[發明專利]一種改進的膠囊神經網絡的手寫簽名識別方法

在審

• 申請號: 202110233329.2
• 申請日: 2021-03-03
• 公開（公告）號: CN113011289A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 宋曉茹;屈瑤;高嵩;陳超波;李彤暉;劉錦豪;劉康
• 申請（專利權）人: 西安工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安新思維專利商標事務所有限公司 61114
• 代理人: 黃秦芳

本發明公開了一種改進的膠囊神經網絡的手寫簽名識別方法，該方法主要如下：針對訓練集中的樣本數量大難以采集的問題，將膠囊神經網絡與最小二乘支持向量機結合，減少訓練集所需的樣本數量。再是對用于手寫簽名識別的膠囊神經網絡進行改進，一是膠囊神經網絡里的動態路由算法需要多次迭代過程，采用自適應學習聚類算法替代路由算法，以此來保證向量具有良好的特征表達能力，二是針對膠囊神經網絡的重構網絡中全部采用全連接層，導致參數的數量龐大，用克羅內克積方法來代替全連接網絡，改變計算方法，大大地減少參數的數量。本發明通過這兩點改進膠囊神經網絡用于手寫簽名識別，針對實際中遇到手寫簽名的識別率以及提高識別方法的泛化性和魯棒性。

技術領域

本發明屬于計算機視覺和人工智能技術領域，具體涉及一種改進的膠囊神經網絡的手寫簽名識別方法。

背景技術

手寫簽名識別系統是目前文本分類中一個比較熱點的方向，手寫簽名識別系統主要涉及到圖像處理、模式識別等方面的學科知識,主要包括圖像預處理、信息區域定位和識別等處理過程，已被廣泛應用于信息處理、身份認證和人機交互等領域。而由于現實生活中的手寫簽名由于簽名者在簽名時的心理狀態及所處的環境都可能使得簽名存在不同程度的差異，導致簽名特征提取和特征表示是一件非常復雜的事情，因此識別的準確率不高。針對提高手寫簽名的識別率成為一項重要的研究熱點。

使用機器學習方法進行圖像識別主要在于對圖像特征的提取，特征提取的有效性影響著識別準確率的高低。深度學習作為機器學習一個新的分支，通過模擬人腦機制對數據信息進行分析處理。深度學習中的膠囊神經網絡在圖像識別領域取得了重大突破，能夠自學習圖像由低級到高級的特征，避免了機器學習中手動提取特征的缺點。但膠囊神經網絡在訓練時需要海量樣本的支撐，在數據不足時，會出現過擬合問題。

因此，需要一種新的技術方案來解決利用膠囊神經網絡對圖像識別時會發生的過擬合問題和識別速度慢的問題。

發明內容

本發明提供一種改進的膠囊神經網絡的手寫簽名識別方法，解決現有技術中利用傳統的膠囊神經網絡對圖像識別時會發生的過擬合問題和識別速度慢的問題。

為了達到上述目的，本發明的技術方案是：

一種改進的膠囊神經網絡的手寫簽名識別方法，包括以下步驟：

步驟1、獲得和預處理手寫簽名數據集；

步驟2、搭建改進的膠囊神經網絡的基本模型，其中采用自適應學習聚類算法進行特征提取，采用克羅內克積法進行參數計算；

步驟3、搭建最小二乘支持向量機作為分類器；

步驟4、訓練：用預處理后的手寫簽名數據集作為樣本庫，訓練改進的膠囊神經網絡，設置若干個epoch，直至訓練準確率穩定；

步驟5、將膠囊神經網絡提取的特征輸入到最小二乘支持向量機中，對最小二乘支持向量機進行訓練；

步驟6、預測：針對訓練好的手寫簽名識別模型，在新的未知圖像做預測。

進一步的，所述步驟(2)中，首先對采集來的圖像進行預處理，包括灰度化處理、傾斜度處理，去噪處理，然后將手寫簽名作為待識別的信息區域進行切割和提取，獲取僅帶有手寫簽名的圖像。

與現有技術相比，本發明的有益效果：

本發明所提出的一種改進的膠囊神經網絡的手寫簽名識別方法，利用膠囊神經網絡方法避免了手動提取特征的不足，通過改進膠囊神經網絡的方法解決了深度學習用時久耗費資源的問題，通過將最小二乘支持向量機作為分類器改進了膠囊神經網絡需要大量樣本支撐訓練的缺點。該方法建立的深度神經網絡模型，結構更加緊湊，需要的樣本量更小，產生的參數數量也大大減少。

附圖說明

圖1為本發明的整體方案圖；