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,势场特征撮法等,但第一一种方法都有不足之处,不能达到很的效果,该文提出了一种不细化担取笔划元法及综合３种识别方法的集成方案,使识别率有了很大的提高。     

变形变换及其在手写体汉字整形中的应用

提出了一种新的一维变形变换方法并将之应用于手写体汉字的整形变换。尽管不同书写风格的同不类手写体汉字存在较大的随意性，但它们的拓扑结构是一致的，因此可将手写体汉字看成是一种可变形物体。通过选择适当的变形参数，该变形变换可以将一个汉字变形为24种不同的收写风格，利用一个变形系数可控制各种风格的变形程序。该变形变换可以矫正手写体中偏左、偏右、偏上、偏下、偏胖、偏瘦等各种位置变形，从而达到对手写体样本进行非线性规范化处理的效果。实验结果表明，手写体汉字经变形变换后，识别率可提高大约1．5％左右，显示了本文所得算法的有效性。     

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中的难题之一。该文分析影响脱机手写体汉字识别性能的主要方面,如规范化方法、特征提取方法及分类方法,给出了每种方法的适用条件,介绍了目前研究中所使用的数据库。     

BP算法在手写体汉字识别中的应用

介绍了人工神经网络的概念和原理，重点介绍和推导了BP算法。分析了手写体汉字识别存在的问题及应用的技术，并对利用BP算法进行手写体汉字识别进行了详细讨论，分析了在用BP算法进行手写体汉字识别时的具体步骤，最后介绍了对BP算法提出的改进方法。     

SVM在小字符集脱机手写体汉字识别中的应用研究

提出将SVM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，并在小校本学习的情况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SVM方法在小字符集脱机手写体汉字识别中实用性。     

大字符集脱机手写体汉字识别粗分类问题

以HCL2000手写汉字库为基础,构建了一个实验系统,对一级汉字库3 755个汉字,使用不同的汉字特征和不同的分类距离,进行了一系列比较实验,探讨了大字符集脱机手写体汉字识别的粗分类问题,得到了一些有用的结论.     

基于形态学变换的有限集手写体汉字识别

以21个金融汉字为研究对象,提出了一种基于数学形态学和弹性网格技术的特征融合方法.在汉字图像上构造弹性网格,利用形态学变换将汉字分解为4个方向笔画分量,分别提取方向特征和笔画穿透数目特征,然后将这两组特征向量的维数和度量统一后组合成复向量的形式,并采用K-L变换降维,去除冗余信息.该方法无需细化,受笔画不规则变形影响较小.实验证明,是一种有效的特征提取方法.     

基于神经网络的手写体汉字识别实验系统

本文针对BP网络的特点, 讨论了手写体汉字特征的抽取, 给出了BP网络的算法, 对于特定人手写体汉字大写“壹”~“ 拾”取得95%以上的识别率。     

希尔伯特-黄变换手写体汉字识别方法

针对脱机手写体汉字的非平稳特性,提出了一种基于希尔伯特-黄变换的手写体汉字识别方法.该方法根据汉字图像的特点将一维HHT扩展为二维HHT,用以获得汉字的瞬时频率特征,并将局部的瞬时频率特征和全局的Zernike矩特征组合作为最终的识别特征.实验结果表明,该方法是有效的.     

ART2神经网络在手写体汉字识别中的应用

该文提出了一种基于神经网络的手写体汉字识别方法,该算法充分利用神经网络的自适应学习能力。ART2网络通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无教师无监督的自学习。其学习过程是自组织的实时学习,能够迅速识别已学习过的样本,并能迅速适应未学习过的新对象。考虑到Gabor滤波器具有优良的方向性,该算法采用Gabor特征作为字符特征。Gabor特征反映字符的空间分布特征,而且可以组合成高维矢量,特别适用于汉字识别这大型模式识别场合。实验结果显示,该算法对测试样本识别正确率达到94％,比其他方法更准确、更可靠。     

一种识别手写汉字的多分类器集成方法

根据多信源信息处理与字符识别的经验知识,提出了一个识别手写汉字的多分类器线性集成模型.这个模型不仅考虑到不同的分类器对不同字符识别能力的不同,而且还考虑了不同的分类器得出的输入字符与参考模板之间相似度的实际大小对判决的影响,及不同分类器提供的候选字符对判决的支持作用,更重要的是提供了一种通过监督学习,利用计算机程序自动计算模型参数的方法,因而实现了一个较好的集成系统.同时,本文还提供了三个用于集成的分类器,它们集成的结果充分显示了本方法的有效性.     

脱机手写体汉字识别研究综述

脱机手写体汉字识别是汉字识别领域中最难的课题。该文对目前脱机手写体汉字识别在预处理、特征提取、分类识别及后处理四个阶段主要采用的方法做了简要介绍,阐述了各种方法的优缺点,并提出了一种将支持向量机有效地用于解决多分类问题的策略。最后根据目前的研究状况,指出今后研究中需要注意的问题和研究的发展方向。     

一种手写体汉字特征提取新方法—小波变换及弹性网络技术的应用

利用小波分析方法将汉字图象分解为横、撇、竖、捺４个方向的分量，然后结合弹性网络技术，提出了进行了手写体汉字特征提取的一种新方法，实验结果显示此方法是行之有效的。     

有限集手写汉字识别中的笔画分区矩描述特征

提出了一种笔画分区矩特征的提取方法。根据汉字笔画分布特点，利用小波变换将汉字分解为4个方向笔画分量，用分区矩分别描述4个笔画于图像，并采用K—L变换对特征进行降维处理。采用该特征对有限集手写体汉字进行识别，初步实验结果表明该方法十分有效。     

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。     

一种手写体汉字识别的神经网络多分类器集成方案

提出了一种基于单字单网的手写体汉字识别纯神经网络的多分类器集成方案,并通过实验证明用该方案实现的神经网络集成系统性能均比任一个神经网络单分类器都好,对1 000种不同的手写体汉字的1 000×10个字进行测试,集成后的识别率最高达到95.22%,比单分类器的识别率高出5.0%-8.7%。     

基于语义的手写汉字识别模型

目前,已经有很多文献阐述了不同的手写汉字识别算法,但是绝大多数算法都是针对单个汉字进行识别的,所以对于比较容易混淆的字,它们的识别效果都不好。该文针对这个问题,在单个汉字识别的基础上,结合汉语字典,加入了对前后汉字的语义考虑,大大地提高了这些容易混淆的汉字的识别率。     

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.