تشخیص صحت امضای دستنویس بصورت برون خط

ابتدا برای پیش پردازش، فضای سفید اضافی تصویر اسکن شده ی امضا ء، حذف می شود و سپس با ایجاد ناحیه بندی خاص بر روی تصاویر، ویژگی های محلی جدیدی را بر مبنای تقسیم بندی شبکه ای استخراج می نماییم. در ادامه زیر مجموعه ای بهینه از این ویژگی ها به کمک الگوریتم رقابت استعماری (ica) انتخاب می شود. در مرحله طبقه بندی برای هر کاربر از یک شبکه عصبی مصنوعی (ann) مجزا استفاده می شود که برای فاز آموزش 27 امضای آن کاربر را در نظر می گیریم. برای ارزیابی 27 امضای باقیمانده هر فرد به شبکه عصبی آموزش دیده متناظر با آن کاربر داده می شود و تصمیم گیری در مورد تأیید یا رد امضا ء انجام می گردد. در انتها نیز نتایج به دست آمده با کارهای مشابه مقایسه می شود. ما در این پایان نامه از پایگاه داده gpds300gray برای ارزیابی الگوریتم پیشنهادی استفاده می کنیم. نرخ خطای برابر (eer) الگوریتم پیشنهادی برای این پایگاه داده 6.96 می باشد. نتایج تجربی نشان می دهد که الگوریتم پیشنهادی در مقایسه با روش های ارائه شده از دقت قابل قبولی برخوردار است .