1.1设计的目的及意义

在当今的信息化社会里，如何确定一个人的身份，毫无疑问是非常重要的，尤其是在考试当中，能够证明自身身份。手写体笔迹的识别是计算机视觉和模式识别领域中一个非常活跃的研究课题。目前，分布在全国公安、司法系统以及高等院校从事笔记鉴别的人员有许多，利用他们的专业知识，来弥补司法人员认识能力的不足，辅助司法人员正确认识案情。随着各种高新技术的迅速发展，笔记鉴别技术在众多领域中得到应用，如在金融和办公自动化领域，签名作为用户的身份认证已经普遍使用，又如公司之间签订的协议，官方文件，银行支票，都需要当事人亲笔签名才能生效。特别是在银行，每天都需要对于大量的签名支票确认真伪，有效的鉴别工作将会简化过程，提高工作效率。而在司法界，笔记鉴别作为人的一种生粉识别，仍然在我国的法律审判程序中具有不可替代的证据作用。在安全领域，通过笔记鉴别可以缩小嫌疑人的范围，通过笔记鉴别可以对敏感人物签署的文件进行监控。

1.2国内外笔记鉴别研究现状

笔记鉴别是通过寻找手写笔迹图像之间的相似度，从而区分不同的手写人身份的一种技术。计算机笔记鉴别而根据考察的对象和提取特征的方法不同的又可以分为两大类：文本独立和文本依存方法。这两种方法主要的不同点在于文本依存是对不同笔记图像中相同的字符进行比较，而文本独立是统计大量笔迹图像中出现的与字符无关的特征例如纹理，轮廓等作为比较两个图像的依据。文本依存方法目前主要有标准模板变形法、方向指数直方图法、高阶相关法。其中标准模板变形法是采用一个标准模板的基础上，从字符相对于标准模板的变形提取笔迹特征，变形是通过像素的位移来描述的。将手写字符和标准模板通过一些变形来尽量接近，使其海明距离最小。最后采用贝叶斯方法或者距离度量方法进行分类。方向指数直方图法是依据笔划轮廓点的领域特征量化到四个方向：水平、垂直、左对角、右对角。并统计图象各个子区域中四个方向轮廓点数作为特征。高阶相关法就是计算笔记图像上的一阶相关和两点连线上高阶相关函数作为笔迹特征。除此之外还有弧模式频率法、笔划匹配法、多通道分解法等。

而目前世界上研究笔记鉴别已经随着深度学习在不同领域的成功的影响，手写体汉字识别（HCCR）的解决方案已经从传统的方法改为卷积神经网络（convnet）。首次报告成功使用convnet完成手写体汉字识别（离线）的是多柱深度神经网络（mcdnn）。之后，稀疏convnet被用于在ICDAR-2013竞争中实现在线HCCR的最佳性能。针对离线HCCR提出了交替训练松弛卷积神经网络。最近，通过整合本地和全球扭曲、多监督培训和多模式投票等多种策略，实现了离线HCCR的最高精度。尽管这些方法在很大程度上优于传统方法，但它们是基于端到端学习的，忽略了HCCR中长期研究的领域特定知识。

最近，结合了传统的特征提取方法，如gabor和梯度特征图和googlenet以获得非常高的离线HCCR精度。此外，对于在线HCCR，通过使用具有变形、假想笔划图、路径签名图和方向图等多种领域知识的convnet获得了最佳性能。这些结果清楚地识别了使用领域知识进一步提高性能的优势。值得注意的是，在将深度学习应用于大多数图像分类任务中，生成用于增加训练数据的失真图像也是一种领域知识的利用。基于深度学习的方法也在其他与手写相关的问题中得到了应用，如作者识别、混合模型、置信度分析、手写法律金额识别和文本定位。convnet还可以与隐马尔可夫模型（hmm）结合用于在线手写识别。近年来，长短期记忆（lstm）的递归神经网络（rnn）已成功地应用于手写体中文文本识别，而无需对字符进行显式分割。RNN和convnet的组合也被用于场景文本阅读。很明显，越来越多的与字符识别相关的问题将把注意力转向高性能解决方案的深度学习方法。

2. 研究的基本内容与方案

基本目标 ：

本次毕业设计内容是了解现有笔迹鉴别方法的特点，试卷中存在每人都会书写承诺词，提取承诺词的相关特征，实现书写者身份鉴别。

基本内容：

完成试卷图像中手写承诺词特征提取、设计分类器、实现书写者身份鉴别。