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。     

基于字符特征提取的手写练字良好度判别

针对所提出的引入电子技术进行汉字书写练习的手写练字方案,提出手写练字良好度的判别方法.对手写练字进行预处理后,对字符轮廓投影信号进行小波变换提取手写练字的特征.将得到的手写练字的特征与对应字贴字特征进行距离测量,将结果以良好度形式表示出来.仿真对比实验说明了论文所提方法的可行性和有效性.     

基于Radon变换的手写汉字的识别方法

在手写汉字的自动识别方面,至今普遍采用构造解析和匹配相结合的方法。本文提出一种新的特征空间抽出方法和与此相关的识别方法。此法是由汉字轮廓的Radon变换的像函数的解析以求得手写汉字的特征空间,是利用最大共同子序列和加权最大共同子序列的方法进行识别。 初步实验说明了本文提出的解析方法和识别方法的有效性,求得了一系列对字体变形不敏感的、相对稳定的特征向量。     

手写汉字评价方法研究进展

手写汉字评价推动了计算机辅助教学的快速发展,如何通过手写汉字评价技术,在无教师帮助的情况下实现手写汉字的等级/规范性评价是当前研究的重点。对手写汉字评价相关概念以及发展趋势进行阐述;对手写汉字评价的不同研究方法进行详细介绍,包括基于规则、特征相似度计算、模糊矩阵以及机器学习等方面,并对各种方法的优缺点进行总结归纳;对手写汉字评价的反馈形式进行介绍,包括数据到文本生成、字形匹配与图形辅助等方面;分析手写汉字评价面临的多个问题,进一步思考其未来的发展。     

触摸屏手写汉字笔画的笔力模糊评价

该文以触摸屏手写汉字为例,提出了一种分析手写汉字笔力的模糊方法,并通过笔力分析实现对触摸屏上手写汉字的书写质量评价。该方法首先通过提取手写模板字中笔画的关键点信息进行隶属度计算,建立模糊模板矩阵,然后将实写汉字的隶属度与模板隶属度数据进行贴近度计算得出综合的笔力评价。实验表明,该方法的评价效果具有较强客观性、鲁棒性,也可推广到其他文种。     

关于手写汉字识别的研究

本文在大量日本文献的基础上,援用"KJ"方法(综合不同性质的数据、信息,产生新的思想和概念的方法论),综述了手写汉字识别的研究.主要列举了本研究的各种算法和手段,也论述了on-line手写汉字识别以及与手写汉字识别的有关的应用领域.差不多全部归纳了手写汉字识别研究的必要的基本算法,阐述了研究的现状和动向.最后,也说明了手写汉字识别今后的研究课题和方向.     

一种利用逻辑回归模型的候选字可信度估计方法

汉字识别中,候选字可信度是对识别结果正确性的一种量化估计.从统计学的角度出发,提出一种利用逻辑回归模型LRM的候选字可信度估计方法.首先介绍LRM的基本原理;然后分别给出LRM估计首选字可信度及非首选字可信度的方法;最后给出候选字可信度在识别率估计和识别后处理中的应用实例.脱机手写汉字识别中的实验结果表明了LRM估计候选字可信度的有效性.     

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.     

基于最近邻算法的手写数字识别的研究

作为世界三大尖端技术之一,人工智能在很多学科领域都获得了广泛应用,并取得了令人瞩目的成就,已经成为推动社会经济发展的新动力。特别是伴随大数据时代的到来,人工智能技术在知识发现及信息挖掘中展现了极大的魅力。手写数字识别是指利用计算机算法,将人们手写的0～9十个数字进行自动的辨别,其在手机端手写体输入,邮政系统邮编信件分拣,金融行业数据录入等许多领域都有重要的应用价值。本文利用机器学习中的最近邻算法对手写数字进行了识别研究,使计算机能够对人们手写的数字进行自动辨别分析,取得了较好的分类结果,从而说明了最近邻算法的有效性。同时,本论文的研究方法与研究思路也为其他同类研究提供了借鉴指导,可以进行其他手写字符的识别研究,例如手写英文字母,手写汉字等。     

基于深度学习的汉字生成方法

手写汉字生成是机器学习中一个重要的研究方向.近二十年来,针对手写汉字生成的研究大体可分为两个阶段:早期主要利用汉字的显式特征如结构和笔画等实现对汉字的分解,再通过算法实现汉字的生成.该类方法对汉字的分解准确度及数据集的精度要求较高,限制了该类方法的广泛应用.现阶段的汉字生成研究主要借助于深度神经网络来实现对汉字隐式特征的提取,从而生成更高质量的汉字并克服早期研究阶段数据集不足等问题.主要目的是对已有汉字生成研究进行全面系统的综述.     

基于深度学习的汉字生成方法

手写汉字生成是机器学习中一个重要的研究方向.近二十年来,针对手写汉字生成的研究大体可分为两个阶段:早期主要利用汉字的显式特征如结构和笔画等实现对汉字的分解,再通过算法实现汉字的生成.该类方法对汉字的分解准确度及数据集的精度要求较高,限制了该类方法的广泛应用.现阶段的汉字生成研究主要借助于深度神经网络来实现对汉字隐式特征的提取,从而生成更高质量的汉字并克服早期研究阶段数据集不足等问题.主要目的是对已有汉字生成研究进行全面系统的综述.     

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     

深度学习在手写汉字识别中的应用综述

手写汉字识别（Handwritten Chinese character recognition,HCCR）是模式识别的一个重要研究领域,最近几十年来得到了广泛的研究与关注,随着深度学习新技术的出现,近年来基于深度学习的手写汉字识别在方法和性能上得到了突破性的进展.本文综述了深度学习在手写汉字识别领域的研究进展及具体应用.首先介绍了手写汉字识别的研究背景与现状.其次简要概述了深度学习的几种典型结构模型并介绍了一些主流的开源工具,在此基础上详细综述了基于深度学习的联机和脱机手写汉字识别的方法,阐述了相关方法的原理、技术细节、性能指标等现状情况,最后进行了分析与总结,指出了手写汉字识别领域仍需要解决的问题及未来的研究方向.     

可手写计算机识别码的研究

为了使得用手填写的数码能让计算机百分之百地自动识别，本文研究了一种新的可手写计算机识别码，该码是由标有数字的小方格和识别标志组成的二维图形符号，只需简单地在相应的方格上涂黑，即可得到计算机可识别的数码。文中也阐述了以这种码为基础研制计算机数码自动识别系统的方法，及其在财会，商业票据和普查表格数据自动输入中的应用。     

用计算机抽出手写汉字的三角号码

本文提出了一种用计算机从手写汉字中抽提出三角号码基本特征的方法,并对抽出的汉字三只角上的特征进行编码,以达到识别分类的目的。从信息论的观点进行研究已经知道,汉字图像的四周对于文字识别的信息量是相对集中的,如果能正确地抽取这些特征,识别就成为可能。具体方法如下:(1)将手写汉字正规化,除去噪音,抽出方向线段,提取特征点的座标及接续关系矩阵。(2)在汉字图像上找出右上、左下、右下三个角上的基本特征点,根据特征点矩阵对每一个字生成三个笔形图像。(3)将笔形图像与三角号码笔形辞典比较,识别抽出三角号码笔形,并加以编码。用计算机模拟实验表明,本方法是有效的。     

无监督图像翻译的个性化手写汉字生成方法

由于汉字拥有大量的字符,大多数对汉字的研究主要集中在汉字的识别和分类问题上,对于生成汉字的研究较少,尤其是在没有大量配对的汉字数据集的情况下.该模型使用内容和风格样式都不匹配的汉字数据集,将生成个性化手写汉字的过程公式化为一个从现有的标准印刷字体到个性化手写汉字样式映射的问题.在基于无监督学习的图像翻译模型的基础上,利...     

基于DCGAN的手写汉字图像生成研究

使用计算机生成图像是当前计算机视觉中图像识别研究常用的一种数据增强方法。设计一种基于深度卷积生成对抗网络（DCGAN）的手写汉字图像生成模型。通过消除传统网络中的全连接层，使用批量归一化和反卷积运算来创建深度卷积和反卷积网络结构，并将它们作为生成对抗网络中的判别模型和生成模型来实现对手写汉字图像的生成。实验表明，本设计具有较好的手写体汉字图像的生成效果。     

基于PCA的脱机手写汉字的统计模型及其应用

本文通过分析传统汉字的结构模型所具有的优缺点,提出了建立脱机手写汉字统计模型的理论框架;并利用PCA技术发现大量数据规律性的能力,提出了一种基于PCA技术的脱机手写汉字的统计模型.与传统的结构模型相比,该模型避免了目前还无法解决的准确抽取结构基元的困难,通过以容易抽取的可重构的统计特征作为统计基元,并通过对统计基元变化的整体描述或者说对统计基元相互之间关系的描述,较好地建立了脱机手写汉字的统计模型.根据该模型得到的一些实验结果充分说明了其描述脱机手写汉字的有效性.     

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。     

基于轻量化神经网络的快速汉字笔画分类模型

在汉字书写场景中,我们可以通过实时捕捉手写者的手写轨迹数据,并可以通过笔画类型、空间关系等构字要素逻辑地位等评价策略,实现汉字书写质量智能测评,以达到指导学习书写的目的。其中笔画分类是手写字体评估中的重要任务。然而,现有笔画级标注的汉字数据集很少,并缺少轻量化并可以应用于嵌入式设备的笔画分类方案,难以工程化落地。在不同设备上采集用户的手写笔画数据（如会议平板、电子白板、学习机等）,并使用特征工程,采用一维深度可分离卷积构建轻量化的快速汉字笔画分类模型,并把模型进行量化部署到嵌入式设备中。模型量化后的tflite格式文件大小仅为11kb,而在数据集上达到了97%的精确度。把量化后的模型部署到嵌入式设备中并进行了商业化上线。