基于matlab的GUi实现手写签名在线识别和离线识别，含有数据集。 有解释文档。

一、系统概述

手写签名识别系统基于MATLAB开发，融合在线与离线两种识别模式，采用深度学习与数字信号处理技术，实现高精度签名真伪鉴别。系统支持GUI可视化操作，涵盖数据采集、预处理、模型训练、签名识别全流程，适用于金融、司法、医疗等领域的身份验证场景。

系统核心优势在于：在线识别采用频域分析+BP神经网络，提取签名动态时序特征；离线识别基于改进型卷积神经网络（CNN），处理静态图像特征；同时通过多通道卷积、形态学滤波等优化算法，平衡识别精度与运算效率。

二、系统架构与核心模块

系统整体架构分为“数据层-预处理层-模型层-应用层”四层，包含15个核心代码文件，各模块功能及文件对应关系如下表所示：

模块	核心文件	功能描述
主控制模块	main.m	系统入口，提供在线/离线模式切换、数据重置、退出等功能
在线识别模块	online.m、untitled00.m	实现动态签名数据处理、特征提取、BP网络训练与识别
离线识别模块	offline.m、CNN_exm.m	完成静态签名图像预处理、CNN模型训练与真伪鉴别
数据预处理模块	bAs.m、piccutlab.m、pic2big.m	图像裁剪、缩放、二值化、降噪、填充等操作
数据采集模块	photo.m、offline.m（pushbutton21）	调用摄像头采集签名图像，支持预览、拍照、保存
模型管理模块	nettext.m、textnet.m	加载训练好的网络模型、保存训练结果、验证模型性能
辅助工具模块	morefile.m、preview_1.m	多文件选择、数据预览、路径管理等辅助功能

三、核心功能模块详解

3.1 主控制模块（main.m）

3.1.1 功能定位

作为系统入口，提供可视化主界面，实现模式切换与系统管理，核心功能包括：

1. 模式选择：通过按钮跳转至在线识别（online.fig）或离线识别（offline.fig）界面；
2. 数据重置：勾选“开启重置”后，删除数据集目录（./pix/1、./pix/2）下的历史数据，避免干扰新训练；
3. 系统退出：关闭所有界面，释放内存资源。

3.1.2 关键逻辑

• 采用MATLAB GUIDE工具构建单例模式GUI，确保同一时间仅运行一个实例；
• 通过guidata函数维护界面句柄与用户数据，实现模块间参数传递；
• 按钮回调函数通过open/close函数实现界面切换，搭配pause(0.5)确保界面加载稳定。

3.2 在线识别模块（online.m）

3.2.1 功能概述

处理动态签名数据（如手写板采集的时序信号），通过频域分析+BP神经网络实现签名真伪识别，核心流程包括：数据导入→特征提取→模型训练→签名验证。

3.2.2 核心流程详解

1. 数据导入与解析
   - 支持读取SVC2004数据集（Task2）的.txt格式文件，提取签名的X/Y坐标、压力值（P）等7维时序数据；
   - 通过strsplit函数解析文件名（如“U1S1.txt”），区分签名者编号（U1）与签名序号（S1），自动分类真实/伪造签名（前20个为真，后20个为假）。

1. 特征提取
   - 时域特征计算：基于采样间隔（10ms），通过差分法计算X/Y/P的速度（VX/VY/VP），构建6维时域信号；
   - 频域特征转换：对6维时域信号进行快速傅里叶变换（FFT），取前32个幅值作为关键特征（利用傅里叶对称性减少计算量）；
   - 特征归一化：通过Normalize函数将特征值映射至0-31区间，构建6×32的特征图像，消除量纲差异。

1. BP神经网络训练
   - 网络结构：输入层192个节点（6×32特征）、隐藏层50个节点（logsig激活函数）、输出层2个节点（purelin激活函数），实现二分类；
   - 训练参数：最大迭代次数1500次、学习率0.2、目标误差0.001，采用最速梯度下降法（traingd）优化；
   - 早停机制：当验证精度超过90%时自动停止训练，保存最优模型至./net_data目录。

1. 签名验证
   - 加载训练好的模型，对待测签名的特征图像进行预测；
   - 通过sim函数输出预测概率，大于0.5判定为真，否则为假，并在GUI中显示“签名真实性”与“置信度”（真/假概率分布）。

3.2.3 关键优化

• 支持多签名对比显示：通过单选按钮切换“单个签名”“真实签名对比”“真伪签名对比”，可视化时域/频域信号差异；
• 特征增强：融合坐标与速度的频域特征，相比传统阈值法（仅用X/Y/P），识别精度提升3.25%，平均准确率达98.25%。

3.3 离线识别模块（offline.m + CNN_exm.m）

3.3.1 功能概述

处理静态签名图像（如扫描件、照片），基于改进型CNN实现识别，核心流程包括：图像采集→预处理→模型训练→真伪鉴别。

3.3.2 核心流程详解

1. 图像采集与预处理
   - 图像获取：支持两种方式：①调用摄像头（photo.m）拍摄签名；②导入本地图像（.jpg/.bmp）；
   - 预处理 pipeline：
   - 二值化：通过im2bw函数将彩色图像转为黑白二值图，保留签名轮廓；
   - 降噪：采用形态学滤波（imclose/imopen）去除尖锐噪点，弥合笔画裂痕；
   - 区域定位：通过regionprops函数检测连通区域，绘制最小外接矩形，自动定位签名位置；
   - 归一化：计算所有签名的最大宽高，通过padarray函数填充白边，确保图像尺寸统一（如154×388），避免畸变。

1. CNN模型设计与训练
   - 基础模型（LeNet-5改进版）：
   matlab
layers = [
imageInputLayer([154 388 1]) % 输入层：灰度图像
convolution2dLayer(5,20,'Padding','same') % 卷积层1：20个5×5卷积核
reluLayer % 激活函数
maxPooling2dLayer(2,'Stride',2) % 池化层1：2×2最大池化
convolution2dLayer(5,16,'Padding','same') % 卷积层2：16个5×5卷积核
reluLayer
maxPooling2dLayer(2,'Stride',2) % 池化层2
fullyConnectedLayer([120 84 10 2]) % 全连接层：逐步降维至2类
softmaxLayer % 概率归一化
classificationLayer % 分类层
];

   - 多通道优化模型：
   - 构建3通道并行卷积结构，分别采用3×3、5×5、7×7卷积核，提取不同尺度的局部特征；
   - 通过depthConcatenationLayer融合多通道特征，相比单通道模型，复杂签名识别精度提升5.53%。
   - 训练配置：采用Adam优化器、学习率1e-4、最大迭代50轮，支持GPU加速（`ExecutionEnvironment','gpu'），训练完成后保存模型至./net_data目录。

1. 签名验证
   - 加载训练好的CNN模型，对待测图像进行预处理（裁剪、归一化）；
   - 通过classify函数输出预测结果与置信度，真签名概率≥50%判定为真，否则为假，并在GUI中显示“真实度百分比”。

3.3.3 关键优化

• 数据扩充：通过imresize实现图像缩放（0.7-1.25倍），生成多版本训练数据，提升模型泛化能力；
• 动态阈值调整：针对复杂签名（如多字签名），支持将判定阈值从50%上调至90%，进一步降低误判率。

3.4 数据采集模块（photo.m）

3.4.1 功能描述

提供摄像头控制功能，支持签名图像的实时预览、拍摄与保存，解决离线识别的数据源问题。

3.4.2 核心逻辑

1. 硬件初始化：通过imaqhwinfo查询摄像头设备，创建videoinput对象，配置帧率（1帧/触发）、触发次数（无限）；
2. GUI交互：
   - 预览：调用preview函数实时显示摄像头画面；
   - 拍照：通过getsnapshot获取当前帧，保存为.jpg格式至./photo目录；
   - 返回：关闭摄像头设备与预览窗口，释放资源。

3.5 模型管理模块（nettext.m + textnet.m）

3.5.1 功能描述

实现模型的加载、保存与性能验证，确保训练结果可复用，核心功能包括：

1. 模型加载：读取./net_data目录下的.mat格式模型文件，通过struct2cell转换为可调用的网络对象；
2. 模型验证：加载测试集（如./pix目录下的图像），计算识别准确率，输出“精确度百分比”；
3. 模型保存：支持自定义模型名称，将训练好的网络保存至指定路径，便于后续调用。

四、系统部署与使用说明

4.1 环境要求

1. 软件环境：MATLAB R2018b及以上，需安装“Computer Vision Toolbox”“Deep Learning Toolbox”；
2. 硬件环境：支持GPU加速（推荐NVIDIA GTX 1050及以上），摄像头（可选，用于离线图像采集）。

4.2 目录结构

./
├─ net_data/        # 训练好的模型文件（.mat）
├─ offline_data/    # 离线签名数据集
├─ online_data/     # 在线签名数据集（.txt）
├─ photo/           # 摄像头拍摄的图像
├─ pix/             # 预处理后的训练数据集（按标签分文件夹）
├─ put_pic/         # 预处理后的待测图像
└─ 核心代码文件     # .m格式，含主控制、识别、预处理等模块

4.3 操作流程（以离线识别为例）

1. 运行main.m，点击“离线签名识别”进入离线界面；
2. 图像采集：点击“获取图像”，通过摄像头拍摄签名并保存至./photo；
3. 预处理：依次执行“二值化→滤波→寻域→截取保存”，生成标准化图像至./pix；
4. 模型训练：点击“训练网络”，加载./pix数据集，训练CNN模型并保存至./net_data；
5. 签名验证：点击“加载网络”选择训练好的模型，“截取图像”选择待测图像，“真伪辨别”输出识别结果。

五、性能指标与适用场景

5.1 核心性能指标

识别模式	数据集	平均准确率	单样本处理时间	适用场景
在线识别	SVC2004 Task2（1600个签名）	98.25%	≤0.5s	手写板实时签名验证（如电子银行）
离线识别（单通道CNN）	简单签名（2字）	100%	≤1s	扫描件快速验证（如办公签字）
离线识别（3通道CNN）	复杂签名（3字）	97.2%	≤2s	高精度验证（如司法文书、医疗档案）

5.2 注意事项

1. 若未安装摄像头插件，离线图像采集功能会报错，可通过手动导入./offline_data目录下的数据集替代；
2. 模型训练前需确保./pix目录下的数据集按“1（真）/2（假）”分文件夹存放，避免标签错误；
3. 多通道CNN模型训练需GPU支持，CPU环境下训练时间会延长3-5倍。

六、总结与扩展方向

本系统通过模块化设计实现了手写签名的全流程识别，在线模式侧重动态时序特征，离线模式侧重静态图像特征，兼顾精度与实用性。未来可从以下方向扩展：

1. 算法优化：引入Transformer模型，提升长时序动态签名的特征捕捉能力；
2. 硬件适配：开发移动端APP，支持手机触摸屏采集签名数据，扩大应用场景；
3. 安全增强：融合区块链技术，实现签名数据的不可篡改存储，满足司法级安全需求。