基于混合 CNN–LSTM 模型的高光谱笔迹分析用于书写人验证与墨水不匹配检测

《Scientific Reports》：Hyperspectral handwriting analysis for writer verification and ink mismatch detection using a hybrid CNN–LSTM model

　　

摘要

高光谱成像能在较宽的波长范围内捕获详细的光谱反射信息，提供超越传统 RGB 成像的能力。这些丰富的光谱信息可用于法证文件分析，以识别传统成像方法无法检测到的墨水成分和笔迹特征的细微变化。然而，目前的研究往往将书写人分析和墨水鉴别视为两个独立的**任务**，在许多情况下忽略了两者的结合潜力。本文提出了一种用于高光谱笔迹分析的统一的光谱-空间度量学习框架，通过共享的句子级嵌入空间联合解决书写人验证和墨水不匹配检测问题。每个样本被建模为一个包含 149 个光谱波段的三维高光谱立方体，并在预处理过程中对空间维度进行标准化。为了最小化图像采集条件引入的变异性，应用了逐波段归一化。该框架采用混合 CNN–LSTM 架构作为特征学习骨干，其中卷积神经网络提取判别性的空间笔迹特征，LSTM 则建模高光谱波段之间的光谱依赖性。一种对比学习策略优化共享嵌入空间，通过学习到的表示之间的欧几里得距离实现基于相似性的验证。在大规模高光谱笔迹数据集上进行全面的实验证明了所提框架在两项任务上的有效性。结果表明，在面向验证的框架中学习统一的光谱-空间表示提高了表示一致性，增强了对先前未见过的书写人和墨水样本的泛化能力，并突显了高光谱成像在法证文件分析中的实际适用性。