简介这是一套基于OpenCV图像识别的笔迹识别系统完整交付包适合计算机视觉方向的学生、开发者及需要完成课程设计或毕业设计的人群用于快速搭建笔迹比对与识别功能。压缩包内含27个文件涵盖main.py与distinguish.py等Python源码、需求分析说明书与详细设计说明书等9份docx设计文档、安装部署说明与软件使用说明书、演示PPT、测试素材及工作日志共约37.38MB整体结构清晰。需要说明的是文件类型包括9个png与2个jpg可直观用于样本测试2个md文档便于快速了解项目。已有306人学习浏览具备一定参考热度。整套资料还附带了从需求分析到测试文档的全流程工程文件能帮助学习者在理解OpenCV图像处理与特征匹配的同时掌握项目文档规范与答辩展示要点。整体来说是一份兼顾源码、文档、部署与演说的系统性学习素材适合用作实战练习或作为完整模板参照。1. 基于 OpenCV 的笔迹识别系统能现场演示的毕设级图像识别项目又到了课程设计、毕业设计扎堆的季节不少读者在找既能现场跑通、又方便写文档的 OpenCV 图像识别项目。这份基于 OpenCV 图像识别的笔迹识别系统就是典型的一站式资源Python 源码、需求分析说明书、概要设计说明书、详细设计说明书、数据库设计说明书、测试文档、安装部署说明书、使用说明书、演示 PPT 全配齐。它的核心任务是——给定一张写着字的图片判断这是四个人叶青、李国富、云烟、秦晴中哪一个人的笔迹。实际拆开看这套系统并不依赖深度学习而是地道的经典图像处理路线OpenCV 做预处理提取笔迹图像的密度、轮廓、投影等手工特征再用距离公式做相似度比对。好处显而易见代码量小、运行快、逻辑透明答辩时每一步都能讲清楚原理。适合还在学图像处理基础、需要一份能复现的 OpenCV Python 项目的从业者和学生如果你想深入做签名识别、考试卷面笔迹核对这套代码也提供了很好的起点。2. 预处理与特征提取灰度化、二值化、轮廓参数怎么定才稳笔迹识别的第一步不是匹配而是把图像洗干净。手机拍的、扫描仪扫的甚至从 PDF 里截图导出的笔迹图光线、底色、噪声全都不一样。灰度化、降噪、二值化、尺寸归一化这四步做不好后面所有特征都是空中楼阁。2.1 先从读图开始灰度化与尺寸归一化素材包里每个人有两张样本图比如叶青1.png、叶青2.png这两张图通常是不同时间、不同纸上写的字。直接拿原图做比对尺寸不一致像素特征就完全不可比。所以第一步永远是统一尺寸。常见做法是把图缩放到固定边长比如 512×512同时保持灰度模式。import cv2 import numpy as np def load_and_resize(image_path, size(512, 512)): # 直接用 cv2.imread 读中文路径可能返回 None后面避坑章节会细说 img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) if img is None: raise ValueError(f无法读取图像: {image_path}) # 统一尺寸保证后续特征向量长度一致 img cv2.resize(img, size, interpolationcv2.INTER_AREA) return imgIMREAD_GRAYSCALE表示读成单通道灰度图颜色信息对笔迹判断几乎没有贡献反而会引入背景色干扰。INTER_AREA是缩小图像时最常用的插值方式它对像素区域做平均能有效减少摩尔纹和锯齿如果是从小图放大一般改用INTER_CUBIC或INTER_LINEAR。2.2 二值化是大分水岭全局阈值与 Otsu 的选择灰度图还不能直接提取笔迹特征背景纸张的纹理、阴影都会干扰笔画统计。二值化的目标是把图像变成纯粹的黑白两色——笔画是黑背景是白。这里有个常见的翻车点用固定阈值cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)碰上光线不均匀的图一半清楚一半灰蒙蒙阈值 127 会直接把浅色笔画切没。def binarize(img): # 先高斯模糊去掉扫描产生的椒盐噪声和纸张纤维纹理 blurred cv2.GaussianBlur(img, (5, 5), 0) # Otsu 自动计算最优阈值适应不同亮度的图像 _, binary cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binary参数说明GaussianBlur的核大小(5, 5)比较中庸核越大模糊越强笔画边缘损失也越大如果原图噪声很重可以试(7, 7)但要注意笔画细的字可能会被糊断。THRESH_OTSU是 Otsu 大津法它遍历所有灰度值找一个让前景背景类间方差最大的阈值等于帮你自动定阈值。对大部分白纸黑字的笔迹图Otsu 的稳定性和自适应能力远超写死的 127。2.3 特征提取设计密度、轮廓数量、笔画投影图像预处理完成后进入这套系统的核心——特征提取。笔迹识别最直观的差异是写字习惯有人字大、笔画粗、结构松散有人字小、笔画细、排列紧凑。这些差异落到图像上就变成了像素密度、轮廓复杂度和笔画在横竖方向上的分布差异。用三个维度的特征组合基本能把不同人的笔迹区分开。def extract_features(binary_img): h, w binary_img.shape # 1. 笔画密度黑色像素占全图比例反映字的大小和用笔轻重 black_ratio np.sum(binary_img 0) / (h * w) # 2. 轮廓数量与总周长反映笔画的复杂程度和连笔情况 contours, _ cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contour_count len(contours) total_perimeter sum(cv2.arcLength(c, True) for c in contours) # 3. 水平与垂直投影反映文字排布和字形的整体结构 hori_proj np.sum(binary_img 0, axis1) vert_proj np.sum(binary_img 0, axis0) hori_var np.var(hori_proj) vert_var np.var(vert_proj) # 4. 连通域平均面积区分笔画粗重与纤细的字迹 num_labels, labels, stats, _ cv2.connectedComponentsWithStats(binary_img, connectivity8) if num_labels 1: areas stats[1:, cv2.CC_STAT_AREA] avg_area np.mean(areas) else: avg_area 0 features np.array([ black_ratio, contour_count, total_perimeter / (h w), hori_var / h, vert_var / w, avg_area, ], dtypenp.float32) return features参数说明findContours用RETR_EXTERNAL只提取最外层轮廓因为笔迹识别关注的是字形整体轮廓不关心笔画内部的孔洞比如国字中间的方框CHAIN_APPROX_SIMPLE压缩轮廓点只保留端点减少计算量。connectedComponentsWithStats的connectivity8表示八连通也就是斜向相邻的笔画也算同一个连通域这样写连笔字时不会把一个字劈成好几块。total_perimeter做了除以(hw)的归一化目的是消除不同分辨率下轮廓绝对长度的虚高。这套特征全部是手工设计好处是计算速度极快单张图处理在毫秒级而且每个特征都能对应到书写习惯的物理含义答辩时老师问为什么这个特征有意义可以直接答笔画密度反映用笔轻重轮廓周长反映连笔程度投影方差反映字形在横向纵向的展开程度。3. 匹配判定逻辑distinguish.py 的比对算法与阈值选择特征提取只是把图像变成了一串数字真正决定识别准不准的是后面这步两张图的特征向量怎么比、比完怎么判。素材包里每个样本有 1.png 和 2.png 两张图这就构成了一个极简的训练集——用其中一张提取特征作为基准另一张作为待识别对象正好验证算法效果。3.1 三种相似度计算方式欧氏距离、余弦相似度、matchShapes特征向量之间最粗暴的比法是欧氏距离两个向量各维度差的平方和开根号。距离越小越相似。但这套方案有个天然缺陷——不同特征的量纲不一致密度的数值是 0.01 级别轮廓数量是几十上百两者做差会直接淹没小数值特征。所以必须先做标准化。def normalize_features(features, meanNone, stdNone): # 训练阶段传入 mean/std识别阶段用训练集的统计量做标准化 if mean is None: mean np.mean(features, axis0) std np.std(features, axis0) 1e-6 normalized (features - mean) / std return normalized, mean, std另一种常见做法是余弦相似度计算两个特征向量的夹角余弦值值越接近 1 表示越相似。它不关心向量长度只关注方向天然对量纲不敏感在笔迹这种整体形态相似但绝对数值有差异的场景里效果不错。cv2.matchShapes则是 OpenCV 自带的轮廓相似度函数基于 Hu 矩计算形状差异但它只接受单个轮廓对整幅笔迹图像需要先提取主轮廓比较适合单字比对不适合整篇文字。3.2 一对一匹配还是一对多匹配distinguish.py 的核心流程是把四人的笔迹样本分别提取特征存入特征库然后对输入的待测图提取特征与特征库里每个样本逐一计算距离取最小距离对应的身份作为识别结果。因为素材里每人只有两张样本实操中一般用一张建库、一张做测试或者两张都入库、取平均距离。import os import cv2 import numpy as np SAMPLE_DIR 测试素材 NAMES [叶青, 李国富, 云烟, 秦晴] def build_feature_library(sample_dir, names): # 每个人取 1.png 入库2.png 留作测试 library {} for name in names: path os.path.join(sample_dir, f{name}1.png) img load_and_resize(path) binary binarize(img) feats extract_features(binary) library[name] feats return library def recognize(query_path, library): img load_and_resize(query_path) binary binarize(img) query_feats extract_features(binary) all_feats np.array(list(library.values())) _, mean, std normalize_features(all_feats) query_norm, _, _ normalize_features(query_feats, mean, std) best_name None best_dist float(inf) for name, feats in library.items(): feat_norm, _, _ normalize_features(feats, mean, std) # 欧氏距离越小越相似 dist np.linalg.norm(query_norm - feat_norm) print(f{name}: 距离 {dist:.4f}) if dist best_dist: best_dist dist best_name name return best_name, best_dist代码逻辑说明build_feature_library循环四个人把每个人的第一张样本图做完整预处理和特征提取存进字典。recognize函数先对待测图做同样的处理然后用训练集的均值方差进行标准化避免查询样本自身的统计量影响尺度。最后逐人计算欧氏距离并输出距离最小的名字就是识别结果。参数说明识别阶段标准化一定要用训练集的mean和std不能用待测图自己算——否则测试图特征被拉到自己分布的尺度上距离会被严重压缩判别失效。这是很多初学图像识别的读者最容易踩的坑。3.3 阈值定多少才合理不设阈值等于盲猜多数笔迹识别 demo 只输出最相似的人但这在实际使用中不够。如果一张完全陌生的笔迹图送进来哪怕不属于这四人中的任何一个系统也会硬挑一个距离最小的名字这就是误判。正确做法是设一个最大距离阈值超过阈值就返回无法识别。阈值需要根据实际数据分布来定。先把特征库中每一对样本的距离算出来——同一个人两张图的类内距离和不同人之间的类间距离画出分布后取中间值。常见做法是先跑一遍全部样本对记录距离正常笔迹场景下类内距离通常在 0.5~1.2 之间类间距离在 1.5~3.0 之间取 1.5 作为拒绝阈值比较稳妥。但这套数字依赖具体特征设计和样本质量换一批图必须重新标定抄作业前要重新跑一遍数据分布。提示素材包里四个人各有一张 1 和 2 后缀的图正好可以组 8 对类内测试和 24 对类间测试足够算出一个小规模的距离分布表。4. 从零跑通源码环境配置、main.py 建库、distinguish.py 判别的完整流程前面把原理拆开了这一章落到实操。资源包里有main.py和distinguish.py两个主程序前者负责批量处理素材、建立特征库后者负责单张图的识别判定。文档目录里还有安装部署说明书和软件使用说明书里面写了运行环境要求但很多细节自己跑一遍才踏实。4.1 环境准备Python 版本与 OpenCV 安装这套代码基于 OpenCV 经典接口编写不涉及新版专属 APIPython 3.8 到 3.11 都能跑。最省事的安装方式是直接装opencv-python和numpypip install opencv-python numpy装完后在 Python 里验证一下版本import cv2 print(cv2.__version__)如果输出类似4.8.0的版本号环境就没问题。顺带说一句OpenCV 的 Python 包分opencv-python含主模块和opencv-contrib-python含扩展模块这套笔迹识别只用主模块就够不需要装 contrib还省了不少体积。4.2 跑通 main.py读取测试素材与特征库构建素材目录下有四人的字迹样本main.py 做的事情就是把它们批量读入、预处理、提取特征、保存成特征库文件。注意项目正文里出现了1.jpg、2.jpg和李国富1.png这类混合命名的文件实际使用时建议把所有素材统一整理到测试素材目录下# 建议目录结构 项目根目录/ ├── main.py ├── distinguish.py ├── 测试素材/ │ ├── 叶青1.png │ ├── 叶青2.png │ ├── 李国富1.png │ └── ... └── README.mdmain.py 里会引入预处理和特征提取的函数遍历素材目录后把每个人的特征存入字典再用np.save持久化到本地文件。这里注意一点素材文件名里的中文在不同操作系统下排序规则不一致如果你的代码里用os.listdir()遍历建议先按文件名排序保证每次运行入库顺序一致否则特征库内容相同但排列不同距离输出的顺序会很乱。4.3 跑通 distinguish.py进行一次完整的笔迹判定运行方式一般是把待识别图片路径作为参数传给程序python distinguish.py --query 测试素材/叶青2.png程序会输出特征库中每个人的距离值然后打印识别结果。这里我要强调一下输出信息的阅读方式不要只看最后的名字要看中间的距离列表。如果叶青的距离是 0.8李国富的距离是 1.9差距明显这个结果是可信的如果前两名距离只差 0.1说明特征没有把这两个人区分开需要检查特征提取是否合理或者样本本身太相似。4.4 设计文档和 PPT 怎么配合代码一起用资源包里最值钱的可能不是代码而是 13 份文档从需求分析说明书、概要设计说明书到详细设计说明书、测试文档、工作总结、安装部署说明最后还有演示 PPT。这些文档的顺序就是标准的软件工程流程——需求分析先定义系统要识别几个人、识别精度要求多少概要设计规划模块划分详细设计落到函数级接口测试文档写用例。如果你是要交作业这套文档的章节结构可以直接作为模板把其中的项目信息替换成自己的理解即可。提示文档包里有4.详细设计说明书.docx和7.测试文档.doc这两个文件配合源码看效果最好。详细设计里通常有函数调用关系图和特征向量维度定义测试文档里有测试用例表格和预期结果答辩前对照着过一遍比死记代码有效得多。5. 避坑笔记中文路径、二值化翻车、尺寸不一致的四个经典坑任何图像识别项目跑通不是终点换一台电脑、换一批图就翻车才是常态。这套笔迹识别资源我在拆解过程中遇到过四个高频问题每条都值得记下来。5.1 中文文件名读取失败程序直接报 NoneType Error现象代码执行到cv2.imread(测试素材/叶青1.png)之后后面所有操作报错提示NoneType object has no attribute shape。原因OpenCV 的imread底层用的是 C 标准文件接口在 Windows 上对中文路径支持不完整路径里含中文时返回空对象但程序不会报错只是静默返回None直到你访问图像尺寸才崩溃。解决用np.fromfile读文件字节流再用cv2.imdecode解码。def imread_unicode(path, flagscv2.IMREAD_COLOR): # 兼容中文路径的读取方案 data np.fromfile(path, dtypenp.uint8) img cv2.imdecode(data, flags) if img is None: raise ValueError(f图像解码失败: {path}) return img把这个函数替换掉所有直接cv2.imread的地方是最稳妥的解决方案。部分新版本 OpenCV 声称支持中文路径但实测仍不稳定建议统一走imdecode路线。5.2 二值化后笔画断裂识别距离全乱现象二值化之后的图文字的横折笔画断成一截一截密度特征和轮廓数量明显异常距离计算结果忽大忽小。原因两类情况。一是原始图像分辨率太低笔画宽度只有 1~2 像素模糊后笔画灰度值被拉低Otsu 阈值切下去就断了二是原图有阴影或纸张底色不均Otsu 把部分背景误判为笔画。解决先做形态学闭运算把断裂的笔画连起来。kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) binary cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations1)闭运算是先膨胀后腐蚀能够填充笔画内部的小孔洞和断裂处同时保持笔画整体粗细不扩张太多。iterations从 1 开始调笔画细的字开到 2 就会糊成团务必小步试。5.3 特征库标准化统计量不一致识别结果漂移现象同一张测试图第一次跑正确的第二次换一个人入库后结果就变了或者识别率莫名其妙降低。原因特征标准化时用了全量样本的均值和方差。如果 build 特征库时把所有七张图都参与了 mean/std 计算而识别阶段调用的是另一套统计量特征尺度完全不同距离自然乱套。解决统一用建库阶段的统计量。具体做法是 main.py 保存特征库的同时把mean和std用np.savez一并存档distinguish.py 只加载这些统计量绝不在识别时重新计算。这是我反复强调的点标准化统计量的一致性直接决定系统稳定性。5.4 打开 PPT 或文档时发现图表链接失效现象演示文稿里嵌的架构图点开是空的或者 Word 文档里的截图位置是红叉。原因这类资源包的文档和 PPT 在打包时图片是外链引用而不是嵌入压缩包解开后路径变了图片就找不到。解决不建议花大量时间去修链接。本人经验是重新截图替换把代码里实际跑出来的特征提取流程图、识别结果截图重新贴进文档反而更真实——答辩老师更认可你自己现场的截图而不是一个被别人用过多次的模板图。6. 把笔迹识别系统改造成你的验收工具单字比对与盲测验证代码跑通只是第一步真正验收一个图像识别系统靠的是盲测和定量指标。这里分享一个把系统改造成单字比对工具的思路以及一套让识别结果可信的验证流程。先做盲测从四个人中各取第二张样本图加上一张不在特征库里的陌生人笔迹共五张测试图。先用当前系统识别记录距离再把结果和真实身份对照。如果陌生人的最小距离也小于阈值说明阈值定宽了调大如果某个人的两张图互相都认错说明这个人的样本特征不稳定考虑把他的两张图全部入库取平均特征。这套流程跑完你对系统的识别能力会有一个非常具体的概念。单字比对改造思路把整幅图按行拆分用投影法找到每行的上下边界再把每行按列投影切出单个文字区域每个字单独提取特征。整篇字迹可能因为书写状态不同产生波动单字特征更能反映稳定书写习惯——比如国字的外框写法、言字旁的点位这些微观差异正是笔迹鉴别的关键。改用单字特征后识别距离的区分度通常会明显提升。def split_chars(binary_img): # 垂直投影切分单字按列统计黑色像素连续为0的列就是字间空隙 vert_proj np.sum(binary_img 0, axis0) chars [] in_char False start 0 for i, val in enumerate(vert_proj): if val 0 and not in_char: start i in_char True elif val 0 and in_char: chars.append((start, i)) in_char False return chars切分逻辑说明逐列统计黑色像素数量遇到连续有笔迹的列则标记为文字开始遇到连续空白列则标记为文字结束得到每个单字的左右边界。这个算法对横向书写的印刷体和手写体都适用但遇到字与字粘连、连笔跨越多个字的情况会切错。笔画密集的汉字场景可先对二值图做一次腐蚀把连笔断开再用投影切分。从那以后我每次搭图像识别 demo都会强制走一遍完整流程先看原始素材的清晰度和一致性再定预处理参数然后建库、盲测、画距离分布最后才写文档。这套笔迹识别资源本身是有价值的但价值不在代码能跑而在读代码的过程中把图像预处理、特征工程、相似度度量的完整链路捋清楚。希望这些拆解过程能帮你少走几步弯路。本文还有配套的精品资源点击获取 OpenCV笔迹识别系统设计：从图像预处理到特征提取匹配的完整实践
简介这是一套基于OpenCV图像识别的笔迹识别系统完整交付包适合计算机视觉方向的学生、开发者及需要完成课程设计或毕业设计的人群用于快速搭建笔迹比对与识别功能。压缩包内含27个文件涵盖main.py与distinguish.py等Python源码、需求分析说明书与详细设计说明书等9份docx设计文档、安装部署说明与软件使用说明书、演示PPT、测试素材及工作日志共约37.38MB整体结构清晰。需要说明的是文件类型包括9个png与2个jpg可直观用于样本测试2个md文档便于快速了解项目。已有306人学习浏览具备一定参考热度。整套资料还附带了从需求分析到测试文档的全流程工程文件能帮助学习者在理解OpenCV图像处理与特征匹配的同时掌握项目文档规范与答辩展示要点。整体来说是一份兼顾源码、文档、部署与演说的系统性学习素材适合用作实战练习或作为完整模板参照。1. 基于 OpenCV 的笔迹识别系统能现场演示的毕设级图像识别项目又到了课程设计、毕业设计扎堆的季节不少读者在找既能现场跑通、又方便写文档的 OpenCV 图像识别项目。这份基于 OpenCV 图像识别的笔迹识别系统就是典型的一站式资源Python 源码、需求分析说明书、概要设计说明书、详细设计说明书、数据库设计说明书、测试文档、安装部署说明书、使用说明书、演示 PPT 全配齐。它的核心任务是——给定一张写着字的图片判断这是四个人叶青、李国富、云烟、秦晴中哪一个人的笔迹。实际拆开看这套系统并不依赖深度学习而是地道的经典图像处理路线OpenCV 做预处理提取笔迹图像的密度、轮廓、投影等手工特征再用距离公式做相似度比对。好处显而易见代码量小、运行快、逻辑透明答辩时每一步都能讲清楚原理。适合还在学图像处理基础、需要一份能复现的 OpenCV Python 项目的从业者和学生如果你想深入做签名识别、考试卷面笔迹核对这套代码也提供了很好的起点。2. 预处理与特征提取灰度化、二值化、轮廓参数怎么定才稳笔迹识别的第一步不是匹配而是把图像洗干净。手机拍的、扫描仪扫的甚至从 PDF 里截图导出的笔迹图光线、底色、噪声全都不一样。灰度化、降噪、二值化、尺寸归一化这四步做不好后面所有特征都是空中楼阁。2.1 先从读图开始灰度化与尺寸归一化素材包里每个人有两张样本图比如叶青1.png、叶青2.png这两张图通常是不同时间、不同纸上写的字。直接拿原图做比对尺寸不一致像素特征就完全不可比。所以第一步永远是统一尺寸。常见做法是把图缩放到固定边长比如 512×512同时保持灰度模式。import cv2 import numpy as np def load_and_resize(image_path, size(512, 512)): # 直接用 cv2.imread 读中文路径可能返回 None后面避坑章节会细说 img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) if img is None: raise ValueError(f无法读取图像: {image_path}) # 统一尺寸保证后续特征向量长度一致 img cv2.resize(img, size, interpolationcv2.INTER_AREA) return imgIMREAD_GRAYSCALE表示读成单通道灰度图颜色信息对笔迹判断几乎没有贡献反而会引入背景色干扰。INTER_AREA是缩小图像时最常用的插值方式它对像素区域做平均能有效减少摩尔纹和锯齿如果是从小图放大一般改用INTER_CUBIC或INTER_LINEAR。2.2 二值化是大分水岭全局阈值与 Otsu 的选择灰度图还不能直接提取笔迹特征背景纸张的纹理、阴影都会干扰笔画统计。二值化的目标是把图像变成纯粹的黑白两色——笔画是黑背景是白。这里有个常见的翻车点用固定阈值cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)碰上光线不均匀的图一半清楚一半灰蒙蒙阈值 127 会直接把浅色笔画切没。def binarize(img): # 先高斯模糊去掉扫描产生的椒盐噪声和纸张纤维纹理 blurred cv2.GaussianBlur(img, (5, 5), 0) # Otsu 自动计算最优阈值适应不同亮度的图像 _, binary cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binary参数说明GaussianBlur的核大小(5, 5)比较中庸核越大模糊越强笔画边缘损失也越大如果原图噪声很重可以试(7, 7)但要注意笔画细的字可能会被糊断。THRESH_OTSU是 Otsu 大津法它遍历所有灰度值找一个让前景背景类间方差最大的阈值等于帮你自动定阈值。对大部分白纸黑字的笔迹图Otsu 的稳定性和自适应能力远超写死的 127。2.3 特征提取设计密度、轮廓数量、笔画投影图像预处理完成后进入这套系统的核心——特征提取。笔迹识别最直观的差异是写字习惯有人字大、笔画粗、结构松散有人字小、笔画细、排列紧凑。这些差异落到图像上就变成了像素密度、轮廓复杂度和笔画在横竖方向上的分布差异。用三个维度的特征组合基本能把不同人的笔迹区分开。def extract_features(binary_img): h, w binary_img.shape # 1. 笔画密度黑色像素占全图比例反映字的大小和用笔轻重 black_ratio np.sum(binary_img 0) / (h * w) # 2. 轮廓数量与总周长反映笔画的复杂程度和连笔情况 contours, _ cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contour_count len(contours) total_perimeter sum(cv2.arcLength(c, True) for c in contours) # 3. 水平与垂直投影反映文字排布和字形的整体结构 hori_proj np.sum(binary_img 0, axis1) vert_proj np.sum(binary_img 0, axis0) hori_var np.var(hori_proj) vert_var np.var(vert_proj) # 4. 连通域平均面积区分笔画粗重与纤细的字迹 num_labels, labels, stats, _ cv2.connectedComponentsWithStats(binary_img, connectivity8) if num_labels 1: areas stats[1:, cv2.CC_STAT_AREA] avg_area np.mean(areas) else: avg_area 0 features np.array([ black_ratio, contour_count, total_perimeter / (h w), hori_var / h, vert_var / w, avg_area, ], dtypenp.float32) return features参数说明findContours用RETR_EXTERNAL只提取最外层轮廓因为笔迹识别关注的是字形整体轮廓不关心笔画内部的孔洞比如国字中间的方框CHAIN_APPROX_SIMPLE压缩轮廓点只保留端点减少计算量。connectedComponentsWithStats的connectivity8表示八连通也就是斜向相邻的笔画也算同一个连通域这样写连笔字时不会把一个字劈成好几块。total_perimeter做了除以(hw)的归一化目的是消除不同分辨率下轮廓绝对长度的虚高。这套特征全部是手工设计好处是计算速度极快单张图处理在毫秒级而且每个特征都能对应到书写习惯的物理含义答辩时老师问为什么这个特征有意义可以直接答笔画密度反映用笔轻重轮廓周长反映连笔程度投影方差反映字形在横向纵向的展开程度。3. 匹配判定逻辑distinguish.py 的比对算法与阈值选择特征提取只是把图像变成了一串数字真正决定识别准不准的是后面这步两张图的特征向量怎么比、比完怎么判。素材包里每个样本有 1.png 和 2.png 两张图这就构成了一个极简的训练集——用其中一张提取特征作为基准另一张作为待识别对象正好验证算法效果。3.1 三种相似度计算方式欧氏距离、余弦相似度、matchShapes特征向量之间最粗暴的比法是欧氏距离两个向量各维度差的平方和开根号。距离越小越相似。但这套方案有个天然缺陷——不同特征的量纲不一致密度的数值是 0.01 级别轮廓数量是几十上百两者做差会直接淹没小数值特征。所以必须先做标准化。def normalize_features(features, meanNone, stdNone): # 训练阶段传入 mean/std识别阶段用训练集的统计量做标准化 if mean is None: mean np.mean(features, axis0) std np.std(features, axis0) 1e-6 normalized (features - mean) / std return normalized, mean, std另一种常见做法是余弦相似度计算两个特征向量的夹角余弦值值越接近 1 表示越相似。它不关心向量长度只关注方向天然对量纲不敏感在笔迹这种整体形态相似但绝对数值有差异的场景里效果不错。cv2.matchShapes则是 OpenCV 自带的轮廓相似度函数基于 Hu 矩计算形状差异但它只接受单个轮廓对整幅笔迹图像需要先提取主轮廓比较适合单字比对不适合整篇文字。3.2 一对一匹配还是一对多匹配distinguish.py 的核心流程是把四人的笔迹样本分别提取特征存入特征库然后对输入的待测图提取特征与特征库里每个样本逐一计算距离取最小距离对应的身份作为识别结果。因为素材里每人只有两张样本实操中一般用一张建库、一张做测试或者两张都入库、取平均距离。import os import cv2 import numpy as np SAMPLE_DIR 测试素材 NAMES [叶青, 李国富, 云烟, 秦晴] def build_feature_library(sample_dir, names): # 每个人取 1.png 入库2.png 留作测试 library {} for name in names: path os.path.join(sample_dir, f{name}1.png) img load_and_resize(path) binary binarize(img) feats extract_features(binary) library[name] feats return library def recognize(query_path, library): img load_and_resize(query_path) binary binarize(img) query_feats extract_features(binary) all_feats np.array(list(library.values())) _, mean, std normalize_features(all_feats) query_norm, _, _ normalize_features(query_feats, mean, std) best_name None best_dist float(inf) for name, feats in library.items(): feat_norm, _, _ normalize_features(feats, mean, std) # 欧氏距离越小越相似 dist np.linalg.norm(query_norm - feat_norm) print(f{name}: 距离 {dist:.4f}) if dist best_dist: best_dist dist best_name name return best_name, best_dist代码逻辑说明build_feature_library循环四个人把每个人的第一张样本图做完整预处理和特征提取存进字典。recognize函数先对待测图做同样的处理然后用训练集的均值方差进行标准化避免查询样本自身的统计量影响尺度。最后逐人计算欧氏距离并输出距离最小的名字就是识别结果。参数说明识别阶段标准化一定要用训练集的mean和std不能用待测图自己算——否则测试图特征被拉到自己分布的尺度上距离会被严重压缩判别失效。这是很多初学图像识别的读者最容易踩的坑。3.3 阈值定多少才合理不设阈值等于盲猜多数笔迹识别 demo 只输出最相似的人但这在实际使用中不够。如果一张完全陌生的笔迹图送进来哪怕不属于这四人中的任何一个系统也会硬挑一个距离最小的名字这就是误判。正确做法是设一个最大距离阈值超过阈值就返回无法识别。阈值需要根据实际数据分布来定。先把特征库中每一对样本的距离算出来——同一个人两张图的类内距离和不同人之间的类间距离画出分布后取中间值。常见做法是先跑一遍全部样本对记录距离正常笔迹场景下类内距离通常在 0.5~1.2 之间类间距离在 1.5~3.0 之间取 1.5 作为拒绝阈值比较稳妥。但这套数字依赖具体特征设计和样本质量换一批图必须重新标定抄作业前要重新跑一遍数据分布。提示素材包里四个人各有一张 1 和 2 后缀的图正好可以组 8 对类内测试和 24 对类间测试足够算出一个小规模的距离分布表。4. 从零跑通源码环境配置、main.py 建库、distinguish.py 判别的完整流程前面把原理拆开了这一章落到实操。资源包里有main.py和distinguish.py两个主程序前者负责批量处理素材、建立特征库后者负责单张图的识别判定。文档目录里还有安装部署说明书和软件使用说明书里面写了运行环境要求但很多细节自己跑一遍才踏实。4.1 环境准备Python 版本与 OpenCV 安装这套代码基于 OpenCV 经典接口编写不涉及新版专属 APIPython 3.8 到 3.11 都能跑。最省事的安装方式是直接装opencv-python和numpypip install opencv-python numpy装完后在 Python 里验证一下版本import cv2 print(cv2.__version__)如果输出类似4.8.0的版本号环境就没问题。顺带说一句OpenCV 的 Python 包分opencv-python含主模块和opencv-contrib-python含扩展模块这套笔迹识别只用主模块就够不需要装 contrib还省了不少体积。4.2 跑通 main.py读取测试素材与特征库构建素材目录下有四人的字迹样本main.py 做的事情就是把它们批量读入、预处理、提取特征、保存成特征库文件。注意项目正文里出现了1.jpg、2.jpg和李国富1.png这类混合命名的文件实际使用时建议把所有素材统一整理到测试素材目录下# 建议目录结构 项目根目录/ ├── main.py ├── distinguish.py ├── 测试素材/ │ ├── 叶青1.png │ ├── 叶青2.png │ ├── 李国富1.png │ └── ... └── README.mdmain.py 里会引入预处理和特征提取的函数遍历素材目录后把每个人的特征存入字典再用np.save持久化到本地文件。这里注意一点素材文件名里的中文在不同操作系统下排序规则不一致如果你的代码里用os.listdir()遍历建议先按文件名排序保证每次运行入库顺序一致否则特征库内容相同但排列不同距离输出的顺序会很乱。4.3 跑通 distinguish.py进行一次完整的笔迹判定运行方式一般是把待识别图片路径作为参数传给程序python distinguish.py --query 测试素材/叶青2.png程序会输出特征库中每个人的距离值然后打印识别结果。这里我要强调一下输出信息的阅读方式不要只看最后的名字要看中间的距离列表。如果叶青的距离是 0.8李国富的距离是 1.9差距明显这个结果是可信的如果前两名距离只差 0.1说明特征没有把这两个人区分开需要检查特征提取是否合理或者样本本身太相似。4.4 设计文档和 PPT 怎么配合代码一起用资源包里最值钱的可能不是代码而是 13 份文档从需求分析说明书、概要设计说明书到详细设计说明书、测试文档、工作总结、安装部署说明最后还有演示 PPT。这些文档的顺序就是标准的软件工程流程——需求分析先定义系统要识别几个人、识别精度要求多少概要设计规划模块划分详细设计落到函数级接口测试文档写用例。如果你是要交作业这套文档的章节结构可以直接作为模板把其中的项目信息替换成自己的理解即可。提示文档包里有4.详细设计说明书.docx和7.测试文档.doc这两个文件配合源码看效果最好。详细设计里通常有函数调用关系图和特征向量维度定义测试文档里有测试用例表格和预期结果答辩前对照着过一遍比死记代码有效得多。5. 避坑笔记中文路径、二值化翻车、尺寸不一致的四个经典坑任何图像识别项目跑通不是终点换一台电脑、换一批图就翻车才是常态。这套笔迹识别资源我在拆解过程中遇到过四个高频问题每条都值得记下来。5.1 中文文件名读取失败程序直接报 NoneType Error现象代码执行到cv2.imread(测试素材/叶青1.png)之后后面所有操作报错提示NoneType object has no attribute shape。原因OpenCV 的imread底层用的是 C 标准文件接口在 Windows 上对中文路径支持不完整路径里含中文时返回空对象但程序不会报错只是静默返回None直到你访问图像尺寸才崩溃。解决用np.fromfile读文件字节流再用cv2.imdecode解码。def imread_unicode(path, flagscv2.IMREAD_COLOR): # 兼容中文路径的读取方案 data np.fromfile(path, dtypenp.uint8) img cv2.imdecode(data, flags) if img is None: raise ValueError(f图像解码失败: {path}) return img把这个函数替换掉所有直接cv2.imread的地方是最稳妥的解决方案。部分新版本 OpenCV 声称支持中文路径但实测仍不稳定建议统一走imdecode路线。5.2 二值化后笔画断裂识别距离全乱现象二值化之后的图文字的横折笔画断成一截一截密度特征和轮廓数量明显异常距离计算结果忽大忽小。原因两类情况。一是原始图像分辨率太低笔画宽度只有 1~2 像素模糊后笔画灰度值被拉低Otsu 阈值切下去就断了二是原图有阴影或纸张底色不均Otsu 把部分背景误判为笔画。解决先做形态学闭运算把断裂的笔画连起来。kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) binary cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations1)闭运算是先膨胀后腐蚀能够填充笔画内部的小孔洞和断裂处同时保持笔画整体粗细不扩张太多。iterations从 1 开始调笔画细的字开到 2 就会糊成团务必小步试。5.3 特征库标准化统计量不一致识别结果漂移现象同一张测试图第一次跑正确的第二次换一个人入库后结果就变了或者识别率莫名其妙降低。原因特征标准化时用了全量样本的均值和方差。如果 build 特征库时把所有七张图都参与了 mean/std 计算而识别阶段调用的是另一套统计量特征尺度完全不同距离自然乱套。解决统一用建库阶段的统计量。具体做法是 main.py 保存特征库的同时把mean和std用np.savez一并存档distinguish.py 只加载这些统计量绝不在识别时重新计算。这是我反复强调的点标准化统计量的一致性直接决定系统稳定性。5.4 打开 PPT 或文档时发现图表链接失效现象演示文稿里嵌的架构图点开是空的或者 Word 文档里的截图位置是红叉。原因这类资源包的文档和 PPT 在打包时图片是外链引用而不是嵌入压缩包解开后路径变了图片就找不到。解决不建议花大量时间去修链接。本人经验是重新截图替换把代码里实际跑出来的特征提取流程图、识别结果截图重新贴进文档反而更真实——答辩老师更认可你自己现场的截图而不是一个被别人用过多次的模板图。6. 把笔迹识别系统改造成你的验收工具单字比对与盲测验证代码跑通只是第一步真正验收一个图像识别系统靠的是盲测和定量指标。这里分享一个把系统改造成单字比对工具的思路以及一套让识别结果可信的验证流程。先做盲测从四个人中各取第二张样本图加上一张不在特征库里的陌生人笔迹共五张测试图。先用当前系统识别记录距离再把结果和真实身份对照。如果陌生人的最小距离也小于阈值说明阈值定宽了调大如果某个人的两张图互相都认错说明这个人的样本特征不稳定考虑把他的两张图全部入库取平均特征。这套流程跑完你对系统的识别能力会有一个非常具体的概念。单字比对改造思路把整幅图按行拆分用投影法找到每行的上下边界再把每行按列投影切出单个文字区域每个字单独提取特征。整篇字迹可能因为书写状态不同产生波动单字特征更能反映稳定书写习惯——比如国字的外框写法、言字旁的点位这些微观差异正是笔迹鉴别的关键。改用单字特征后识别距离的区分度通常会明显提升。def split_chars(binary_img): # 垂直投影切分单字按列统计黑色像素连续为0的列就是字间空隙 vert_proj np.sum(binary_img 0, axis0) chars [] in_char False start 0 for i, val in enumerate(vert_proj): if val 0 and not in_char: start i in_char True elif val 0 and in_char: chars.append((start, i)) in_char False return chars切分逻辑说明逐列统计黑色像素数量遇到连续有笔迹的列则标记为文字开始遇到连续空白列则标记为文字结束得到每个单字的左右边界。这个算法对横向书写的印刷体和手写体都适用但遇到字与字粘连、连笔跨越多个字的情况会切错。笔画密集的汉字场景可先对二值图做一次腐蚀把连笔断开再用投影切分。从那以后我每次搭图像识别 demo都会强制走一遍完整流程先看原始素材的清晰度和一致性再定预处理参数然后建库、盲测、画距离分布最后才写文档。这套笔迹识别资源本身是有价值的但价值不在代码能跑而在读代码的过程中把图像预处理、特征工程、相似度度量的完整链路捋清楚。希望这些拆解过程能帮你少走几步弯路。本文还有配套的精品资源点击获取