目录
摘要 II
关键词 II
ABSTRACT III
KEY WORDS III
引言 1
1 选题背景 1
1.1 课题目的及意义 1
1.2 国内外研究现状 1
1.2.1国外研究现状 1
1.2.2国内研究现状 2
1.3 工作内容 3
2 相关技术介绍 4
2.1 C/S架构 4
2.2 后端FLASK框架（服务器端） 4
2.3 卷积神经网络（CNN） 5
2.4 客户端框架OKHTTP3 6
3 系统需求分析 8
3.1 系统概述 8
3.2 功能需求 8
3.3 环境需求 8
3.4 可行性分析 9
4 系统总体设计与实现 10
4.1系统流程 10
4.2 图像预处理模块 10
4.1.1 灰度化 10
4.1.2 二值化 11
4.1.3 字符分割 11
4.1.4 归一化 12
4.1.5 数据集扩充 12
4.2 笔迹特征提取分类模块 13
4.2.1 CNN网络设计 13
4.2.2 CNN参数分析 14
4.3 APP设计模块 15
4.3.1 网络请求功能 15
4.3.2 相册上传功能 16
4.3.3 拍照功能 16
4.3.4 图片加载功能 17
5 系统测试 18
6 讨论与总结 25
致谢 26
参考文献 27
面向文检人员的计算机手写体数字鉴定软件
摘要
笔迹同指纹一样，是具有独特性的生物特征，每个人在书写时的发力方式、书写习惯等不同都会形成不同的书写风格。现在笔迹鉴别技术不仅在公安、司法、等公证部门用于鉴定文件物证笔迹，也应用于各类金融机构鉴别票据文件签名的真伪，应用前景非常广泛。
引言 *51今日免费论文网|www.51jrft.com +Q: #351916072# 

1 选题背景
1.1 课题目的及意义
随着科学技术的日益进步，有关笔迹鉴定的理论知识和检验技术得到了完善，除了带给我们生活更多的便利之外，应运而生的伪造签名、伪造文件的仿真程度也越来越高、数量越来越多，分辨难度也逐步升高。笔迹鉴定在物证鉴定领域的地位日益提高，鉴定意见的价值得到了充分的肯定，为预防犯罪、打击犯罪及审理各种刑事、民事案件提供了重要的依据。
然而,在现在的科技水平下，想保证笔迹鉴别的准确度，主要还是依赖于人工鉴别,这也对文检工作者提高了要求同时带来了巨大的工作量。人工鉴定的过程慢，而且可靠性不高,且鉴定的结果也极易受个人主观感情的影响,运用计算机技术对笔迹鉴定过程进行辅助,可以提高鉴定的速度与准确性,降低人为因素的影响。本实验主要面向文检工作者开发了一个简单的手写体笔迹鉴别软件，当面对数量庞大的待鉴别笔迹样本（不同书写者）时，通过拍照上传文件，系统可提取样本的笔迹特征，然后判断待识别笔迹样本的书写者。这可以使文检工作者对笔迹样本进行初步判断，为了保证鉴别工作的准确性，只需对筛选出的样本再次进行细致的人工鉴别工作即可。这为文检工作者极大的减少了工作量。
1.2 国内外研究现状
笔迹特征就像指纹等生物特征一样，是具有独特性的个人特征。笔迹书写者的书写力度、惯用手、书写风格和书写习惯等等都会对笔迹风格的形成产生影响，而这些个人独有的笔迹特点就是笔迹鉴别的关键。笔迹鉴别主要分为文本独立方法和文本依存方法，本文的研究对象是文本独立方法的笔迹鉴别。而文本独立方法的笔迹特征提取则主要分为局部特征提取，也就是对笔画轮廓、几何特性或者局部信息等方面进行提取和分析以及全局特征提取[1]，也就是将笔迹样本当作图片来进行特征的提取和分析。
1.2.1 国外研究现状
在国外，最先开始的是局部特征提取的研究。早在1996年，就有关于笔迹特征提取的研究了，苏联研究者将字母“K” 作为样本，选取笔迹样本中的骨架特征指代书写者的书写风格[2]，虽然鉴别准确性最高只有75%。以此为基础，后来研究者又提出了一种结合Gabor滤波器与灰度共生矩阵的方法来提取笔迹特征[3]。到了21世纪初期，又有人提出基于Grapheme emission特征的笔迹鉴别方法[4]，这个方法将笔迹样本切割成微型切分碎块，再用聚类学习的方法把文字的微粒从这些碎块中取出来，从这些微粒中再提取笔迹的特征。2007年的时候，研究学者又引入了与数学理论相融合的思想，提出了基于概率分布函数的笔迹鉴别技术[5]，这个技术将笔迹样本的字间距、行间距、边缘绞合以及轮廓方向分布[6]等信息进行加权分析，从而分辨出不同的书写者。之后的几年间不断有学者对笔迹细节之处，如角度、曲率、方向、笔迹宽度等信息都做了纹理特征的提取和分析[17]。为了提高准确性，除了笔迹特征的提取更加细致之外，分类阶段也尝试了新的方法，如欧式距离分类器对笔迹特征进行分类[7]。这些修改和调整也的确在很大程度上提高了笔迹鉴别结果的准确性。
随着逐步了解，研究者提出了全局特征提取的方法。2008年，有研究者使用Garbor滤波器来提取笔迹的纹理特征[8]，并提出一种基于距离的最长公共子序列（LCS）的方法对特征向量的相似度进行计算，之后其团队又对这个方法进行了补充，除了Garbor滤波器，他们又增加了XGarbor滤波器，两组滤波器同时进行特征的提取[9]，获取两组笔记特征，再将这些特征生成特征关系图，最后动态计算其与待测笔迹样本的特征相似度。近些年来，深度卷积神经网络结合其他独特处理方法的笔迹鉴别算法逐渐走入大众视野并受到研究者们的广泛喜爱。不同研究者以及他们各自的团队相继提出了基于文档行分割并结合深度卷积神经网络的笔迹鉴别方法[9]、深度卷积神经网络结合GMM 的特征编码[10]的笔迹鉴别方法以及基于深度神经网络的非监督笔迹鉴别方法[18]等方法。这些方法中最主要的部分还是深度卷积网络的搭建和优化，而不同的样本笔迹的预处理方式也在不同程度上对笔迹鉴别效果的提升产生影响。也有学者在此基础上组合使用ExemplarSVMs[11]，提高笔迹全局特征的分开效果，这也对提升鉴别的准确率有所帮助。

原文链接：http://www.jxszl.com/jsj/wljs/606925.html