别结果
模式匹配
笔迹样本 数
图像
据 库
笔迹检材
图像输入、预处理特征Fra bibliotek取图 3 笔迹鉴别系统流程
书写人 信息
2 笔迹图像的获取、预处理
将手写体笔迹样本按 100_dpi 的分辨率（大于）、RGB 格式 通过扫描仪输入计算机，然后按位图（BMP）格式储存到笔迹样 本数据库，建立书写人基本信息表时要求确保书写人基本信息 与其书写的一份或多份笔迹特征信息相互关联。采集的笔迹样 本图像如图 4 所示。从时间和空间的有效性等方面综合考虑， 经多次测试，通常按 100_dpi 的分辨率扫描笔迹图像，即可很好 地反应书写者的整体书写风格特征，而对于文本依存的特征单 字的应用，通常按 300_dpi 进行扫描可更好的反应局部特征。
第 27 卷 第 14 期 Vol. 27 No. 14
计算机工程与设计
Computer Engineering and Design
2006 年 7 月 July 2006
离线手写体笔迹鉴别方法研究
王凤 岭 ， 1,3 刘 连芳 2， 蒋宗礼 1， 高伟锋 2 (1．北京工业大学 计算机学院，北京 100072；2．南宁市平方软件新技术有限责任公司，广西 南宁 530004；
手写体笔迹鉴别通常有两种方式[1]：一种是直接比较两份 手写体笔迹，确定他们是否为同一个人所写；另一种是从不同 人书写的参考笔迹（又称样本）中找出与检验笔迹（又称检材） 的 书写风格最 接近的样本 。通常 ，视不同的 场合，研究 侧重点 不同。根据笔迹信息的采样方式可以分为在线和离线两类， 前者除静态特征信息外，还可以采集书写的序列、压力和速度 等 动态信息，而后者 的鉴别对象 是写在纸 质上的静态 手写体 笔 迹信息。根据所考 察的对象和 提取的特 征分为文本 依存和 文本独立两类，前者是针对相同的特征单字进行鉴别，通常可 以 提取更多的 特征信息，如图 1 所示。后 者是从大量 字符集