图像处理与卷积神经网络相结合的脱机手写汉字识别方法

为了解决传统脱机手写汉字识别方法对相似手写汉字识别率低的问题,提出了一种图像处理与卷积神经网络相结合的两阶段脱机手写汉字识别方法:第一阶段使用传统的卷积神经网络进行识别,第二阶段使用基于图像处理的差异辨别方法进行更加精确的二次识别。试验结果表明:将基于图像处理的差异辨别方法与卷积神经网络结合起来比单纯基于卷积神经网络的识别方法能够更好地识别相似汉字,从而可以提高总体手写汉字的识别率。此外,所提出的方法还表现出更稳定的识别效果,可以有效应对训练样本中存在错误标注的情况。

脱机手写汉字识别的最优采样特征新方法

在脱机手写汉字识别中 ,笔画形变是造成识别率下降的主要原因 ,减少笔画形变的影响是提高脱机手写汉字识别率的关键 .针对上述问题 ,提出了最优采样特征 .该特征以目前被广泛应用的方向线素特征为基础 ,在一定的约束条件下 ,通过移动采样点的位置 ,可以适应笔画的形变 .从而减少特征的类内方差 ,提高特征的可分性 ,改进了识别性能 .通过在 THCHR样本集上进行实验 ,并对最优采样特征和方向线素特征的实验结果进行比较 。

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.

手写中文信封的地址行字符切分算法

在手写体中文信封处理系统中,地址行字符切分是实现地址行识别的关键步骤。本文根据邮政信封地址行字符的特点,有针对性的提出了一种字符切分算法。首先对地址行图像利用投影、求连通区域、笔划穿越数分析等基于字符结构的方法进行初始切分,得到基本字段序列;然后通过对相邻的基本字段进行组合形成多条候选切分路径,再通过识别的可信度和邮政目标地址库的先验知识信息对路径进行评价分析,从而得到最优的切分路径。该算法经过邮政分拣机采集的实际信封图像测试,纯地址行识别正确率达到78.61%,地址行识别与邮政编码识别相结合的分拣正确率达到95.42%。

线性合成的双粒度RNN集成系统

针对脱机文字识别,提出了一种基于线性合成的双粒度递归神经网络(Recurrent neural net work,RNN)集成系统.首先,使用单词RNN对未知图像进行识别;然后,依据识别结果进行字符分割,使用字符RNN对分割后的字符进行识别,并利用查表法计算字符的后验概率;最后,综合两个RNN的识别结果决定最终单词输出.在CAPTCHA识别和手写识别上的实验结果证明了该系统的有效性.

用并行遗传算法实现手写字符样本库的压缩

手写体汉字离线识别系统实际应用的关键问题之一是如何维护一个既有足够代表性又不至于过于庞大的汉字字库.本文提出了用并行遗传算法有效地从庞大的不同风格手写体汉字全集中选择出样本字,构建识别意义上最优的压缩样本字库的方法.采用ETL882字库和文献[1]中的识别算法所做的实验,证明了这一方法的有效性.

DBN融合模型对脱机手写汉字识别

针对脱机手写汉字识别问题,提出一种新的分类器级联识别模型。新模型将修正的二次判别函数(modified quadratic discriminant function,MQDF)与深度置信网络(deep belief network,DBN)相融合,利用MQDF先进行识别并得出结果,同时计算一个该识别结果的可信度,通过这个可信度对识别结果进行判别,若可信度符合要求,则MQDF的识别结果可作为最终结果直接输出,否则再与DBN结合进行二次识别,得到最终的识别结果。实验结果表明,在ETL-9B手写汉字数据集上进行的脱机手写汉字识别任务中,使用MQDF与DBN融合模型,可以取得比单独使用MQDF和DBN更好的准确率。

基于语义分析提高脱机手写体识别率的方法

论文讨论了一种通过自然语言语义层次的理解来协助提高脱机手写体识别率的方法。从识别的过程来看,这种方法是一种基于上下文关系的识别“后处理”方法。文中介绍了语义单元、语义单元表示、语义单元表示树、语义单元表示集、语义单元表示树集,并且具体讨论了通过语义单元表示树集的剪枝来提高识别正确率的方法。

基于MQDF-DBM模型的脱机手写体汉字识别

针对脱机手写体汉字识别准确率较低的问题,提出一种基于修正的二次判别函数(Modified Quadratic Discriminant Function,MQDF)与深度玻尔兹曼机(Deep Boltzmann Machine,DBM)的分类器级联模型。该模型的主要思想是MQDF和DBM在特征提取和分类机制上可以相辅相成。先用MQDF进行识别并得出结果,同时计算该结果的一个广义置信度。若置信度满足要求,则将识别结果作为最终结果输出,否则结合DBM进行二次识别,得到最终识别结果。实验结果表明,使用MQDF-DBM模型可以获得比单独使用MQDF和DBM模型更高的识别准确率,且识别速度比DBM更快。

脱机手写数字识别技术研究

针对目前常见的脱机手写数字识别技术进行分析比较,并模拟人工智能识别字符的过程,提出一种分层识别方法。对于结构差异较大的数字字符,根据数字字符图像的统计特征进行粗略识别;然后进一步利用结构特征细致区分形状相近的数字字符。通过自制样本库进行识别测试,结果表明该方法能够有效提高识别准确率。

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。

维吾尔文脱机手写识别建模研究

为了解决维吾尔文的印刷文字与手写文字的脱机识别,本文提出了新颖识别技术。规定了核心模型定义,使用五种机器读法,来识别文字的特征。使用简捷方便的编码方法,使得模型结构舒畅美观。对于常用文字的编码,没有重码。在理论上,实现了眼睛能够识别则机器即可辨认的目标。显然,这种模型设计,也可以改善其他研究者的方案,大幅度提高对应效率与成功率。

常见细化算法在手写体汉字识破别中的应用与比较

本文介绍了4种常见的细化算法,并将它们应用于脱机手写体汉字识别系统中,同时比较了它们的算法复杂度和相对应的识别率。根据实验结果,我们认为索引表细化算法较适合于脱机手写体汉字识别。

计算机汉字草体手写输入算法

为使汉字草体计算机输入识别精简化,对汉字草书手写体,实施分类与亚分类等类似处理。参照人的汉字草书书写习惯,提出模糊识别汉字草体手写输入算法。结合各种具体编码约定,可使软件编写思路清晰、减少编程工作量、提高编程工作效率。预见该算法能使最终软件短小有力。该思路可类推地移植到汉字行书、正楷与其他字体,也可移植到英文或其他少数民族文字,但显然具体处理方法不同。

面向手写汉字识别的残差深度可分离卷积算法

卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。

SqueezeNet和动态网络手术的脱机手写汉字识别

传统和基于CNN的脱机手写汉字识别模型多数是为了追求更高准确率,未重视模型体积大小,模型中存在大量冗余参数,模型训练周期长并且很难在资源有限的平台上运行.针对这些问题,本文提出改进的SqueezeNet模型,保留了用小卷积核替代大卷积核的策略,采用层间的特征融合算法和L2范数约束的Softmax分类函数;然后再对参数裁剪进一步压缩,避免裁剪掉重要参数而损失过多准确率,采用动态网络手术算法来保证将误删重要参数重新拼接.并将改进后的模型与其它模型在测试集ICDAR-2013下进行对比,本文模型参数变少、训练速度快并且可移植性强,模型大小为3.2MB,在测试集ICDAR-2013中其准确率达到96.03%,对输入图预处理后再训练所得模型准确率达到96.32%.

基于频率特征提取的脱机手写字符的快速识别

针对目前脱机手写字符识别计算量大,对字体字形都有一定的要求,提出了主要以字符矩阵中01变换频率为基础,从字符的整体和局部特征出发进行分析识别的算法。此算法缩减了计算量并对所需局部信息进行放大,在一定程度上避免了传统采用分类器方法的错误传导,提高了字符的识别率,易于实现移植和扩展。

改进MobileNetV3的脱机手写汉字识别

针对目前手写识别网络训练时间长、高资源消耗等问题,本文提出了一种脱机手写汉字识别网络模型。使用轻量级网络MobileNetV3作为主干网络,以减少网络参数量;针对汉字识别分类数庞大的特点,使用多尺度卷积核,提取更丰富的特征信息;针对形近字易产生识别错误的问题,使用注意力机制进行局部、全局特征提取并融合。实验结果表明,所提模型能在保持较少参数量的情况下,使其识别准确率有所提升。

用于手写汉字识别的级联MQDF分类器

针对非限制脱机手写体汉字识别率不高的问题,该文提出了一种级联MQDF(改进的二次分类函数)分类器,以提高识别正确率。它是一种基于串行结构的分类器集成算法,并在度量层次对各级分类器结果进行融合。广义置信度被用作评价识别结果好坏的度量。该算法分级构建多个Gauss模型,实现对样本分布精细的描述,达到提高识别率的目的。该文利用最大似然框架论述了该集成算法的工作原理。用该算法在HCL2000及THOCR-HCD手写体汉字数据库上进行试验,识别错误率分别下降了10.75%、9.82%和25.31%,证明了算法的有效性。

基于LSTM型RNN的CAPTCHA识别方法

全自动区分计算机和人的图灵测试(CAPTCHA)是一种基于人工智能难题的网络安全机制.研究CAPTCHA的识别能够使其变得更加安全,并能促进一些人工智能难题的求解.文中首先对现有的CAPTCHA识别方法进行总结和分析,然后提出一种基于长短时记忆(LSTM)型递归神经网络(RNN)进行识别的方法,并对CAPTCHA识别中的特征提取问题进行研究.最后,为进一步提高RNN的识别率,提出一种解码算法.实验结果表明,文中方法是有效的,灰度值对于RNN是一种较好的特征,提出的解码算法能够取得较高的识别率,又有较低的时间复杂度.