تعیین و تایید هویت افراد مبتنی بر متون دستنویس فارسی

هدف این پژوهش، یافتن روشهای کارآمدتر و دقیق تر، به منظور تشخیص هویت نویسنده از روی دستنوشته های فارسی به صورت برون خط می باشد. در این تحقیق، به متن دستنوشته به چشم یک بافت نگاه می کنیم و استخراج ویژگی ها را بر اساس پردازش بافت انجام می دهیم. لذا به گونه ای اقدام به جمع آوری نمونه ها کرده ایم که برای آنالیز بافت مفید باشد. برای این منظور از تعداد 50 نفر با جنسیت و سطح سوادهای مختلف خواسته شد که هر کس یک متن دلخواه را روی یک کاغذ a5 بنویسد. با این شرط که متن نوشته شده از سه خط بیشتر باشد. سپس متن نوشته شده را روی 9 کاغذ دیگر تکرار کند. به این صورت یک پایگاه داده مستقل از متن، متشکل از 500 نمونه دستنوشته داریم. برای بررسی یک تصویر به صورت بافت، باید پیش پردازشی روی تصویر خام اولیه صورت گیرد تا آن تصویر را به صورت یک بافت منظم درآورد. دو نوع کلی از پیش پردازش هایی که انجام دادیم یکی شامل نرمال سازی یکنواخت است که در آن فاصله بین خطوط و کلمات را برای تمام متنها یکسان می کنیم. و نوع دوم که در آن، این فاصله ها را تغییر نمی دهیم و تنها به یکسان کردن طول و عرض تصاویر بسنده می کنیم. برای استخراج ویژگی، از روش srf که یک روش مبتنی بر گرادیان است استفاده می کنیم. در این روش، هم از اطلاعات دامنه و هم فاز برای استخراج ویژگی ها استفاده می شود. بعد از استفاده از روش srf که در آن از نقابهای سوبل و روبرتز بصورت جداگانه استفاده کردیم، با استفاده از کلاسه بند شبکه های عصبی و نزدیکترین همسایگی کلاسه بندی داده ها را انجام داده ایم. با توجه به اینکه در زبان فارسی تحقیقات کمی برای تعیین هویت نویسنده انجام شده است، یکی از این تحقیقات که نتایج خوبی داشته و در آن از روش فیلتر گابور برای استخراج ویژگی استفاده شده بود را پیاده سازی کرده و آن را با روش پیشنهادی تحقیق مقایسه کردیم. نتایج نشان می دهد روش srf نسبت به روش فیلترهای گابور از لحاظ نتایج کلاسه بندی، با کلاسه بند شبکه های عصبی، کارایی بهتری دارد. از لحاظ سرعت پردازش و استخراج ویژگی، با روش srf تقریبا 65 برابر سریع تر ویژگی ها استخراج می شوند. با توجه به نتایج عنوان شده برای موضوع مورد تحقیق، روش srf نسبت به روش فیلترهای گابور مناسب تر به نظر می رسد.