ในการพัฒนากระบวนการ Offline Signatu

ในการพัฒนากระบวนการ Offline Signature Recognition มีการใช้เทคนิคต่างๆ มากมายเพื่อที่จะให้ประสิทธิภาพในการRecognitionสูง และการใช้กระบวนการPreprocessingที่มีประสิทธิภาพย่อมส่งเสริมให้ กระบวนการFeature Extraction มีประสิทธิภาพสูงเช่นกัน สาหรับงานวิจัยฉบับนี้กล่าวถึง การพัฒนากระบวนการ Preprocessing และการวัดประสิทธิภาพด้วย Neural Pattern Network ซึ่งกระบวนการPreprocessingนั้นจะใช้เทคนิคการลดความแปรปรวนของภาพลายเซ็น โดยมีแนวคิดว่าความแปรปรวนของข้อมูลมากประสิทธิภาพของ Recognition จะต่า และความแปรปรวนของข้อมูลที่เหมาะสมจะทาให้ประสิทธิภาพการรู้จาสูง ซึ่งเทคนิคนี้คือการสร้างให้ภาพต้นฉบับมีความหนาแน่นมากขึ้นโดยเพิ่มความหนาของลายเส้น และใช้ Coefficient of variation(CV) เป็นตัวชี้วัด โดยค่านี้จะใช้ Standard Deviation คิดเทียบกับค่า Mean ซึ่งกระบวนการทดลองจะมีการปรับข้อมูลภาพให้มีค่า CV เท่ากันแบบอัตโนมัติ หลังจากนั้นจะนาไปหาคุณสมบัติด้วยกระบวนการ Feature Extraction ของภาพลายเซ็นด้วยเทคนิคของ Histogram of Gradient(HOG) และ Pyramid Histogram of Gradient(PHOG) ผลลัพธ์ที่ได้จะถูกนามาเป็นข้อมูลในโครงข่ายประสาทเทียม เพื่อวัดประสิทธิภาพต่อไป สาหรับการทดสอบจะใช้ข้อมูล ภาพถ่ายลายเซ็นบุคคลจานวน 150 คน โดยมีจานวนข้อมูลทั้งหมด5739 ชุด ผลการทดลองจะได้ประสิทธิภาพ ตั้งแต่ 91.75-100 % สาหรับ HOG และ 92.1-100% สาหรับ PHOG โดยค่า CV=1 จะให้ประสิทธิภาพสูงสุด สาหรับ CV-HOG ได้ประสิทธิภาพเท่ากับ 93.72-100%

Results (English) 1:

In the development process of Offline Signature Recognition techniques has been used a lot in order to give Recognition for high performance and require effective Preprocessing shall encourage. The Feature Extraction process. High efficiency as well. For this edition of the above mentioned research, process development and performance with the Preprocessing Neural Network Pattern, which is the process that is using the technique of Preprocessing to reduce the variance of the signature with the concept that the variance of the performance information of the ta and the variance of Recognition appropriate information to.TA, high performance Java knowledge this technique is to create original images with greater density by increasing the thickness of the lines and the use of variation Coefficient (CV) is a measure of the Standard Deviation by the Mean thought that the trial process image data, with a value equal to the CV.Then go to properties with farming process Feature Extraction of images with signature of a Histogram of Gradient (HOG) and Histogram of Gradient Pyramid (PHOG), the result will be a Panama in artificial neural network. Continue to measure performance. The test will be used for data, photos, personal signature, there were 150 people were all 5739. The trial results will set performance from 91.75-100% for HOG and 92.1-100% for CV = 1 value to PHOG, optimizing for performance equal to 93.72. CV-HOG-100%

Results (English) 2:

Offline Signature Recognition in the development process with the use of various techniques. In order to be more effective in high Recognition. Preprocessing process and would encourage efficient. Feature Extraction process more efficient as well. For this research is discussed. Process Development Preprocessing And to measure the efficiency with which the Preprocessing Neural Pattern Network will be used to reduce the variability of the signature image. The idea that the variability of data more efficient and less variability of Recognition to the appropriate information to make effective public awareness high. This technique is to create an image with greater density by increasing the thickness of the stripes and the Coefficient of variation (CV) as a measure. This value is used by the Standard Deviation of the Mean compared with the experimental data is adjusted to a value equal automated CV. After that, it's a feature with Feature Extraction process of signature technique of Histogram of Gradient (HOG) and Pyramid Histogram of Gradient (PHOG) results will be brought into the neural network. In order to measure performance For the test to be used. Photos individual signatures amounted to 150 people, with increases in all 5739 series will be the performance results from 91.75 to 100% for HOG and 92.1 to 100% for PHOG by the CV = 1 to be effective. For CV-HOG performance of 93.72 to 100%.

Results (English) 3:

In the development process Offline Signature Recognition using various techniques. Plenty to efficiency in Recognition high. And application process Preprocessing powerful surely encourage the process Feature Extraction high efficiency as well.The development process and Preprocessing performance measurement with Neural Pattern Network which Preprocessing process will use the techniques for reducing the variance of denim signature image. The idea that the variance of the information efficiency of Recognition to taWhere this technique is to create the original image with density increase by increase the thickness of strokes, and use Coefficient of variation (CV). As a measure by this value is used Standard Deviation charged against the Mean.CV rate automatically. After the field to process properties Feature Extraction of signature image technique of Histogram of Gradient (HOG) and Pyramid. Histogram of Gradient (PHOG). The results will be used as the artificial neural networks.For the test to use the information, photos of signature number 150 person. The number of all the information 5739 series experiments are effective. Since 91.75-100% for HOG 92.1-100% PHOG and for the CV = 1 will provide maximum efficiency for CV-HOG efficiency of 93.72-100%.