藏文联机手写识别的难点及其解决方法

通过分析各种联机手写识别方法(统计模式识别方法、结构模式识别方法、结构和统计模式识别方法) 以及藏文自身的特点,总结出藏文联机手写识别的方法.

古文字的联机手写识别研究

分析了近年来古文字研究与计算机技术相结合的一些重要成果,以及古文字的构形特点之后,提出了一种用于识别联机手写古文字的方法,详细介绍了所采用的笔画特征和字元特征,主要包括在古文字书写变形中具有较高稳定性的7种笔型特征,以及笔画交叉点、字元相对位置特征等等。并在此基础上,介绍了所构建的一个古文字识别的原型系统。同时指出了系统在对异体字的兼容,对古文字音、义的处理等方面存在的不足,提出了古文字识别智能化的研究方向,对今后古文字联机手写体识别的改进具有一定的参考价值。

藏文联机手写识别的研究与实现

提出了一种基于笔画的藏文联机手写识别的方法。首先将每个藏文字分解为各个子模式,然后将子模式进一步划分为笔画,最后通过识别出的笔画和每个藏文字之间对应规则判断出使用者所书写的藏文字。识别笔画时,将其轨迹看成点的集合,使用八个方向码对其进行标记,进而确定这个笔画。在识别之前,先将相似的笔画进行归类合并,以解决使用者书写不规范的情况。在不考虑连笔的情况下,对常用的600多个藏文字进行测试,准确率可以达到92%。

女书联机手写识别系统的设计与实现

文章从女书文字的特点出发,设计并实现了一个基于笔划特征的女书联机手写识别系统。系统首先识别构成女书文字的基本笔划,然后通过得到的笔划特征编码识别女书文字。实验结果表明,该系统可以达到较高的识别正确率。

女书联机手写识别样本采集系统的设计与实现

女书联机手写识别是一种实时识别女书的方式，用户一边写，机器一边识别处理。使用者只要在书写板上按常规方法书写，就可以把女书输入计算机进行辨识，方便用户使用。为提高识别率，识别前需采集不同人书写的女书样本进行特征提取，从而建立女书特征库字典。女书联机手写识别样本采集系统将采集到的女书字符信息进行预处理后保存到数据文件中．并实现对数据文件的读取以及文字的动态还原。

基于数学形态学的联机手写字符识别去噪方法

手写输入时由于笔尖抖动等原因产生了大量噪声,有效地去除噪声是手写识别的前提和关键。根据联机手写识别中手写体字符形态的特性,分析了手写时由于各种原因而产生的噪声,运用数学形态学中膨胀、腐蚀、细化等基本运算,提出了一种将数学形态学应用于联机手写识别预处理的方法,该方法可以有效地消除大量的冗余信息。测试结果表明,提出的方法可行,具有很好的鲁棒性,可以配合其他方案应用于各种联机手写字符识别中。

一种联机手写算术表达式识别系统

该文介绍了一个完整的联机手写算术表达式识别系统。在笔划分组与符号识别方面,采用预处理结合搜索的方法优化置信度函数;在结构分析方面,提出了一套全新的基于符号分级的算法,并利用三叉树这种数据结构存储识别结果。实验表明,对于书写较为整齐的算术表达式,此系统能够对较复杂的结构予以正确率较高的分析与识别。

基于可训练机制的联机维吾尔手写字母识别技术研究

在深入研究英文和汉字手写识别的基础上,结合维吾尔文字母的特点,提出一种基于支持向量机机器学习算法的维吾尔文联机手写字母识别方法,系统研究了样本采集、预处理、特征提取和分类等模块。在预处理中,为了消除干扰和噪声及比较中的相似性,采用了平滑滤波和线性归一化处理;考虑到维吾尔文相似字母较多,为了有效提取特征,将结构特征和统计特征相结合,提取了字符的梯度方向特征;分类器采用支持向量机。实验表明,随着训练样本的增加,识别率可以从90.62%提高到96.09%。

基于多分类器集成的维吾尔文联机手写字母识别

多分类器组合能够在一定程度上弥补单个分类器的缺陷,因此它在模式识别中得到了广泛应用。深入调研国内外联机手写识别技术的研究动态,结合维吾尔文字母的独特书写风格,研究了基于多分类器集成的维吾尔语联机手写字母识别。利用5种不同的特征提取方法构造了5个独立的维吾尔语字母分类识别器,采用了等权投票和不等权投票等两种策略将5种维吾尔语字母分类识别器进行了有效组合。其中,单分类器采用了基于动态时间弯折(DTW)匹配距离的最近邻分类方法。实验结果表明,提出的集成策略的识别率明显高于单分类器的识别率,而且为特征的综合集成提供了多种有效途径。

联机手写藏文识别中字丁规范化处理

通过对几种规范化处理算法的深入研究,根据联机手写藏文字丁的特点进行规范化处理,揭示出不同算法的内在本质规律;同时对联机手写藏文识别中的各种噪声进行分析,使用相应的方法消除噪声。使联机手写藏文识别系统的识别率得到一定的提高。

基于笔划特征和MCLRNN模型的联机手写藏文识别

提出了一种新的多层联系子层递归神经网络(MCLRNN)模型并融合藏文字丁的空间结构特征来进行联机手写藏文识别。改进后的网络结构具有多层联系子层来保留若干时刻的网络内部状态,从而可以更好地表征藏文字的各笔划特征以及笔划间的空间结构关系,同时,采用更适用于模式分类的交叉熵准则和改进的梯度下降算法来训练网络,加快了网络的收敛速度并增强其分类能力。仿真实验取得了令人满意的结果。

基于HMM的分类器在联机手写藏文识别中的应用

为了解决联机手写藏文识别中藏文的曲线型笔划比较多,连笔情况很普遍以及相似字丁多等问题,提出了一种新的联机手写藏文识别方法:基于HMM分类器的联机手写藏文识别的方法.设计了三种不同的HMM分类器进行藏文字丁识别,实验结果表明,基于HMM分类器的联机手写藏文识别具有较高地识别率,前十位识别率可达93.9012%.

对联机手写汉字识别技术的研究——实现笔画识别

联机手写汉字识别(OLCCR),是指用笔在图形输入板上写字,人一边写,机器一边认,是一种方便的汉字识别手段。在各种自动识别输入的方法中,OLCCR是能够代替或部分代替人工编码输入的惟一可能的方法。识别中主要是两方面的问题:建立汉字识别库和手写板上笔画轨迹的识别。文中就第二方面即手写笔画识别的问题进行了全面的研究,采用笔画基元帮助分析笔画轨迹,并用可视化编程工具VisualC++6.0实现了基于这种方法的笔画识别过程。

一种联机手写汉字识别算法的研究与实现

联机手写汉字识别(On-line handwritten Chinese character recognition,简称OLCCR),是指用笔在图形输入板上写字,人一面写,机器一面认,是一种方便的汉字识别手段,是在各种自动识别输入的方法中,能够代替或部分代替人工编码输入的惟一可能的方法。设计了一种基于获取笔段序列的联机手写汉字识别方法,并用可视化编程工具VC++6.0实现了该算法,经测试,平均识别率达95.7％。

兼顾连笔及笔顺自由的联机手写汉字识别方法

文章将手写汉字的可见线段和不可见线段进行联合编码,并对汉字笔画编码进行加权分类,较好的解决了联机手写汉字识别中连笔及笔顺自由问题,最后采用无回溯串匹配算法实现了汉字识别。

联机手写汉字识别系统应用研究

介绍了联机手写汉字识别的关键技术,重点研究卷积祌经网络结构,搭建TensorFlow实验平台,以中国科学院采集的CASIA-OLHWDB数据集进行训练,结果表明,将卷积神经网络方法应用于联机手写识别系统中能取得较好的效果。

基于Web的联机手写汉字识别仿真系统设计

联机手写汉字识别的模拟仿真系统是基于卷积神经网络方法开发的。利用TensorFlow实验平台,以中国科学院采集的CASIA-OLHWDB数据集进行训练获得分类数据。使用基于Python的Flask框架搭建Web服务器,采用Ajax技术实现数据在Web端的实时自动刷新。仿真结果表明,本系统能够较精确识别联机手写汉字,达到预计目的。

基于统计部首模型的联机手写汉字识别方法

利用汉字的部首层次结构有助于减小字符识别器的存储空间和提高泛化性、适应性,但部首分割一直是一个难点.提出一种新的基于部首的联机手写汉字识别方法,该方法把部首形状信息和几何信息集成到识别框架中,在组合搜索过程中利用字符-部首的层次结构字典引导部首的分割与识别,从而提高部首分割的准确率.为克服部首间的连笔,引入角点检测提取子笔划.部首识别采用统计分类器,模型参数通过自学习得到.在字符识别中,采用了2种不同的字典表示以及相应的不同搜索算法.该方法已用于左右与上下结构的字符集,实验结果表明了该方法的有效性.

基于笔顺自由及连笔的联机手写汉字识别

提出了一种基于笔顺重排算法的手写汉字识别。将手写汉字的可见线段和不可见线段进行联合编码,并采用了一种基于单字切分及基本笔顺表的识别方法。首先将单字分解为部件,根据分解的结构,对字典进行粗略的过滤,将字典中不符合待识别汉字拆分结构的字排除,然后根据笔划编码进行识别,有效提高了笔划的匹配速度,较好地解决了联机手写汉字识别中连笔及笔顺自由问题。

联机手写维吾尔文单词识别中两种语言模型的比较研究

在基于隐马尔可夫模型(HMM)的联机手写维吾尔文单词识别中,语言模型是非常重要的一部分,对整个识别系统的识别效果产生重要影响。好的语言模型可以减少由训练模型不够合理而产生的误识,因此,选择一种合适的语言模型显得至关重要。分别对2-Gram统计语言模型和上下文有关的规则语言模型作实验对比,结果表明,基于上下文有关的规则语言模型在维吾尔文手写体识别中取得了较满意的结果。