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。

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.

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。