基于深度学习的手写书法字体识别算法

为解决因手写书法作品种类繁多而识别困难的问题,降低人们观赏书法的门槛,本文提出了基于深度学习的手写书法字体识别算法.识别过程中首先使用投影法等图像处理方法对书法作品图像中的汉字进行定位和分割,然后分别利用GoogLeNet Inception-v3模型和ResNet-50残差网络进行书体风格识别和字形识别.实验结果表明,本文算法能实现对整幅书法作品中楷书和篆书的书体风格以及字形的识别,对楷书和篆书单字的识别率分别为91.57%和81.70%,达到了实用的需求.

基于鬼成像的手写字体分类方法

针对手写字体特征提取难、识别效率低甚至错误的问题,提出一种结合鬼成像原理和分类网络的思想用于手写字体的识别。首先,使用激光器、数字微镜阵列、单像素探测器等搭建鬼成像探测系统,利用系列哈达玛散斑场分别实现对17 239幅手写字体的照射;其次,利用单像素探测器对手写字体透射的总光强值进行采集,并将其转换为一维向量作为网络训练的输入;最后基于卷积神经网络在图像分类的优势搭建网络架构且为解决训练过程中的网络退化问题加入残差块。实验结果表明:对于手写数字来说,全连接神经网络与卷积神经网络的精密度、召回率、F1值分别提高86.50%/97.25%、86.40%/98.03%、86.31%/97.60%;对于手写字母来说,卷积神经网络在全采样下的精密度、召回率、F1值分别为91.87%、90%、90.23%。该方法利用鬼成像原理,仅通过手写字体透射的总光强值而无需对手写字体的特征进行提取与识别便可进行快速分类,大幅提升了手写字体的识别效率。

基于深度学习的手写文字识别

当前越来越多的场景需要将手写体的文字转换为电子格式,手写体识别成为人机交互最便捷的手段之一,拥有广泛的应用前景。文章提出了一种基于TensorFlow框架的深度学习手写识别方法,包含手写数字识别和手写汉字识别。以TensorFlow为框架,采用CNN神经网络模型建立训练集以降低识别错误率。实验结果最终表明,对手写数字的识别率达到95%,对手写汉字的识别率达到90%。

Kernel principal component analysis network for image classification

In order to classify nonlinear features with a linear classifier and improve the classification accuracy, a deep learning network named kernel principal component analysis network（ KPCANet） is proposed. First, the data is mapped into a higher-dimensional space with kernel principal component analysis to make the data linearly separable. Then a two-layer KPCANet is built to obtain the principal components of the image. Finally, the principal components are classified with a linear classifier. Experimental results showthat the proposed KPCANet is effective in face recognition, object recognition and handwritten digit recognition. It also outperforms principal component analysis network（ PCANet） generally. Besides, KPCANet is invariant to illumination and stable to occlusion and slight deformation.