基于识别结果反馈信息的闭环联机字符识别系统

文章提出了一种基于识别结果反馈信息的闭环联机字符识别系统。通常的识别系统只是执行了从输入数据空间到识别结果空间的单向映射,可以看作为一种开环识别系统;而文中提出了一种闭环识别系统:它在完成初次的识别之后,还将识别结果信息反馈给系统中的规则库;规则库依据此反馈信息触发相应规则驱动识别器对输入字符进行再次识别,从而得到最终的识别结果。实验结果表明,在抽取的特征和识别方法相同的条件下,闭环识别系统的识别率将高于开环识别系统的识别率。     

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.     

联机手写汉字识别的原理,方法与实践

目前,联机手写汉字识别系统在笔输入计算机方面已得到较成功的应用,相对传统的汉字编码输入法,笔输入法简单直观、勿须学习,因而迅速为人们所接受,联机手写汉字识别技术也随之成为人们关注的焦点。 一、汉字识别概述 和联机识别的特点 汉字识别是模式识别的一个分支,其任务是研究如何使计算机“识字”。汉字识别系统通常采用光电转换装置(数字化仪、光笔、鼠标器等)把汉字或字符     

清华大学电子工程系推出THOCR—97综合集成汉字识别系统

清华大学电子工程系,经过两年多的时间,研制成功了综合集成汉字识别系统,并于1997年3月22日通过国家教委的鉴定。 THOCR—97综合集成汉字识别系统(即多文种OCR以及联机和脱机手写汉字、数字识别的综合集成)是在过去十余年印刷汉字识别研究的基础上,除了在多文种、版面恢复、鲁棒性提高等印刷文本识别系统性能上有重大性突破外,还将联机手写汉字识别、脱机手写汉字文本识别、手写数字识别和手写数字统计报表     

北京中自汉王科技公司简介

公司成立于1993年2月，北京中自汉王科技公司及原北京中自智能系统公司，其前身是中国科学院自动化所文字识别实验室。从1984年起就从事联机手写体汉字识别研究，并于1986年成功地开发了一个实用的联机手写体汉字识别系统，1988年获得国家发明专利。并获得1992年度中国科学院自然科学一等奖。1995年5月又完成了日文、韩文手写作识别软件。并获得一系列奖。1．1988年：“联机手写汉字输入设备”获北京市优秀软件一等奖。2．1990年：“联机手写汉字输入系统”获全军科技成果二等奖。3．1991年：“脱机手写汉字识别系统”获863全国汉字识别评比…     

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。     

联机手写藏文识别中字丁规范化处理

通过对几种规范化处理算法的深入研究,根据联机手写藏文字丁的特点进行规范化处理,揭示出不同算法的内在本质规律;同时对联机手写藏文识别中的各种噪声进行分析,使用相应的方法消除噪声。使联机手写藏文识别系统的识别率得到一定的提高。     

发力CG产业,绘画板暗示战略变奏

战略变奏之一:从"识字"到"作画" 在大众的印象中,汉王的名字始终与"手写汉字识别"密切相连.1985年,时任中科院研究员的刘迎建开发出国内第一个联机手写汉字识别系统.     

汉字识别技术的最新进展——清华文通THOCR-97综合集成汉字识别系统研制成功

清华大学电子工程系在八六三计划和国家自然科学基金委员的长期支持下,在过去印刷汉识别研究成果的基础上,研制成功了清华文通THOCR-97综合集成汉字识别系统,今年三月二十二日由国家教委主持,由陈力为院士、戴汝为院士、杨芙清院士和王越院士等知名专家组成的鉴定委员会通过了国家鉴定。鉴定委员会一致认为:“THOCR-97综合集成汉字识别系统是国内外首次推出的能同时识别多文种(汉、日、英)印刷文本。联机手写汉字、脱机手写汉字文本和手写数字的集成文字识别系统,为汉字自然和快速地输入计算机给出了一个解决的方案,是一个有意义的创举。上述多文种OCR以及联机和脱机手写汉字、数字识别的集成系统,作为一个整个居于国际领先水平。综合集成汉字识别系统的研制成功是汉字识别研究发展的新阶段     

联机手写中文速记符的自动识别

手写中文速记符的自动识别是文字类识别中的一个比较特殊的课题.实现了一个联机手写中 文速记符识别系统HCSRS(handwritten Chinese shorthand recognition system),并给出了 对速记符中的基本音符、独立略符、连笔符的识别实验结果.该识别系统采用了以声符、韵 符为基元的结构识别策略.为了实现基元的有效切分,提出了一种基于切分-分析-交互结构 及其相应知识库的自调整切分算法STSA(self-tuning segmentation algorithm),从而大大 改     

基于连续语音识别算法和词树约束的汉语词组语音识别

具有确定词表的词组语音识别是语音识别研究的一个重要方面,应用相当广泛。本文在简单介绍词组语音识别之后给出了一个基于连续语音识别算法和词树约束的汉语词组语音识别方法。这种方法通过在束搜索连续语音识别算法中引入词树约束信息,发挥了连续语音识别算法的优点,并且充分利用了确定词表的约束信息,提高了计算和搜索的效率。然后介绍了约束词树和它的高效存储结构,这种结构提高了约束词树的存储效率和在识别搜索中的检索效率;最后给出实验的结果和讨论并进行简要的总结。     

Segment-based emotion recognition from continuous Mandarin Chinese speech

Recognition of emotion in speech has recently matured to one of the key disciplines in speech analysis serving next generation human-machine interaction and communication. However, compared to automatic speech recognition, that emotion recognition from an isolated word or a phrase is inappropriate for conversation. Because a complete emotional expression may stride across several sentences, and may fetch-up on any word in dialogue. In this paper, we present a segment-based emotion recognition approach to continuous Mandarin Chinese speech. In this proposed approach, the unit for recognition is not a phrase or a sentence but an emotional expression in dialogue. To that end, the following procedures are presented: First, we evaluate the performance of several classifiers in short sentence speech emotion recognition architectures. The results of the experiments show that the WD-KNN classifier achieves the best accuracy for the 5-class emotion recognition what among the five classification techniques. We then implemented a continuous Mandarin Chinese speech emotion recognition system with an emotion radar chart which is based on WD-KNN; this system can represent the intensity of each emotion component in speech. This proposed approach shows how emotions can be recognized by speech signals, and in turn how emotional states can be visualized.     

Classification of characters by man and by machine

In this paper the performance of a nearly optimal system for character recognition is compared to human performance on the same data set. The recognition system uses a linear feature extraction method which is superior to discrete Karhunen-Loeve expansion. The experiments consider binary and multiple classification of handprinted characters, binary classification of similar characters of one font corrupted by additive white normal noise, and multiple classification of truncated handprinted characters. It turns out that the human visual system is superior in recognizing handprinted characters and inferior in the case of single font characters with additive noise.     

混合模式识别系统研究

讨论基于多种分类方法的模块组合实现的混合模式识别系统，它不同于利用多分类器输出结果表决的集成系统。提出两个系统：一个面向刷体汉字文本识别，另一个面策自由手写体字识别。     

基于BP神经网络的印刷字符识别系统

光字符识别对人类是很简单的,但对计算机来说显得非常困难。自动字符识别在银行、航运、商业、通信、车牌识别等重要领域应用相当广泛。该文的主要任务是开发一个能识别机器印刷英文字符的系统,该系统采用基于反向传播的多层神经网络监督训练算法。通过系统进行多次测试和调试,不断优化网络参数并取得最佳结果,使得构建的新系统能够识别多种字体的字符。实验结果表明,该系统具有较高的识别率和优越的性能。     

分时电表表盘数字读数的自动识别系统

研究了分时电表表盘数字的自动识别，它是电表误差分析系统的关键所在。识别工作包括平段和谷段整数和小数数字的识别，难点在于刻度轴歪斜、半个字符的识别，以及刻度对应的小数值的推算。该文构建了一个完整的分时电表表盘数字自动识别系统。该系统以二值化、投影算法、开闭运算、边缘提取、Hough变换等一系列算法作为预处理，提出了整字和非整字两种识别算法。针对300帧现场采集的电表图像，该系统获得了单字正确识别率998％和整表正确识别率97．3％的结果，表明该系统具有较强的鲁棒性。     

英汉翻译中短语的识别与分析

本文在讨论了英文事的形态结构特征的基础上,提出了一种以短语模式空间匹配为基础的短语识别算法。该算法通过对短语的原型描述与输入文本中的全部可能路径进行递增模式匹配来识别具有外部形态约束和框架结构的复杂短语构。本文最后讨论了短语模板和基于复杂特征的短语描述方式。     

一种改进Viterbi算法的应用研究

为降低现代汉语句法分析的难度,以北大和哈工大语料为基础,利用改进的Viterbi算法对汉语真实文本进行了短语识别研究.提出了在隐马尔可夫模型(HMM)框架下,训练阶段依据统计概率信息,以极大似然法获取HMM参数,识别阶段用一种改进的Viterbi算法进行动态规划,识别同层短语;在此基础上,运用逐层扫描算法和改进Viterbi算法相结合的方法来识别汉语嵌套短语.实验结果表明,识别正确率在封闭测试中可达93.52%,在开放测试中达到77.529%,证明该算法对短语识别问题具有良好的适应性和实用性.     

基于BP神经网络的印刷字符识别系统

光字符识别对人类是很简单的,但对计算机来说显得非常困难。自动字符识别在银行、航运、商业、通信、车牌识别等重要领域应用相当广泛。该文的主要任务是开发一个能识别机器印刷英文字符的系统,该系统采用基于反向传播的多层神经网络监督训练算法。通过系统进行多次测试和调试,不断优化网络参数并取得最佳结果,使得构建的新系统能够识别多种字体的字符。实验结果表明,该系统具有较高的识别率和优越的性能。     

一种基于VQ的有限非特定人汉语短语识别方法

研究了基于VQ的有限非特定人汉语语音命令的识别方法,识别对象是有限的特定人群(如5到6人)、有限汉语短语。该文采用MFCC作为识别特征,利用改进的LBG算法训VQ码本,为了提高识别率和拒识率,提出了采用倒谱距离法的有效语音端点检测方法以及实用的拒识方法。实验结果证明,系统在具有背景噪声的一般办公环境下由有限人训练后,当训练的说话人与识别系统的距离在0.5m的范围内时,测试识别率达到99％以上,未训练说话人的拒识率达82％。