CN104809451A - 一种基于笔画曲率检测的笔迹鉴伪系统 - Google Patents

Abstract

本发明公开了一种基于笔画曲率检测的笔迹鉴伪系统，包括笔迹样本数据库模块、图像采集录入模块、预处理模块、特征分析提取模块、特征矩处理模块、相似性度量模块、结果输出反馈模块。笔迹鉴伪过程为预处理模块对图像采集模块实时采集的图像进行预处理，特征分析提取模块提取横、竖、撇、捺四个方向笔画的特征值，特征矩处理模块进行笔画特征值处理并生成笔迹特征矩，相似性度量模块采用向量夹角相似性度量的方法度量需鉴伪笔迹特征矩与数据库中笔迹特征矩的相似性，结果输出反馈模块输出相应的结果。本发明的笔迹鉴伪系统，可以快速进行文本独立的笔迹鉴伪，鉴伪结果稳定、客观。

Description

一种基于笔画曲率检测的笔迹鉴伪系统

技术领域

本发明涉及一种基于笔画曲率检测的笔迹鉴伪系统，属于数字图像处理与笔迹鉴定技术领域。

背景技术

信息技术的飞速发展给人们的日常生活带来了极大的便利，与此同时对个人身份进行准确的认证、保护信息安全则成了当今信息化时代亟需解决的一个关键问题。笔迹是人的一种比较稳定的行为特征，利用手写笔迹进行个人身份的认证具有非侵犯性(或非触性)、易于获取、容易使人接受等特点，是一种重要的个人身份的鉴定手段。

历年来，笔迹鉴伪领域多采用传统的人工笔迹鉴伪，但该方法在实际操作中逐渐暴露出弊端和缺陷，对鉴定结果造成负面影响：如鉴伪机构缺乏相互配合机制，鉴伪人员资格认定标准不规范、鉴伪水平参差不齐等等都会对鉴定结果造成负面影响。因此利用计算机自动化、规范化的方式来处理笔迹鉴伪这一原本非工程的领域，对该领域的发展具有很大的推动作用。

目前笔迹鉴伪按实际操作方式的不同可分为联机和脱机两种，两者都有广泛的应用背景，可在诸如金融、保险、公安司法部门的刑事调查和法庭审判等领域发挥重要作用。从实际来讲联机笔迹鉴伪技术已经十分成熟并已进入实用化阶段，然而脱机笔迹鉴伪因无法像联机笔迹鉴伪那样获取到书写者书写时的笔画顺序、书写速度、运笔压力等动态信息，无疑在鉴伪的难度上会更大。

现存的脱机笔迹鉴伪方法大多是针对特定的字符，其实质是将个人笔迹的鉴伪转化为个人特定字符笔迹的鉴伪工作，在实际的应用过程中，需要采集特定的字符，对特定样本的过分依赖导致这类鉴伪方法缺乏通用性和鲁棒性。所以针对文本独立的脱机笔迹鉴伪系统目前还不太成熟，但也成为了当下的研究热点。

发明内容

本发明所要解决的技术问题是针对当前社会热门的文本独立笔迹鉴伪中的技术空缺，提供一种基于笔画曲率检测的笔迹鉴伪系统，快速实现文本独立的笔迹鉴伪，鉴伪结果稳定、客观。

为解决上述技术问题，本发明提供一种基于笔画曲率检测的笔迹鉴伪的系统，其特征在于，包括以下功能模块：

笔迹特征数据库模块：预先存储用户个人文本独立的数据化信息，包括笔迹特征矩阵、个人信息；

笔迹样本图像采集录入模块：利用高拍仪采集待鉴别的笔迹样本，生成笔迹样本图像；

笔迹样本图像预处理模块：对录入的待鉴伪笔迹样本图像进行预处理；

特征分析提取模块：对经笔迹样本图像预处理模块处理之后的笔迹样本图像进行笔画特征值矩阵的提取，将获得的所有的笔画特征值矩阵汇集组成笔画特征数据组；

笔迹特征矩阵处理模块：取笔画特征数据组在单方向的中段均值作为该方向的笔迹特征值保存至笔迹特征矩阵，依次对笔画特征数据组的横、竖、撇、捺四个方向作相同的处理，得到四个方向的笔迹特征矩阵，再将笔迹特征矩阵的值归一化至-1到1之间；

相似性度量模块：采用夹角余弦法计算待鉴伪笔迹样本图像提取的笔迹特征矩阵与笔迹数据库中的每个用户笔迹特征矩阵的相似度；

结果输出反馈模块：将相似性度量模块计算出的相似度结果与设定阈值进行比较，得到笔迹真伪信息，通过操作界面向操作者直观地反馈笔迹的真伪信息。

前述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：所述笔迹样本图像采集录入模块利用高拍仪对包含不少于30个字符的笔迹样本进行图像采集，随机选取三个连续字符生成一个笔迹样本图像，共生成十幅笔迹样本图像。

前述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：所述笔迹样本图像预处理模块首先对笔迹样本图像进行基本预处理，基本预处理包括灰度化、二值化和尺寸标准化，再对完成基本预处理的笔迹样本图像进行闭合运算，提取最具代表性的单方向笔画，对单方向笔画图像进行快速细化处理，使图像只包含单方向笔画骨架；

前述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：在所述结果输出反馈模块中，当相似度达到设定阈值时，在系统界面输出鉴伪结果为真实的反馈信息，当低于设定阈值时，在系统界面输出鉴伪结果为虚假的反馈信息，并通过计算机USB接口接外围电路串口发送命令，启动报警外围电路的蜂鸣器及警示灯。

本发明所达到的有益效果：

本发明提出的笔迹鉴伪系统可以智能化地解决文本独立的笔迹鉴伪问题，操作人员通过采集少量的笔迹字符(至少30个)录入至笔迹鉴伪系统后，就可以直接得到鉴伪结果。与传统的人工笔迹鉴伪相比，具有操作简单、实时性好、反馈直观、结果客观、鉴伪准确率高等特点。

附图说明

图1为本发明系统模块结构图；

图2为系统实物模型图；

图3为系统处理流程图；

图4为生成笔迹特征矩流程图。

具体实施方式

本发明的基于笔画曲率检测的笔迹鉴伪系统包括软件操作系统及硬件工作系统，整个系统软件模块结构如图1所示，包括笔迹数据库模块，笔迹样本图像采集录入模块，笔迹样本图像预处理模块，特征分析提取模块，笔迹特征矩处理模块，相似性度量模块，结果输出反馈模块：

1)笔迹数据库模块：预先存储已经过系统处理后具有代表性的用户个人文本独立的数据化信息，包括笔迹特征矩、个人信息(如姓名、性别、身份证号码等)，后续的鉴伪过程中可以调用这些信息来鉴定需鉴别真伪笔迹样本图像。

2)笔迹样本图像采集录入模块：通过500万像素的自对焦高拍仪，通过软件操作系统控制其完成样本笔迹的资料进行实时的录入工作，将生成的笔迹样本图像进行模数转换后传输保存至系统的预处理模块，用于后续模块的的处理。

3)笔迹样本图像预处理模块：运用数学形态学对录入系统的待鉴伪笔迹样本图像进行预处理的工作，在随机的文本(字体不限)中，随机提取三个连续字符的笔迹样本图像，预处理的过程具体包括笔迹样本图像灰度化处理、二值化处理、尺寸标准化处理、细化处理以及闭合运算这五大具体步骤，预处理后的笔迹图像中只包含单方向最具代表性的笔画骨架，将预处理之后的签名图像再用于后续模块的处理。

4)特征分析提取模块：对预处理之后的笔迹样本图像进行特征提取，在横、竖、撇、捺四个方向分别提取书写面积最大的单方向笔画作为该方向的代表性笔画，然后运用形态学圆重构方法分别对横、竖、撇、捺四个方向的代表性笔画进行圆的重构，提取四个方向笔画圆的曲率作为笔画特征值，依次对所有的样本图像做同样的处理，将获得的所有的笔画特征值矩阵汇集组成笔画特征数据组。

5)笔迹特征矩阵处理模块：取笔画特征数据组在单方向的中段均值作为该方向的笔迹特征值保存至最终笔迹特征矩阵，依次对笔画特征数据组的四个方向作相同的处理，得到四个方向笔迹特征值组成笔迹特征矩阵，再将笔迹特征矩阵的值归一化至-1到1之间，将笔迹特征矩阵保存后再用于后续模块的处理。

6)特征相似性度量模块：采用夹角余弦法计算待鉴伪笔迹样本图像提取的笔迹特征矩阵与笔迹数据库每个用户笔迹特征矩阵的相似度，所得笔迹特征矩阵相似度在一定阈值范围内即认为是该用户的笔迹。夹角余弦相似性，也称为余弦相似度或者余弦距离，是用向量空间中两个向量夹角的余弦值来判断两个个体间差异大小。

(7)结果输出反馈模块：完成笔迹样本图像鉴伪信息的反馈工作，其工作原理是当相似度高于设定阈值时，系统在计算机界面反馈鉴伪结果为真实，当相似度低于设定阈值时，系统在计算机界面反馈鉴伪结果为虚假，并由外围电路完成报警工作。

本发明基于笔画曲率检测的笔迹鉴伪系统的具体工作步骤依次为：

系统实物模型图如图2所示，首先通过软件操作系统控制高拍仪实时采集待鉴伪的笔迹样本，笔迹样本采集所需的笔迹资料包含少量手写字符即可，然后以每连续的三个字符组成一张笔迹样本图像(文本内容不相关)，共组成十张样本图像，将采集的笔迹样本图像进行预处理后提取笔迹特征组成笔迹特征矩阵，对笔迹特征矩阵进行归一化处理后，运用夹角相似性度量法度量与样本的相似度，作为判断两个个体间差异大小的度量，在操作界面上反馈鉴伪信息，同时软件操作系统控制外围输出电路进行相应的反馈工作。整个笔迹鉴伪系统的工作流程，为硬件系统配合软件系统实时完成笔迹样本的鉴伪工作，可快速向操作者反馈待鉴伪笔迹样本的真伪信息。

本发明的系统运行具体工作流程如图3所示：

(1)当笔迹样本的真伪需判别时，首先通过500万像素的自对焦高拍仪，对样本笔迹的资料进行实时的录入工作，其过程是将包含一定量手写字符的笔迹样本资料放置于高拍仪的目标区，笔迹样本资料为黑色签字笔在白色纸张上书写，对样本笔迹的大小不作要求，最大不超过A3纸张大小即可，在计算机软件界面启动笔迹鉴伪系统后，通过USB接口向高拍仪传输实时拍摄的命令，高拍仪通过自对焦即时完成笔迹样本的拍摄工作字符，经过软件系统完成模数转换工作后，随机取三个连续字符生成一个笔迹样本图像，生成约十幅样本图像，将生成的笔迹样本图像传输保存至系统的笔迹样本预处理模块，用于后续特征向量分析提取模块循环处理。

(2)在笔迹样本图像预处理模块中：

设存放在图像采集数据存储区中的彩色图像为I₁，复制一份存放于数据存储区并对其进行图像灰度化以得到灰度图像I₂；

使用最大类间方差法(otsu算法)对灰度图像I₂进行阈值分割，得到目标二值化图像I₃；

将目标二值化图像I₃进行尺寸标准化处理为600*300(数量单位：像素)大小的规则图像I₄；

针对规则图像I₄，选取腐蚀因子为直线型，长度为8个像素点，再分别选取0°、90°、45°、135°四个方向分别进行闭合运算得到只包含单方向笔画的横向笔画图像I_4横、竖向笔画图像I_4竖、撇向笔画图像I_4撇、捺向笔画图像I_4捺，分别对横向笔画图像I_4横、竖向笔画图像I_4竖、撇向笔画图像I_4撇、捺向笔画图像I_4捺中的所有笔画计算连通域面积，选取出笔迹样本图像中连通域面积最大的单方向笔画保存为该方向的代表性笔画图像，依次得到横、竖、撇、捺四个方向的代表性笔画图像；其中代表性笔画是指可以表现出书写者书写横、竖、撇、捺单方向笔画时的习惯和特点的笔画，0°、90°、45°、135°四个方向分别对应汉字横、竖、撇、捺四个笔画方向；

分别对横、竖、撇、捺四个方向的代表性笔画图像进行快速细化处理，处理完成后的横向笔画骨架图像I_5横、竖向笔画骨架图像I_5竖、撇向笔画骨架图像I_5撇、捺向笔画骨架图像I_5捺均暂时保存于数据存储区用于后续处理。

所述快速细化算法是基于数学形态学进行目标逐层剥取，快速提取图像骨架，其过程是顺序、逆序进行两次扫描，确定每个图像中的点的层数，再通过层数判断是属于边界点还是骨架，(x,y)为当前点，P(x,y)为当前点像素值，规定黑色值为1，白色值为0，进行以下三个步骤：

(a)从上到下，从左到右依次扫描每一个点，若当前点为黑点时，判断上包围四点的情况，定义上包围层数值F(x,y)：

当p(x,y)＝1时；

F(x,y)＝Min[F(x-1,y+1),F(x-1,y),F(x-1,y-1),F(x,y-1)]+1

当p(x,y)＝0时；

F(x,y)＝0

(b)从下到上，从右到左依次扫描每一个点，若当前点为黑点时，判断下包围四点的情况，定义下包围层数值G(x,y)：

当p(x,y)＝1时；

G(x,y)＝Min[G(x+1,y-1),G(x+1,y),G(x+1,y+1),G(x,y+1)]+1

当p(x,y)＝0时；

G(x,y)＝0

(c)设实际层数M(x,y)，每个点的实际层数为以上两种层数中的最小值，即：

M(x,y)＝Min[F(x,y),G(x,y)]

再从上到下，从左到右扫描每一个点，再判断该点周围8个点的层数情况，若当前点为9个点中的最大值点，则保留下来，若不是最大值点，则删除。通过以上步骤即可完成快速细化工作。

(3)在特征分析提取模块中，取横向笔画骨架图像I_5横，在横向笔画骨架图像I_5横中横方向笔画上选取二等分三个点，进行圆的重构，然后提取计算横方向圆的半径，将半径长度的倒数曲率作为反映个人笔迹横方向稳定特征的横方向笔画特征值，并保存；再对竖向笔画骨架图像I_5竖、撇向笔画骨架图像I_5撇、捺向笔画骨架图像I_5捺依次进行同样的处理，分别得到各方向笔画特征值；依次对十幅图像作相同处理，得到每幅笔迹样本图像的笔画特征值。

选取二等分三个点的步骤为：

a)从上到下，从左到右依次扫描图像上每一个点，若当前点(x,y)为黑点时，再判断该点周围8个点的像素值，当周围有7个点的像素值为0时，提取这个点的坐标，设G为提取点的标识，G＝1即提取该点坐标，当P(x,y)＝1时，采用异或运算计算该点的G值：

其中，表示异或运算，计算G值为1就是提取的点满足周围的八个方向像素点中黑点数量为1的条件，也就是笔画的端点；

b)经过第一步提出点A(x₀,y₀)，B(x₁,y₁)两个弧线端点坐标，连接A、B两点，得到直线l₀，作直线l₀的垂线l₁，取垂线l₁与弧线的交点C(x₂,y₂)，则A、B、C就是弧线的二等分三个点；

c)得到A、B、C三点后进行圆的重构，然后提取计算横方向圆的半径，将半径长度r的倒数c作为反映个人笔迹横方向稳定特征的横向特征值保存为该方向的笔画特征值，圆点D(x₃,y₃)、曲率c的计算过程如下所示：

$x_3=\frac{2\×(y_1-y_0)\×\{{\left(x_2\right)}^2-{\left(x_1\right)}^2+{\left(y_2\right)}^2-{\left(y_1\right)}^2\}-2\×(y_2-y_1)\×\{{\left(x_1\right)}^2-{\left(x_0\right)}^2+{\left(y_1\right)}^2-{\left(y_0\right)}^2\}}{4\×(y_1-y_0)\×(x_2-x_1)-4\×(y_2-y_1)\×(x_1-x_0)}$

$y_3=\frac{2\×((x_2-x_1)\×\{{\left(x_1\right)}^2-{\left(x_0\right)}^2+{\left(y_1\right)}^2-{\left(y_0\right)}^2\}-2\×(x_1-x_0)\×\{{\left(x_2\right)}^2-{\left(x_1\right)}^2+{\left(y_2\right)}^2-{\left(y_1\right)}^2\}}{4\×(y_1-y_0)\×(x_2-x_1)-4\×(y_2-y_1)\×(x_1-x_0)}$

$c=\frac{1}{r}=\frac{1}{\sqrt{{(x_3-x_{0.})}^2+{(y_3-y_0)}^2}}.$

(4)在笔迹特征矩处理模块中，针对笔画特征值组合提取笔迹特征值以及笔迹特征矩阵数据归一化处理，其过程是先将所有笔迹样本图像单方向的笔画特征值汇集组成该方向的笔画特征数据组，然后将处于单方向笔画特征数据组极大端和数据组极小端的数据剔除，取数据组中段均值数据作为该方向笔画的最终特征值，剔除极值取中段均值的流程如图4所示，依次取得四个方向的最终特征值后，组成最终笔迹特征矩阵，利用归一化的方法，将笔迹特征矩阵的值归一化至-1到1之间，将笔迹特征矩阵保存至相似性度量模块，用于后续模块的处理。

(5)在特征相似性度量模块中，向量夹角余弦相似度测量，设由上述步骤所得到的由c₁，c₂，c₃，c₄组成的笔迹特征矩阵向量表示为F＝(c₁,c₂,c₃,c₄)，笔迹数据库中对应的笔迹特征矩阵向量为G＝(x₁,x₂,x₃,x₄)，对于这两个四维向量，使用夹角余弦法判断两者之间的相似程度，即：

$\cos \left(\mathrm{\θ}\right)=\left(\frac{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k{x}_k}{\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k^2}\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{x}_k^2}}\right)$

这里取n代表第n个单笔画方向，n最大值为4，取两矩阵向量间的夹角θ的度数大小作为判断其相似度的参考值，向量间的夹角越大，则代表待鉴别的笔迹与数据库中对应的笔迹相似度较小，反之若夹角越小，则代表待鉴别的笔迹与数据库中对应的笔迹相似度较大，设M为待鉴别的笔迹与数据库中对应的笔迹相似度，则定义M为：

$M=[180-\arccos \left(\frac{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k{x}_k}{\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k^2}\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{x}_k^2}}\right)]\×100\%$

计算笔迹相似度M值，将笔迹相似度M值与设定阈值T作比较(取T＝95％)，若大于该阈值则鉴定为同一人的笔迹，若小于该阈值，则鉴定为他人伪造的笔迹。

(6)结果输出反馈模块中的外围电路根据相似性度量模块的判决结果，获取软件系统的相关指令，若鉴定结果为同一人的笔迹，则在系统界面输出鉴伪结果为真实的反馈信息，若鉴定结果为不是同一人的笔迹，则在系统界面输出鉴伪结果为虚假的反馈信息，并同时通过计算机USB接口接外围电路串口发送命令启动报警外围电路，利用外围电路的蜂鸣器及警示灯实时提醒系统操作者。表1为数据库的建立示例表，根据编号、姓名、年龄、身份证号等信息搜寻原始数据。

表1

以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。

Claims (9)

1.一种基于笔画曲率检测的笔迹鉴伪的系统，其特征在于，包括以下功能模块：

笔迹数据库模块：预先存储用户个人文本独立的数据化信息，包括笔迹特征矩阵、个人信息；

笔迹样本图像采集录入模块：利用高拍仪采集待鉴别的笔迹样本，生成笔迹样本图像；

笔迹样本图像预处理模块：对录入的待鉴伪笔迹样本图像进行预处理；

特征分析提取模块：对经笔迹样本图像预处理模块处理之后的笔迹样本图像进行笔画特征值矩阵的提取，将获得的所有的笔画特征值矩阵组成笔画特征数据组；

笔迹特征矩阵处理模块：取笔画特征数据组在单方向的中段均值作为该方向的笔迹特征值保存至笔迹特征矩阵，依次对笔画特征数据组的横、竖、撇、捺四个方向作相同的处理，得到四个方向的笔迹特征矩阵，再将笔迹特征矩阵的值归一化至-1到1之间；

相似性度量模块：采用夹角余弦法计算待鉴伪笔迹样本图像提取的笔迹特征矩阵与笔迹数据库中的每个用户笔迹特征矩阵的相似度；

结果输出反馈模块：根据相似性度量模块计算出的相似度结果，直观地反馈相应的信息。

2.根据权利要求1所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：所述笔迹样本图像采集录入模块利用高拍仪对包含不少于30个字符的笔迹样本进行图像采集，随机选取三个连续字符生成一个笔迹样本图像，共生成十幅笔迹样本图像。

3.根据权利要求1所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：所述笔迹样本图像预处理模块首先对笔迹样本图像进行基本预处理，基本预处理包括灰度化、二值化和尺寸标准化，再对完成基本预处理的笔迹样本图像进行闭合运算，提取最具代表性的单方向笔画，对单方向笔画图像进行快速细化处理，使图像只包含单方向笔画骨架。

4.根据权利要求3所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：在笔迹样本图像预处理模块中：

设存放在图像采集数据存储区中的彩色图像为I₁，复制一份存放于数据存储区并对其进行图像灰度化以得到灰度图像I₂；

使用最大类间方差法对灰度图像I₂进行阈值分割，得到目标二值化图像I₃；

将目标二值化图像I₃进行尺寸标准化处理为600*300个像素大小的规则图像I₄；

针对规则图像I₄，选取腐蚀因子为直线型，长度为8个像素点，再分别选取0°、90°、45°、135°四个方向分别进行闭合运算得到只包含单方向笔画的横向笔画图像I_4横、竖向笔画图像I_4竖、撇向笔画图像I_4撇、捺向笔画图像I_4捺，分别对横向笔画图像I_4横、竖向笔画图像I_4竖、撇向笔画图像I_4撇、捺向笔画图像I_4捺中的所有笔画计算连通域面积，选取出连通域面积最大的单方向笔画保存为该方向的代表性笔画图像，依次得到横、竖、撇、捺四个方向的代表性笔画图像；所述0°、90°、45°、135°四个方向分别对应汉字横、竖、撇、捺四个笔画方向；

分别对横、竖、撇、捺四个方向的代表性笔画图像进行快速细化处理，处理完成后的横向笔画骨架图像I_5横、竖向笔画骨架图像I_5竖、撇向笔画骨架图像I_5撇、捺向笔画骨架图像I_5捺均暂时保存于数据存储区用于后续处理。

5.根据权利要求3所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：所述快速细化算法过程是：顺序、逆序进行两次扫描，确定每个图像中的点的层数，再通过层数判断是属于边界点还是骨架，(x,y)为当前点，P(x,y)为当前点像素值，规定黑色值为1，白色值为0，进行以下三个步骤：

(a)从上到下，从左到右依次扫描每一个点，若当前点为黑点时，判断上包围四点的情况，定义上包围层数值F(x,y)：

当p(x,y)＝1时；

F(x,y)＝Min[F(x-1,y+1),F(x-1,y),F(x-1,y-1),F(x,y-1)]+1

当p(x,y)＝0时；

F(x,y)＝0；

(b)从下到上，从右到左依次扫描每一个点，若当前点为黑点时，判断下包围四点的情况，定义下包围层数值G(x,y)：

当p(x,y)＝1时；

G(x,y)＝Min[G(x+1,y-1),G(x+1,y),G(x+1,y+1),G(x,y+1)]+1

当p(x,y)＝0时；

G(x,y)＝0

(c)设实际层数M(x,y)，每个点的实际层数为以上两种层数中的最小值，即：

M(x,y)＝Min[F(x,y),G(x,y)]

再从上到下，从左到右扫描每一个点，再判断该点周围8个点的层数情况，若当前点为9个点中的最大值点，则保留下来，若不是最大值点，则删除。

6.根据权利要求1所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：在特征分析提取模块中，取横向笔画骨架图像I_5横，在横向笔画骨架图像I_5横中横方向笔画上选取二等分三个点，进行圆的重构，然后提取计算横方向圆的半径，将半径长度的倒数曲率作为反映个人笔迹横方向稳定特征的横方向笔画特征值，并保存；再对竖向笔画骨架图像I_5竖、撇向笔画骨架图像I_5撇、捺向笔画骨架图像I_5捺依次进行同样的处理，分别得到各方向笔画特征值；依次对十幅图像作相同的处理，得到每幅笔迹样本图像的笔画特征值。

7.根据权利要求6所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：选取二等分三个点的步骤为：

a)从上到下，从左到右依次扫描图像上每一个点，若当前点(x,y)为黑点时，再判断该点周围8个点的像素值，当周围有7个点的像素值为0时，提取该点的坐标，设G为提取点的标识，G＝1即提取该点坐标，当P(x,y)＝1时，采用异或运算计算该点的G值：

其中，表示异或运算；

b)经过第一步提取出点A(x₀,y₀)，B(x₁,y₁)两个弧线端点坐标，连接A、B两点，得到直线l₀，作直线l₀的垂线l₁，取垂线l₁与弧线的交点C(x₂,y₂)，则点A、B、C就是弧线的二等分三个点；

c)得到A、B、C三点后进行圆的重构，然后提取计算横方向圆的半径，将半径长度r的倒数c作为反映个人笔迹横方向稳定特征的横向特征值，并保存为该方向的笔画特征值，圆点D(x₃,y₃)、曲率c的计算过程如下所示：

$x_3=\frac{2\×(y_1-y_0)\×\{{\left(x_2\right)}^2-{\left(x_1\right)}^2+{\left(y_2\right)}^2-{\left(y_1\right)}^2\}-2\×(y_2-y_1)\×\{{\left(x_1\right)}^2-{\left(x_0\right)}^2+{\left(y_1\right)}^2-{\left(y_0\right)}^2\}}{4\×(y_1-y_0)\×(x_2-x_1)-4\×(y_2-y_1)\×(x_1-x_0)}$

$y_3=\frac{2\×\left((x_2-x_1\right)\×\{{\left(x_1\right)}^2-{\left(x_0\right)}^2+{\left(y_1\right)}^2-{\left(y_0\right)}^2\}-2\×(x_1-x_0)\×\{{\left(x_2\right)}^2-{\left(x_1\right)}^2+{\left(y_2\right)}^2-{\left(y_1\right)}^2\}}{4\×(y_1-y_0)\×(x_2-x_1)-4\×(y_2-y_1)\×(x_1-x_0)}$

$c=\frac{1}{r}=\frac{1}{\sqrt{{(x_3-x_{0.})}^2+{(y_3-y_0)}^2}}.$

8.根据权利要求7所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：在特征相似性度量模块中，设所得到的由横方向笔画骨架曲率c₁，竖方向笔画骨架曲率c₂，撇方向笔画骨架曲率c₃，捺方向笔画骨架曲率c₄组成的笔迹特征矩阵向量表示为F＝(c₁,c₂,c₃,c₄)，笔迹数据库中对应的笔迹特征矩阵向量为G＝(x₁,x₂,x₃,x₄)，使用夹角余弦法判断两者之间的相似程度，即：

$\cos \left(\mathrm{\θ}\right)=\left(\frac{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k{x}_k}{\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k^2}\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{x}_k^2}}\right)$

其中n代表第n个单笔画方向，n最大值为4，取两矩阵向量间的夹角θ的度数大小作为判断两者相似度的参考值，向量间的夹角越大，则代表待鉴别的笔迹与笔迹数据库中对应的笔迹相似度较小，反之若夹角越小，则代表待鉴别的笔迹与笔迹数据库中对应的笔迹相似度较大，设M为待鉴别的笔迹与笔迹数据库中对应的笔迹相似度，则定义M为：

$M=[180-\arccos \left(\frac{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k{x}_k}{\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{c}_k^2}\sqrt{\underset{k-1}{\overset{n}{\mathrm{\Σ}}}{x}_k^2}}\right)]\×100\%$

计算笔迹相似度M值，将笔迹相似度M值与预先由实验所得出的实验阈值T作比较，若大于该阈值则鉴定为同一人的笔迹，若小于该阈值，则鉴定为他人伪造的笔迹。

9.根据权利要求1所述的基于笔画曲率检测的笔迹鉴伪系统，其特征在于：在所述结果输出反馈模块中，当笔迹相似度达到实验经验阈值时，在系统界面输出鉴伪结果为真实的反馈信息，当低于实验经验阈值时，在系统界面输出鉴伪结果为虚假的反馈信息，并通过计算机USB接口接外围电路串口发送命令，启动报警外围电路的蜂鸣器及警示灯。