Предварительная обработка изображений рукописных подписей для последующего распознавания

В процессе распознавания рукописной подписи предварительная обработка подписи является важным этапом перед выявлением информативных признаков. Подписи одного человека всегда имеют некоторые отличия, кроме того они могут быть разного цвета, разного размера и ориентации. После оцифровки подписей их изображения могут содержать некоторый шум. Цель предварительной обработки изображения подписи – получение максимально инвариантного представления цифрового изображения подписи человека, которое позволит его идентифицировать, либо установить, что подпись подделана.

В данной работе описана последовательность преобразований, необходимых для выполнения предварительной обработки изображения подписи и формирования ее представления единой ориентации и размера. Предполагается что на изображении отсутствуют графические элементы, не относящиеся к подписи и фон относительно однородный. Рассматриваемые преобразования последовательно выполняют бинаризацию изображения подписи, его фильтрацию, поворот, вырезание описывающего прямоугольника и масштабирование до определенного размера.

Описанная процедура предварительной обработке была применена к ряду доступных баз цифровых изображений подписей, таких как CEDAR, BHSig260-Bengali, BHSig260-Hindi. Эксперименты подтверждают, что описанный подход к предварительной обработке изображений подписи позволяет повысить точность результатов  распознавания подписи.

1. Hafemann, L.G. Offline handwritten signature verification — Literature review / L.G. Hafemann, R. Sabourin, L.S. Oliveira // Seventh International Conference on Image Processing Theory, Tools and Applications (IPTA) – 2017. 8 p. DOI:10.1109/ipta.2017.8310112

2. Plamondon, R. Online and off-line handwriting recognition / R. Plamondon, S. Srihari // IEEE Transactions on Pattern Analysis and Machine Intelligence, – 2000. – Vol. 22, № 1. – P. 63–84.

3. Ferrer, M. A. A behavioral handwriting model for static and dynamic signature synthesis / M. A. Ferrer, M. Diaz, C. Carmona-Duarte,cA. Morales // IEEE Transactions on Pattern Analysis and Machine Intelligence, – 2017. – Vol. 39, № 6. – P. 1041–1053.

4. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005. – 1072 с.

5. Шапиро, Л. Компьютерное зрение / Л.Шапиро, Дж.Стокман; пер. с англ. — 3-е изд. — M.: БИНОМ. Лаборатория знаний, 2015. – 763 с.

6. Грузман, И.С. Цифровая обработка изображений в информационных системах: учеб. пособие / И.С. Грузман, В.С. Киричук, В.П. Косых, Г.И. Перетягин, А.А Спектор. – Новосибирск.: Новосиб. гос. техн. ун-т., 2003. – 352 с.

7. Coetzer, J. Off-line signature verification using the discrete radon transform and a hidden Markov model / J. Coetzer, B.Herbst, J. Preez // EURASIP Journal on Advances in Signal Processing, – 2004. – Vol. 2004, № 4. – P. 559–571.

8. Pallavi, V. Hatkar. Image Processing for Signature Verification / V. Hatkar Pallavi, Zareen J Tamboli // International Journal of Innovative Research in Computer Science & Technology (IJIRCST), – 2015. – Vol. 3, № 3. – P. 127–129.

9. Горитов, А.Н. Предварительная обработка изображений в системах технического зрения / А.Н. Горитов // Доклады ТУСУР. – 2018. – Т. 21, № 4-1. – С. 53–58

10. Dataset [Электронный ресурс]. – Режим доступа: https://drive.google.com/file/d/0B29vNACcjvzVc1RfVkg5dUh2b1E/view. Дата доступа: 28.04.2022

11. cedar.buffalo.edu [Электронный ресурс]. – Режим доступа: http://www.cedar.buffalo.edu/NIJ/data/signatures.rar. Дата доступа: 28.04.2022

12. Recommendation ITU-R BT.709-6. Parameter values for the HDTV standards for production and international programme exchange. – 2015. – P. 19.

13. Otsu, N. A threshold selection method from gray-level histograms// IEEE Transactions on Systems, Man and Cybernetics. – 1979. – Vol. 9, № 1. – P. 62–66.

14. Gasmi, A. PCA and SVM as geo-computational methods for geological mapping in the southern of Tunisia, using ASTER remote sensing data set / A. Gasmi, C. Gomez, H. Zouari, A. Masse, D. Ducrot // Arabian Journal of Geosciences, – 2016. – Vol. 9, № 20. – Num. 753. https://doi.org/10.1007/s12517-016-2791-1.

15. Du, Q. Hyperspectral image compression using JPEG2000 and principal component analysis / Q. Du, J. E. Fowler // IEEE Geoscience and Remote Sensing Letters, – 2007. – Vol. 4, № 2. – P. 201–205.

16. Zhu,Y. N. Improved principal component analysis and linear regression classification for face recognition / Y. N. Zhu, C. Y. Zhu, X. Li // Signal Processing. – 2018. – Vol. 145. – P. 175–182.

17. Lai, Z. Multilinear sparse principal component analysis / Z. Lai, Y. Xu, Q. Chen, J. Yang, D. Zhang // IEEE Transactions on Neural Networks and Learning Systems, – 2014. – Vol. 25, № 10. – P. 1942–1950.

18. Yi, S. Joint sparse principal component analysis / S. Yi, Z. Lai, Z. He, Y.-M. Cheung, Y. Liu // Pattern Recognition, – 2017. – Vol. 61. – P. 524–536.

19. Artoni, F. Applying dimension reduction to eeg data by principal component analysis reduces the quality of its subsequent independent component decomposition / F. Artoni, A. Delorme, S. Makeig // NeuroImage, – 2018. – Vol. 175. –P. 176–187.