基于PNN網絡的大寫英文字母電子簽字識別研究

摘 要：【目的】隨著計算機技術發(fā)展，越來越多的電子簽字被應用于現實生活中。為解決電子簽字識別問題，利用魯棒性較好的PNN神經網絡來識別輸入的電子簽名，并轉換成可編輯的英文字母。【方法】在識別過程中，為提高識別的正確率，需要對收集到的電子簽字進行處理。先提取簽字中的黑色有字母部分，再將提取到的黑色有字母部分統一大小，并將統一大小后的黑色有字母部分放在大小一樣的白色畫布上。經過處理后的電子簽字可作為PNN網絡輸入變量，進行網絡識別。【結果】以一組傾斜程度較大的電子簽字進行識別驗證，結果表明PNN網絡整體識別效果較好，對傾斜程度較大的電子簽字識別效果較差。【結論】該方法能高效識別傾斜程度較小的電子簽字，未來應對傾斜程度較大的電子簽字展開進一步的研究。

關鍵詞：PNN網絡；模式識別；字母處理

中圖分類號：TP393" " "文獻標志碼：A" " 文章編號：1003-5168（2025）04-0026-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.04.006

Research on the Recognition of Electronic Signatures with Uppercase English Letters Based on PNN Network

WANG Xiaojuan1 YANG Yongxin2

（1.Faculty of International Business and Management，Chongqing Institute of Foreign Studies，Chongqing 401420，China; 2.Chongqing Survey Institute Co.， Ltd.， Chongqing 401120，China）

Abstract：[Purposes]With the development of computers， more and more electronic signatures appear in real life. In order to solve the problem of recognition of these electronic signatures， this paper uses a robust PNN neural network to recognize the input electronic signatures into editable English letters. [Methods] In the process of recognition， in order to improve the accuracy of recognition， it is necessary to process the collected electronic signatures. Firstly， the black lettered part in the signature is extracted， and then the extracted black lettered part is unified in size， and the unified black lettered part is placed on a white canvas of the same size. The processed electronic signature can be used as an input variable of the PNN network for network recognition. [Findings] In order to test whether the processing method in this paper is effective， a group of electronic signatures with a large degree of skew are added to the paper， and it is verified that the PNN network has a poor recognition effect on electronic signatures with a large degree of skew. [Conclusions] This method can efficiently identify electronic signatures with less tilt， and further research should be carried out on electronic names with greater tilt in the future.

Keywords： PNN network; pattern recognition; alphabet processing

0 引言

隨著信息化時代的到來，電子設備得到高速發(fā)展。電子設備簽字或網絡簽字，俗稱“網簽”［1］也開始出現，并逐漸成為潮流趨勢［2］，而如何高效、快速、準確識別出這些“網簽”也成為關鍵問題。PNN網絡在數字識別［3］、航空發(fā)動機起動系統異常狀態(tài)識別［4］、手勢識別［5］等領域的應用較多。本研究基于PNN網絡如何高效、快速、準確識別出“網簽”進行研究，力求在“快”和“準”上有所突破。

1 PNN網絡

1.1 概率神經網絡原理

概率神經網絡（Probabilistic Neural Network，PNN）是神經網絡的一種，是基于貝葉斯最優(yōu)分類決策理論和概率密度函數的非參數估計方法。PNN網絡隱含層采用徑向基核函數，具有很好的容錯能力，在網絡模型識別測試中具有一定優(yōu)勢。PNN對樣本類別測試是一種完全向前的算法，擁有很高的訓練速度及準確分類精度。

1.2 概率神經網絡模型

概率神經網絡模型主要由三部分組成，即輸入層、隱含層和輸出層。其中，隱含層是該模型的核心部分，通過構建概率密度函數來描述輸入信號和輸出信號之間的關系。具體結構如圖1所示。

由圖1可知，第一層為輸入層，負責接收樣本數據，并傳輸給隱含層，且輸入層神經元數目與輸入樣本向量維度相同；第二層為隱含層，神經元數目與輸入樣本向量數目相同，接收輸入層傳輸來的向量。隱含層中第i類模式的第j神經元所確定的輸入/輸出關系見式（1）。

[Φij（x）=1（2π）12σde-（x-xij）（x-xij）Tσ2] （1）

式中：i=1，2，…，M，其中M為樣本特征向量的總類數；[x]為輸入隱含層的量，d為樣本特征向量的維數；[xij]為第i類樣本的第j個中心；σ為平滑因子。

2 大寫英文字母電子簽字的收集及處理

2.1 大寫英文字母電子簽字的收集

本研究收集的大寫英文字母電子簽字是由20名學生在windows畫板中，選用[28×28]畫布，并用工具箱的鉛筆輸入的，用以模仿實際生活中，用筆在輸入畫板輸入的情況。經過比對，本研究收集的大寫英文字母電子簽字和在輸入畫板輸入的大寫英文字母電子簽字基本相似。收集到的部分字母A、B的情況如圖2所示。

由圖2可知，書寫習慣的不同，導致書寫的字母大小、傾斜程度也不同。在大寫英文字母識別過程中，各個字母是由矩陣（由0、1構成）組成的。雖然本研究選用的是28×28的畫布，但其中的部分字母大小差別較大，導致得到的矩陣差異較大。為此，本研究通過對大寫英文字母電子簽字進行處理來解決這個問題。

2.2 大寫英文字母電子簽字的處理

本研究收集的手寫英文字母簽字因不同人的書寫習慣導致字母大小不一，造成在識別字母時難度加大。為解決這一問題，通過編寫程序來統一其大小。首先，提取有字母部分的四個輪廓，即將完全白色的部分裁剪掉，只留有黑色墨跡的部分。其次，由于裁剪出來的每張圖片大小不一樣，無法用PNN網絡進行識別，需要將其擴大或縮小成統一規(guī)格（通過MATLAB的imresize程序來實現），并放在28×28統一大小的畫布上。最后，由于28×28圖片過大，需要進行歸一化處理，統一歸一化成 14×14。以手寫字母A為例，其處理過程如圖3所示。

由圖3可知，第一張圖片是輸入的原始英文字母；第二張圖片是提取四個邊框位置后的英文字母，圖片分別以字母“A”的上、下、左、右為邊界；第四張圖片是28×28的英文字母歸一化成14×14的英文字母，歸一化處理后的圖片部分變粗。整體來看，每個圖片都沒有失真，但是構成圖片的矩陣變化較大。

3 PNN網絡識別過程

基于PNN對處理過的手寫英文字母簽字的識別流程如圖4所示。

3.1 PNN神經網絡建立

Matlab軟件提供了PNN網絡建立的函數，函數調用語句為net=newpnn（p_train，t_train，spread）。其中，p_train為輸入向量、t_train為輸出向量、spread為徑向基函數的散布。spread的值越大，函數曲線的逼近越平滑。若要緊密地擬合原來數據，則要更小一點的spread值。經過反復試驗，spread=0.3時，與原來圖片的擬合效果最佳，故本研究選用的spread值為0.3。

3.2 PNN神經網絡識別

當輸入A、B、C、D、E這五個字母時（其中，B和E選擇傾斜度較高的字母），用兩組A、B、C、D、E作為測試，當spread=0.3時，網絡識別的效果如圖5所示。

由圖5可知，在識別的十個字母中，有兩個字母未被識別正確。一個是字母B被識別成字母E，另一個是字母E被識別成了C，而其他字母都被正確識別出。

未被識別的字母處理后的圖像如圖6所示。由圖6可知，未被識別出的字母存在一定傾斜，且與標準字母B、E的差別較大。在書寫時，有一組字母故意做傾斜書寫，用以檢測PNN網絡對傾斜字母的識別情況。由實驗結果可知，不傾斜的字母大部分可以正確識別，而對傾斜字母的識別則存在一定困難，這也是未來研究方向。

4 識別結果及分析

將原來的數據集打亂，利用PNN網絡分別對兩組圖片進行識別，并對識別正確率進行對比。測試組選用手寫英文字母簽字，一組是由5位同學手寫輸入的10組圖片，另一組是對這10組圖片經處理得到的。PNN網絡對各個英文字母處理前、后的識別正確率見表1。

由表1可知，經本研究提出的方法處理后的圖片，每個字母的識別正確率顯著提高，尤其是A、N等字母的識別正確率。而未經處理過的圖片識別正確率在80%左右，處理過的圖片識別正確率在90%以上。由此可知，PNN網絡對經過本研究提出方法處理后的圖片識別效果較為理想。

5 結語

實驗結果表明，本研究提出的處理方法對大小不一的手寫簽字和對手寫簽字整體偏左、偏右等情況有效，能大大提高識別正確率。但對書寫傾斜的手寫簽字效果不佳，PNN網絡的識別正確率偏低，這也是未來要研究和解決的問題。

參考文獻：

［1］張行.人工智能在手寫簽字鑒定應用中的研究［J］.信息安全研究，2020，6（7）：622-633.

［2］王麗君.手寫簽名調制圖像微縮紋理信息防偽算法研究［D］.北京：北京印刷學院，2023.

［3］幸堅炬，李軍，謝贊福.PNN在手寫體數字識別中的應用［J］.現代計算機（專業(yè)版），2016（23）：20-23.

［4］張雷鳴，蔣麗英，崔建國，等.基于改進ReliefF-PNN的航空發(fā)動機起動系統異常狀態(tài)識別［J］.沈陽航空航天大學學報，2023，40（6）：68-75.

［5］REN B ，GAO Z Q，LI Y，et al.Real-time continuous gesture recognition system based on PSO-PNN［J］.Measurement Science and Technology，2024，35（5）：056122.