• 沒有找到結果。

題目:識別任意角度偏轉之手寫簽名

N/A
N/A
Protected

Academic year: 2022

Share "題目:識別任意角度偏轉之手寫簽名 "

Copied!
52
0
0

加載中.... (立即查看全文)

全文

(1)

中 華 大 學 碩 士 論 文

題目:識別任意角度偏轉之手寫簽名

Verification of Handwritten Signature with Any Rotation Angle

系 所 別: 科 技 管 理 研 究 所 學號姓名: M09103004 鄭弘裕 指導教授: 陳 文 欽 博士

中華民國九十三年五月

(2)

識別任意角度偏轉之手寫簽名

學生:鄭弘裕 指導教授:陳文欽博士

摘 要

本研究建立一套圖樣取樣及辨識機制來克服手寫簽名所導致圖像的位移 (shift)、旋轉(rotation)及方向性(orientation)的問題。藉由使用掌上型電腦 (Handheld PC)作為前端手寫輸入設備,取得簽名圖樣,並採用圖樣之細線化 (Thinning)、正規化(Normalization)、凸點(Convex hull)以及圓心定點法等影像 前處理步驟進行影像前處理,並配合環形區域取樣方式,達到特徵旋轉不變 (Rotation Invariant)的效果,並使用非監督式 SOM 類神經網路來學習以及識 別簽名時隨著時間所產生的漸進式改變,達到智慧學習的目的。

實驗結果得知環形取樣對於辨識率已經具有較佳的效果,辨識率高達 90.23%,採用本文所提出的方法進行識別,無論手寫簽名圖樣產生了位移、

旋轉情形都可以有效地處理圖樣之不變性特徵。然而對於手寫簽名這類型不 確定性高的樣本,並且手寫簽名圖樣所產生的變異性具有不穩定的特性,因 此對於圖樣的差異較無法有效的細部識別,導致誤判率 9.63%。由此可知環 形取樣方式對於相似之手寫簽名圖樣無法更有效的降低誤判率。

關鍵字:簽名識別、環形區域密度、類神經網路、特徵不變取樣

(3)

誌謝

研究所兩年來,承蒙指導教授陳文欽博士耐心、悉心的指導,無論在課 業或是生活上均給予最大的支持,其謙沖且嚴謹的待人處事與治學態度以及 豐富且紮實的學識,皆令學生萬分敬佩,亦是學生學習的典範。能在恩師的 帶領下學習與成長是學生莫大的榮幸。

本篇論文的完成,感謝陳文欽博士、馬恆博士以及孫錦煌博士等口試委 員於百忙之中撥空指導,提供諸多寶貴意見。在此特地感謝馬恆博士在論文 上的技術指導與建議,使得本論文得以更加完善。研究期間,亦感謝學長姐、

學弟妹以及同窗好友的關懷。

最後要感謝我的家人,感激之情非筆墨能形容。最後僅以本論文獻給曾 經關心、照顧我的師長、朋友以及家人。

鄭弘裕 謹識於中華大學科技管理研究所 中華民國九十三年五月二十二日

(4)

目錄

摘要... i

誌謝... ii

目錄... iii

圖目錄... v

表目錄... vi

第一章 緒論... 1

1.1 研究背景與動機... 1

1.2 研究目的... 1

1.3 研究架構... 3

1.4 研究限制... 4

第二章 文獻探討... 5

2.1 自我組織特徵映射類神經網路... 5

2.1.1 SOM 神經網路結構 ... 5

2.1.2 SOM 神經網路的學習過程 ... 7

2.1.3 SOM 神經網路的識別步驟 ... 8

2.2 簽名文字識別... 9

第三章 系統架構... 12

3.1 圖像前處理... 12

3.1.1 二值化(Binarlzation) ... 13

3.1.2 正規化(Normalization)... 14

3.1.3 細線化(Thinning) ... 14

3.1.4 Convex-Hull... 16

3.2 特徵值的擷取... 17

3.3 SOM 神經網路的建構 ... 19

3.3.1 網路架構... 19

3.3.2 簽名識別的演算步驟... 21

第四章 實驗結果與分析... 22

4.1 實驗條件... 22

4.2 神經網路參數最佳化實驗... 23

4.3 訓練樣本數量評估實驗... 25

4.4 環形取樣評估實驗... 27

4.5 圓心定點法評估實驗... 29

第五章 結論... 31

(5)

參考文獻... 33

附錄一、訓練樣本(一) ... 38

附錄二、訓練樣本(二) ... 39

附錄三、訓練樣本(三) ... 40

附錄四、訓練樣本(四) ... 41

附錄五、錯誤訓練樣本(一) ... 42

附錄六、錯誤訓練樣本(二) ... 43

附錄七、錯誤訓練樣本(三) ... 44

附錄八、錯誤訓練樣本(四) ... 45

(6)

圖目錄

圖 1.1 研究架構圖... 3

圖 2.1 二維矩陣之 SOM 架構圖 ... 6

圖 2.2 SOM 網路優勝神經元與鄰近神經元示意圖(一維陣列) ... 7

圖 3.1 簽名圖樣前處理步驟... 12

圖 3.2 前處理流程... 13

圖 3.3 細線化演算法中之各鄰近點之相關位置... 14

圖 3.4 S(P0)>1 範例 ... 16

圖 3.5 圖樣圓心定位方法... 17

圖 3.6 簽名圖樣同心圓取樣... 18

圖 3.7 類神經網路圖樣分類... 20

圖 4.1 訓練樣本數量辨識率曲線圖... 26

圖 4.2 訓練樣本數量誤判率曲線圖... 27

圖 4.3 環形區域取樣層級辨識率曲線圖... 28

圖 4.4 環形區域取樣層級誤判率曲線圖... 28

(7)

表目錄

表 4.1 神經網路參數實驗結果... 24

表 4.2 參數組合實驗結果... 24

表 4.3-1 訓練樣本辨識率實驗 ... 25

表 4.3-2 訓練樣本誤判率實驗 ... 25

表 4.4 最佳訓練樣本數量實驗結果... 26

表 4.5 環形取樣實驗結果... 27

表 4.6-1 最小外接圓... 29

表 4.6-2 幾何中心-形心法... 30

表 4.7 環形圓心定點取樣實驗結果... 30

(8)

第一章 緒論

1.1 研究背景與動機

以 往 在 手 寫 字 或 文 字 辨 識 領 域 的 研 究 大 多 著 重 於 手 寫 中 英 文 字 或 數 字 的 應 用 , 也 就 是 針 對 固 定 的 資 訊 進 行 辨 識 。 因 應 未 來 資 訊 安 全 與 行 動 化 的 時 代 , 數 位 手 寫 簽 名 的 機 制 來 說 有 相 當 大 的 應 用 空 間 , 若 將 手 寫 簽 名 機 制 應 用 於 信 用 卡 簽 名 辨 識 可 大 幅 降 低 信 用 卡 遭 盜 刷 或 冒 名 簽 名 的 風 險 。 應 用 於 金 融 業 , 將 帳 戶 印 鑑 識 別 改 為 電 子 簽 名 紀 錄 , 更 可 提 升 安 全 性 。 相 對 於 傳 統 簽 名 機 制 上 更 可 強 化 資 訊 安 全 性 與 保 密 性 。 因 此 本 研 究 採 取 個 人 化 簽 名 機 制 , 提 昇 手 寫 簽 名 的 辨 識 能 力 。

就 簽 名 辨 識 或 手 寫 文 字 辨 識 的 應 用 實 務 來 看 , 在 行 動 設 備 上 簽 名 或 手 寫 字 時 容 易 導 致 圖 像 旋 轉 、 位 移 以 及 大 小 不 一 致 的 現 象 , 造 成 辨 識 的 困 難 。 本 研 究 經 由 實 際 操 作 後 發 現 , 在 掌 上 型 行 動 裝 置 上 手 寫 簽 名 或 書 寫 文 字 發 生 圖 樣 旋 轉 、 位 移 以 及 方 向 性 的 改 變 是 不 可 避 免 的 。 因 此 建 立 一 套 圖 樣 取 樣 及 識 別 機 制 來 克 服 此 問 題 將 是 本 研 究 的 主 要 課 題 。

1.2 研究目的

本 研 究 主 要 是 針 對 個 人 的 簽 名 資 料 建 立 專 屬 的 類 神 經 網 路 。 此 機 制 可 應 用 於 信 用 卡 刷 卡 簽 核 、 銀 行 數 位 簽 名 或 公 文 電 子 簽 名 等 。 透 過 個 人 的 專 屬 辨 識 網 路 來 達 到 資 訊 安 全 的 目 的 。 建 立 一 套 圖 樣 取 樣 及 辨 識 機 制 來 克 服 手 寫 簽 名 所 導 致 圖 像 有 位 移(shift)、旋轉(rotation)以及方 向 性 (orientation) 的 問 題 。 圖 樣 之 細 線 化 (Thinning) 、 正 規 化 (Normalization)、凸點(Convex hull)以及圓心定點法作為影像前處理步 驟 來 達 到 圖 樣 旋 轉 不 變(Rotation Invariant)的效果,並使用類神經網路 來 學 習 以 及 識 別 簽 名 時 隨 著 時 間 所 產 生 的 漸 進 式 改 變 , 達 到 智 慧 學 習 的 目 的 , 進 而 改 善 在 行 動 裝 置 上 手 寫 辨 識 的 辨 識 率 。 本 研 究 導 入 具 有 行 動 特 性 的 掌 上 型 電 腦 作 為 前 端 手 寫 簽 名 圖 像 輸 入 設 備 , 可 立 即 將 手 寫 簽 名 的 圖 像 轉 換 成 數 位 資 訊 , 不 需 採 用 傳 統 光 學 掃 描 , 大 幅 提 升 辨 識 作 業 的 效 率 。

(9)

本 研 究 之 研 究 目 的 如 下 列 幾 點 :

一 、 著 重 於 辨 識 個 人 的 手 寫 簽 名 , 建 立 個 人 專 用 之 神 經 網 路 。 此 機 制 可 應 用 於 信 用 卡 消 費 簽 核、銀 行 數 位 簽 名 機 制 或 公 文 數 位 簽 名 等。

二 、 提 昇 手 寫 簽 名 經 任 意 角 度 旋 轉 、 位 移 改 變 後 之 辨 識 率 。

三 、 應 用 類 神 經 網 路 的 自 我 學 習 特 性 能 隨 著 個 人 手 寫 簽 名 的 漸 進 式 改 變 , 達 到 智 慧 識 別 能 力 。

四 、 改 善 手 寫 圖 像 於 行 動 裝 置 之 辨 識 率 , 使 得 手 寫 簽 名 能 更 流 暢 的 書 寫 , 不 受 輸 入 設 備 的 限 制 所 影 響 , 也 能 有 高 效 率 的 辨 識 能 力 。

(10)

1.3 研究架構

圖 1.1 研究架構圖

(11)

1.4 研究限制

本 研 究 主 要 的 研 究 方 向 是 針 對 任 何 角 度 的 手 寫 簽 名 能 正 確 識 別 , 並 建 立 個 人 簽 名 資 料 庫 , 提 出 有 效 的 旋 轉 不 變 特 徵 取 樣 方 式 , 使 得 在 進 行 簽 名 取 樣 時 不 會 因 簽 名 圖 樣 的 大 小 、 旋 轉 或 手 寫 簽 名 圖 樣 的 差 異 導 致 辨 識 率 降 低 , 利 用 類 神 經 網 路 的 特 性 來 建 立 手 寫 簽 名 漸 進 式 改 變 的 機 制 , 使 辨 識 系 統 能 自 動 學 習 。 本 研 究 所 提 出 的 方 法 , 可 通 用 於 任 何 簽 名 圖 樣 的 識 別 , 至 於 在 辨 識 填 滿 的 幾 何 圖 形 等 圖 形( 如 ”

●”、 ”▲”、 ”■”)或 過 於 簡 易 的 筆 畫 (如 任 何 角 度 的 ”一 ”、 ”○ ”), 則 不 納 入 本 研 究 的 考 慮 。 本 研 究 之 簽 名 圖 樣 將 以 中 文 簽 名 與 英 文 簽 名 作 為 識 別 的 對 象 , 簽 名 樣 本 共 包 含 四 人 各 三 百 個 手 寫 簽 名 , 簽 名 內 容 中 英 文 字 、 簽 名 大 小 不 拘 , 不 限 任 何 角 度 進 行 書 寫 。

(12)

第二章 文獻探討

本 研 究 之 文 獻 探 討 主 要 分 成 兩 個 部 份 , 第 一 部 份 為 自 我 組 織 特 徵 映 射 類 神 經 網 路 之 探 討 , 說 明 神 經 網 路 之 特 色 及 演 算 流 程 。 第 二 部 份 主 要 從 簽 名 文 字 識 別 方 面 著 手 , 從 以 往 之 有 關 手 寫 簽 名 及 文 字 識 別 方 面 的 研 究 來 評 估 相 關 研 究 的 手 法 與 效 能 。

2.1 自我組織特徵映射類神經網路

非 監 督 式 神 經 網 路 特 性 之 自 我 組 織 特 徵 映 射 網 路 (self-organizing feature map network,簡稱為 SOM 網路)是根植於「競 爭 式 學 習 」 的 一 種 網 路 , 此 類 型 之 神 經 網 路 在 缺 乏 期 望 輸 出 值 的 情 況 下 , 能 夠 自 行 發 掘 出 資 料 中 的 那 些 特 徵 是 重 要 的 或 是 可 忽 略 的 , 以 便 將 資 料 作“群聚” (clustering) 的處理。此種類神經網路經常被用來作為 前 處 理 單 元 (preprocessing unit),以便萃取出資料的特徵,或將資料 做 向 量 量 化 (vector quantization) 之 後 , 再 配 合 監 督 式 學 習 法 , 便 可 完 成 圖 樣 識 別 (pattern recognition) 的任務。

2.1.1 SOM 神 經 網 路 架 構

本研究所使用之類神經網路採用競爭式學習法則之演繹法則,競 爭 式 學 習 法 (此法有時被稱為 Kohonen 學習規則或贏者全拿學習規則 (winner-take-all learning rule)) 的單層類神經網路,如圖 2.1 所示。競 爭 式 學 習 法 則 簡 單 的 說 就 是 假 設 在 輸 出 神 經 元 間 存 在 著 某 種 型 態 的 競 爭 , 而 在 競 爭 的 群 體 中 , 只 有 其 中 的 一 個 類 神 經 元 會 優 勝 , 這 個 優 勝 的 類 神 經 元 就 稱 為 優 勝 神 經 元(winner)。這種類神經網路通常是被用來 作 為 群 聚 分 析 , 在 沒 有 事 先 的 分 類 資 訊 下 , 去 發 覺 資 料 中 本 身 的 結 構 及 群 聚 關 係 。 輸 出 層 的 類 神 經 元 會 根 據 輸 入 向 量 的 「 特 徵 」 以 有 意 義 的 「 拓 蹼 結 構 」 (topological structure) 展現在輸出空間中 。

自我組織特徵映射演算法的主要目標,就是以特徵映射的方式,

將 任 意 維 度 的 輸 入 向 量 , 映 射 至 一 維 或 二 維 的 特 徵 映 射 圖 上 。 贏 者 全 拿 學 習 法,無 法 發 展 出 拓 樸 映 射 圖。藉 由 定 義“鄰近區域”函數的方法,

來 表 現 活 化 氣 泡 的 基 本 精 神 , 以 取 代 較 複 雜 的 側 向 聯 接 的 回 授 功 能 。

(13)

圖 2.1 二維矩陣之 SOM 架構圖

對 於 N 個維度的輸入值,以 X 表示輸入向量,如(式 2.1)所示,

[ x

1

, x

2

, x

3

,..., x

N

]

T

X =

(2.1)

第 j 個隱藏層神經元的連結權重可用(式 2.2)表示,

[

w ,w ,w ,....,w

]

j 1,2,...,M

wj = j1 j2 j3 jN T = (2.2)

M 表示網路神經元的總數,所有神經元連結權重的初始值採用隨 機 方 式 產 生,產 生 的 數 值 範 圍 介 於 0~1 之間。每筆輸入向量透過連結 的 權 重 與 隱 藏 層 神 經 元 連 接 , 各 隱 藏 層 神 經 元 間 以 競 爭 式 學 習 法 則 來 決 定 優 勝 神 經 元 並 進 行 神 經 元 以 及 權 重 鍵 結 值 的 修 正 。

決 定 優 勝 神 經 元 的 方 式 為 比 較 所 有 神 經 元 的 連 結 權 重 與 輸 入 向 量 的 距 離 , 並 選 擇 距 離 最 近 的 神 經 元 為 優 勝 神 經 元 , 本 研 究 採 用 歐 幾 里 德(Euclidean norm)距離公式(簡稱為歐氏距離)來計算神經元與輸入 向 量 的 距 離 。

在 SOM 神經網路的學習過程中,神經元之間具有鄰近的關係,

此 鄰 近 關 係 的 使 得 優 勝 的 神 經 元 在 進 行 修 正 連 結 權 重 時 , 也 會 修 正 鄰 近 神 經 元 的 連 結 權 重 , 因 此 有 助 於 神 經 網 路 之 間 的 神 經 元 的 拓 樸 映 射 關 係(如圖 2.2 所示)。

(14)

圖 2.2 SOM 網路優勝神經元與鄰近神經元示意圖 2.1.2 SOM 神 經 網 路 的 學 習 過 程

自 我 組 織 特 徵 映 射 演 算 法 流 程 步 驟 : 步 驟1. 隨機產生網路神經元鍵結的權重。

步 驟2. 決定鄰近半徑(neighborhood)與學習速率(learning rate)。

步 驟3. 設 定 演 算 的 停 止 條 件 (停 止 條 件 可 分 為 輸 出 向 量 值 已 經 達 到 穩 態 情 形 或 設 定 固 定 之 訓 練 次 數 兩 種 停 止 條 件 , 本 研 究 將 採 用 前 者 之 訓 練 停 止 條 件)。

步 驟4. 載入訓練範例資料,使用歐氏距離法計算出優勝神經元。

j 2

j

x - w

min net(x)

=

(2.3)

步 驟4.1. 以優勝神經元為中心,修正其鄰近區域內神經元權重鍵 結 值 。k 為優勝神經元節點。

⎟⎟

⎜⎜

= ⎛

2

2 q j

qj

R

r - r exp -

η (2.4)

式 2.4 中

η

qj表 示 第 j 個神經元與優勝神經元 q 之鄰近關 係 值 ;r 為 優 勝 神 經 元 於 拓 樸 座 標 ;q r 則 是 鄰 近 區 域 中j

(15)

其 他 神 經 元 於 拓 樸 上 的 位 置 座 標 ;R 則是鄰近半徑。因 此 , 鄰 近 區 域 的 神 經 元 作 調 整 之 方 式 如 式 2.5:

[

x(k)-w (k)

]

(k) (k)

wj =

µ η

qj j

∆ (2.5)

式 2.5 中

µ

(k)為 第 k 次迭代次數學習速率,隨著訓練次 數 或 時 間 的 增 加 而 逐 次 縮 小 , 一 般 而 言 ,0<

µ

(k)<1。 最 後 權 重 更 新 可 為 式 2.6 所示。

wj(k+1)=wj(k)+∆wj (2.6) 步 驟4.2. 調整學習率(learning rate)。調整學習率可藉由學習遞減

率 進 行 遞 減 調 整 。

步 驟4.3. 適當的縮小鄰近區域的範圍。

步 驟5. 判斷是否達到停止條件,若未達到停止條件則回到步驟 4。

2.1.3 神 經 網 路 的 識 別 步 驟

神經網路經過訓練後所得到穩態的神經網路,藉由神經網路的回 想 過 程 可 計 算 輸 入 樣 本 的 向 量 與 優 勝 節 點 。 進 而 識 別 輸 入 樣 本 是 否 與 訓 練 樣 本 相 似,可 以 透 過 參 數 設 定 來 訂 定 門 檻 值(threshold)來建構模糊 區 域 , 讓 模 糊 區 域 能 有 彈 性 的 辨 識 每 次 手 寫 簽 名 的 樣 本 , 回 想 步 驟 如 下 所 示 :

步 驟1. 輸入測試樣本,擷取定義的特徵值。

步 驟2. 將特徵值數值載入輸入單元(輸入層神經元)。

步 驟3. 載 入 經 過 學 習 與 訓 練 之 神 經 網 路 於 輸 入 層 神 經 元 與 隱 藏 層 神 經 元 之 間 的 鍵 結 值 權 重 。

步 驟4. 隱藏層神經元採用競爭式輸出,依據(式 2.3)式來計算求得各隱

藏 層 神 經 元 的 向 量 值 , 並 找 出 最 小 向 量 值 的 神 經 元 。 此 神 經 元 為 優 勝 神 經 元(winner)。

步 驟5. 比 較 此 優 勝 神 經 元 的 向 量 值 是 否 低 於 門 檻 值 (threshold)並 且 判 斷 該 神 經 元 在 訓 練 神 經 網 路 時 也 被 其 他 訓 練 樣 本 所 設 定 為 優 勝 神 經 元。符 合 這 兩 項 標 準 即 可 判 斷 此 測 試 樣 本 與 訓 量 樣 本 相 似。

(16)

2.2 簽名文字識別

簽 名 認 證 系 統 可 分 成 兩 大 類 【2】: 線 上 (on-line)簽 名 認 證 與 離 線 (off-line)簽 名 認 證 , 在 線 上 簽 名 認 證 系 統 中 , 簽 名 資 料 可 經 由 數 位 手 寫 設 備 取 得 。 此 類 系 統 可 取 得 簽 名 的 時 間 、 筆 端 壓 力 、 書 寫 順 序 與 書 寫 軌 跡 等 動 態 資 料 , 並 將 手 寫 圖 像 立 即 轉 換 成 數 位 資 訊 , 線 上 簽 名 辨 識 系 統 必 須 考 量 辨 識 的 時 間 與 效 率 , 縮 短 辨 識 時 程 , 達 到 即 時 辨 識 的 目 標 ; 而 離 線 簽 名 認 證 系 統 得 依 靠 掃 描 器 或 數 位 相 機 取 得 已 經 書 寫 於 紙 張 上 的 簽 名 影 像 。 離 線 簽 名 辨 識 系 統 為 離 線 作 業 , 因 此 不 需 要 求 即 時 辨 識 , 對 於 辨 識 時 間 上 的 限 制 比 較 寬 鬆 , 也 因 此 對 於 辨 識 的 技 術 要 更 多 元 化 的 考 量 , 本 研 究 可 歸 納 為 離 線 簽 名 認 證 , 因 本 研 究 採 用 行 動 式 掌 上 型 電 腦 做 也 手 寫 輸 入 設 備 , 將 手 寫 之 圖 像 數 位 化 , 並 使 用 類 神 經 網 路 進 行 識 別 作 業 。

K. Han, and I. K. Sethi【30】提出使用簽名影像的各項特徵以代碼 表 示 並 計 算 其 出 現 次 數 , 將 組 成 的 編 碼 資 料 載 入 雜 湊(Hash)結 構 的 索 引 表 , 透 過 大 量 的 簽 名 影 像 資 料 建 立 資 料 庫 。 當 須 進 行 簽 名 辨 識 藉 由 索 引 值 查 詢 簽 名 的 特 徵 資 料 以 進 行 比 對 。 該 研 究 將 簽 名 特 徵 細 分 為 環 形(Loop)、端點(End Point)、長條線段點(Bar Point)、交叉點(Crossing Point)、凸點(Convex Point)、凹點(Concave Point)等六項特徵,並計算 簽 名 圖 樣 出 現 特 徵 的 次 數 。 利 用 此 簽 名 筆 劃 特 徵 及 出 現 次 數 作 為 該 簽 名 的 特 徵 資 料 。

Y. Xuhua 等學者【49】提出使用基因演算法(Genetic Algorithm, GA) 識 別 簽 名 。 該 研 究 透 過 手 寫 板 來 線 上 書 寫 簽 名 , 以 筆 畫 的 下 筆 與 提 筆 的 軌 跡 作 為 一 個 筆 畫 資 料,藉 由 筆 畫 的 長 度(length)、斜率(slope)、轉 角 面 積(biggest angle)以及局部曲率(local curvature)做為簽名圖樣的特 徵 , 將 簽 名 圖 樣 的 所 有 筆 畫 逐 一 進 行 特 徵 取 樣 。 並 將 特 徵 資 料 編 碼 , 藉 由 基 因 演 算 法 來 進 行 訓 練 與 識 別 。

(17)

吳 坤 榮【1】提出對簽名圖像做靜態分析及動態分析,以手寫圖像 在 外 型 上 及 座 標 變 化 率 是 否 相 似 。 靜 態 分 析 是 以 「 分 離 與 合 併 」 的 比 對 法 ; 動 態 分 析 是 分 析 簽 名 圖 像 的 頻 譜 振 幅 的 對 數 值 , 將 靜 態 外 觀 的 相 似 度 與 動 態 特 徵 的 相 似 度 合 併 起 來 , 進 而 判 斷 若 大 於 簽 名 驗 證 的 門 檻 值 即 是 真 實 的 簽 名 。

賴 承 澤 【18】提出利用虛筆特徵來辨識簽名,無論線上或離線簽

名 識 別 的 相 關 研 究 大 多 在 於 實 筆(real-stroke)方面,實筆也就是簽名的 筆 劃 軌 跡;虛 筆(virtual-stroke)的概念大多是將相鄰兩實筆間的提筆動 作 以 直 線 相 連 。

有 關 字 元 不 變 特 徵 辨 識 的 技 術 方 面 已 經 有 相 當 多 的 相 關 研 究 與 技 術 , 字 元 不 變 特 徵 採 用 的 技 術 大 多 針 對 字 元 筆 劃 特 徵 進 行 特 徵 值 的 擷 取,透 過 特 定 機 制 進 行 識 別。H. P. Chiu and D. C. Tseng【25,47】提出 兩 種 不 變 性 識 別 方 法 來 辨 認 任 意 旋 轉 的 手 寫 中 文 字 。 第 一 種 是 以 不 變 性 特 徵 如 轉 角 點(corner point)、 線 段 (line segment)、 直 筆 劃 (straight stroke)及筆劃方向圖(stroke direction map)為基礎的方法。許多不變性 特 徵 用 來 做 大 分 類(preclassification)而環資料用來做識別。由於手寫中 文 字 的 類 別 邊 界(class boundary)不易定義(ill-defined),因此該研究使 用 模 糊 集 合 分 類 法(fuzzy-set classifiers)及類神經網路來分類這些不變 性 特 徵 以 達 成 不 變 性 識 別 的 目 的 。

楊 宗 憲 【13】提出使用隱藏式馬可夫模型(hidden markov model) 與 倒 傳 遞 類 神 經 網 路 針 對 中 文 字 、 阿 拉 伯 數 字 、 英 文 字 母 三 種 不 同 的 手 寫 字 體 做 測 試 。 該 研 究 採 用 環 形 分 割 方 式 , 提 出 ㄧ 種 區 域 密 度 特 徵 (local density feature) 的 方 法 。 在 辨 識 部 分 使 用 隱 藏 式 馬 可 夫 模 型 (Hidden Markov Model, HMM)及倒傳遞神經網路兩種方法。由於取特 徵 值 的 初 始 線 時 無 法 正 確 的 定 位 , 因 此 影 響 辨 識 率 。 實 驗 結 果 HMM 的 平 均 辨 識 率 61%,類神經的平均辨識率為 67%。

(18)

根 據 文 獻 探 討 大 部 分 的 學 者 大 多 採 用 筆 畫 及 圖 樣 特 徵 進 行 辨 識 之 特 徵 值 , 然 而 本 研 究 與 楊 宗 憲 同 樣 採 用 環 形 區 域 取 樣 方 式 進 行 特 徵 值 的 擷 取 , 與 該 研 究 最 大 的 差 異 在 於 :

一 、 本 研 究 主 要 是 應 用 於 個 人 的 簽 名 識 別 ,因 此 會 建 立 個 人 專 屬 之 類 神 經 網 路 , 並 非 建 立 一 組 通 用 型 文 字 識 別 之 類 神 經 網 路 。

二 、 該 研 究 主 要 辨 識 對 象 為 中 英 文 字 、 數 字 , 此 類 文 字 具 有 目 標 值 , 因 此 該 研 究 採 用 倒 傳 遞 類 神 經 網 路 進 行 實 驗 。 本 研 究 主 要 辨 識 簽 名 圖 樣 , 因 此 沒 有 絕 對 的 目 標 值 , 因 此 採 用 自 組 織 特 徵 類 神 經 網 路 , 利 用 自 動 分 類 之 特 性 讓 神 經 網 路 自 行 對 於 簽 名 圖 樣 進 行 分 類 聚 集 。

三 、 本 研 究 對 於 影 像 前 處 理 部 份 與 該 研 究 較 為 不 同 ,利 用 不 同 的 手 法 進 行 處 理 與 取 樣 。

因 此 藉 由 不 同 的 手 法 與 類 神 經 網 路 技 術 來 改 善 手 寫 簽 名 於 任 何 角 度 旋 轉 時 的 辨 識 率 , 也 透 過 該 研 究 的 實 驗 結 果 與 本 研 究 之 實 驗 結 果 來 比 較 運 用 不 同 手 法 是 否 可 提 升 辨 識 率 。

(19)

第三章 系統架構

3.1 圖像前處理

本 研 究 為 離 線 簽 名 辨 識 系 統 的 應 用 , 對 於 辨 識 技 術 不 僅 要 求 辨 識 準 確 率,也 必 須 著 重 於 辨 識 時 間 的 效 率 與 時 間,因 此 在 圖 樣 比 對 之 前,

必 須 先 對 圖 樣 進 行 前 處 理 步 驟 。 前 處 理 不 僅 是 加 快 取 樣 的 速 度 也 是 影 響 特 徵 值 取 樣 的 正 確 率 , 透 過 有 效 率 的 前 處 理 可 降 低 圖 樣 特 徵 值 的 失 真 , 使 類 神 經 網 路 進 行 訓 練 與 辨 識 能 有 更 好 的 收 斂 效 果 , 對 於 辨 識 系 統 來 說 前 處 理 可 視 為 辨 識 技 術 的 基 礎 與 辨 識 率 的 關 鍵 性 所 在 。 本 研 究 將 圖 樣 前 處 理 分 成 五 個 步 驟 :1.簽 名 圖 樣 二 值 化 、 2.圖 樣 正 規 化 、 3.

掃 描 圖 樣 邊 界 像 素、4.計算圖樣 Convex-hull 像素以及 5.計算最小外接 圓 (Minimum Circumscribed Circle, MCC) 或 簽 名 圖 樣 的 形 心 (Centroid),取得圓心座標。透過前處理步驟可大幅提高特徵值取樣效 率 。(如圖 3.1 所示)

圖 3.1 簽名圖樣前處理步驟

(20)

在 簽 名 圖 樣 透 過 前 處 理 步 驟 , 首 先 將 簽 名 圖 樣 進 行 二 值 化 , 使 其 轉 換 成 二 維 陣 列,接 著 將 簽 名 圖 樣 的 大 小 正 規 化,縮 放 至 固 定 的 範 圍,

透 過 細 線 化 取 得 簽 名 圖 樣 的 骨 架 , 使 簽 名 圖 樣 的 形 體 更 突 顯 , 接 著 用 Convex-hull 演 算 法 找 出 簽 名 圖 樣 像 素 中 頂 點 (convex pixel)的 像 素 座 標 , 將 簽 名 圖 像 的 形 體 轉 換 成 幾 何 圖 形 。 本 研 究 採 用 最 小 外 接 圓 及 形 心 法 兩 種 圓 心 定 位 方 式 , 使 用 兩 種 幾 何 圖 形 技 巧 來 比 較 圓 心 定 位 是 否 對 取 樣 有 所 影 響 , 並 且 分 析 何 種 取 樣 方 式 有 助 於 提 升 識 別 簽 名 的 辨 識 率 。

(a) 圖像二值化 (b) 圖樣等比例正規化

(c) 細線化 (d) Convex hull 圖 3.2 前處理流程

3.1.1 二 值 化 (Binarization)

對 於 簽 名 辨 識 而 言 首 先 必 須 先 將 簽 名 筆 劃 的 軌 跡 與 背 景 分 開 來 , 由 於 簽 名 圖 樣 筆 畫 像 素 的 顏 色 是 用 黑 色 , 背 景 是 白 色 , 因 此 很 容 易 的 取 出 臨 界 值 將 其 二 值 化 , 如 圖 3.2a 所示。將黑色的像素設定為 1;白

色 像 素 設 定 為 0。用此方式可將整張圖像轉換成二維陣列,有效地獲

取 簽 名 筆 畫 的 主 體 資 訊 。

(21)

3.1.2 正 規 化 (Normalization)

由 於 手 寫 簽 名 圖 樣 的 大 小 不 同 , 使 得 圖 樣 取 樣 後 的 像 素 數 量 差 異 太 大 , 因 此 本 研 究 再 前 處 理 階 段 進 行 圖 樣 大 小 的 正 規 化 , 將 原 始 簽 名 圖 樣 的 大 小 等 比 例 縮 放 至 固 定 之 大 小 200╳200 像素,如圖 3.2b 所示。

藉 此 機 制 可 將 簽 名 圖 樣 進 行 標 準 化 處 理 , 避 免 因 簽 名 圖 樣 的 大 小 導 致 取 樣 的 誤 差 。

3.1.3 細 線 化 (Thinning)

對 於 簽 名 識 別 來 說 , 簽 名 圖 樣 的 筆 畫 寬 度 對 於 進 行 簽 名 辨 識 並 無 助 益 , 反 而 會 影 響 識 別 結 果 , 造 成 識 別 時 的 困 擾 。 因 此 在 簽 名 圖 樣 二 值 化 及 正 規 化 後 使 其 細 線 化 , 將 原 本 寬 度 不 相 同 的 筆 劃 , 細 化 成 等 寬 度 的 線 , 可 以 更 清 晰 的 展 現 簽 名 的 主 體 骨 架 , 以 方 便 進 行 下 一 步 驟 。 細 線 化 的 意 義 就 是 將 不 等 寬 度 的 圖 形 或 筆 劃 的 周 圍 各 點(像 素),

經 過 多 次 循 環 的 取 捨 , 而 留 下 寬 度 只 有 一 點 像 素 所 連 成 的 線 , 這 樣 可 稱 為 細 線 化 或 骨 架 化(Skeletonizing)。 細 線 化 的 過 程 必 須 注 意 三 項 原 則 :

一 、 端 點(end-point)不可被消除。

二 、 必 須 維 持 整 個 圖 形 的 連 接 性 。 三 、 避 免 過 度 消 除 。

再 細 線 化 之 處 理 過 程,本 研 究 採 用 Zhang 和 Suen【54】的 方法,

以 3X3 之視窗大小來處理,如圖 3.3 所示,P1 為待處理之像素,而

P2 至 P9 為其鄰近點。

P8 P1 P2 P7 P0 P3 P6 P5 P4

圖 3.3 細線化演算法中之各鄰近點之相關位置

(22)

此 細 線 化 演 算 法 分 成 兩 個 步 驟 , 對 簽 名 影 像 重 複 的 執 行 。 直 到 沒 有 可 以 刪 除 的 像 素 為 止。每 一 步 驟 中 考 慮 像 素 值 為 1 的像素點 P0,只 要 滿 足 其 刪 除 條 件 , 即 可 刪 除 該 點 , 使 其 像 素 值 設 定 為 0。判斷刪除 條 件 如 下 所 示 :

步 驟 一 :

(1) 2 ≤ N(P0) ≤ 6 (2) S(P0) = 1

(3) P(1) · P(3) · P(5) = 0 (4) P(3) · P(5) · P(7) = 0

步 驟 二 :

(1) 2 ≤ N(P0) ≤ 6 (2) S(P0) = 1

(5) P(1) · P(3) · P(7) = 0 (6) P(1) · P(5) · P(7) = 0

在 步 驟 一 與 步 驟 二 中 條 件(1)跟 條 件 (2)之 表 示 法 相 同 。 條 件 (1)中 N(P0)=P1+P2+…+P8 為 P0 周圍鄰近值為 1 之總數。當 N(P0)=0,表示 P0 為孤立點,當 N(P0)=1,表 P0 為端點,對孤立點或端點,不予刪 除 , 否 則 物 件 會 因 細 線 化 而 消 失 或 導 致 線 條 退 化 。 當 N(P0)>6 時,則 P0 為內點,此情況也不予刪除,否則會產生空洞的現象。條件(2)中,

S(P0) 表 示 由 P1,P2,…,P8 序 列 中 由 “ 0 " 變 成 “ 1 " 的 次 數 , 若 S(P0)>1,則 P1 為圖像中的某部分(components)之橋樑(bridge),若將 其 刪 除 會 造 成 斷 點 , 如 圖(3.4)所示。

(23)

(1) S(P0)=2 (2) S(P0)=3

(3) S(P0)=4 (4) S(P0)=4 圖 3.4 S(P0)>1 範例

在 步 驟 一 的 條 件(3)、條件(4)用來去除右邊及下邊的邊點及左上的 角 點,在 步 驟 二 中 條 件(5)、條件(6)則用來刪除左邊及上邊的邊點及右 下 的 角 點 。 執 行 步 驟 一 或 步 驟 二 時 先 將 符 合 刪 除 條 件 的 像 素 節 點 做 標 記,最 後 再 將 所 標 記 的 像 素 點 刪 除(設定成 0)。藉此流程反覆進行,直 到 無 法 進 行 標 記 即 可 停 止 。 完 成 此 演 算 法 即 可 得 到 該 圖 樣 的 骨 架 如 圖 (3.2c)所示。

3.1.4 Convex Hull

本 研 究 主 要 的 取 樣 方 式 是 採 用 環 形 取 樣 , 因 此 對 於 簽 名 圖 樣 的 圓 心 定 位 方 式 格 外 顯 得 重 要 , 必 須 先 對 簽 名 圖 樣 定 訂 出 圓 心 座 標 , 方 可 進 行 環 形 取 樣 。 手 寫 簽 名 筆 畫 繁 雜 導 致 筆 畫 像 素 數 量 龐 大 會 影 響 計 算 之 速 度 , 因 此 本 研 究 在 前 處 理 階 段 對 於 細 線 化 後 的 簽 名 圖 樣 使 用 Convex Hull 演算法【43】,找出一個可包圍簽名圖樣的最小凸多邊型,

將 簽 名 圖 像 間 接 的 轉 為 幾 何 圖 形(如圖 3.2d 所示)。Convex Hull 演算法 可 求 得 該 圖 樣 中 最 小 凸 多 邊 形 的 凸 點(convex)像 素 座 標 , 凸 點 座 標 集 合 CH(P)= {P0,P1,P3,P6,P9,P10},藉由 少 數 的 凸 點 像 素 座 標 將 不 規 則 形 狀 的 簽 名 圖 樣 轉 換 成 幾 何 圖 形 , 藉 由 幾 何 圖 形 經 過 旋 轉 、 縮 放 等 變 化 後 也 不 會 改 變 其 特 徵 的 特 性 即 可 代 表 該 簽 名 圖 樣 的 幾 何 圖 形 。 利 用 凸 點 像 素 來 取 代 所 有 簽 名 像 素 , 可 大 幅 減 少 使 用 三 點 求 圓 法 計 算 最 小 外 接 圓 的 複 雜 度 , 提 高 前 處 理 之 效 率 。

(24)

3.2 特徵值的擷取

本 研 究 主 要 是 透 過 行 動 裝 置 手 寫 簽 名 的 圖 樣 進 行 離 線 簽 名 辨 識 , 考 慮 行 動 裝 置 無 法 像 桌 上 型 的 數 位 手 寫 板 可 提 供 大 面 積 的 手 寫 範 圍 以 及 平 穩 的 置 於 平 面 上 的 使 用 環 境 , 因 此 手 寫 簽 名 的 圖 樣 將 會 有 旋 轉 的 情 況 發 生 。 對 於 圖 樣 旋 轉 的 問 題 本 研 究 提 出 環 形 區 域 取 樣 , 採 用 同 心 圓 取 樣 技 術 可 克 服 因 圖 樣 旋 轉 導 致 辨 識 率 降 低 , 應 用 於 行 動 裝 置 的 手 寫 辨 識 功 能 上 會 有 更 顯 著 的 效 用 。

在 同 心 圓 之 圓 心 定 點 法 中 採 用 最 小 外 接 圓 及 幾 何 中 心 法 , 此 兩 種 計 算 圖 樣 圓 心 的 方 法 都 必 須 經 過 前 處 理 步 驟 , 藉 由 前 處 理 減 少 簽 名 筆 畫 之 像 素 數 量 , 以 提 高 計 算 之 速 率 。 手 寫 簽 名 雖 然 每 次 的 簽 名 圖 樣 不 盡 相 同 , 透 過 Convex Hull 演算法將不規則形狀的簽名圖樣轉換成幾 何 圖 形 , 藉 由 幾 何 圖 形 經 過 旋 轉 、 縮 放 等 變 化 後 也 不 會 改 變 其 特 徵 的 特 性 , 來 進 行 旋 轉 不 變 的 特 徵 取 樣 方 式 , 克 服 簽 名 圖 樣 經 旋 轉 後 也 可 進 行 識 別 。

(a1)三點求圓法 (b1)幾何中心法

(a2)最小外接圓 (b2)形心求圓

圖 3.5 圖樣圓心定位方法

(25)

使 用 最 小 外 接 圓 來 定 位 圖 樣 的 圓 心 , 必 須 透 過 前 處 理 的 凸 點 像 素 座 標 , 經 由 三 點 求 圓 法 來 計 算 能 包 圍 簽 名 圖 樣 所 有 像 素 的 最 小 圓 形 , 如 圖 3.5a1 及圖 3.5a2 所示,藉由此法找出該簽名圖樣的相對圓心,縮 小 圓 形 取 樣 的 範 圍 , 使 其 取 樣 更 具 有 效 率 。 透 過 幾 何 中 心 法 來 取 得 幾 何 圖 形 的 形 心 , 如 圖 3.5b1 及圖 3.5b2 所示。主要目的是將簽名圖樣 的 筆 畫 像 素 使 用 幾 何 運 算 技 術 來 求 得 該 簽 名 的 幾 何 中 心 。 形 心

(centroid)就是幾何圖形的幾何中心。對於幾何圖形之表面積之形心,

可 將 其 面 積 分 割 一 微 元 素 dA, 並 對 座 標 軸 取 力 矩 而 獲 得 形 心(X,Y),

如 式 3.1 所示。

=

=

A A A

A

dA y ydA dA ,

x xdA (3.1)

透 過 前 處 理 步 驟 找 到 最 小 外 接 圓 之 圓 心 或 形 心 後 , 以 圓 心 或 形 心 作 為 同 心 圓 的 圓 心 , 依 據 半 徑 的 大 小 進 行 分 割 , 因 此 可 彈 性 的 調 整 半 徑 大 小 來 改 變 取 樣 的 數 量 。 利 用 同 心 圓 方 式 取 得 各 圓 弧 間 距 之 間 的 標 記 像 素 數 量,並 將 每 區 段 之 像 素 數 量 的 數 值 作 為 輸 入 節 點(Input Node) 以 X 表示(如圖 3.6 所示)。

圖 3.6 簽名圖樣同心圓取樣

(26)

3.3 SOM 神經網路的建構

本 研 究 所 採 用 之 類 神 經 網 路 能 提 供 自 動 分 類 聚 集 的 能 力 , 並 能 快 速 收 歛 等 競 爭 式 法 則 的 特 性 , 並 且 考 量 每 次 的 手 寫 簽 名 完 全 相 同 的 機 率 低 , 也 就 是 說 每 次 簽 名 無 法 完 全 相 同 , 因 此 誤 差 的 彈 性 是 辨 識 率 的 關 鍵 因 素 。 在 手 寫 簽 名 實 務 方 面 , 手 寫 簽 名 會 隨 著 時 間 有 逐 漸 改 變 的 特 性 , 因 此 類 神 經 網 路 具 有 自 行 分 類 、 以 及 權 重 修 正 的 特 性 , 因 應 此 特 性 系 統 可 自 動 的 修 正 。 對 於 應 用 領 域 的 需 求 與 特 性 , 因 此 選 擇 了 SOM 類神經網路,在此歸類 SOM 神經網路的主要特色如下:

一 、 具 有 自 我 組 織(Self-Organization)的能力。

二 、 能 從 圖 樣 本 身 擷 取 出 共 同 的 特 徵 、 規 則 或 其 之 間 的 關 係 。 三 、 常 用 於 圖 樣 分 群(Clustering)、向量量化(Vector Quantization)。

四 、 在 圖 樣 樣 本 不 夠 多 的 話 , 很 難 提 供 有 用 的 結 果 。 3.3.1 網 路 架 構

簽 名 辨 識 系 統 的 過 程 中 主 要 可 分 成 兩 個 部 份 : 類 神 經 網 路 的 訓 練 (training stage)與簽名圖樣的識別(verification stage)。首先必須先取得 使 用 者 少 數 的 簽 名 樣 本 , 進 行 類 神 經 網 路 訓 練 , 建 立 個 人 專 屬 的 神 經 網 路 。 接 下 來 執 行 簽 名 辨 識 階 段 時 須 先 將 個 人 專 屬 的 神 經 網 路 載 入 辨 識 系 統 , 再 將 簽 名 圖 樣 執 行 前 處 理(Preprocessing)步 驟 並 特 徵 值 取 樣 (Sampling)後 , 將 取 樣 之 特 徵 值 載 入 辨 識 系 統 進 行 簽 名 辨 識 。 然 而 無 論 在 訓 練 階 段 或 識 別 階 段 所 使 用 的 簽 名 圖 樣 都 必 須 經 過 圖 樣 前 處 理 步 驟 並 進 行 本 研 究 所 發 展 的 環 形 取 樣 法 進 行 圖 樣 特 徵 值 取 樣 , 將 簽 名 圖 樣 特 徵 值 萃 取 後 , 將 取 樣 後 的 特 徵 值 作 為 類 神 經 網 路 的 輸 入 層 , 便 可 進 行 類 神 經 網 路 訓 練 與 辨 識 比 對 , 利 用 特 徵 值 進 行 權 重 運 算 將 圖 樣 分 類 並 找 出 優 勝 的 優 勝 輸 出 節 點(Output Node)以 H 表 示 (如 圖 3.7 所

示)。將神經網路以及優勝的輸出節點儲存,以利於往後回想時載入原

有 的 網 路 , 於 運 算 後 比 對 優 勝 節 點 是 否 相 同 , 作 為 辨 識 的 結 果 。

(27)

圖 3.7 類神經網路圖樣分類

輸 入 資 料 為 手 寫 簽 名 圖 像 , 人 工 手 寫 方 式 在 類 神 經 網 路 的 考 量 方 面 必 須 考 量 人 工 手 寫 時 每 次 手 寫 之 圖 形 無 法 完 全 一 致 , 而 手 寫 圖 像 也 並 非 是 文 字 或 數 字 符 號 , 因 此 在 辨 識 方 面 並 不 同 於 文 字 或 數 字 辨 識 之 要 求 , 因 此 必 須 採 用 非 監 督 式 學 習 網 路 模 式 , 讓 神 經 網 路 自 行 分 類 。 在 類 神 經 網 路 演 算 法 方 面 , 導 入 適 合 的 類 神 經 網 路 模 型 進 行 無 監 督 式 訓 練 , 讓 神 經 網 路 自 我 訓 練 並 自 行 將 圖 像 進 行 分 類 與 分 群 。

在 人 因 工 程 來 說 , 手 寫 簽 名 具 有 漸 進 式 改 變 的 特 性 , 因 此 於 影 像 辨 識 時 必 須 具 有 相 當 程 度 之 識 別 彈 性 , 因 此 收 集 每 次 經 過 核 可 的 手 寫 圖 像 , 透 過 再 訓 練 機 制 , 作 為 神 經 網 路 訓 練 的 訓 練 範 例 , 讓 神 經 網 路 能 有 更 多 的 訓 練 資 料 進 行 神 經 網 路 再 訓 練 , 在 系 統 實 作 面 考 量 , 因 無 法 立 即 取 得 大 量 之 個 人 手 寫 圖 像 進 行 訓 練 , 因 此 必 須 採 用 漸 進 式 學 習 方 式 , 收 集 每 次 登 入 時 所 輸 入 的 手 寫 圖 像 , 讓 系 統 漸 進 學 習 。 隨 著 人 工 手 寫 簽 名 的 漸 進 式 改 變 , 讓 神 經 網 路 更 具 有 智 慧 性 , 能 自 我 訓 練 及 學 習 , 以 提 高 系 統 之 效 用 , 使 系 統 具 學 習 的 能 力 。

(28)

3.3.2 簽 名 識 別 的 演 算 步 驟

本 研 究 透 過 訓 練 樣 本 使 SOM 神經網路訓練並修正權重,使其神 經 網 路 的 權 重 及 向 量 值 達 到 穩 定 狀 態 。 神 經 網 路 穩 態 收 斂 後 紀 錄 神 經 網 路 權 重 、 優 勝 節 點 及 向 量 , 並 透 過 回 想 步 驟 來 計 算 測 試 樣 本 的 優 勝 節 點 與 向 量 值 , 進 而 判 斷 是 否 符 合 識 別 通 過 之 條 件 , 使 其 達 到 識 別 之 目 的 。 神 經 網 路 之 訓 練 演 算 步 驟 如 下 所 示 :

一 、 透 過 前 處 理 流 程 擷 取 手 寫 簽 名 圖 樣 之 特 徵 值 , 做 為 訓 練 樣 本 。 二 、 將 樣 本 載 入 SOM 神經網路的輸入單元,透過(式 2.3)求得優勝節

點 與 向 量 值 。

三 、 每 次 循 環 後 判 斷 神 經 網 路 所 有 隱 藏 節 點 之 輸 出 向 量 是 否 已 經 停 止 改 變 的 狀 態(與 上 次 循 環 之 向 量 值 誤 差 小 於 萬 分 之 ㄧ 即 可 判 定

為 停 止 改 變),若未達到穩態則繼續進行訓練階段,直到輸出向量

停 止 改 變 即 可 結 束 訓 練 。

四 、 結 束 訓 練 後 儲 存 神 經 網 路 權 重 、 優 勝 節 點 與 向 量 值 。

經 神 經 網 路 訓 練 後 , 便 採 用 測 試 樣 本 進 行 識 別 測 試 , 透 過 回 想 的 過 程 識 別 測 試 樣 本 。 簽 名 識 別 的 回 想 演 算 步 驟 如 下 :

一 、 載 入 神 經 網 路 訓 練 時 之 網 路 權 重 與 優 勝 節 點 向 量 值 。

二 、 透 過 前 處 理 流 程 擷 取 手 寫 簽 名 圖 樣 之 特 徵 值 , 做 為 測 試 樣 本 。 三 、 將 測 試 樣 本 載 入 SOM 神經網路的輸入單元,透過(式 2.3)計算出

該 樣 本 之 優 勝 節 點 與 向 量 值 。

四 、 將 測 試 樣 本 之 優 勝 神 經 元 與 訓 練 樣 本 之 優 勝 神 經 元 比 對 是 否 相 同 , 並 且 判 斷 其 向 量 值 是 否 低 於 門 檻 值 。 藉 此 判 斷 測 試 樣 本 是 否 與 訓 練 樣 本 相 似 。

(29)

第四章 實驗結果與分析

依 據 第 三 章 所 提 及 之 識 別 架 構 , 取 得 手 寫 簽 名 樣 本 進 行 簽 名 識 別 的 實 驗 。 實 驗 分 成 四 個 階 段 , 分 別 為 神 經 網 路 參 數 最 佳 化 實 驗 、 訓 練 樣 本 數 量 評 估 實 驗 、 環 形 取 樣 評 估 實 驗 以 及 圓 心 定 點 評 估 實 驗 。

神 經 網 路 參 數 最 佳 化 實 驗 主 要 是 用 來 評 估 神 經 網 路 的 學 習 率 以 及 學 習 遞 減 率 的 最 佳 參 數 。 訓 練 樣 本 數 量 評 估 實 驗 用 來 評 估 訓 練 樣 本 的 多 寡 是 否 會 影 響 辨 識 率 及 誤 判 率 。 環 形 取 樣 評 估 實 驗 主 要 是 針 對 環 形 取 樣 的 層 級 , 也 就 是 神 經 網 路 輸 入 單 元 的 數 量 是 否 對 辨 識 率 及 誤 判 率 有 改 善 。 最 後 是 圓 心 定 點 評 估 實 驗 則 是 用 最 小 外 接 圓 及 幾 何 中 心 兩 種 圓 心 定 點 法 , 此 階 段 實 驗 並 整 合 各 階 段 實 驗 所 得 之 最 佳 參 數 及 建 議 值 進 行 手 寫 簽 名 識 別 的 辨 識 率 及 誤 判 率 結 果 。 將 實 驗 結 果 進 行 分 析 與 評 估 , 藉 由 實 驗 的 分 析 結 果 修 正 參 數 , 使 其 辨 識 率 提 高 。

4.1 實驗條件

此 階 段 將 針 對 神 經 網 路 的 相 關 參 數 、 訓 練 樣 本 數 量 、 測 試 樣 本 、 圓 心 定 點 法 及 環 形 取 樣 數 量 等 參 數 宣 告 預 設 值 , 並 由 各 實 驗 階 段 得 到 的 最 佳 參 數 資 料 , 使 用 最 佳 參 數 資 料 進 行 實 驗 , 使 辨 識 率 提 高 並 減 少 誤 判 。

在 此 先 預 設 實 驗 過 程 中 必 要 的 實 驗 環 境 與 參 數 , 本 實 驗 階 段 使 用 四 組 不 同 的 手 寫 簽 名 圖 樣 訓 練 樣 本 , 每 組 圖 樣 使 用 200 個訓練樣本進 行 神 經 網 路 訓 練 , 使 用 100 個測試樣本。進行測試時除了使用該圖樣 的 測 試 樣 本 , 也 使 用 100 個中英文不拘且由不同人所簽名的圖樣,作 為 錯 誤 測 試 樣 本(本研究簡稱為 E 樣本),用來測試誤判率。預設輸入

單 元(環形取樣數量)數目為 10,在環形取樣評估實驗中可得知最佳參

數 值 。 隱 藏 神 經 元 數 量 則 是 根 據 訓 練 樣 本 數 量 的 ㄧ 半 。 至 於 學 習 率 、 學 習 遞 減 率 由 神 經 網 路 參 數 最 佳 化 實 驗 來 求 得 最 佳 值 。 測 試 樣 本 的 門 檻 值(threshold)藉 由 訓 練 神 經 網 路 階 段 時 以 隱 藏 層 神 經 元 所 運 算 的 輸 出 向 量 作 為 門 檻 值 。 門 檻 值 就 是 作 為 測 試 樣 本 用 來 判 斷 測 試 樣 本 經 過 神 經 網 路 的 運 算 所 求 得 的 向 量 值 , 而 向 量 值 越 相 近 表 示 其 測 試 樣 本 與

(30)

訓 練 樣 本 的 特 徵 越 相 似 , 因 此 測 試 樣 本 所 計 算 求 得 的 向 量 值 必 須 低 於 門 檻 值 才 可 被 接 受 。

4.2 神經網路參數最佳化實驗

神 經 網 路 相 關 的 參 數 包 含 學 習 率 、 學 習 遞 減 率 、 隱 藏 層 數 量 以 及 輸 入 層 數 量 。 學 習 率 用 來 設 定 學 習 修 正 範 圍 的 大 小 , 因 此 學 習 率 越 低 修 正 的 範 圍 也 會 越 小 , 也 更 有 分 類 聚 集 的 效 果 。 學 習 遞 減 率 就 是 每 次 訓 練 過 程 就 會 依 據 遞 減 率 來 遞 減 學 習 率 , 達 到 修 正 穩 態 的 狀 態 。 而 學 習 遞 減 率 越 大 就 會 導 致 遞 減 的 速 度 越 慢 ; 相 對 會 造 成 遞 減 速 度 快 。 學 習 率 遞 減 緩 慢 會 導 致 修 正 範 圍 延 遲 收 斂 , 延 緩 收 歛 的 結 果 會 導 致 門 檻 值 降 低 。

本 實 驗 採 用 四 組 簽 名 圖 樣 實 驗 , 並 且 採 用 幾 何 中 心 進 行 環 形 取 樣 。 使 用 200 個訓練樣本進行神經網路訓練,使用 100 個測試樣本。

用 測 試 樣 本 來 計 算 辨 識 率 。 進 行 測 試 時 除 了 使 用 該 圖 樣 的 測 試 樣 本 ,

使 用 100 個簽名圖樣作為錯誤測試樣本,用來測試誤判率。由於學習

率 或 學 習 遞 減 率 從 0 到 1 之間的變化曲線為等比例改變的形式,並非 呈 現 不 規 則 之 變 化 曲 線 , 因 此 本 研 究 採 用 極 端 值(0.1 或 0.9)來進行實 驗 的 測 試 。 本 研 究 除 了 要 求 高 辨 識 率 之 外 , 還 需 要 考 慮 到 誤 判 率 。 透 過 神 經 網 路 的 參 數 調 整 達 到 高 辨 識 率 及 低 誤 判 率 就 是 本 實 驗 的 目 的 。

(31)

表 4.1 神經網路參數實驗結果

學 習 率 遞 減 率 辨 識 率 誤 判 率 0.1 0.1 88% 11%

0.5 0.1 92% 10%

0.9 0.1 98% 12%

0.1 0.9 90% 6%

0.5 0.9 89% 10%

樣 本 1

0.9 0.9 91% 12%

0.1 0.1 99% 10%

0.5 0.1 98% 12%

0.9 0.1 100% 10%

0.1 0.9 94% 6%

0.5 0.9 98% 11%

樣 本 2

0.9 0.9 97% 10%

0.1 0.1 97% 10%

0.5 0.1 98% 12%

0.9 0.1 99% 11%

0.1 0.9 91% 7%

0.5 0.9 92% 12%

樣 本 3

0.9 0.9 87% 13%

0.1 0.1 95% 12%

0.5 0.1 93% 12%

0.9 0.1 94% 10%

0.1 0.9 91% 8%

0.5 0.9 89% 12%

樣 本 4

0.9 0.9 88% 13%

參 數 組 合 之 實 驗 結 果 如 表 4.2 所示,學習率降低可幫助分類聚集 的 效 果 , 並 配 合 緩 慢 的 遞 減 率 可 使 得 神 經 網 路 的 收 斂 更 穩 定 , 穩 定 的 神 經 網 路 會 降 低 門 檻 值 , 使 誤 判 率 降 低 , 並 且 依 然 維 持 高 辨 識 率 。 藉 由 本 階 段 實 驗 結 果 可 得 知 必 須 將 學 習 率 與 學 習 遞 減 率 設 定 較 低 的 參 數 值 可 得 到 較 佳 的 效 果 , 因 此 後 續 之 實 驗 將 引 用 本 階 段 所 得 之 參 數 設 定 進 行 實 驗 。

表 4.2 參數組合實驗結果

學 習 率 遞減率 平 均 辨 識 率 平 均 誤 判 率

0.1 0.1 94.75% 10.75%

0.5 0.1 95.25% 11.50%

0.9 0.1 97.75% 10.75%

0.1 0.9 91.50% 6.75%

0.5 0.9 92.00% 11.25%

0.9 0.9 90.75% 12.00%

(32)

4.3 訓練樣本評估實驗

本 實 驗 階 段 採 用 四 組 手 寫 簽 名 樣 本 , 分 別 使 用 訓 練 樣 本 50,100,150,200 份進行訓練。各組使用 100 份測試樣本進行測試,計 算 求 得 辨 識 率 。 採 用 最 小 外 接 圓 及 幾 何 中 心 法 兩 種 方 式 來 決 定 簽 名 圖 樣 的 取 樣 圓 心。除 了 使 用 該 圖 樣 測 試 樣 本,也 採 用 錯 誤 的 簽 名 圖 樣 100 份 進 行 測 試 , 用 來 計 算 誤 判 率 。 而 四 組 簽 名 圖 樣 訓 練 樣 本 、 測 試 樣 本

以 及 E 樣本透過不同的圓心定位方式進行取樣,進行神經網路的訓練

與 測 試 。

表 4.3-1 訓 練 樣 本 辨 識 率 實 驗

訓 練 樣 本 數 50 100 150 200

樣 本 1 96% 89% 88% 85%

樣 本 2 98% 84% 85% 88%

樣 本 3 87% 89% 84% 87%

樣 本 4 92% 91% 88% 87%

最 小 外 接 圓

平 均 值 93.25% 88.25% 86.25% 86.75%

樣 本 1 81% 89% 87% 86%

樣 本 2 90% 92% 92% 94%

樣 本 3 98% 95% 96% 97%

樣 本 4 97% 92% 90% 91%

辨 識 率

形 心 法

平 均 值 91.50% 92.00% 91.25% 92.00%

表 4.3-2 訓 練 樣 本 誤 判 率 實 驗

訓 練 樣 本 數 50 100 150 200

樣 本 1 12% 8% 7% 6%

樣 本 2 15% 10% 8% 9%

樣 本 3 23% 11% 10% 10%

樣 本 4 22% 11% 11% 11%

最 小 外 接 圓

平 均 值 18.00% 10.00% 9.00% 9.00%

樣 本 1 9% 6% 6% 4%

樣 本 2 10% 6% 6% 6%

樣 本 3 11% 8% 9% 7%

樣 本 4 10% 8% 7% 7%

誤 判 率

形 心 法

平 均 值 10.00% 7.00% 7.00% 6.00%

(33)

由 此 實 驗 可 進 而 分 析 訓 練 樣 本 的 數 量 , 當 訓 練 樣 本 數 量 太 少 會 導 致 資 訊 不 足 無 法 有 效 的 進 行 建 立 完 整 的 神 經 網 路 ; 然 而 訓 練 樣 本 過 多 則 無 法 使 神 經 網 路 隨 著 手 寫 簽 名 漸 進 式 改 變 達 到 智 慧 型 識 別 的 能 力 。 因 此 必 須 考 量 訓 練 樣 本 的 數 量 , 持 續 的 訓 練 最 新 的 手 寫 簽 名 樣 本 , 並 適 時 的 捨 棄 過 時 的 樣 本 , 使 神 經 網 路 能 隨 著 手 寫 簽 名 的 漸 進 式 改 變 達 到 智 慧 型 學 習 的 效 果 。

本 實 驗 使 用 四 組 手 寫 簽 名 進 行 實 驗 , 使 用 不 同 數 量 的 訓 練 樣 本 來 進 行 訓 練,將 實 驗 結 果 之 辨 識 率 與 誤 判 率 求 得 平 均 值,如 表 4.4 所示。

訓 練 樣 本 的 數 量 會 影 響 辨 識 率 與 誤 判 率 , 由 實 驗 得 知 樣 本 數 量 必 須 高

於 100 份才可有效的降低誤判率,並維持穩定的辨識率。藉此階段實

驗 結 果 可 得 知 訓 練 樣 本 數 量 對 於 辨 識 率 與 誤 判 率 有 顯 著 影 響 。 表 4.4 最佳訓練樣本數量實驗結果

訓 練 樣 本 數 50 100 150 200

最 小 外 接 圓 93.25% 88.25% 86.25% 86.75%

辨 識 率

平 均 值 形 心 法 91.50% 92.00% 91.25% 92.00%

最 小 外 接 圓 18.00% 10.00% 9.00% 9.00%

誤 判 率

平 均 值 形 心 法 10.00% 7.00% 7.00% 6.00%

由 本 實 驗 階 段 除 了 判 斷 訓 練 樣 本 是 否 對 於 辨 識 率 及 誤 判 率 有 顯 著 的 改 善 之 外,可 由 圖 4.1 曲線圖得知幾何中心-形心法在辨識率方面較 為 穩 定 , 使 用 不 同 數 量 的 訓 練 樣 本 均 有 穩 定 的 辨 識 率 , 且 辨 識 率 高 於 最 小 外 接 圓 取 樣 法;而 誤 判 率 方 面 可 由 圖 4.2 曲線圖得知幾何中心-形 心 法 的 平 均 誤 判 率 低 於 最 小 外 接 圓 。

80.00%

85.00%

90.00%

95.00%

訓練樣本數量

識率平均值(%)

最小外接圓 93.25% 88.25% 86.25% 86.75%

幾何中心 91.50% 92.00% 91.25% 92.00%

50 100 150 200

圖 4.1 訓練樣本數量辨識率曲線圖

(34)

0.00%

10.00%

20.00%

訓練樣本數量

誤判率平(%)

最小外接圓 18.00% 10.00% 9.00% 9.00%

幾何中心 10.00% 7.00% 7.00% 6.00%

50 100 150 200

圖 4.2 訓練樣本數量誤判率曲線圖

4.4 環形取樣評估實驗

本 階 段 實 驗 主 要 是 藉 由 簽 名 圖 樣 的 中 心 座 標 進 而 以 環 形 的 方 式 進 行 區 域 分 割 。 環 形 取 樣 的 分 割 區 域 的 數 量 也 就 是 代 表 類 神 經 網 路 的 輸 入 層 神 經 元 的 數 量 。 本 研 究 主 要 是 透 過 環 形 區 域 的 像 素 數 量 作 為 特 徵 值 , 因 此 不 同 等 份 的 取 樣 數 量 會 影 響 圖 樣 環 形 分 割 的 大 小 。 若 取 樣 區 域 稀 鬆 也 就 是 取 樣 數 量 少 , 就 會 造 成 特 徵 不 明 顯 , 導 致 無 法 正 確 的 表 現 其 簽 名 圖 樣 的 特 徵 ; 取 樣 若 密 集 , 會 導 致 圖 樣 特 徵 被 模 糊 化 , 因 此 藉 由 此 階 段 實 驗 來 分 析 , 進 而 建 議 最 適 合 的 取 樣 數 量 。 此 階 段 實 驗 參 考 先 前 實 驗 所 得 的 參 數 , 並 採 用 四 組 訓 練 樣 本 與 測 試 樣 本 。 訊 練 樣 本 數 量 為 200 份、學習率為 0.1、學習遞減率為 0.95 以及使用幾何中心 法 進 行 環 形 取 樣 , 將 三 組 個 別 計 算 所 得 之 辯 識 率 與 誤 判 率 進 行 平 均 值 計 算 。 實 驗 結 果 如 表 4.5 所示。

表 4.5 環形取樣實驗結果

取 樣 層 級 5 10 15 20

平 均 辨 識 率 93.67% 85.67% 86.33% 80.33%

平 均 誤 判 率 10% 6% 8% 7%

由 本 階 段 實 驗 結 果 得 知 , 辨 識 率 與 誤 判 率 是 成 正 比 的 方 式 , 也 就 是 說 門 檻 值 較 高 會 導 致 辨 識 率 提 高 , 而 誤 判 率 也 相 對 提 高 。 因 此 必 須 取 的 一 平 衡 點 , 可 以 符 合 高 辨 識 率 也 必 須 維 持 低 誤 判 率 , 由 於 手 寫 簽 名 的 特 性 就 是 每 次 手 寫 的 樣 本 均 不 盡 相 同 , 不 僅 要 求 需 要 高 辨 識 效 果 也 必 須 強 調 低 誤 判 率 , 所 以 必 須 在 辨 識 率 與 誤 判 率 之 間 取 得 平 衡 點 。 因 此 在 先 前 的 實 驗 中 提 到 本 研 究 除 了 要 求 高 辨 識 率 之 外 , 還 需 要 考 慮

(35)

到 誤 判 率 , 衡 量 兩 者 之 間 的 權 重 時 , 考 量 手 寫 辨 識 的 樣 本 變 異 性 大 , 因 此 傾 向 於 著 重 低 誤 判 率 的 組 合 。 由 圖 4.3 及圖 4.4 曲線圖所示,其 取 樣 層 級 之 辨 識 率 與 誤 判 率 有 相 同 的 趨 勢 曲 線 , 因 此 本 實 驗 階 段 衡 量 辨 識 率 與 誤 判 率 比 較 結 果 , 在 本 研 究 的 樣 本 範 圍 中 將 採 用 環 形 區 域 取

樣 層 級 為 10 階層的參數。此參數實驗結果得知具有較低的誤判率,因

此 將 建 議 採 用 此 參 數 作 為 神 經 網 路 輸 入 神 經 元 的 輸 入 層 參 數 , 也 將 此 最 佳 參 數 於 後 續 實 驗 使 用 。

70%

75%

80%

85%

90%

95%

100%

取樣數量

辨識率(%)

辨識率 94.33 93.67 88.67 85.67 81.67 86.33 91.33 80.33

3 5 8 10 13 15 18 20

圖 4.3 環 形 區 域 取 樣 層 級 辨 識 率 曲 線 圖

0%

5%

10%

15%

取樣數量

誤判率(%)

誤判率 11.00% 10.00% 7.00% 6.00% 7.00% 8.00% 9.00% 7.00%

3 5 8 10 13 15 18 20

圖 4.4 環 形 區 域 取 樣 層 級 誤 判 率 曲 線 圖

(36)

4.5 圓心定點法評估實驗

本 階 段 著 重 於 圓 心 定 點 法 的 實 驗 , 整 合 先 前 實 驗 所 得 之 最 佳 參 數 , 並 透 過 反 覆 的 實 驗 求 得 平 均 辨 識 率 與 誤 判 率 。 本 研 究 採 用 最 小 外 接 圓 及 幾 何 中 心 法 兩 種 方 式 來 決 定 簽 名 圖 樣 的 取 樣 圓 心 , 透 過 不 同 的 圓 心 定 位 法 來 評 估 是 否 影 響 辨 識 率 。 設 定 神 經 網 路 學 習 率 為 0.1,學 習 遞 減 率 為 0.95,並使用 200 組訓練樣本,樣本環形取樣為 10 階層。

並 經 過 10 次反覆測試,計算其平均值。實驗測試數據如表 4.6-1 及表 4.6-2 所示。

表 4.6-1 最 小 外 接 圓

樣 本 1 樣 本 2 樣 本 3 樣 本 4

辨 識 率 誤 判 率 辨 識 率 誤 判 率 辨 識 率 誤 判 率 辨 識 率 誤 判 率

1 83% 10% 91% 12% 93% 12% 95% 12%

2 91% 12% 92% 11% 94% 13% 90% 13%

3 85% 11% 89% 11% 97% 12% 87% 12%

4 86% 11% 89% 11% 95% 12% 89% 13%

5 85% 12% 90% 12% 98% 12% 91% 12%

6 84% 11% 88% 10% 95% 12% 94% 12%

7 89% 11% 96% 10% 93% 11% 91% 12%

8 95% 11% 89% 12% 96% 12% 86% 12%

9 86% 10% 94% 9% 93% 12% 87% 13%

10 90% 10% 87% 9% 98% 11% 86% 13%

87.4% 10.9% 90.5% 10.7% 95.2% 11.9% 89.6% 12.4%

(37)

表 4.6-2 幾 何 中 心 -形 心 法

樣 本 1 樣 本 2 樣 本 3 樣 本 4

辨 識 率 誤 判 率 辨 識 率 誤 判 率 辨 識 率 誤 判 率 辨 識 率 誤 判 率

1 80% 6% 92% 10% 89% 12% 92% 13%

2 79% 6% 91% 10% 88% 11% 91% 12%

3 87% 6% 91% 9% 91% 13% 93% 11%

4 90% 6% 87% 9% 95% 12% 95% 11%

5 87% 6% 94% 9% 95% 12% 85% 10%

6 82% 6% 92% 9% 91% 12% 92% 11%

7 89% 7% 98% 9% 93% 12% 91% 11%

8 88% 6% 96% 9% 93% 11% 88% 11%

9 86% 6% 90% 10% 97% 11% 92% 11%

10 86% 6% 97% 9% 87% 12% 89% 12%

85.4% 6.1% 92.8% 9.3% 91.9% 11.8% 90.8% 11.3%

本 實 驗 最 主 要 是 用 實 驗 方 式 來 判 斷 兩 種 取 樣 方 式 是 否 對 於 辨 識 率 與 誤 判 率 有 顯 著 的 差 異 , 也 為 後 續 的 實 驗 提 供 最 佳 的 參 數 及 實 驗 環

境 。 由 表 4.7 得知,兩種取樣方式辨識率均高於 90%。觀察兩種圓心

定 點 方 式 的 誤 判 率 有 顯 著 的 差 異 , 使 用 最 小 外 接 圓 取 樣 方 式 平 均 誤 判

率 為 11.48%相較於幾何中心平均誤判率為 9.63%。由此實驗結果得知

在 辨 識 率 方 面 使 用 幾 何 中 心 取 樣 法 或 最 小 外 接 圓 進 行 取 樣 , 均 可 得 到 相 當 高 的 辨 識 率,因 此 藉 由 比 較 兩 者 支 誤 判 率 可 得 知 幾 何 中 心-形心法 的 誤 判 率 低 於 最 小 外 接 圓 。 將 取 樣 機 制 應 用 於 手 寫 簽 名 識 別 機 制 這 種 不 確 定 性 高 的 樣 本 除 了 辨 識 率 之 外 也 必 須 考 量 誤 判 率 , 在 誤 判 率 方 面

幾 何 中 心-形心法低於最小外接圓定點法,藉由此結果與訓練樣本實驗

可 得 知 判 斷 使 用 幾 何 中 心-形 心 法 進 行 圓 心 定 點 取 樣 可 達 到 穩 定 之 辨 識 率 與 誤 判 率 , 除 了 具 有 高 辨 識 率 之 外 再 誤 判 率 也 低 於 最 小 外 接 圓 定 點 法 。

表 4.7 環形圓心定點取樣實驗結果

最 小 外 接 圓 幾 何 中 心-形心法 測 試 次 數

辨 識 率 誤 判 率 辨 識 率 誤 判 率 樣 本 1 87.40% 10.90% 85.40% 6.10%

樣 本 2 90.50% 10.70% 92.80% 9.30%

樣 本 3 95.20% 11.90% 91.90% 11.80%

樣 本 4 89.60% 12.40% 90.80% 11.30%

(38)

第五章 結論

本 文 提 出 將 任 意 手 寫 簽 名 之 簽 名 圖 樣 透 過 影 像 前 處 理 , 將 不 規 則 之 簽 名 圖 樣 轉 換 成 幾 何 圖 形 , 並 藉 由 環 形 區 域 取 樣 方 式 來 解 決 手 寫 簽 名 經 任 意 旋 轉 後 , 依 然 可 取 得 不 變 之 特 徵 資 訊 。 由 於 簽 名 圖 樣 以 任 意 角 度 旋 轉 後 以 圓 心 定 點 的 方 式 來 決 定 環 形 取 樣 的 中 心 位 置 , 因 此 本 研 究 提 出 兩 種 圓 心 定 點 方 法 , 以 評 估 該 簽 名 圖 樣 經 過 旋 轉 後 依 然 能 有 較 正 確 的 特 徵 值 取 樣 。 透 過 環 形 區 域 密 度 計 算 方 式 , 來 擷 取 手 寫 簽 名 的 特 徵 資 料 , 此 特 徵 不 會 隨 著 簽 名 圖 像 的 旋 轉 而 改 變 。 將 此 特 徵 運 用 至 類 神 經 網 路 上 , 已 達 成 可 以 識 別 任 意 旋 轉 角 度 之 手 寫 簽 名 的 目 的 。

實 驗 結 果 顯 示 , 除 了 圖 樣 旋 轉 後 不 變 的 特 徵 值 之 外 , 類 神 經 網 路 的 參 數 設 定 也 是 決 定 辯 識 率 及 誤 判 率 的 關 鍵 因 素 。 本 研 究 針 對 神 經 網 路 的 輸 入 層 神 經 元 、 輸 出 層 神 經 元 以 及 學 習 率 等 相 關 參 數 進 行 各 階 段 實 驗 。 由 神 經 網 路 參 數 最 佳 化 實 驗 結 果 可 得 知 , 學 習 率 及 學 習 遞 減 率 的 參 數 值 要 採 用 較 小 的 數 值 , 這 樣 可 以 達 到 修 正 範 圍 小 且 收 歛 緩 慢 , 藉 此 達 到 較 高 的 學 習 訓 練 效 果 。 由 訓 練 樣 本 數 量 評 估 實 驗 可 得 知 , 各 等 份 的 訓 練 樣 本 所 造 成 的 辨 識 率 均 高 於 85%,由曲線圖可觀察得知,

當 訓 練 樣 本 大 於 100 份可有效的降低誤判率,並且不會因訓練樣本過 大 而 導 致 辨 識 率 有 顯 著 降 低 的 現 象 , 藉 此 實 驗 結 果 可 以 呼 應 SOM 神 經 網 路 必 須 有 足 夠 樣 本 才 可 發 揮 其 效 用 的 特 性 。 由 環 形 取 樣 評 估 實 驗 中 可 觀 察 環 形 取 樣 的 層 級 數 量(神 經 網 路 輸 入 神 經 元 的 個 數)也 會 影 響 辨 識 率 及 誤 判 率 , 當 輸 入 的 神 經 元 數 量 多 會 導 致 辨 識 率 降 低 , 相 對 的 誤 判 率 也 降 低 ; 當 輸 入 的 神 經 元 數 量 少 會 導 致 誤 判 率 升 高 , 相 對 的 辨 識 率 也 會 提 升 , 藉 由 此 特 性 可 瞭 解 誤 判 率 與 辨 識 率 是 成 正 比 的 , 手 寫 識 別 的 應 用 不 僅 要 有 高 辨 識 率 也 須 考 量 誤 判 率 是 否 過 高 , 因 此 將 依 據 所 取 樣 的 樣 本 所 實 驗 的 結 果 顯 示 , 於 環 形 取 樣 分 成 十 層 , 對 於 本 研 究 所 取 樣 的 樣 本 具 有 較 佳 的 辨 識 率 , 誤 判 率 也 有 較 佳 的 表 現 。 最 後 實 驗 將 進 行 不 同 圓 心 定 點 法 的 比 較 實 驗 , 透 過 反 覆 的 實 驗 測 試 數 據 並 取 平 均 值 來 衡 量 辨 識 率 與 誤 判 率 , 藉 此 可 避 免 因 單 一 樣 本 導 致 偏 差 。 而 實 驗 結 果 顯 示 幾 何 中 心-形心法具有較穩定的辨識率與誤判率,相較於最 小 外 接 圓 也 有 較 高 的 辨 識 率 及 較 低 的 誤 判 率 。

(39)

本 文 所 提 出 之 環 形 取 樣 機 制 配 合 SOM 類神經網路系統架構,相

較 於 楊 宗 憲 【13】所採用之隱藏式馬可夫模型與倒傳遞類神經網路,

具 有 更 高 的 辨 識 效 果 , 實 驗 結 果 得 知 環 形 取 樣 對 於 辨 識 率 已 經 具 有 較 佳 的 效 果,辨 識 率 高 達 90.23%,採用本文所提出的方法進行識別,無 論 手 寫 簽 名 圖 樣 產 生 了 位 移 、 旋 轉 情 形 都 可 以 有 效 地 處 理 圖 樣 之 不 變 性 特 徵 。 然 而 對 於 手 寫 簽 名 這 類 型 不 確 定 性 高 的 樣 本 , 並 且 手 寫 簽 名 圖 樣 所 產 生 的 變 異 性 具 有 不 穩 定 的 特 性 , 因 此 對 於 圖 樣 的 差 異 較 無 法 有 效 的 細 部 識 別 , 導 致 誤 判 率 9.63%。由此可知環形取樣方式對於相 似 之 手 寫 簽 名 圖 樣 無 法 更 有 效 的 降 低 誤 判 率 。 實 驗 結 果 發 現 環 形 取 樣 對 於 辨 識 率 已 經 具 有 較 佳 的 效 果 , 因 此 建 議 後 續 發 展 方 向 可 針 對 誤 判 率 進 行 改 善 。

應 用 類 神 經 網 路 於 手 寫 圖 像 識 別 , 建 立 個 人 專 屬 神 經 網 路 , 提 高 手 寫 圖 像 辨 識 率 , 並 且 能 更 有 效 的 解 決 簽 名 圖 樣 經 任 意 角 度 旋 轉 後 之 辨 識 率 。 類 神 經 網 路 具 有 比 對 模 糊 的 特 色 , 保 留 辨 識 的 彈 性 , 類 神 經 網 路 可 藉 由 再 訓 練 機 制 漸 進 改 變 類 神 經 網 路 的 辨 識 樣 本 , 因 此 隨 著 簽 名 筆 跡 漸 進 式 的 變 化 , 類 神 經 網 路 將 會 進 行 權 重 的 微 調 , 達 到 神 經 網 路 隨 著 簽 名 的 樣 本 智 慧 型 學 習 的 目 的 。

(40)

參考文獻

1. 吳坤榮 (1997),「線上簽名驗證的研究」,國立交通大學資訊工 程 研 究 所 博 士 論 文 。

2. 李奇政 (1998),「利用離線簽名樣本作線上中文簽名確認」,國 立 中 央 大 學 資 訊 工 程 研 究 所 碩 士 論 文 。

3. 沈玉升 (1993),「類神經網路在影像外形自動辨識之應用」,靜 宜 大 學 管 理 科 學 研 究 所 碩 士 論 文 。

4. 林昇浦、洪成安 (2002),「神經網路入門與圖樣辨識」,全華科 技 圖 書 股 份 有 限 公 司 。

5. 邱宏彬 (1996),「手寫中文字之處理及不變性識別」,國立中央 大 學 資 訊 工 程 研 究 所 博 士 論 文 。

6. 張斐章,張麗秋,黃浩倫 (2003),「類神經網路理論與實務」,

東 華 書 局 。

7. 張森 (1998),「以模糊性 r-model 及 SOM 為架構的手寫數字辨識 之 研 究 」 , 朝 陽 大 學 資 訊 管 理 所 碩 士 論 文 。

8. 郭文聰 (1995),「快速特徵擷取與旋轉法則」,國立中山大學應 用 數 學 研 究 所 碩 士 論 文 。

9. 陳育千 (2001),「線上簽名鑑定」,中央警察大學刑事警察研究 所 碩 士 論 文 。

10. 陳 慶 逸 (1997), 「 以 類 神 經 網 路 為 基 礎 的 文 數 字 辨 識 技 術 之 研 究 」 , 淡 江 大 學 電 機 工 程 學 系 研 究 所 碩 士 論 文 。

11. 曾榮鴻 (2001),「類神經網路應用於數字識別之分析與比較」,

國 立 海 洋 大 學 航 運 技 術 研 究 所 碩 士 論 文 。

12. 黃國源 (1995),「類神經網路與圖型識別」,維科出版社。

13. 楊宗憲 (1998),「 可處理任意旋轉角度之手寫字辨識」”,國立 成 功 大 學 資 訊 工 程 研 究 所 碩 士 論 文 。

14. 楊宗興 (1987),「圖形辨識中旋轉問題之探討」,國立台灣學機 械 工 程 研 究 所 碩 士 論 文 。

15. 楊武智 (1994),「影像處理與辨認」,全華科技圖書股份有限公 司 。

(41)

16. 趙永正 (1993),「以特徵擷取做有限度旋轉文字之辨識」,國立 台 灣 科 技 大 學 工 程 技 術 研 究 所 碩 士 論 文 。

17. 蔡明志 (1999),「神經網路應用於字元的不變性辨識」,元智大 學 工 業 工 程 研 究 所 碩 士 論 文 。

18. 賴承澤 (2001),「利用虛筆資訊特徵作中文簽名確認」,國立中 央 大 學 資 訊 工 程 研 究 所 碩 士 論 文 。

19. 鍾孟邦 (1998),「可連續書寫之中文簽名確認系統」,中央大學 資 訊 工 程 研 究 所 碩 士 論 文 。

20. Bajaj, R. and S. Chaudhury (1997),“Signature Verification Using Multiple Neural Network Classifier,”Pattern Recognition, Vol.30, No.1, pp.1-7.

21. Berg, M. D., M. V. Kreveld, M. Overmars, and O. Schwarzkopf (2000), Computational Geometry Algorithms and Applications, Germany:Springer.

22. Bozinovic, R. M. and S. N. Srihari, (1989), “Off-line cursive script word recognition, ” IEEE Trans. PAMI, vol. 11, no. 1.

23. Chang, J. Y. and C. L. Lee (1994), “Translation, Rotation, and Scaling Invariant Pattern Recognition by Fuzzy Neural Networks,”

The 2nd Natl. Conf. on Fuzzy Theory & Appl. (Fuzzy’94), Taiwan, ROC.

24. Cheng, H. D. and D. C. Xia (1996),“A novel parallel approach to character recognition and its VLSI implementation,”Pattern Recognition, Vol.29, No.1, pp.97-119.

25. Chiu, H. P. and D. C. Tseng (1997), “Invariant handwritten Chinese character recognition using fuzzy min-max neural network,” Pattern Recognition Letter, Vol.18, pp.481-491.

26. Dimauro, G., S. Impedovo, G. Pirlo, and A. Salzo (1997), “A Multi-expret Signature Verification System for Bankcheck Processing,” International Journal of Pattern Recognition and Artificial Intelligence, Vol.11, No.5, pp.827-844.

27. Drouhard, J. P., R. Sabourin, and M. Godbout (1996),“A Neural Network Approach to Off-line Signature Verification Using

(42)

28. Enke, D., H. C. Lee, A. M. Ozbayoglu, A. Thammano, and C. H.

Dagli (1995), “An Application to Speaker Identification Using SimNet,” Intelligent Engineering Systems Through Artificial Neural Networks, vol.5, ASME Press (ANNIE ’95) New York.

29. Fukushima, K., S. Myake, and T. Lto (1983), “Neocongitron: A neural network model for a mechanism of visual pattern recognition,” IEEE Trans. Syst., Man, Cybern., vol. SMC-13, no.5, pp.826-834.

30. Han, K. and I. K. Sethi (1996), “Handwritten signature retrieval and identification,” Pattern Recognition Letters, Vol.17, pp.83-90.

31. Holt, M., A. Stewart, M. Clint, and R. H. Perrott (1987), “An Improved Parallel Thinning Algorithm”, Communications of the ACM, Vol. 30, No. 2, pp.156-160.

32. Hsu, Y. N. and H. H. Arsenault (1982), “Rotation-invariant digital pattern recognition using circular harmonic expansion,” Appl. Opt., vol. 21, no.22, pp.4012-4015.

33. Hsu, Y. N., H. H. Arsenault, and Y. Yang (1982), “Digital multiple correlation for pattern recognition,” Appl. Opt., vol. 21, no. 4, pp.616-620.

34. Huang, K. and Hong Yan (1997),“Off-line Signature Verification Based on Geometric Feature Extraction and Neural Network Classification,”Pattern Recognition, Vol.30, No.1, pp.9-17.

35. Jain, K., F. D. Griess, and S. D. Connell (2002), “On-line signature verification,” Pattern Recognition, Vol.35, pp.2963-2972.

36. Koch, M. W., M.W. Roberts, and S. W. Aiken (1990), “A vision architecture for scale, translation, and rotation invariance,” in Proc.

Int. Joint Conf. Neural Networks, vol. II, pp. 393-396.

37. Lee, H. C., C. H. Dagli, F. Ercal, and A.M. Ozbayoglu (1995),

“SimNet: A Parallel Neuro-Fuzzy Paradigm for Data Clustering,”

OAI Neural Networks Symposium and Workshop (OAINN ’95), Athens, Ohio, USA.

參考文獻

相關文件

Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp... Annealed

Y., (1997), “Resource recovery of sludge as building and construction materials — a future trend in sludge management,” Journal of Water Science and Technology, Vol. (2000)

(2007), “Selecting Knowledge Management Strategies by Using the Analytic Network Process,” Expert Systems with Applications, Vol. (2004), “A Practical Approach to Fuzzy Utilities

Hogg (1982), “A State-of-the-art Survey of Dispatching Rules for Manufacturing Job Shop Operation,” International Journal of Production Research, Vol.. Gardiner (1997), “A

The purpose of this paper is to achieve the recognition of guide routes by the neural network, which integrates the approaches of color space conversion, image binary,

Randall,D.,te al,(1997),Water Supply Planning Simulation Model Using Mixed-Integer Linear Programming, Jouenal of Water Resources Planning and

Y., (1997), “Resource recovery of sludge as building and construction materials — a future trend in sludge management,” Journal of Water Science and Technology, Vol. J.,

Jones, &#34;Rapid Object Detection Using a Boosted Cascade of Simple Features,&#34; IEEE Computer Society Conference on Computer Vision and Pattern Recognition,