用抽取笔划法识别限制性手写汉字的探讨

本文提出了用抽取与合成笔划识别限制性手写汉字的方法。对约150个手写汉字进行了模拟识别试验,证明该方法从原理上对手写规整汉字笔划的检出有良好结果。经过进一步改进,完成识别的后级处理等部分,有希望构成一个限制性常用手写汉字和多种印刷体汉字的原理性识别系统。     

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。     

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。     

基于基元模糊关系的手写汉字识别

手写汉字中笔划，部件及其位置关系均产生较大变化，这种变化是引起手写汉字特征不稳定的主要因素。为了减小上述不利影响，使手写汉字特征的描述趋于稳定，本文给出了一种基于汉字基元之间的模糊关系识别手写汉字的方法。     

限制性手写汉字识别中笔划的抽取、分析和合成

在用句法结构识别限制性手写汉字系统中,利用笔划作为基元,由机器自动地抽取笔划是困难的。 本文提出了一种从汉字骨架中抽取笔划的新方法:用启发式搜索和超前搜索抽取笔划成分,再分析与合成得到笔划,在抽取笔划成分时,考虑到细化引起的畸变。文中给出了搜索笔划成分的框图,对922个手写汉字进行了模拟实验,抽取笔划的正确率达到94％。     

一个手写印刷体汉字识别实验系统

本文在充分考察了手写汉字和中国大汉字集特点的基础上, 提出了一组用于手写印刷体汉字识利的分类特征, 它们是长笔划分布类型、各类笔划的数目、交叉点数目和折点数目。利用这组特征进行匹配就可直接识别出GB2312-80汉字集中的绝大部分汉字, 再通过一个基于知识的推理过程即可进一步识别出已被分成类组的少数剩余汉字, 这种将统计分类与基于知识的推理识别相结合的两级识别方法具有较高的效率。一个适应性较强的汉字笔划和特征点抽取方法也被设计, 它是SLSA方法的改进, 与机器学习功能相配合, 大大提高了特征抽取的正确率。我们根据上述思想建立了一个手写印刷体汉字识别实验系统, 并获得了较好的实验结果。     

识别在线手写汉字的模糊属性自动机

本文提出一种识别在线手写汉字笔划的模糊属性自动机,为汉字识别打下了基础.汉字 的笔划由笔段构成,利用笔段的长度信息,借助模糊信息处理方法,以不变嵌入原理为着眼点, 提出一种模糊属性文法及其相应的模糊属性自动机.这种文法在句法形式上是有限状态文法, 但语义规则中包含上下文的信息,其能力大大超过有限状态文法,相应的自动机能有效地识别 笔划.经对大量在线手写汉字的识别,表明了模糊属性自动机的实用性.     

一种模糊相关的手写体汉字特征提取方法

本文给出了手写体汉字网格模糊笔划密度特征的提取方法,将模糊数学与统计方法相融合,结合汉字的结构特征与统计特征,准确地提取了汉字的模糊笔划密度特征,且该特征较为稳定。使用该特征进行手写汉字识别的分类实验,结果令人满意。     

一种适用于嵌入式环境下的手写汉字分割算法

汉字分割是连续手写汉字识别的关键问题之一,现有多数汉字分割算法需要对笔划结构进行分析,由于汉字具有复杂的结构和不同的书写风格,因此往往计算量偏大.针对嵌入式系统处理能力和内存资源相对较少的特点,介绍了一种基于笔划连通域和字符投影的手写汉字分割算法,以连通域为单元实现连续汉字的分割,不用考虑连通域中所包含笔划的结构和风格,降低了计算量.     

手写印刷体汉字相关属性关系图启发式匹配法

在手写印刷体汉字识别的研究中,汉字的总体结构特征渐渐体现出了它的重要性,人在识字时,也只是掌握了汉字结构的一种抽象描述,只要汉字的结构偏差在一定范围内,人就可以进行非精确匹配,将该字识别出来,我们详细分析了手写印刷体汉字的结构特征,认为手写印刷体汉字最稳定的结构特征是汉字笔划段之间的相对位置关系。因此如     

识别手写汉字的基元模糊关系法

手写汉字中笔划、部件及其位置关系均产生较大变化,这种变化是引起手写汉字特征不稳定的主要因素。为了减小上述不利影响,使手写汉字特征的描述趋于稳定,文章给出了一种基于汉字基元之间的模糊关系识别手写汉字的方法,用汉字基元之间的模糊关系来描述汉字的结构,其优点:一是对汉字基元之间相对位置的变化有较强的适应性,二是不需要对一个汉字中的各个基元在二维平面内进行复杂地排序,汉字的结构可以简化为一个基元模糊关系的集合。     

自动识别手写印刷体汉字系统中的部件分离问题

在用抽取笔划有序列法自动识别手写印刷体汉字的系统中,分离出汉字“部件”是很必要的,这里所说的“部件”是指汉字中一些能分离的笔划组合,主要是汉字的偏旁部首(或字根),由计算机自动识别汉字的需要而定。 在以笔划为基元,用句法结构法识别汉字的系统中分离部件是为了恢复部件的有序性,本文提出了一种适合于分离手写印刷体汉字部件的方法,给出这种分离部件方法的框图和在PDP-11/23计算机上进行模拟试验所得到的结果。     

MST在手写汉字切分中的应用

手写汉字切分是根据输入笔迹的空间位置关系进行汉字部件的合并切分,形成完整的汉字笔划以便进行识别处理.综合利用了汉字部件的结构位置关系和笔划的空间位置关系,根据笔划的最小生成树(minimal spanningtree,简称MST)对联机连续手写输入汉字进行切分,取得了较好的切分结果.切分的准确率超过91.6%.     

构造化线段特征矩阵的手写汉字识别

本文介绍了一种利用线段特征矩阵进行匹配的手写汉字识别方法。对输入文字图像测定其笔划宽度，抽取四个方向子图像。然后，利用文字图像重心分割图像成若干区域，按分割的区域，求各子图像区域的线段特征矩阵，与样本字库比较识别，进行手写汉字识别分类。实验表明本方法是有效的。     

手写汉字识别的非线性动态部件模板

对以前提出的非线性动态手写模板加以改进并用于手写汉字的部件识别.在训练阶 段,核-主元分析用来捕捉非线性的手写变化.于是,只需改变少量的形状参数就可获得动态变 形的模板.在识别阶段,遗传算法取代了原始的动态通道算法去寻找最优的形状参数.我们对覆 盖2154个汉字类别的200个部件进行了实验,对不用人书写的430,800个测试样本的部件识 别率达97.4%.与现有的代表性部件方法比较也显示本文的方法效果最好.     

用非精确结构匹配法识别手写印刷体汉字

本文为手写印刷体汉字识别提供了一种新的解决方法。在研究过程中, 从汉字图象的输入到识别结果的获取, 建立了一整套基本完整的识别实验系统。系统选择四边形状特征作为粗分类的基本特征, 提出汉字最稳定的结构是笔划段之间相对位置关系的思想。在粗分类时引入集合运算, 提高了粗分类的正确率和分类能力, 在细分时用快速合并笔划段的方法获取汉字笔划段作为细分特征。最后对于关系结构图的匹配提出了一种新的匹配方法一相关属性关系图启发式匹配,这种方法利用了汉字样本知识, 建立具有相关属性的关系图, 在其指导下, 完成非精确的结构匹配, 该系统在386微机上用汇编语言实现, 对1千个手写常用汉字识别率达百90%以上, 速度是每字2秒。     

有引导的汉字图像整形变换

在脱机手写汉字识别系统中,采用汉字图像的整形变换,可以提高手写汉字的识别率,特别是对于从网络中提取识别特征的识别方法,其识别率的提高是显著的,本文在研究现有汉字图像整形变换的基础上,提出了对汉字外缘流畅笔划的修整算法,提出了有引导的整形变换的基础上,提出了对汉字外缘流畅笔划的修整算法,提出了有引导的整形变换算法;即在整形变换之前,先对汉字图像的畸变形态及畸变程度进行预测及预处理,以便引导整形变换的     

基于实时样本采集的个性化手写汉字输入系统设计

手写汉字识别是手写汉字输入的基础。目前智能设备中的手写汉字输入法无法根据用户的汉字书写习惯,动态调整识别模型以提升手写汉字的正确识别率。通过对最新深度学习算法及训练模型的研究,提出了一种基于用户手写汉字样本实时采集的个性化手写汉字输入系统的设计方法。该方法将采集用户的手写汉字作为增量样本,通过对服务器端训练生成的手写汉字识别模型的再次训练,使识别模型能够更好地适应该用户的书写习惯,提升手写汉字输入系统的识别率。最后,在该理论方法的基础上,结合新设计的深度残差网络,进行了手写汉字识别的对比实验。实验结果显示,通过引入实时采集样本的再次训练,手写汉字识别模型的识别率有较大幅度的提升,能够更有效的满足用户在智能设备端对手写汉字输入系统的使用需求。     

汉字联机手写识别系统的设计与实现

针对嵌入式手写识别系统存在识别率低、识别速率慢的缺点.研究了一种汉字联机手写识别的改进算法.首先从理论上介绍并分析了弹性网格识别算法和笔顺识别算法,接着将两种识别算法的优点进行有机组合,采用最小二乘法对输入的笔划进行线性拟合.算法在嵌入式linux下进行仿真设计并得到了实现,通过对仿真结果的分析,证明了结合后的改进算法达到了提高手写识别率和识别速率.所采用的方法对汉字手写体识别的研究有一定的借鉴和指导作用.     

基于模型的笔划抽取和匹配的手写体汉字识别方法

本文提出了一种基于模型结构匹配的手写汉字识别方法（HCCR）。这种方法可以得到可靠的笔划对应信息及结构解释。在这个模型中，每个类别的标准字符用属性形状描述，输入字符用特征点及线段描述，字符笔划与输入笔划间的关系直到被一个标准字符匹配后才能确定，这个结构的匹配分两个阶段：修选字符的提取和一致性匹配，所有匹配的修选字符先通过跟踪提取然后通过启发式搜索进行一致性匹配，同时一些结构的后处理操作应用于改善笔划对比的识别中，识别实验是在一个称为“KAIST”的字符数据库中进行的，并给出了结果。