基于深度學(xué)習(xí)的筆跡性別識(shí)別

劉維達(dá)+卜巍+鄔向前

摘要：筆跡性別識(shí)別在取證分析中具有重要意義。近年來(lái)，雖然筆跡性別識(shí)別獲得了越來(lái)越多的關(guān)注，但是目前提出的算法都基于人工設(shè)計(jì)的特征，難以準(zhǔn)確地表達(dá)筆跡包含的信息，因而準(zhǔn)確率較低。針對(duì)這個(gè)問(wèn)題，本文提出了一種基于深度學(xué)習(xí)的筆跡性別識(shí)別方法，使用深度學(xué)習(xí)caffe工具，將預(yù)處理后的筆跡圖像輸人本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)。本文首先提取筆跡圖像的每個(gè)單詞，然后取單詞的不同全排列拼接成基礎(chǔ)圖，接著按照固定的大小從基礎(chǔ)圖截取材料圖，最后以材料圖為輸入數(shù)據(jù)，以包含7個(gè)卷積層的網(wǎng)絡(luò)為模型進(jìn)行分類(lèi)。本文的方法在IAM On-Line公開(kāi)數(shù)據(jù)庫(kù)上進(jìn)行了測(cè)試，取得了較高的識(shí)別率。

關(guān)鍵詞：筆跡；性別識(shí)別；深度學(xué)習(xí)

0引言

近年來(lái)，由于在數(shù)據(jù)挖掘、取證分析、文檔授權(quán)和判斷真實(shí)歷史筆跡等方面的應(yīng)用，筆跡分析變得愈加重要。人類(lèi)學(xué)習(xí)寫(xiě)字從模仿他人開(kāi)始并逐漸形成自己的筆跡風(fēng)格，在這個(gè)過(guò)程中，性別的影響是不容忽視的。Beech和Mackintosh研究了激素和筆跡風(fēng)格的關(guān)系，由此發(fā)現(xiàn)產(chǎn)前激素對(duì)女性的筆跡風(fēng)格有很大的影響。Mergl和Tigges的研究表明男性筆跡和女性筆跡存在明顯差異，女性的筆跡更加易讀，更加整潔和有組織性，而男性筆跡更加潦草，會(huì)出現(xiàn)更多的錯(cuò)誤。

目前筆跡性別識(shí)別的方法有：基于梯度的識(shí)別算法GLBP，提取圖像的HOG特征并結(jié)合根據(jù)LBP算子提取的梯度特征來(lái)支持處理識(shí)別，使用SVM進(jìn)行分類(lèi)，獲得了75.45%的準(zhǔn)確率：基于局部特征的識(shí)別算法，設(shè)計(jì)塊特征計(jì)算密度并提取多種LBP特征和HOG特征加入研發(fā)識(shí)別，使用SVM進(jìn)行分類(lèi)，獲得了70%的準(zhǔn)確率；基于GMM的識(shí)別算法，將局部特征和全局特征融合進(jìn)行分類(lèi)，獲得了67.57%的準(zhǔn)確率。雖然現(xiàn)有的方法可以在一定程度上識(shí)別作者性別，但是由于這些特征表達(dá)的筆跡信息不準(zhǔn)確，識(shí)別率一直并不理想。而深度神經(jīng)網(wǎng)絡(luò)能夠自主學(xué)習(xí)特征，并且在人臉識(shí)別、物體的檢測(cè)識(shí)別系統(tǒng)方面取得了堪稱(chēng)優(yōu)良的效果，因此本文研發(fā)設(shè)計(jì)了一個(gè)深度適中的網(wǎng)絡(luò)對(duì)筆跡進(jìn)行性別分類(lèi)。

1圖像預(yù)處理

IAM On-Line數(shù)據(jù)庫(kù)提供了筆跡圖像按行分割的結(jié)果，圖1為一幅筆跡圖像按行分割的8幅圖像。訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)，而IAM中的筆跡圖像不到兩萬(wàn)幅，直接使用數(shù)據(jù)庫(kù)中的圖像顯然不能滿(mǎn)足要求，所以本文將這些圖像經(jīng)過(guò)一系列處理，生成了大量圖像。