有兴趣研究神经网络的朋友下来看看，资源中的一些知识个人认为不错

基于神经网络的签名识别： % 首先，单击“选择图像”选择输入图像。 ％ 那么你就可以% - 将此图像添加到数据库（单击“将所选图像添加到数据库” % - 执行签名识别（点击“签名识别”按钮） % 注意：如果要执行 SIGNATURE 识别数据库必须包括% 至少一张图像。 % 如果选择将图像添加到数据库，则为正整数（SIGNATURE ID） ％ 必需的。 这个正整数是一个累进数，它标识% 一个人（每个人对应一个班级）。 ％ 例如： % - 运行 GUI（在 Matlab 命令窗口中输入“signatureann”） % - 删除数据库（点击“删除数据库”） % - 将 "mike1.jpg" 添加到数据库 ---> ID 必须是 1，因为 Mike 是第一个您要添加到数据库的人 % % - 将 "mike2.jpg" 添加到数据库 ---> ID 必须是 1，因为你已经% 将 Mike

手写签名采集识别系统,可以采集签名，并进行签名识别，使用DTW算法

模式识别mini project-脱机手写签名识别，这是每个学习模式识别的同学必做的课程设计mini project，主要功能要求如下： 一共有20个人，在其对应的文件夹中存放了每个人的20个手写签名图像，每幅图像均为PCX图像格式，大小为129 94像素大小。 对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。在签名图像进行特征提取时，提取6 个ET1和6 个DT12轮廓特征。 每一个人的手写签名特征假设为48维特征空间的多维高斯分布。用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。分别计算close test和open test下的分类性能。 根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的open test识别率。 适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算open test下的分类性能，将该识别率表示为一个关于k的函数并绘图。这些是基于后验概率的非参数估计的贝叶斯估计。