图像处理与卷积神经网络相结合的脱机手写汉字识别方法

为了解决传统脱机手写汉字识别方法对相似手写汉字识别率低的问题,提出了一种图像处理与卷积神经网络相结合的两阶段脱机手写汉字识别方法:第一阶段使用传统的卷积神经网络进行识别,第二阶段使用基于图像处理的差异辨别方法进行更加精确的二次识别。试验结果表明:将基于图像处理的差异辨别方法与卷积神经网络结合起来比单纯基于卷积神经网络的识别方法能够更好地识别相似汉字,从而可以提高总体手写汉字的识别率。此外,所提出的方法还表现出更稳定的识别效果,可以有效应对训练样本中存在错误标注的情况。

大数据下的基于深度神经网的相似汉字识别

针对传统相似手写汉字识别系统(SHCCR)受特征提取方法的限制,提出采用深度神经网(DNN)对相似汉字自动学习有效特征并进行识别,介绍相似字符集生成方法和针对相似汉字识别的深度神经网络的具体结构,研究对比不同的训练数据规模对识别性能的影响。实验表明,DNN能有效地进行特征学习,避免了人工设计特征的不足,与传统基于梯度特征的支持向量机(SVM)和最近邻分类器(1-NN)方法相比,识别率有较大的提高;且随着训练样本增加的同时,DNN在提高识别性能上表现得更为优秀,大数据训练对提升深度神经网络的识别率作用明显。

一种分类器级联的手写相似汉字识别方法

针对手写相似汉字识别问题,提出一种新的基于分类器的方法来更全面地利用原始特征中的判别信息.新方法与现有的对相似汉字提取额外特征的方法不同,其在得到特征向量之后,首先利用修正的二次判别函数进行分类,然后用支持向量机对分类结果中的相似汉字的上述特征向量进行再一次的分类,得到最终的识别结果.利用分类混淆矩阵自动得到相似汉字集合,并提出了一种新型的存储结构用于快速查找支持向量机的训练字典.在ETL9B手写汉字数据库上的实验表明,所提出的方法可得到相对于提取额外特征方法更好的识别结果,以此证明了原始特征中存在对于相似字的判别信息,提出的基于分类器的方法可更好地利用这些判别信息.

一种相似汉字的识别算法

本文提出了一种通用的基于部分空间方法的相似汉字识别算法,该算法无须事先确定相似字组,也不必人工选择各个相似字组的部分空间,能够自动决定待识别字是否需要进入相似字识别过程,以及怎样选择部分空间。实验结果证明了本算法的有效性。

基于支持向量机的手写体相似字识别

本文提出对手写相似汉字进行识别的支持向量机方法。该方法与人工神经网络一样适用于小规模分类 ,但由于支持向量机依据结构风险最小化原则 ,因此泛化能力更强。并且 ,由于支持向量机算法是一个凸二次优化问题 ,能够保证找到的极值解就是全局最优解。本文用支持向量机算法对三组手写相似汉字进行了识别 ,取得了较好的结果。

基于模糊模型相似测量的小类别数汉字及数字识别

文章提出了一种基于模糊相似测量的小类别数多字体汉字及数字识别方法.该方法通过模糊逻辑处理,直接将字符的二值化图像转换成基于非线性加权相似函数的模糊样板,然后通过分类模糊模型的统计,相似性测量样板的分级组合和基于规则的分类进行识别.实验表明,该方法用于小类别数多字体汉字及数字识别的效果良好.

用于相似字识别的手写汉字特征优化方法

针对常用的手写汉字特征提取方法不利于后续线性区分分析(LDA)特征变换中发现相似汉字的细微区分信息,通过将传统的手写汉字特征提取和LDA变换表述为像素级特征的二维特征矩阵优化问题,并利用二维线性区分分析(2DLDA)变换进行手写汉字特征矩阵的优化,提出了一种用于手写相似汉字识别的特征优化方法.该方法可以避免高维像素级特征向量利用LDA变换进行优化中的散度矩阵奇异性问题.对手写相似汉字的识别实验表明,相对于传统的方法,经过所提方法优化的梯度特征,识别错误率可以降低48.86%,验证了方法的有效性.

一种手写体相似汉字获取方法

给出了获取相似字集合的一种方法，通过参数的调整能方便地改变相似字集合的规模。

手写金融汉字识别中的可信度估计

由于实际票据中的手写金融汉字书写得并不规范,而且还会受到票据的背景底纹和印章等因素干扰,所以正确识别率很低.为了达到要求的识别精度,必须拒识大量样本,这样就限制了票据识别系统的自动处理率.本文提出一种基于支持向量机的可信度估计方法,其特点是针对每个文字类别,专门构造用于易混淆字判断与可信度估计的支持向量机.该方法充分利用了支持向量机在少量训练样本情况下对两类判断问题的学习能力,可以准确地估计可信度,从而在拒识较少样本的情况下达到要求的识别精度.

基于不对称性的相似汉字识别方法

相似字识别的正确与否对整个识别系统的准确性和可用性都有着极大的影响。在实际应用中 ,我们发现相似汉字之间的误识存在不对称性 ,并对这种不对称现象的成因进行了细致的探讨和分析。基于这种不对称性 ,本文提出了一种分类的部分空间方法来解决相似字的识别问题。相似字按其结构特点被分成若干基本类别 ,不同类别在相应的部分空间提取不同的特征进行比较 ,以达到正确识别相似字的目的。实验结果表明了本方法的有效性 ,相似字识别的准确性得到了很大的提高 ,其中易错相似字的识别正确率平均提高了4 5 5个百分点 ,不易错相似字的识别正确率平均提高了 0 38个百分点。

基于字符连通域特征的车牌汉字字符识别技术

本文通过对待识别字符和标准车牌汉字字符库中的各个标准字符的重合部分的连通域数目及相似度进行分析,定义了待识别字符相对于标准汉字字符的连通域特征和相似度特征,由此提出了一种"基于字符连通域特征"的车牌汉字字符识别方法.该方法通过分析待识别汉字字符相对于标准字符模板的连通域特征对待识别字符进行初步识别,然后再通过分析字符的相似度特征对待识别字符进行精确识别.实验结果表明,该算法在车牌汉字字符的识别上能取得较高的识别率,而且该算法在对"缺损"汉字的识别上也能取得较好的效果.

离线手写印刷体汉字识别技术

运用松弛匹配方法的基本思想，给出了用汉字轮廓点的差分作为轮廓跟踪及折断点选择的算法，提高了轮廓折线化速度；分类按汉字四周的外轮廓线分三级进行匹配，提出了动态有序弹性匹配方法，使全域松弛匹配得以在局部区域进行，从而有效地提高了匹配速度；在进行第一级初分类时，采用多个模块，有效地提高了按偏旁位置分布进行分类的正确率；最后利用内轮廓折线与字典逐字匹配，达到对离线手写印刷体汉字识别的目的．

基于SVM的手写体相似汉字识别

支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不仅仅是使经验风险达到最小,从而使支持向量分类器具有较好的推广能力。并且,由于支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解。文章首先讨论了基于支持向量机的手写体相似汉字识别过程。然后,针对支持向量机识别手写汉字所遇到的问题进行了分析和阐述,并在此基础上提出了基于最小距离分类器分类的两级分类策略。最后,针对理论进行了实验仿真。实验结果有力证明了本文提出的基于SVM的相似汉字识别方法的有效性。

手写体相似字识别方法研究

该文通过研究几种常用汉字的识别方法,找出各自的优势和不足,并将统计识别方法和人工神经元网络识别方法有机的结合起来,利用其优势,应用于相似汉字识别之中,使相似汉字的识别率提高了约5个百分点,同时还改善了整个汉字识别系统的性能。

基于CNN图像识别与语义可靠性的路径搜索方法

光学字符识别技术可有效提高票据应用中票据信息录入的工作效率。针对票据的复杂背景与不规范手写字符降低票据识别准确率的问题,结合卷积神经网络图像识别与语义可靠性,提出一种可靠性优先的路径搜索方法,以降低模糊字符对搜索路径的干扰。利用基于公司名结构特点的前后缀推断策略,有效解决公司名前后缀识别错误问题。采用结巴中文分词与字符位置信息检查识别结果中的错误,并将长短期记忆语言模型与在传统字形相似度基础上引入的汉字部件相似度相结合进行纠错。实验结果表明,通过将纠错策略与该方法相结合可有效提高公司名识别准确率至93.08%。

结合余弦相关性的卷积网络识别汉字的方法

为了提高卷积神经网络(Convolution Neural Network,CNN)的识别率,增强卷积网络的特征提取能力,使其在模糊、光照不均等恶劣条件下能够有更好的识别效果,因此提出将余弦相关性加入神经卷积网络作为相似度度量的方法。较传统神经卷积网络相比较,有着更强的模式检测能力、更快的收敛速度以及更高的准确率的优点。在卷积神经网络的卷积层加入余弦相似性度量,最后通过对比传统神经卷积网络方法和余弦相关性神经卷积网络在脱机手写汉字的识别实验,在进行20次实验后,得出了在相同训练参数以及相同层数的卷积神经网络上,基于余弦相关性的神经卷积网络在手写汉字数据集上的准确率比传统的神经卷积网络的识别率平均提高了2.01%,并且有着更快的收敛速度。最后通过与现今流行的算法在MNIST数据集上的实验进行准确度、损失函数、时间复杂度的比较,得出结合余弦的卷积神经网络在准确度和损失函数上有一定的优势性,在时间复杂度上还需进一步提高。

结合八方向梯度特征和CNN的相似手写汉字识别

针对手写汉字识别中形近字难以识别问题,设计不同层深、宽度CNN,使用8方向梯度特征替代原始汉字图像作为卷积神经网络输入,对15组相似汉字进行识别。实验时,首先使用CNN对3755类汉字进行分类,分析统计错误识别样本数据,设计出相似汉字组,再分别训练多个CNN对相似汉字进行识别。实验结果表明,结合8方向梯度特征与CNN,能够显著提升相似手写汉字识别效果。

基于模糊线素特征与神经网络相结合的手写体汉字识别

本文提出了一种基于模糊方向线索特征 (fuzzydirectionallineelementfeature,FDLEF)与人工神经网络 (artificialneuralnetworks,ANN)相结合的手写体汉字识别方法 (FDLEF -ANN) ,解决了单一FDLEF方法对相似字识别率低的问题 .这种方法分两级识别 ,先由FDLEF识别模块进行识别 ,将识别结果送至选择器 ,若识别结果不属于预定义的相似字集合簇 ,则该结果即为最终识别结果 ,否则 ,将其送至人工神经网络识别模块进行相似字的识别 .本方法既保留了原FDLEF方法的优点又提高了对相似字的识别率 ,FDLEF -ANN系统对相似字的识别率由 78 0 9%提高到 82 97% .