基于HMM的联机汉字识别系统及其改进的训练方法

本文描述了一个基于HMM模型的联机汉字识别系统的设计思想与实现方法。系统以联机汉字的笔段序列作为观察序列 ,采用带有多跨越的模型结构消除自由书写汉字笔段序列的冗余与丢失问题。HMM模型的训练是本系统设计的一个重要问题 ,针对复杂HMM模型参数训练容易收敛于局部最小的情况 ,本文结合联机汉字识别的特点 ,提出了一种利用“引导模型”进行训练的改进方法 ,避免了训练过程收敛于局部最小点的发生。经过大量样本的训练 ,本系统对规范书写汉字和自由书写汉字均取得了比较令人满意的结果。

用结构特征法对联机汉字进行粗分类

本文介绍一种以结构特征为基础的粗分类装置，对联机手写体汉字进行分类。粗分类的主要目的是，分别把联机汉字引入六种结构特征类型中的一种，并在可以分割的情况下将其分割成各个部分。本文提出的粗分类装置可用于对下列三种不同书写风格的汉字类目进行分类：正楷体手写字符、部分相连的字符和草写体字符。本文提出两种粗分类的结构分类法；一种是线段次序分类法，另一种是法。

笔顺连笔自由的联机手写汉字识别

论文针对联机手写汉字识别的笔顺自由、连笔自由问题,在整体DP匹配方法的基础上,提出了一种新的确定笔画对应关系的算法(最小风险算法),并同现有的CubeSearch法、匈牙利算法、近邻优先算法在识别速度、识别率等方面作了比较。该方法克服了现有的一些方法的不足,能高效地同时解决笔顺自由和连笔自由问题,而且由于主要采用全局特征进行识别,对形变和噪音具有很强适应能力。另外,字典可以通过聚类自动生成。另外还制作了原型系统,在对GB2312字符集进行的测试中,取得了较好的效果:在笔顺、连笔完全自由的情况下,单汉字平均识别时间小于0.3s,确定笔画对应关系的正确率达99.1%,识别率达94.5%。

联机手写体汉字识别后处理技术的研究

文中提出了一种规则和统计相结合的计算语言模型应用于联机手写体汉字识别后处理的技术，把基于统计的大词表Ｍａｒｋｏｖ语言模型与语言规则量化模型，通过词网格技术集成在一个语言解码器．这种后处理方法由３个阶段组成：词网格生成、语言解码、基于Ｃａｃｈｅ的自学习机制．语言解码器采用Ｖｉｔｅｒｂｉ搜索算法求解最优语句候选．该项技术已应用于ＨＰＣ（手持机）手写电脑的联机汉字手写体识别系统中，汉字识别率为９１．３％．

面向字形分析的联机手写汉字笔画识别

介绍了一种面向字形分析的联机手写输入汉字的笔画识别方法,并给出实现算法.该方法首先找出笔画的关键点,然后将笔画分割为小笔画段,再将其合并为较大的笔画段.实验表明,处理后的笔画成为类型确定的笔画段或笔画段的组合,易于规整化为内部模型.

基于参照模型的联机手写汉字笔划提取及识别

本文提出一种基于参照模型的联机手写汉字的笔划提取及识别的新方法 ,在该方法中不但考虑了流字识别中笔划的提取、匹配 ,还充分考虑到笔划间的连接关系 ,在手写汉字识别中取得了较好的效果。

基于动态规划的联机手写汉字分割方法

为解决手写汉字文本的自动切分问题,提出了一种基于动态规划的联机手写汉字分割方法.该方法根据手写笔画的结构特征、笔顺信息以及神经网络分类器给出的类概率构造代价函数,并将其分别应用于手写句子的预分割和基于识别的分割过程,然后利用动态规划算法寻找最佳分割路径.预分割在保持较低误分割率的前提下,可以有效地降低候选分割块的数量,以加速分割过程.实验结果表明,预分割的误分割率为0.57%,过分割率仅为11.1%;在未应用语言模型的情况下,最终的正确分割率为88.2%.

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。

联机手写汉字/词组识别的研究及其应用

由于在移动数码设备（例如智能手机、掌上电脑、学习机等）以及平板电脑（Tablet PC）上的巨大应用价值，联机手写汉字识别技术在近20多年来一直是模式识别领域中的一个重要研究课题，经过多年的研究工作，目前国内外许多研究机构（例如汉王、清华大学、Microsoft等）所研制的系统已经能较好地识别与笔顺无关、常规连笔书写的手写体汉字，不少系统已经可以达到98％以上的识别率。但高自由度的草书识别及无约束的手写词组的识别仍然是未解决的问题，而这两个难题恰好是构造更自然、更快捷、更流畅的手写输入方式的核心技术，是使手写输入法变得更实用、更具竞争力的关键所在，因而具有较大的研究价值。本文介绍了我们在微软亚洲研究院高校合作研究项目资助下所开展的相关研究工作及取得的一些研究结果。

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。

联机手写汉字识别的双向加权匹配法

输入字符和原型字符之间线特征的匹配可以系统地用双向加权匹配来叙述。若给出两个线段与任意线段的不匹配损失的距离，则匹配的目的就是寻找一个匹配总和，其值是匹配边缘的加权值与不匹配顶点损失之各为最小。本文通过一种压缩算法对匈牙利方法应用于解决匹配问题。

用VB实现联机手写汉字的笔划端点提取

对联机自然手写汉字识别系统中笔划提取问题进行了研究,提出一种基于时间间隔的笔划端点提取策略,并用可视化编程工具Visual Basic加以实现。实验表明,该策略和算法具有较高的稳定性和变形容忍度。

联机手写体汉字识别系统中汉字的输入及其特征的提取

汉字识别是模式识别领域最富挑战性、又极具应用前景的研究课题之一 ,而联机汉字识别是近期需求十分迫切的技术 .字量大、字形复杂多变、笔顺没有一定规范、笔划数目变动等多种因素 ,是联机汉字识别的主要困难 .笔划相对易于提取是联机识别的优点 .针对联机手写体汉字的特点 ,提出笔划轨迹点方向量化的方法 ,提取笔划和计算笔划间的连接关系 ,形成输入样本字的特征 .

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ANN和HMM的联机手写体汉字识别系统

为了解决联机手写体汉字笔划顺序、笔划数目及笔划形状变化问题,提出了一种新的联机手写体汉字识别方法:人工神经网络(ANN)和隐马尔可夫模型(HMM)相结合的汉字识别方法,首先通过BP神经网络进行笔划识别,再通过笔划类型和笔划间位置关系的隐马尔可夫模型进行整字识别。实验证明,该联机手写体汉字识别系统具有较高地识别准确率。

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。

一种基于参照模型的联机手写汉字识别方法

联机手写汉字的识别是模式识别的热点问题,现在所采用的多为特征匹配和结构匹配两种方法。结构匹配方法充分考虑了笔划间的连接关系,能构得到较好的识别率。结构匹配的关键在于如何有效地从输入手写汉字中提取笔划。考虑到同一个汉字的手写体会由于笔划的长短、延伸角度的不同而有所区别,但彼此仍存在极大的相似性,文章提出了一种基于参照模型的手写汉字笔划提取及匹配方法,以解决手写汉字识别问题中的难题。