一种基于纹理特征的笔迹鉴别方法

介绍了一种基于纹理特征的笔迹识别方法。把手写笔迹图像作为一种纹理看待,从而将笔迹识别问题转化为纹理识别问题。笔迹图像预处理采用基于像素点的切割方法,通过实验证明该方法可以较为完整的保存纹理信息。对于预处理后的纹理图像,再利用纹理处理技术和数学方法提取笔迹纹理特征,设计Gabor滤波器对特征图像鉴别,所有过程均使用MATLAB编程仿真实现。试验结果表明采用纹理识别的方法简单,避免了由于文字数量、纸张材质、字体颜色等因素的影响,显著提高了识别的准确度和笔迹识别应用的广度。     

用于字体识别的Gabor滤波角度GA优化方法

Gabor滤波角度对字体识别结果有重要影响,由于字体纹理与自然纹理的不同,现有的Gabor滤波器角度参数不适于提取字体纹理的有效特征。基于字体纹理的多变性,该文提出使用遗传算法通过对字体纹理的学习优化滤波角度参数,使之能够适应字体纹理的特点,以提高识别率。通过对常用的4种字体899块字体纹理样本的测试表明:遗传算法能够找到适合字体识别的角度参数,使用新的角度参数减少了识别时间,提高了字体识别率。     

基于Gabor变换的汉字字体识别研究

在分析汉字字体特征的基础上,介绍了利用Gabor滤波器,通过纹理分析提取全局特征进行汉字字体识别的方法。实验结果表明,这种方法是可行的、有效的。     

基于笔划特征的单字符汉字字体识别

在文档电子化的文本自动分析、理解和识别过程中,除了有关文档内容的字符识别外,还必须解决字体识别问题.字体识别不仅是版面分析、理解和恢复的重要依据,还有助于实现高性能字符识别系统.有别于目前基于多个字符组成的文本块的字体识别方法,本文提出了一种基于单个汉字字符的字体识别方法.在单个汉字字符上提取两类特征:笔划属性特征和笔划分布特征,分别构成两个分类器对单个汉字字符进行字体识别,并集成两个分类器的结果得到最终的识别结果.我们使用的笔划属性特征分类器是文本无关的,而笔划分布特征分类器是文本相关的,集成的分类器属于文本相关的字体识别分类器.我们在包含7种字体的样本集上进行了测试,测试结果显示基于单字的字体识别率达到94.48%.     

基于语义和Hopfield网络的模糊汉字识别

模糊不清汉字的辨认在文本处理中是一个尚未完全解决的难题，该文提出了一种基于语义分析和Hopfield网络相结合的算法，在一定程度上可以解决印刷字体中较为模糊不清汉字的识别问题。实验结果表明，该方法的识别正确率较高。     

基于多尺度小波分析的汉字字体识别

字符识别系统的研究已取得很大成功,要恢复版面信息的原貌,就要对字体进行识别.文中提出了一种基于小波能量分布比例特征的多尺度小波分析的汉字字体识别算法,通过对字符图像进行小波分析以及网格化,提取小波能量分布比例特征作为小波特征,应用BP神经网络在文本无关的条件下对汉字字体进行分类.实验表明,基于多尺度小波分析的汉字字体识别算法能有效的区分黑体、仿宋体、宋体以及楷体4种不同的字体.     

乌金印刷多字体藏文的文本检测与识别

为解决乌金印刷多字体藏文的文本识别以字丁识别为主、识别字体类别单一或较少、无法实现端到端的藏文文本行识别等问题，根据藏文文字的书写特点，在基于分割的文本检测方法DBNet上，对比在MobileNetV3和ResNet34两种骨干网络下CRNN、Rosetta和RARE这3种端到端的文本识别算法；提出一种将常用74个藏文字符作为端到端文字识别的转录字典策略，提出一个针对藏文文本识别的评价指标。实验结果表明，以ResNet34为骨干网络的CRNN文本识别方法在测试集上的综合表现最佳。     

中文文字识别软件之汉王OCR5.0增强版

汉王OCR5.0增强版是北京汉王科技公司推出的一款汉字表格OCR软件、该软件支持市场上销售的TWAIN标准的扫描仪，支持24位彩色、256级灰度扫描识别功能，提供识别完毕后的图文并存的彩色版面恢复，支待RTF、HTML的输出，不仅能识别众字体，还支持简繁混排汉字的识别、纯英文的识别、自动区分“横版”或“竖版”，还支持简体、繁体和英文。     

采用纹理分区技术实现花边图像分割

本文阐述了对花边图像采用纹理分区技术，进行针法区域分割进而识别的方法。文章介绍了纹理分区的基本特征及其在花边图像处理中的应用，实现花边图稿的识别。在文章的后面部分，对分区技术的实现作了详细的介绍，并提供了实例。     

基于SVM和纹理的笔迹鉴别方法

针对与书写内容无关的笔迹，提出利用快速Gabor小波提取笔迹图像的整体纹理特征、用支持向量机(SVM)进行训练和识别的方法．SVM是解决两类问题的算法，而笔迹鉴别是一个多类问题，通过“一对多”的方法将多类问题转化为两类问题．在87人笔迹库上的实验结果表明，文中基于SVM和纹理的笔迹鉴别方法是有效的。     

基于篇章字体导引的单字符字体识别

字体识别是印刷文档识别重构的重要组成部分,是目前识别技术的一个难题。以印刷文档的单体单字高识别率为基础,论文提出了一种基于篇章字体导引的汉字单字符字体识别方法,结合字体排版的规律性,使得字体识别速度和精度大大提高。以常用报纸、杂志正文文本为样本进行实验,字体识别率达到了99%。     

基于多特征的印刷体数字识别

采用特征识别的方法,提取数字的区域像素、水平过线、垂直过线三大方面的17个特征值对印刷体数字进行识别.利用MATLAB进行仿真实验,实验结果表明该识别方法简单,识别率高,速度快,抗干扰性强,对于不同字体、字形、字号的印刷体数字,能够快速准确识别,具有广泛的用途.     

Character independent font recognition on a single Chinese character

A novel algorithm for font recognition on a single unknown Chinese character, independent of the identity of the character, is proposed in this paper. We employ a wavelet transform on the character image and extract wavelet features from the transformed image. After a Box-Cox transformation and LDA (linear discriminant analysis) process, the discriminating features for font recognition are extracted and classified through a MQDF (Modified quadric distance function) classifier with only one prototype for each font class. Our experiments show that our algorithm can achieve a recognition rate of 90.28 percent on a single unknown character and 99.01 percent if five characters are used for font recognition. Compared with existing methods, all of which are based on a text block, our method can provide a higher recognition rate and is more flexible and robust, since it is based on a single unknown character. Additionally, our method demonstrates that it is possible to extract subtle yet discriminative signals embedded in a much larger noisy background     

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.     

Font recognition based on global texture analysis

We describe a novel texture analysis-based approach toward font recognition. Existing methods are typically based on local typographical features that often require connected components analysis. In our method, we take the document as an image containing some specific textures and regard font recognition as texture identification. The method is content-independent and involves no detailed local feature analysis. Experiments are carried out by using 14000 samples of 24 frequently used Chinese fonts (six typefaces combined with four styles), as well as 32 frequently used English fonts (eight typefaces combined with four styles). An average recognition rate of 99.1 percent is achieved. Experimental results are also included on the robustness of the method against image degradation (e.g., pepper and salt noise) and on the comparison with existing methods     

KAFD Arabic font database

Font recognition is useful for improving optical text recognition systems’ accuracy and time, and to restore the documents’ original formats. This paper addresses a need for Arabic font recognition research by introducing an Arabic font recognition database consisting of 40 fonts, 10 sizes (ranging from 8 to 24 points) and 4 styles (viz. normal, bold, italic, and bold–italic). The database is split into three sets (viz. training, validation, and testing). The database is freely available to researchers.¹ Moreover, we introduce a baseline font recognition system for benchmarking purposes, and report identification rates on our KAFD database and the Arabic Printed Text Image (APTI) database with 20 and 10 fonts, respectively. The best recognition rates are achieved using log-Gabor filters.     

文字相关的单字符字体识别方法

汉字具有丰富的字体类型,并且不同的字体在汉字结构上有显著的不同,现在的OCR技术侧重字的识别,而对字体识别的关注较少。提出文字相关的单字符字体识别方法,利用文字相关的先验信息及字体结构特征,对字体的相似性度量采用向量空间模型,并针对常用66款简体字进行实验,得到了较好的平均识别率。