基于ARM的文本独立笔迹鉴别系统设计

、Wi—Fi、基于nRF24L01工业模块等方式。其中，nRF24L01是一款使用2.4 GHz ISM开放频段、采用FSK调制、基于内部自有协议的无线通信模块，本身拥有126频道，可以实现点对点或1对多点的无线通信功能，通信速度可以达到2 Mbps。采用基于nRF24L01的工业化通信模块可以实现较小体积较远距离的数据传输，且开发方便，可以极大提高笔迹鉴别系统的实用性。

3 上位机文本独立笔迹鉴别模块的设计

文本的笔迹信息包括在线和离线两类。离线信息是指写在纸上的字符，具有采集方便、信息量小的特点。笔迹鉴别方法主要包括文本依存和文本独立两种，其中文本依存要求必须使用相同的文字进行比对，而文本独立是依据大量笔迹特征提取，与书写内容无关，应用更广。本文针对离线的文本独立笔迹信息进行研究，利用多通道Gabor滤波器，作为图像纹理特征提取分析方法，它被广泛应用于纹理分析、笔迹鉴别等领域。为了解决训练样本不足的问题，可以采用支持向量机(SVM)的方法对笔迹特征进行训练和识别。上位机端的算法流程设计如图2所示。

3.1 笔迹图像预处理

笔迹图像的预处理主要包括滤波、二值化、归一化等。首先将图像进行颜色聚类和二值化，以消除背景色的干扰，根据分布特征除去背景和网格线，并将图像二值化。然后需要进行滤波以消除噪点的干扰，常用的图像滤波方法有：中值滤波、邻域均值滤波和低通滤波。由于笔迹采集终端采集的图片质量较高，噪声多为小噪声的孤立点，因此可以采用盐和胡椒滤波法去噪。然后将图像分别沿水平和竖直方向进行投影，以压缩空行和字符间的空白。为便于数据处理，需要按统一的行高对每行字符进行归一化处理，即调整不同字符的大小相同。归一化处理时可以根据笔迹图像的水平直方图做行的分割，图像的水平直方图就是图像在水平方向上的投影，即每一行像素值直接相加。实验中我们采集了20人的笔迹信息，每人两份，每份的汉字数量、内容、纸张、书写用笔均没有特殊限制。与此同时，实验还采用了哈尔滨工业大学多人手写库(HIT—MW)中的笔迹图像作为样本，共使用40份，由20个人书写，每人两份。对于采集的手写笔迹信息，我们将每个人的笔迹信息一分为二，一份用于训练，另一份用于测试，以保证两组数据完全不同。实验采集笔迹图像预处理效果如图3所示。

3.2 利用Gabor滤波器进行特征提取

笔迹信息进行预处理后需要分析笔迹图像的纹理特征，由于每个人的书写风格不同，书写的笔迹信息具有较强的方向性和频谱特征，需要采用时间频域分析。系统上位机部分采用二维Gabor滤波器进行特征提取，Gabor变换是1946年D.Gabor为解决傅立叶变换对分析非平稳信号有很大局限性而提出来的。二维Gabor函数具有方向选择性和带通性，能同时在时域和频域中兼顾对信号分析的需求，可以比较精确地提取图像的局部问题特征，相当于一种带通滤波器。纹理图像可类比为有周期性规律的信号，其能量集中在一定频率范围内。如果纹理图像的能量与Gabor滤波器的通频带吻合，那么这部分的信号就得到放大。在纹理分析中常用的Gabor变换公式：

其中u，v分别为在x，y轴方向上的空间频率;g(x，y)为Gauss函数。设置Gabor滤波器的3个参数为：径向中心频率f，方向θ和空间常数σ。选择不同的参数会构成不同的通道，它们组成了一组非正交基。实验中取σ=2π/f，相位角θ取0，π/4、π/2，3π/4，用这组基展开信号可以得到笔迹图像在不同的频率和相位下的频域信息。

3.3 聚类SVM分类器进行鉴别

SVM是一种旨在通过有限的样本学习，得到最好的推广效果的统计分类方法，它可以根据有限的笔迹样本信息在模型的复杂性和机器学习能力之间寻求最优方法。笔迹鉴别是一种多类问题，可以通过构造决策函数，实现多类问题转化为两类问题。SVM可以根据两类样本数据寻求问题解决的最优分类面，可以使分类间隔达到最大，准确度达到最高。系统中我们采用第k个分类器由包括第k类样本和不属于第k类的所有样本两部分组成，将n类问题转化为n个两类问题的方法，构造解决多类笔迹问题的分类器算法：

其中，x是输入的笔迹信息，fk(x)是第k类分类函数。通过对fk(x)的大小进行排序，就可以得到最可能为书写人的候选人信息。

4 结束语

基于ARM嵌入式系统的文本独立笔迹鉴别系统实现了实时采集书写笔迹信息，对采集笔迹进行数字化处理后传递给上位机功能。通过对笔迹信息的预处理和基于多维度Gabor变换的特征分析，最后使用多类SVM分类其进行笔迹鉴别，具有速度快、准确率高等特点，具有一定的应用前景。