筆跡可視化處理的技術路徑及其應用

秦 曄

（中南財經(jīng)政法大學刑事司法學院 湖北 武漢 430073）

1 引言

近年來，筆跡檢驗領域大量使用先進檢驗設備，檢驗過程基本實現(xiàn)影像化，形成各種類型的圖像資料，這些圖像資料即為筆跡可視化處理的基礎。換言之，筆跡可視化處理的對象即是筆跡檢驗中形成的電子化圖片資料。通過對筆跡檢驗中形成的圖像資料進行數(shù)據(jù)化處理和三維建模，可實現(xiàn)對筆跡的三維觀測，多角度直觀呈現(xiàn)檢驗過程中特征點的提取、差異點的分析和比對，還原或者模擬筆跡書寫過程，破解筆跡檢驗“過程黑盒”，同時也可為鑒定人出庭示證提供有力支撐。筆跡可視化處理的技術路徑包括圖像預處理、筆跡特征結(jié)構化轉(zhuǎn)換與數(shù)據(jù)化計算兩個步驟。為便于論述，本實驗選取字跡為“張楊”的簽名筆跡作為實驗材料（該項實驗材料源于真實案例，系某起貪污案件中的筆跡檢驗，其實驗結(jié)果也被應用于實際檢驗和示證環(huán)節(jié)，很好地印證了技術路徑的可行性。鑒于案件保密要求，對“張楊”簽名筆跡材料進行去密處理后作為論述對象），重點論證筆跡檢驗可視化處理的最優(yōu)路徑、操作方法及筆跡特征點的標注方法。

2 筆跡檢驗圖像預處理的路徑分析

筆跡檢驗圖像預處理是為了獲取更好的圖像效果并鎖定可視化處理區(qū)域，而對筆跡原始圖像所做的一系列優(yōu)化處理。筆者通過實驗分析，將圖像預處理路徑劃分為圖像處理和字符拆分兩部分，以“張楊”簽名字跡為例論述，并以此具體闡述圖片處理的必要性和字符拆分規(guī)則。

2.1 圖像二值化和濾波處理

由于紙張的材質(zhì)、檢驗時的光照及圖片中的噪聲，會產(chǎn)生大量無用的特征點，影響后續(xù)特征點提取的準確性。因此，需要對原始圖像進行二值化處理，使整個圖像區(qū)域呈現(xiàn)出明顯的黑白效果。經(jīng)過圖像二值化處理，圖片中無用的數(shù)據(jù)量大幅減少，進而能夠凸顯目標輪廓。

圖1（a）為原始輸入圖像，受紙張材質(zhì)、光照等因素影響，字跡周圍散布大量墨點，因紙張材質(zhì)的凹凸形成了一些溝痕，光照也影響了部分筆畫的清晰度。計算機對特征點的捕捉不同于人的觀察，至少到目前為止是無法自動過濾無用特征點的，因此，有必要通過圖片二值化的方法將無用特征點去除。圖1（b）是對原始圖像二值化處理后的圖像，已經(jīng)去除了紙張、墨跡和光照等干擾因素，字跡特征點更加突出。

圖1 圖像二值化處理

圖像數(shù)據(jù)二值化處理后，對圖片進行濾波處理，二值化處理主要是針對外在影響筆跡清晰度的因素，而濾波處理主要針對數(shù)字圖像系統(tǒng)本身影響筆跡清晰度的因素，即圖像噪音。圖像噪音是在電子圖像形成過程中產(chǎn)生的無用的或者多余的干擾信息。現(xiàn)今，大部分數(shù)字圖像系統(tǒng)，圖像輸入時基本采取的是“凍結(jié)-掃描”方式，將多維圖像變成一系列的電信號，然后對電信號進行處理、存儲、傳輸?shù)茸儞Q加工。此過程中，圖像噪聲也同樣經(jīng)歷上述的分解組合，從而使人眼（包括計算機）對圖像噪聲的精準分析變得更為困難。以“張楊”簽名筆跡為例，檢驗中采集的簽名筆跡圖像不可避免地含有一定的噪聲，這些噪聲在圖像中通常以孤立的像素點形式呈現(xiàn)，噪聲像素會對后續(xù)特征提取造成干擾，為了提升筆跡可視化處理的精度，需要對輸入圖像進行數(shù)字濾波去噪處理。

對圖像的像素（x,y）進行濾波處理，計算公式如下：

其中，f' (x,y)是濾波后的像素值，f (x,y)是原始圖像中的像素值，z是歸一化參數(shù)。

其中，參數(shù)Ω表示像素（x,y）相鄰區(qū)域的像素，參數(shù)ω（i,j）表示當前像素的權重。

需要說明的是，針對圖像噪聲處理有多種濾波方法，例如高斯濾波、雙邊濾波等。但高斯濾波是對圖像中每一像素周圍指定范圍內(nèi)的像素分配不同的高斯權重，加權平均得到的處理結(jié)果，高斯濾波考慮了像素空間位置，但忽略了圖像邊緣像素的特殊性。而筆跡檢驗特征點提取時，對圖像邊緣像素的要求較高，因而高斯濾波不適用于筆跡檢驗可視化處理需求。而雙邊濾波是一種非線性的濾波方法，較之高斯濾波多了一個高斯方差，是結(jié)合圖像空間臨近度和灰度相似性，實現(xiàn)保邊去噪目的，更為適合對筆跡檢驗圖像的處理。以“張楊”簽名筆跡為例，高斯濾波和雙邊濾波處理結(jié)果如圖2所示，在“張”字的“弓”部，“楊”字的豎畫及折畫等邊緣特征點上，雙邊濾波的處理效果明顯好于高斯濾波。因此，本實驗選取改進的雙邊濾波方法對圖像進行濾波處理。

圖2 圖片濾波處理

2.2 字符切分原因及方法

經(jīng)過二值化、濾波處理后的圖像，簽名筆跡的特征點更為突出，但整個圖像仍然存在多余部分，如圖片右下角的黑點、兩道橫線等。針對此類問題，需在特征提取之前通過進行字符分割，以實現(xiàn)計算機對圖像有效部分的精準抓取。

字符分割有多種方法，經(jīng)實驗論證，在筆跡可視化處理中采用投影分割法對字符進行切分比較恰當。投影分割法的原理是對二值化、濾波處理后圖片的像素分布直方圖進行分析，找出字符分界點，對字符進行分割。筆跡檢驗形成的大部分可視化資料，其應用價值取決于圖片像素。在可視化處理過程中，計算機對筆跡的識別效果也同像素直接關聯(lián)，如果像素值低于最低識別值，則計算機無法識別該筆跡。同時計算機對圖片中有效及無效筆跡的區(qū)分，也主要是依據(jù)像素值識別的。以“張楊”簽名筆跡為例，圖3所示是橫向和縱向投影后的像素分布直方圖，根據(jù)（a）和（b）投影直方圖特點，對兩個方向的投影像素進行閾值限定，滿足閾值范圍內(nèi)的像素被認定為有效像素。閾值是自動識別系統(tǒng)中生成的一個校正動作的最小輸入值，于筆跡可視化處理而言，其是能夠反映筆跡特征校正的最小像素值。在后續(xù)的筆跡可視化處理程序設計時，閾值限定和有效像素選取將被設計成為人工操作節(jié)點，系統(tǒng)將在此節(jié)點生成選擇提示項，供操作者選取并點擊確定后，系統(tǒng)才進行下一步處理。如在對圖2（c）進行橫向和縱向兩個方向投影后，得到圖像大小為432×324像素，此數(shù)值即為有效像素的閾值范圍。但是圖3（b）縱軸投影像素分布直方圖在30～40、205～215區(qū)域內(nèi)像素累計數(shù)達到400以上，雖在閾值范圍內(nèi)，但顯然該區(qū)域?qū)氖菆D2（c）中兩條橫線的投影像素，這部分像素非字符像素，為無效像素，應予以排除。

圖3 投影像素分布直方圖

確定有效像素后，接下來便是對字符進行分割。系統(tǒng)會選取字符各邊界位置，如最左側(cè)、最右側(cè)等，操作者根據(jù)系統(tǒng)劃分提示，調(diào)整字符像素區(qū)間范圍，去除錯誤分割并提交，系統(tǒng)在對圖像完成歸一化處理后，根據(jù)設定的閾值完成字符劃分。如“張楊”簽名筆跡所示，根據(jù)圖3中的投影像素分布直方圖直接對圖2（c）輸入圖像進行字符分割，分割結(jié)果如圖4所示。位置x1表示字符最左側(cè)像素的位置，x6表示字符最右側(cè)像素的位置，y1表示字符最上方像素的位置，y2表示字符最下方像素的位置。

圖4 根據(jù)投影像素直方圖直接字符分割結(jié)果

圖4中位置x4和x5為兩個字符之間的間距，但x2和x3將左右結(jié)構字符分割為兩個字符，故為錯誤的分割。因而在分割過程中，需要調(diào)整字符像素區(qū)間范圍：對輸入圖像進行檢測，將簽名字符整體劃分切割，然后對圖像進行歸一化處理，以保證圖像大小一致，再設定閾值對單字符進行劃分，結(jié)果如圖5所示。

圖5 歸一化調(diào)整閾值后字符分割結(jié)果

3 筆跡特征結(jié)構化處理的方法及規(guī)則

雖然書寫習慣因人而異，不同書寫者的筆跡千差萬別，但依據(jù)書寫動力定型理論，一套書寫動作是在比較穩(wěn)定的神經(jīng)系統(tǒng)支配下所形成的，書寫者的筆跡由書寫動作系統(tǒng)形成，大多數(shù)成年書寫者會形成書寫動作系統(tǒng)化的習慣，并反映在筆跡的書寫特征中[1]。這些特征表現(xiàn)在筆跡的整體布局關系之內(nèi)，如單字的形體大小與結(jié)構成分，偏旁筆畫之間的搭配比例關系，以及筆順特征、運筆特征等[2]，一般而言，正常書寫人的上述特征相對穩(wěn)定，不同書寫者的書寫習慣也是通過上述特征表現(xiàn)出來的。筆跡可視化中的特征結(jié)構化處理，即是依據(jù)上述書寫特征理論，通過邊緣檢測和空間變換檢測的方式，標記出筆跡特征信息；通過筆跡數(shù)據(jù)庫中的存儲信息，分析筆跡特征的屬性及價值（筆跡數(shù)據(jù)庫的建設需要一個過程，并且要達到量的積累，在此之前可采用人工標注的方法替代，系統(tǒng)程序設計時將在此處加設人工操作節(jié)點。待操作人員完成特征點標注并提交后，系統(tǒng)對提取的特征點進行分類整理和特征分析，從而得到筆跡信息的結(jié)構化數(shù)據(jù)）。

3.1 字符謀篇布局特征的結(jié)構化處理

字符謀篇布局即書寫筆跡的整體章法和字陣特征，前者體現(xiàn)在字符位置、字符邊緣留空等方面，而后者字陣特征作為漢字的獨有特征，包括字符的大小、字間距、行間距、字行走勢及彼此間的變化與配合。一般而言，長篇筆跡更能體現(xiàn)字符謀篇布局特征，但鑒于本研究旨在論證筆跡可視化處理方法的可行性，對檢驗效果未做高質(zhì)量要求，故仍以“張楊”簽名筆跡為例闡述。字符謀篇布局特征的結(jié)構化處理，一般是通過計算單個字符與整體字跡的位置關系和比例關系來體現(xiàn)的，計算機程序識別不同于人眼的直觀觀察，前者需要數(shù)值化處理，其優(yōu)點在于特征描述更為精準，缺點在于要逐次設定特征提取標準。針對筆跡可視化處理而言，字符謀篇布局特征主要靠寬度和高度的比值來標注，通過寬度之間、高度之間、寬度和高度之間各標注值與整體篇幅比值的計算，反映字符的位置和大小、傾斜走勢等特征。標注的規(guī)則是，以整體布局為載體，梯次計算所要標注字符的寬度與高度比值，標注點的選取根據(jù)字符特征自動節(jié)選橫向與縱向的突出點位，并以突出點位為圓心，以水平或垂直為方向平行劃線，經(jīng)計算機運算處理后輸出字符謀篇布局特征的結(jié)構化處理數(shù)據(jù)。在計算機運算處理時，字符寬度基準值設定為提取字符最小外接矩陣的寬度，字符最小外接矩陣指的是能包含字符所有像素的最小矩陣，計算機識別和提取筆跡特征數(shù)據(jù)是以像素值為依據(jù)的。如圖6所示，以整個簽名筆跡上下左右四點位為圓心勾畫水平和垂直連線，形成的矩形部分作為“張楊”簽名筆跡的整體布局范圍。L1為整體簽名寬度，L2為第二個字符“楊”字的字符寬度。L2與L1的比例關系體現(xiàn)了“楊”字符最大寬度同筆跡整體布局的比例特征關系。當然系統(tǒng)不止截取此一處特征，諸如“張”字的最大寬度、“楊”字的最小寬度、“弓”部的最大寬度等，處理的方法同“L1和L2”的標注方法相同，故不贅述。

圖6 字符謀篇布局特征

需要說明的是，圖6展示的是字符寬度與整體字跡的比例關系，在字符謀篇布局特征的結(jié)構化處理過程中，需要同時選取字符寬度和高度作為匹配特征，高度特征處理與寬度特征處理方法一致，最終系統(tǒng)根據(jù)操作者預先設定的提取規(guī)則，逐次完成該簽名字跡寬度和高度之間的比值計算，輸出結(jié)構化數(shù)據(jù)結(jié)果。

3.2 字符間分布特征的結(jié)構化處理

字符間分布特征主要體現(xiàn)在字符的垂直和傾斜形態(tài)，嚴格意義而言，字符的謀篇布局特征包含了垂直和傾斜。但在筆跡可視化處理過程中，字符垂直和傾斜并非采用計算寬度和高度之間的比值來標注，而是通過對單個字符的重心位置進行測量后，再與整體布局的基準線進行比值計算后輸出結(jié)構化數(shù)據(jù)結(jié)果。字符重心指的是字符最小外接矩陣的重心，如圖7所示O1為第一個字符的重心，O2為第二個字符的重心。

圖7 字符間分布特征

在筆跡檢驗中，字符的傾斜特征是穩(wěn)定性較強的，但受書寫環(huán)境和書寫姿態(tài)的影響，同一書寫人的字符傾斜形態(tài)會呈現(xiàn)視覺性差異。在筆跡可視化處理研究中，為解決觀測的視覺性差異，設計了傾斜線與重心基本線，通過兩線夾角的計算值精確標注字符傾斜度。具體方法是在確定字符重心后，以字符重心和選取的反映字符垂直和傾斜的特征點進行連線，此類線條可稱為“傾斜線”，計算傾斜線與重心基本線（圖7中紅線）的比值，傾斜線數(shù)量根據(jù)字符特征點數(shù)量選定，通過計算機程序?qū)ι鲜鲂纬傻南盗袛?shù)值進行處理運算，得到字符垂直和傾斜形態(tài)的結(jié)構化處理數(shù)據(jù)。

3.3 字符形狀特征的結(jié)構化處理

字符形狀是指單個字符長、方、扁、圓等外部特征，字符形狀特征的結(jié)構化處理以單個字符的特征為載體，通過計算單個字符外接矩陣的寬和高的比值來體現(xiàn)字符形狀特征。在筆跡可視化處理中，對字符形狀特征的標注，兼采寬、高比值和字符重心兩種方法。如圖8所示，結(jié)構化處理后的數(shù)據(jù)關系為：L2為字符“楊”外接矩陣的寬度；g2為字符“楊”外接矩陣的高度；寬度L2與高度g2的比值體現(xiàn)了字符“楊”的形狀特征。

圖8 字符形狀特征

當然，形狀特征不限于單一高度和寬度的比值，圖8是以垂直90度縱軸為參照，如果以字符重心為基點，參照軸線向右傾斜45度，則會得到一組新的高度和寬度比值。以此類推，具體取幾組數(shù)據(jù)依字符特征點多少而定。隨后通過計算機程序?qū)ο盗袛?shù)值處理運算，輸出字符形狀特征的結(jié)構化數(shù)據(jù)。

3.4 字符細節(jié)特征的結(jié)構化處理

字符細節(jié)特征是區(qū)分不同書寫字跡的核心，因而字符細節(jié)特征結(jié)構化處理也是筆跡可視化的關鍵。字符細節(jié)特征包括起收筆特征、連筆特征、筆順特征等方面。在字符細節(jié)特征結(jié)構化處理時，主要采用“割線分區(qū)”的方法對特征點進行數(shù)字化標注。割線分區(qū)法是在筆跡可視化處理區(qū)域內(nèi)劃定眾多水平和垂直的割線，形成眾多的網(wǎng)格，計算機通過讀取網(wǎng)格間像素差值并測算相互之間的差異關系，借此識別字符的細節(jié)特征。割線分區(qū)法借助對像素差值的測算，計算相同筆跡細節(jié)特征的像素差值，以此表征筆跡的細節(jié)特征并判斷其相似度。至于起收筆、折筆、連筆、筆順等特征點的選取則可設計為自動選取，亦可在自動選取的基礎上進行人工篩選。如圖9所示，簽名“張楊”筆跡的起筆、轉(zhuǎn)折、連筆等特征便是根據(jù)網(wǎng)格像素值的計算結(jié)果自動標注的，程序設計在此處也加入了人工操作節(jié)點，可以對程序選定的特征點進行修正。

圖9 字符細節(jié)特征

至此，筆跡特征的結(jié)構化處理基本完成。筆跡圖像結(jié)構化處理實質(zhì)是將圖像數(shù)字化，轉(zhuǎn)換為計算機能夠識別的語言，其輸出的可視結(jié)果是對特征的標記，每個標記背后對應的是一組數(shù)據(jù)值，這些數(shù)據(jù)值是筆跡特征數(shù)據(jù)化計算的基礎，也是筆跡特征數(shù)據(jù)庫建設的重要數(shù)據(jù)源。

4 筆跡特征數(shù)據(jù)化計算

在完成筆跡特征的結(jié)構化處理后，通過預先設計的軟件程序進行數(shù)據(jù)化運算，輸出筆跡圖像的特征量化值、三維測量值等結(jié)果。

4.1 字符特征量化值

前述經(jīng)過結(jié)構化處理的筆跡特征，經(jīng)數(shù)據(jù)化運算后生成筆跡特征值，如圖10所示。筆跡特征值是以字符細節(jié)特征量化標注為主要測算對象，同時兼顧字符謀篇布局特征、字符間分布特征、字符形狀特征等特征結(jié)構化數(shù)據(jù)的運用。如“張”字起筆特征，根據(jù)“割線分區(qū)”的方法，起筆區(qū)域被分割成眾多網(wǎng)格，通過計算網(wǎng)格間像素差異值得出曲度率為0.3，“張”字首筆橫畫則是根據(jù)平行角度計算出平行度為0.8，字間距的計算值0.8根據(jù)字陣特征值中的寬度比值計算得出。

圖10 字符細節(jié)特征量化

4.2 三維建模及比對

筆跡三維建模的方法是根據(jù)筆跡定量化的結(jié)構數(shù)據(jù)生成結(jié)構輪廓，進行三維自動建模。一般在三維建模時，需要經(jīng)過渲染程序，渲染是一種高端的“著色”技術，可以使生成的圖像更符合實際場景。在筆跡三維建模過程中，采用點集方式替代傳統(tǒng)的三角形或多邊形網(wǎng)格來構建物體表面，既能滿足筆跡可視化建模的需要，也有助于簡化各階段的處理與顯示，如圖11所示。

圖11 筆跡三維建模圖

對筆跡進行三維建模的主要目的是實現(xiàn)對兩幅或多幅圖像之間筆跡特征的對比分析，并計算筆跡信息的相似度，如圖12所示。此外，還可根據(jù)量化的特征點，可視化還原筆跡書寫過程。

圖12 字符相似度比對可視化效果圖

以上是以“張楊”簽名筆跡的特征數(shù)據(jù)值為輸入數(shù)據(jù)，旨在闡明筆跡三維建模后輸出的相關效果圖樣，但并不代表輸出結(jié)果僅限于此，或者每份輸出結(jié)果均包含以上信息項。概括而言，筆跡可視化處理后形成的筆跡特征量化值和三維圖像，能夠從整體章法、大小規(guī)律、傾斜度、字間距、行間距、行勢、字的結(jié)構、筆畫特征等諸多角度進行標注、比對和分析，從而將筆跡檢驗可視化應用提升到新的層面高度。

5 筆跡可視化處理中建模和編程

筆跡可視化處理是筆跡檢驗技術同計算機建模、編程技術結(jié)合運用的典型樣例，在對筆跡檢驗可視化處理過程中，筆跡檢驗方法是基礎，計算機建模和編程技術是工具，其結(jié)合應用的目標歸納為特征數(shù)據(jù)化、依據(jù)可視化和檢驗智能化三方面。作為筆跡可視化處理研究，可以將其中的建模和編程的具體工作委托給相關專業(yè)技術人員，但對于建模和編程中涉及筆跡圖像處理、筆跡特征點標注等問題，則需要結(jié)合筆跡檢驗技術規(guī)范，由筆跡檢驗研究人員完成構思設計。

5.1 筆跡可視化處理中的建模

筆跡可視化處理中的三維建模是通過對筆跡特征結(jié)構化數(shù)據(jù)的處理，根據(jù)已有的知識和經(jīng)驗來構建模型并輸出三維圖像，其總體思路是圍繞三維立體化展示筆跡特征點的目標開展的。因而在建模過程中，尤為強調(diào)特征點的抓取和比對，前者的關鍵是盡可能多地對有效特征點進行描述，同時去除無效特征點；后者的關鍵是設定合理的筆跡建模規(guī)范，盡可能多地包攬差異點的相互比對?；诖?，筆跡可視化處理研究人員在建模的思路設計中主要完成的任務有兩方面，一是梳理筆跡特征點的標注方法并形成知識圖譜供計算機學習，二是制定特征差異點評斷的技術規(guī)范作為計算機評斷的標準。以前文為例，對“張楊”簽名筆跡原始圖像的二值化濾波處理，主要目的便是去除無效特征點；對筆跡特征的結(jié)構化、數(shù)據(jù)化處理，是應用圖像處理技術將標注的筆跡特征點轉(zhuǎn)化為計算機可以識別的數(shù)據(jù)信息。該過程中使用的特征點提取方法和數(shù)據(jù)計算路徑，可以視作研究人員設定的供計算機識別、評斷和建模用的技術規(guī)范。當然，此處的技術規(guī)范不具有普遍應用性，僅適用于舉例筆跡的可視化處理。

5.2 筆跡可視化處理中的編程

在筆跡可視化處理過程中，需要編寫一套可視化處理操作程序，借此完成諸如特征點提取、標注、比對等內(nèi)容項的銜接。操作程序是重要的工具，是將各類技術融合的橋梁。但在筆跡可視化處理研究中，其重點不是闡述操作程序是如何編寫的，而是著重闡釋操作程序在筆跡可視化過程中所發(fā)揮的作用。筆跡的原始圖像一般是視覺性的圖片，計算機對這些原始圖片的讀取和處理需要多種軟件技術，如前文提到的二值化處理技術、三維建模技術等。操作程序?qū)⑦@些技術依筆跡可視化處理的需求整合到統(tǒng)一平臺，以此簡化操作步驟，提升應用效率。同時，筆跡可視化操作程序根據(jù)筆跡檢驗的技術步驟設計了部分處理節(jié)點，用以人工修正和補充特征點，彌補因計算機識別錯誤或數(shù)據(jù)庫缺失等原因?qū)е碌目梢暬幚碚`差。

5.3 筆跡可視化處理中特征權重計算

在筆跡可視化處理過程中，字符謀篇布局特征、字符間分布特征、字符形狀特征、字符細節(jié)特征對筆跡檢驗的作用權重是存在差異的，而且不同類型的筆跡檢驗，如整篇多段落筆跡相對于單個簽名筆跡而言，謀篇布局特征的權重自然是不同的。為此，在系統(tǒng)設計時設置了兩套參數(shù)：一是相同特征體系比較生成的相似度數(shù)值，二是不同特征體系的權重差異值，兩者的乘積即為該項特征的量化計算值。目前已經(jīng)研發(fā)的量化評測系統(tǒng)，一般采用宏觀層次特征、中觀層次特征和微觀層次特征表征量化評價，并賦予不同權重值[3]。但限于筆跡特征數(shù)據(jù)庫尚不夠完善，因而設計了人工修正權重差異值的操作環(huán)節(jié)，以便根據(jù)具體檢驗筆跡的特征體系修正權重。

總之，在筆跡可視化處理中，可視化資料是基礎，筆跡檢驗規(guī)范是準則，而建模和編程的應用是創(chuàng)新載體，正是其深挖出筆跡可視化資料的價值，使得筆跡可視化處理具有了全新的研究意義。

6 筆跡可視化處理后的應用分析

筆跡可視化處理后的應用依托于可視化處理生成的“產(chǎn)品”，包括筆跡特征點的數(shù)據(jù)化標注、筆跡形態(tài)的三維比對、書寫形態(tài)的動態(tài)展示，以及生成上述結(jié)果所依托的結(jié)構化數(shù)據(jù)。筆跡可視化的著眼點是對筆跡檢驗鑒定過程中產(chǎn)生的圖像資料進行“深加工”，以此形成的一系列“副產(chǎn)品”，關于其應用定位，目前存有很大爭議，焦點為其是否能應用于檢驗鑒定。而關于其應用價值的評述，則意見較為一致，主要體現(xiàn)在構筑筆跡檢驗智能化的基礎和輔助鑒定人出庭示證兩方面。

6.1 筆跡可視化處理的應用定位

綜合現(xiàn)有的各方爭論而言，目前技術條件下的筆跡可視化處理無法應用于檢驗鑒定：一是現(xiàn)今筆跡可視化處理的原始圖像資料，基本是檢驗鑒定過程中形成的鑒定意見的依據(jù)，可視化處理不過是對已有依據(jù)的再加工，沒有必要用再次處理的結(jié)果去證明本已經(jīng)被證實的結(jié)論意見。二是可視化處理過程中涉及的諸多技術處理方法并未得到權威認可，如前文提及的根據(jù)像素值提取計算特征點，在技術原理上具有可行性，而使用規(guī)范和效果評定方面卻并未有國家標準或行業(yè)標準或業(yè)內(nèi)普遍認可的技術標準予以確認，如此就不能應用于檢驗鑒定。但從發(fā)展角度來看，筆跡可視化處理在解決數(shù)據(jù)庫存儲和技術標準規(guī)范化問題后，仍存有將可視化輸出結(jié)果直接作為鑒定意見依據(jù)使用的可能。

因此，筆跡可視化處理目前在檢驗鑒定中主要發(fā)揮的是輔助性作用：一是對檢驗結(jié)果進行檢測。雖然在現(xiàn)階段，可視化處理基本是對業(yè)已形成檢驗鑒定意見的圖像資料的處理，即在對圖像可視化處理前鑒定意見已經(jīng)形成，但是可視化處理后的比對分析及數(shù)值化測量仍能發(fā)揮檢測鑒定意見的作用。如果將筆跡檢驗可視化圖像處理后，呈現(xiàn)的各項特征值與原檢測結(jié)果差異較大，則要認真復查原檢驗過程和結(jié)論。二是輔助進行樣本查找。客觀而言，輔助樣本查找是個案性應用，適用于檢驗樣本數(shù)量大并且無法具體確定的情況。由于自動高清掃描等技術的應用，已經(jīng)能夠批量完成檢材和樣本圖像的采集。在此前提下，當需要對數(shù)量巨大的樣本進行篩選時，便可應用可視化處理軟件，自動生成相似度數(shù)值，對于相似度低于一定數(shù)值的（數(shù)值如何選定，依據(jù)個案中檢材樣本實際條件而定）便可直接予以排除，以此達成提升檢驗效率的目的。

6.2 筆跡可視化處理為筆跡檢驗智能化奠定基礎

大數(shù)據(jù)、人工智能技術的應用改變了人們的生活，也影響著各學科領域的發(fā)展，筆跡檢驗同樣無法回避智能化檢驗這個發(fā)展面向。一般情況下，智能化相關技術應用到某領域需要三個條件：一是通用的AI能力，即通用的算法、模型達到該領域應用需求；二是行業(yè)的AI能力，在通用AI基礎上，加上自己的行業(yè)技術特征，對筆跡檢驗領域而言，即是筆跡檢驗特征的智能標注和智能比對能力達到實際應用的標準；三是面向用戶的輔助檢驗工具和系統(tǒng)（應用模型）。而目前以上三個條件在筆跡檢驗領域都不具備，究其根源是缺少基礎數(shù)據(jù)，無論是通用的AI能力還是行業(yè)AI能力，抑或是應用工具模型的構建，都需要大量的結(jié)構化數(shù)據(jù)組成的數(shù)據(jù)庫。筆跡的可視化處理形成的結(jié)構化數(shù)據(jù)是未來筆跡檢驗數(shù)據(jù)庫的重要數(shù)據(jù)來源，筆跡可視化處理過程將為傳統(tǒng)檢驗方法和智能化檢驗手段相契合提供重要的路徑參考。再者，筆跡可視化處理中筆跡特征點的提取和數(shù)值計算方法有助于推動該領域AI能力的提升，可視化操作軟件也可以作為智能化應用模型的基礎。總體而言，筆跡可視化處理的智能化應用仍處于初級階段，主要價值體現(xiàn)在數(shù)據(jù)庫的積累和機器自學習的訓練，并以此構筑筆跡檢驗智能化的基礎。對筆跡可視化處理的研究，實質(zhì)上也是在探索筆跡檢驗智能化檢驗的路徑。如果依照可視化處理的路徑，將檢材和樣本圖像進行二值化、濾波處理后，系統(tǒng)自動標記筆跡的特征點并進行比較分析，輸出數(shù)值化比對結(jié)果，依此研判書寫者的書寫習慣并得出鑒定意見，即是標準的智能化檢驗模式，只不過目前其受限于兩方面關鍵性條件：一是缺乏圖像處理標準，導致無法證明對圖像的處理是否改變了筆跡原有特征；二是缺少筆跡特征數(shù)據(jù)庫，計算機程序無法對筆跡特征點自動抓取比對。但在筆跡可視化處理中，經(jīng)論證并使用的圖像處理方法和筆跡特征點的結(jié)構化處理方法、數(shù)據(jù)化計算方法等，都是筆跡檢驗智能化的關鍵技術，申言之，筆跡可視化處理為筆跡檢驗智能化奠定了基礎。

6.3 筆跡可視化處理輔助鑒定人出庭示證

近年來，有關鑒定人出庭的規(guī)定愈發(fā)明確，鑒定人出庭率也呈上升趨勢，如刑事訴訟法第192條即明確規(guī)定“人民法院認為鑒定人有必要出庭的，鑒定人應當出庭作證，經(jīng)人民法院通知，鑒定人拒不出庭作證，鑒定意見不得作為定案根據(jù)”，修訂后的《司法鑒定程序通則》也專設第5章，用以規(guī)范“司法鑒定人出庭作證”。上述規(guī)定的出臺，促使檢驗鑒定由書面表述進入示證表達，如何在法庭上將專業(yè)的技術檢驗流程和鑒定意見向非專業(yè)的訴訟參與人解釋清楚，成為司法鑒定人必須直面的問題。于筆跡檢驗鑒定而言，出庭示證最難闡釋的部分在于檢驗過程的重塑和分析過程的演示，這部分內(nèi)容經(jīng)常面臨“可意會卻不可言傳”的窘境，即所謂的“過程黑盒”。筆跡檢驗可視化一定程度上破解了上述難題，如圖10就展示了筆跡檢驗的分析過程，較為直觀地回溯了特征點的標注和比對。

7 結(jié)語

筆跡可視化處理的應用尚處于探索階段，我們有必要正視其作用。一方面，不能將其作為檢驗鑒定技術使用，至少截至目前，筆跡相關可視化技術因缺乏基礎數(shù)據(jù)支撐和應用模型，仍無法承擔檢驗鑒定任務。另一方面，也要正視可視化技術的發(fā)展前景，未來筆跡可視化處理將成為筆跡檢驗研究領域無法回避的課題之一，筆跡智能化檢驗同樣也是未來的技術發(fā)展趨勢。