A novel approach for off-line signa

A novel approach for off-line signature recognition system is
presented in this work, which is based on local radon features. The
proposed system functions in three stages. Pre-processing stage; which
consists of three steps: gray scale conversion, binarisation and fitting
boundary box in order to make signatures ready for feature extraction,
Feature extraction stage; where totally 16 radon transform based
projection features are extracted which are used to distinguish the
different signatures. Finally in Neural Network stage; an efficient Back
Propagation Neural Network (BPNN) is designed and trained with 16
extracted features. The trained Neural Network is further used for
signature recognition after the process of feature extraction. The average
recognition accuracy obtained using this model ranges from 97%-87%
with the training set of 10–40 persons.

ผลลัพธ์ (ไทย) 1:

เป็นวิธีการแบบนวนิยายสำหรับระบบรู้จำลายเซ็นออฟไลน์นำเสนอในงานนี้ ซึ่งขึ้นอยู่กับคุณลักษณะเฉพาะเรดอน ที่ฟังก์ชันระบบเสนอในสามขั้นตอน ขั้นตอนก่อนการประมวลผล ซึ่งประกอบด้วยสามขั้นตอน: สีเทาขนาดแปลง binarisation และเหมาะสมกล่องขอบเขตเพื่อให้พร้อมสำหรับการสกัดคุณลักษณะ ลายเซ็นขั้นตอนการสกัดคุณลักษณะ ซึ่งทั้งหมด 16 แปลงเรดอนตามลักษณะการทำงานของโปรเจคเตอร์ที่สกัดที่ใช้ในการแยกความแตกต่างลายเซ็นที่แตกต่างกัน สุดท้ายในเวทีเครือข่ายประสาท กลับมีประสิทธิภาพเครือข่ายประสาทของการแพร่กระจาย (BPNN) เป็นการออกแบบ และฝึกกับ 16คุณสมบัติแยก เครือข่ายประสาทที่ได้รับการฝึกฝนเพิ่มเติมจะใช้สำหรับการรู้ลายเซ็นหลังจากกระบวนการสกัดคุณลักษณะ ค่าเฉลี่ยความรู้ที่ได้ใช้ช่วงนี้จำลองจาก 97-87%ชุดฝึกอบรม 10-40 คน

ผลลัพธ์ (ไทย) 2:

แนวทางใหม่สำหรับการปิดสายระบบรู้จำลายเซ็นเป็นที่
นำเสนอในงานนี้ซึ่งจะขึ้นอยู่กับคุณสมบัติของก๊าซเรดอนในท้องถิ่น
ฟังก์ชั่นระบบที่นำเสนอในสามขั้นตอน ขั้นตอนก่อนการประมวลผล; ซึ่ง
ประกอบด้วยสามขั้นตอนการแปลงระดับสีเทา, binarisation และเหมาะสม
กล่องขอบเขตเพื่อให้ลายเซ็นพร้อมสำหรับการสกัดคุณลักษณะ
ขั้นตอนการสกัดคุณลักษณะ; ที่ทั้งหมด 16 เรดอนแปลงตาม
คุณสมบัติที่ฉายจะสกัดที่ใช้ในการแยกแยะความแตกต่าง
ลายเซ็นที่แตกต่างกัน ในขั้นตอนสุดท้ายโครงข่ายประสาทเทียม; ที่มีประสิทธิภาพหลัง
การขยายพันธุ์โครงข่ายประสาท (BPNN) ได้รับการออกแบบและการฝึกอบรมกับ 16
สกัดคุณลักษณะ โครงข่ายประสาทเทียมผ่านการฝึกอบรมจะใช้ต่อไปสำหรับ
การจดจำลายเซ็นหลังจากที่กระบวนการของการสกัดคุณลักษณะ เฉลี่ย
ความถูกต้องรับรู้ได้ใช้รูปแบบนี้มีตั้งแต่ 97% -87%
กับชุดการฝึกอบรม 10-40 คน

ผลลัพธ์ (ไทย) 3:

แนวทางใหม่สำหรับระบบรู้จำแบบมีลายเซ็น
นำเสนอในงานนี้ ซึ่งจะขึ้นอยู่กับคุณสมบัติของก๊าซเรดอนในท้องถิ่น
เสนอระบบการทำงานใน 3 ขั้นตอน ขั้นตอนการประมวลผลก่อน ซึ่งประกอบด้วยสามขั้นตอน : การเปลี่ยนแปลง
สเกลสีเทา , binarisation และกล่องขอบเขตที่เหมาะสม
เพื่อให้ลายเซ็นพร้อมสำหรับการสกัดคุณลักษณะ
ขั้นตอนการสกัดคุณลักษณะ ;ที่ทั้งหมด 16 การแปลงเรดอนจาก
ฉายคุณลักษณะสกัดที่ใช้แยกแยะลายเซ็น
แตกต่างกัน สุดท้ายในเวทีเครือข่ายประสาท ; ประสิทธิภาพกลับ
โดยนิวรอล ( แบบจำลอง ) ถูกออกแบบและผ่านการฝึกอบรม 16
สกัดคุณลักษณะ เครือข่ายประสาทที่ใช้สำหรับการฝึกต่อไป
ลายเซ็นหลังกระบวนการของการสกัดคุณลักษณะ โดย
ความถูกต้องในการรู้จำที่ได้ใช้รุ่นนี้มีตั้งแต่ 97% - 87 %
ด้วยชุดฝึกอบรม 10 – 40 คน