脱机手写体汉字识别综述

脱机手写体汉字识别是模式识别领域最具挑战性的课题之一.本文分析了近年来脱机手写体汉字识别的最新进展,讨论了脱机手写体汉字分割、特征提取和分类器设计等关键技术的各种主流方法,介绍了3种典型的汉字识别数据库,并提出了脱机手写体汉字识别的难点问题和今后发展的趋势,为该领域的研究者指明研究方向,共同促进脱机手写体汉字识别技术的发展.

SVM在小字符集脱机手写体汉字识别中的应用研究

提出将方法引入小字符集脱机手写体汉字识别,利用较少的训练样本就可以达到比较理想的识别效果,并在小样本学习的情况SVM下同最小距离法和多重相似度法的识别率和识别时间作了比较,说明方法在小字符集脱机手写体汉字识别中的实用性。

一种脱机手写体汉字识别的容错编码方法研究

手写体汉字识别是字符识别领域中的难点。为了使机器识别汉字适应于手写体汉字的变形等因素,基于人类认识汉字的容错机理,提出了一种用于机器识字的汉字容错编码方法,以提高手写体汉字识别率。该编码方法首先对横竖撇捺笔划形态给出了模糊化表示;然后定义了仿人拆字的字元集,并给出了易混淆笔划字元的多归类容错编码;接着给出了笔划字元的顺序判断规则和归结了36类简单常用字的部首子结构,并给出冗余的容错编码;进而建立了仿人构字的汉字编码规则和具有容错性的多模板字典,并对《新华字典》中收录的10000余个单字汉字进行了标准编码,重码率为0.48%;最后对HCCORG和NKIM手写体汉字库中的100个手写体汉字进行了仿真识别,识别正确率为96%。试验结果表明,这种编码方法可生成多模板字典,不仅对手写体汉字变形具有较好的容错性,且重码率和误识率较低。

基于融合特征和LS-SVM的脱机手写体汉字识别

提出的脱机手写体汉字识别系统主要研究特征提取和分类识别两个模块.特征提取模块主要包括采用基于不变矩和弹性网格技术的串行特征融合方法,所得到的特征向量不仅充分反映了手写体汉字的全局和局部特征,而且具有很强的区分表达能力.分类识别模块将神经网络多类分类策略与最小二乘支持向量机相结合,所得到的分类器不仅识别率高、泛化能力强,而且有效地解决了多类分类问题.实验证明本文提出的识别系统能够取得很好的识别效果.

基于贝叶斯网络的脱机手写体汉字智能识别

针对汉字识别的超多类问题,将贝叶斯网络分类器引入小样本字符集脱机手写体汉字识别中.对手写大写数字汉字的小样本字符集构造识别系统,同时与传统的欧氏距离方法进行比较,实验表明该算法将识别率提高到92.4%,在小样本字符集脱机手写体识别中具有较强的实用性和良好的扩展性.

基于FSVM脱机手写体汉字分类识别研究

针对脱机手写体汉字特点,给出一种采用模糊支持向量机粗分类的方法。根据小波分解像素密度特征,利用模糊支持向量机对汉字进行粗分类。细分类识别提取外围特征,同时融合小波多网格特征,采用一对多算法进行细识别。仿真实验表明,该方法有较高识别率。

多民族脱机手写体汉字数据库的设计与构建

设计并构建了一种记录书写者民族信息的手写体汉字数据库———大连民族学院DNU-Ⅰ型多民族脱机手写体汉字数据库。包括单字库、行文本库和段文本库3个子库。为少数民族汉字书写特征分析、中文文档的行切分、汉字的切分识别、中文文本的无切分识别、笔迹鉴别和签名验证等方面的研究奠定基础,并提供算法的验证平台。同时介绍了字符识别数据库的一般构建流程和数据库图像二值化、归一化、行分割等预处理算法,为少数民族文字数据库的构建提供了技术支撑。

脱机手写体汉字识别中多模板字典的制作方法

针对手写体汉字字形变化复杂的特点,提出了一种基于特征向量分布的多模板字典制作方法,并通过赋予该多模板字典自学习功能,来提高其泛化能力。实验证明,用这种方法制作的字典与用传统方法制作的同类字典相比,能够有效地提高系统的总体识别率。

基于仿反馈机制的脱机手写体汉字认知模型

针对已有认知模型面对不同样本采用相同认知需求和固定双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)特征空间的缺陷,仿人面对不同认知需求时自适应调节特征空间反复推敲比对的认知特点,探索一种具有仿反馈调节机制的脱机手写体汉字智能认知模型。首先,提出了一种具有仿反馈调节机制的智能认知模型;第二,分析脱机手写体汉字样本的认知需求,构建不同认知需求下的优化DTCWT特征子空间与分类认知准则;第三,定义认知结果评价准则,通过分析未认知样本的认知需求,自适应调节新认知需求下优化特征子空间和分类认知准则,集成多认知需求下的优化特征子空间构建优化压缩DTCWT特征空间。对GB2312-80手写体汉字样本库进行仿真实验,实验结果表明该方法的优越性。

脱机手写体汉字字符的笔顺信息恢复

给出了一种从脱机手写体汉字字符中识别笔顺的法则———统一笔顺法则 ,将脱机识别问题转变为联机识别问题 ,利用人们熟悉的图论知识加以解决 ,大大提高了识别率和识别速度 ,也简化了识别过程 .

基于反馈知识迁移的脱机手写体汉字识别方法

针对卷积神经网络识别脱机手写体汉字时出现的梯度弥散问题,提出一种基于反馈知识迁移的识别方法。将卷积神经网络分解为主网络与若干子网络,使网络参数转移到低层数网络中。按字型结构分割脱机手写体汉字送入子网络中训练,再使用知识迁移将多个子网络的知识迁移到主网络中,结合反馈理论自适应调节子网络权重系数,实现对网络整体的知识整合。仿真实验表明:本文方法有效缓解了梯度弥散现象,具有较高的识别率。

脱机手写体汉字识别的支持向量机方法研究

提出一种采用二叉树粗分类与SVM细分类结合的分类识别方法,充分发挥SVM在二类分类问题方面相对于单一SVM方法的优势。实验结果表明提出的识别方法在解决复杂多分类脱机手写体汉字分类识别问题上有效的提高了分类精度和速度。

脱机手写体汉字识别技术研究的回顾与展望

在简要介绍系统构成的基础上 ,重点阐述了手写汉字切分、特征选择与提取、分类器设计及后处理 ,并探讨了今后的主要研究路线。

脱机手写体汉字识别后处理综合纠错算法设计和实现

充分利用了汉语词的信息及字词的频度信息,利用面向对象技术并用多级的纠错方法,实现了一个基于综合算法的汉字识别后处理系统,明显地提高了脱机手写体汉字最终识别率。

一种不确定性二叉树SVM的脱机手写体汉字识别研究

针对脱机手写体汉字特征复杂和类别多样的特点,基于SVM数学模型,采用了一种不确定性二叉树与SVM相结合的分类识别方法设计了一种多类分类器,该设计方法在保证识别准确率的情况下大大减少了支持向量机的数量,简化了二叉树模型,能快速辨识并删除多余的枝节,并具有一定的容错率,加快了辨识速度。实验结果表明,采用不确定性二叉树SVM设计的多类分类器有效地降低了拒识率和漏识率,保证了识别的准确率,提高了识别速度。

基于数学形态学的脱机手写体汉字识别方法

笔画特征是一种有效的脱机手写体汉字的识别特征,但是笔画细化往往会造成字体的变形,提出一种无需细化预处理的笔画特征提取方法,通过数学形态学中的腐蚀、膨胀等运算,采用不同的、具有自适应性的结构元素对汉字图像进行笔画分解,并利用弹性网格提取其方向特征,最后使用广义K-L变换对特征向量的维数进行压缩,去除冗余信息。实验结果验证了本方法的有效性。

基于笔划包围盒的脱机手写体汉字分割算法

汉字分割是脱机手写体汉字识别预处理的重要部分,改进了基于笔画包围盒的汉字分割算法。根据方向行程长度提取出汉字的笔画,对所得笔画建立包围盒。使用4 种基本合并操作得到汉字的粗略的分割。最后使用动态规划的方法实现汉字的精细分割。实验结果表明,该算法较好地解决了汉字分割中的笔画粘连和重叠问题。

脱机手写体汉字识别技术研究的几点思考

针对脱机手写体汉字识别的研究现状,在思考分析基础上,探讨了进一步研究的路线。

脱机手写体汉字识别中SVM参数优选问题

研究了基于支持向量机的脱机手写体汉字识别中核参数和误差惩罚因子的选择问题。将遗传算法跟支持向量机相结合,提出了一种自动优选支持向量机模型参数的方法,减少了以往应用支持向量机需反复试验以确定其参数的人工工作量。采用高斯核函数的支持向量机分类器进行实验,识别率达到97.83%,验证了该方法的有效性。

一种动态剪枝二叉树SVM的脱机手写体汉字识别方法研究

脱机手写体汉字识别是一个多类分类问题,且某些类别之间存在一定的关系,在识别其中某一类汉字时,并不需要区分所有汉字类别,为此提出了一种基于动态剪枝二叉树SVM的多分类改进算法。每次识别时都去掉没有价值的支持向量,根据字型结构特征重新构造二叉树,可以减少支持向量机数量,提高识别速度。通过对脱机手写体汉字识别仿真,比较不同多类分类算法的性能,证明该方法能够在保证识别准确率的情况下提高了汉字分类识别的速度。