[发明专利]一种改进的胶囊神经网络的手写签名识别方法

说明书

本发明公开了一种改进的胶囊神经网络的手写签名识别方法，该方法主要如下：针对训练集中的样本数量大难以采集的问题，将胶囊神经网络与最小二乘支持向量机结合，减少训练集所需的样本数量。再是对用于手写签名识别的胶囊神经网络进行改进，一是胶囊神经网络里的动态路由算法需要多次迭代过程，采用自适应学习聚类算法替代路由算法，以此来保证向量具有良好的特征表达能力，二是针对胶囊神经网络的重构网络中全部采用全连接层，导致参数的数量庞大，用克罗内克积方法来代替全连接网络，改变计算方法，大大地减少参数的数量。本发明通过这两点改进胶囊神经网络用于手写签名识别，针对实际中遇到手写签名的识别率以及提高识别方法的泛化性和鲁棒性。

技术领域

本发明属于计算机视觉和人工智能技术领域，具体涉及一种改进的胶囊神经网络的手写签名识别方法。

背景技术

手写签名识别系统是目前文本分类中一个比较热点的方向，手写签名识别系统主要涉及到图像处理、模式识别等方面的学科知识,主要包括图像预处理、信息区域定位和识别等处理过程，已被广泛应用于信息处理、身份认证和人机交互等领域。而由于现实生活中的手写签名由于签名者在签名时的心理状态及所处的环境都可能使得签名存在不同程度的差异，导致签名特征提取和特征表示是一件非常复杂的事情，因此识别的准确率不高。针对提高手写签名的识别率成为一项重要的研究热点。

使用机器学习方法进行图像识别主要在于对图像特征的提取，特征提取的有效性影响着识别准确率的高低。深度学习作为机器学习一个新的分支，通过模拟人脑机制对数据信息进行分析处理。深度学习中的胶囊神经网络在图像识别领域取得了重大突破，能够自学习图像由低级到高级的特征，避免了机器学习中手动提取特征的缺点。但胶囊神经网络在训练时需要海量样本的支撑，在数据不足时，会出现过拟合问题。

因此，需要一种新的技术方案来解决利用胶囊神经网络对图像识别时会发生的过拟合问题和识别速度慢的问题。

发明内容

本发明提供一种改进的胶囊神经网络的手写签名识别方法，解决现有技术中利用传统的胶囊神经网络对图像识别时会发生的过拟合问题和识别速度慢的问题。

为了达到上述目的，本发明的技术方案是：

一种改进的胶囊神经网络的手写签名识别方法，包括以下步骤：

步骤1、获得和预处理手写签名数据集；

步骤2、搭建改进的胶囊神经网络的基本模型，其中采用自适应学习聚类算法进行特征提取，采用克罗内克积法进行参数计算；

步骤3、搭建最小二乘支持向量机作为分类器；

步骤4、训练：用预处理后的手写签名数据集作为样本库，训练改进的胶囊神经网络，设置若干个epoch，直至训练准确率稳定；

步骤5、将胶囊神经网络提取的特征输入到最小二乘支持向量机中，对最小二乘支持向量机进行训练；

步骤6、预测：针对训练好的手写签名识别模型，在新的未知图像做预测。

进一步的，所述步骤(2)中，首先对采集来的图像进行预处理，包括灰度化处理、倾斜度处理，去噪处理，然后将手写签名作为待识别的信息区域进行切割和提取，获取仅带有手写签名的图像。

与现有技术相比，本发明的有益效果：

本发明所提出的一种改进的胶囊神经网络的手写签名识别方法，利用胶囊神经网络方法避免了手动提取特征的不足，通过改进胶囊神经网络的方法解决了深度学习用时久耗费资源的问题，通过将最小二乘支持向量机作为分类器改进了胶囊神经网络需要大量样本支撑训练的缺点。该方法建立的深度神经网络模型，结构更加紧凑，需要的样本量更小，产生的参数数量也大大减少。

附图说明

图1为本发明的整体方案图；