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.

隐马尔可夫模型在脱机手写体汉字识别中的应用

介绍了一种新的脱机手写汉字识别方法———隐马尔可夫模型 (HMM )法 ,该方法对每个汉字建立 8个HMM ,通过等比重综合方法将 8个分类器的计算结果进行综合 ,从而得到识别结果 ,实践证明该方法是可行的。

基于笔划提取和合并的离线手写体汉字字符切分算法

手写体汉字字符切分是离线汉字字符识别预处理中的一个重要问题。针对离线手写体汉字 ,提出一种基于笔划提取和合并的手写体汉字字符切分算法。该算法首先基于方向游程提取汉字的笔划 ,并建立笔划框 ;再根据汉字笔划的结构知识对笔划框进行合并 ,得到字符的切分结果。该算法能较好地解决粘连汉字字符的切分问题 ,对从现场随机采集的 2 5 0 0封手写体信函地址汉字进行切分 ,单字正确率可达 91.5 %。

一种手写汉字特征抽取的新方法

针对非特定人脱机手写汉字识别，本文提出了一种新的特征抽取方法。首先，将输入汉字模式进行非线性规一化；然后，根据汉字的横竖撇捺四种基本笔画将规一化后的模式分割成四个子模式；最后，将所得到的四个子模式分别均匀地划分成M×M个小网格，在每一小网格内统计笔画穿透数目，从而得到一个4M2维的特征向量。通过对国标一级3755个汉字的测试表明，正确识别率达90％以上，从而证实了本文方法的有效性。

基于进化神经网络的手写体汉字识别

本文提出了基于进化神经网络进行手写体汉字识别的新算法 ,讨论了BP网络的构造及用遗传算法优化神经网络的权值等问题 。

一种基于集成BP网络的手写汉字识别方法

针对脱机手写体汉字识别,文章给出了一种基于多层BP网络的并行集成方法,该方法是纯神经网络的多分类器并行集成方案。汉字经预处理后,采用弹性网格变换和Zernike矩分别对汉字进行局部和全局特征提取,利用两个BP网络分类器对这两种特征进行训练和初分类,再利用集成网络对前两个子网络的识别结果进行识别。同时对BP网络的应用做了有益的探索,也为BP网络在大类别分类问题中的应用提供了一条可行的途径。实验结果验证了此方法的有效性。

基于细化的手写汉字的笔段提取方法

采用一种改进的一次通过的并行细化算法对一般细化算法的不足进行了改进，细化后的文字骨架较好地反映了汉字的结构，适合于手写汉字的笔段提取，在细化的基础上，又提出了一种笔段提取的方法，该方法以细化骨架上的特征点为依据，通过对细化骨架的象素点跟踪获得初步的结果，再进行笔段合并处理．

基于SVM的脱机手写汉字机器学习识别方法研究

提出了一种模糊统计方法的脱机手写体汉字特征提取方法,结合小波网格方法和汉字笔画密度特征方法对汉字进行特征提取,并运用支持向量机方法,通过机器学习对脱机手写汉字识别。仿真实验表明,支持向量机方法在脱机手写汉字识别中有良好的识别性能及模糊统计方法是有效的。

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。

基于自产生投票的手写汉字识别

在模式识别领域,投票策略是非常有效的,而且已被成功应用到人脸检测、识别等领域.然而,在手写汉字识别(Handwritten Chinese character recognition,HCCR)中,由于类别集很大、训练样本少等特点,现有的很多分类器集成方法方法都很难直接应用于此领域.本文提出一种自产生式投票的方法,该方法通过事先学习得到的参数集产生一个测试集合,然后用一个分类器去识别测试集合中的每个样本,得到属于各个类别的概率,最后通过加权投票得到识别结果.实验结果表明,本文提出的方法是实用和有效的.

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.

基于细识别的脱机手写体汉字识别的集成

目前脱机手写体汉字识别技术的细识别采用的方法有很多，如重心模糊网格法、势场特征提取法等，但每一种方法都有不足之处，不能达到很好的效果，该文提出一种不细化抽取笔划无法及综合３种识别方法的集成方案，使识别率有了很大的提高。

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。

选票选举系统中选票图像的预处理方法研究

基于图像识别技术的选举计票系统是由图像获取系统、机械传动系统、计算机、网络等构成的光、机、电、信息一体化装置,采用与普通光学标记阅读机完全不同的技术,使用光学字符识别的方法、算法完成选票上标记的识别。此系统中图像识别是识别出与会代表填写的表示同意、反对或弃权的“√、×、○、●、\、/”等各种手写符号,它属于脱机手写体汉字识别。重点讨论了图像灰度化、二值化、倾斜校正、平滑以及细化等选票信息识别中非常重要的图像处理技术。针对选票图像的特性,以提高识别率为目的,提出了恰当的预处理方法。

手写体汉字识别的二叉树SVM算法研究

脱机手写体汉字识别具有重要的理论意义和实践价值,目前在小字符集方面取得了比较好的效果。对大字符集来说,仍在进行研究。为了解决大字符集的手写体汉字识别问题,一般采用多层分类的方法。根据汉字的繁简和字型结构,构造了五级的二叉树SVM模型进行汉字集的粗分类,给出了模型的构造方法。在每级分类识别当中,采用不同的汉字特征和核函数,利用"one-against-rest"算法进行细分类识别。仿真实验表明,该方法能对手写体汉字分级分类识别,具有较高的识别率。

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 .

Krawtchouk矩在脱机手写汉字识别中的应用

提出一种基于Krawtchouk矩的脱机手写汉字识别方法。与Zernike矩和Legendre矩等连续正交矩特征相比,Krawtchouk矩是数字域的离散正交矩,不存在数字化过程中所带来的近似误差问题,在计算过程中不需要进行坐标转换,而且构造简单,更加适合用来描述数字图像。在此将Krawtchouk矩用于手写大写金额的识别,并在隐马尔可夫模型(HMMs)框架下对其性能进行了测试。实验结果表明,Krawtchouk矩比传统的连续矩更适合用来描述数字图像,识别效果比连续矩有较显著提高。此外,还对不同参数下的Krawtchouk矩性能进行考察。

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。

SVM在小字符集手写体汉字识别中的应用研究

本文将支持向量机(SVM)引入到小字符集脱机手写体汉字识别中。文章首先介绍了SVM的基本原理和主要算法,然后在实验中采用了LibSVM训练软件,针对银行票据手写汉字的小字符集进行了仿真,同时与欧氏距离分类方法进行了比较。实验结果表明此方法的汉字识别率较高,在小字符集手写体识别中具有较强的实用性。

基于过程神经网络的汉字特征提取方法的研究

文章研究了一种基于过程神经网络的脱机手写体汉字特征提取方法。采用描述汉字整体构架性和可拆分性的笔划类型、笔划位置、笔划顺序以及拓扑结构特征的融合,给出了一种脱机手写体汉字特征表征方法以及冗余容错表征形状。采用过程神经网络模型的横向时间累积和纵向空间加权求和方法,模拟手写体汉字从左到右和从上到下的书写过程,给出了提取脱机手写体汉字特征的算法与步骤。采用粒子群优化学习算法保证过程神经网络的全局学习能力和收敛能力,建立了手写体汉字特征知识数据结构表,对SCUT-IRAC中的手写体汉字特征提取进等了仿真实验,结果表明该方法具有良好的"认知"手写体汉字特征的能力。