一种活动模板子结构引导的联机手写汉字识别方法

结构匹配是一种有效的联机手写汉写识别方法,为了减少匹配运算,人们一直在寻求利用部分匹配的结果来引导整体匹配的方法.在特征匹配与结构匹配综合的基础上,从3.755个一级国标汉字中提取出45个子结构,利用它们来引导结构匹配.由于这些子结构总出现在字首或字尾,因而对它们的检测比较容易.同时,通过建立子结构活动模板及设计子结构动态抽取算法,使得子结构匹配的准确度得到很大提高.实验结构表明,该方法使结构匹配的运算量减少约50％,并对类似的物体识别问题有一定的启发意义.     

基于假设检验的手写印刷体汉字识别方法

为将统计决策方法和句法方法有机结合起来, 本文提出了以部件为基元的基于假设检验的手写印, 体汉字识别方法由统计方法得到候补字集, 利用部件特征的先验知识抽取待识字可能包含的部件并对假设进行验证, 从而不断缩小候补字集, 并逐步完善汉字的结构描述。初步实验表明其分类效果明显。     

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。     

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。     

手写印刷体汉字识别方法2-D EAG

本文介绍手写印刷体汉字识别方法2-D EAG。主要的工作为:提出了二维扩展属性文法模式识别方法,可实现自底向上归约和自顶向下推导双向信息传递和控制;提出了一种直接利用二维信息进行识别的方式,可避免特征线性化造成的信息丢失;提出了多义文法、共生文法和结构推断三种在文法之间建立联系,利用结构类比区分极相似字的 识别算法;提出了多冗余归约机制,双边缘弹性跟踪笔段抽取算法,多冗余有引导部件抽取算法。用2-D EAG方法对100字种实际手写汉字进行了识别实验,在识别大畸变汉字(包括部分连笔字)方面得到了很好的结果。     

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。     

基于多通道PCA模型的手写汉字识别方法

为了提高手写汉字的识别率和降低训练时间，提出了一种基于多通道PCA(Principal component analysis)模型的手写汉字识别方法．该方法首先根据汉字的结构特点，将手写汉字分解为“一”、“I”、“J”、“＼”4种方向子模式，然后分别对每个子模式进行主分量分析，最后通过建立起每类汉字的多通道PCA模型来进行手写汉字的识别．该方法既兼顾了主分量对手写汉字的描述能力，又有效地降低了建立模型的训练时间．针对1034类别的手写汉字样本的实验结果表明，该汉字识别方法的识别率较欧氏距离分类器提高了4．4个百分点，而其训练时间则明显低于直接进行PCA重建的识别方法，由此可见，该方法是有效的。     

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     

基于核聚类的手写金融汉字识别方法

根据手写体金融汉字的特点,利用核聚类方法将原始样本特征映射到高维特征进行聚类分组,对每一组使用一个支持向量机二值分类器进行分类,并用这些二值分类器组成决策树的结点,构成一个决策分类树。给出了金融汉字的分组方法和决策树的生成算法,提出利用交叠系数来控制交叠,可以克服错分积累,提高分类准确率。实验结果表明,采用该方法,手写体金融汉字识别的速度和正确率都达到了实用的要求。     

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。     

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，验证了最优采样特征的识别率优于方向线索特征。     

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%.     

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。     

手写体汉字特征分析

本文采用结构方法研究汉字手写体识别。通过对手写体汉字结构特征和书写特点的研究，我们发现，以直划和折划来表征笔划特征，以相交字元和基本字元来表征汉字结构特征，大大降低了结构方法中决策判断串行的程度。     

对联机手写汉字识别技术的研究——实现笔画识别

联机手写汉字识别(OLCCR)，是指用笔在图形输入板上写字，人一边写，机器一边认，是一种方便的汉字识别手段。在各种自动识别输入的方法中，OLCCR是能够代替或部分代替人工编码输入的惟一可能的方法。识别中主要是两方面的问题：建立汉字识别库和手写板上笔画轨迹的识别。文中就第二方面即手写笔画识别的问题进行了全面的研究，采用笔画基元帮助分析笔画轨迹，并用可视化编程工具Visual C 6.0实现了基于这种方法的笔画识别过程。     

基于笔划宽度提取的手写体汉字归一化方法

手写体汉字书写变形是手写体汉字识别预处理阶段的重要问题之一。为了有效地改善手写体汉字变形并识别手写体汉字,提出了手写体汉字笔划宽度提取,以及基于提取出的笔划宽度的手写体汉字归一化的方法。用上述方法在计算机上进行仿真实验,实验结果表明,手写体汉字归一化的方法既能保证原手写体汉字的形状结构特征不变,并可有效地改善手写体汉字变形差异。     

中文日期词的分割与识别

非限定性手写汉字串的分割与识别是当前字符识别领域中的一个难点问题.针对手写日期的特点,提出了整词识别和定长汉字串分割识别相结合的组合识别方法.整词识别将字符串作为一个整体进行识别,无需复杂的字符串分割过程.在定长汉字串分割过程中,首先通过识别来预测汉字串的长度,然后通过投影和轮廓分析确定候选分割线,最后通过识别选取最优分割路径.这两种分割识别方法通过规则进行组合,大大提高了系统的性能.在真实票据图像上的实验表明了该方法的有效性,分割识别正确率达到了93.3%.