基于实时样本采集的个性化手写汉字输入系统设计

手写汉字识别是手写汉字输入的基础。目前智能设备中的手写汉字输入法无法根据用户的汉字书写习惯,动态调整识别模型以提升手写汉字的正确识别率。通过对最新深度学习算法及训练模型的研究,提出了一种基于用户手写汉字样本实时采集的个性化手写汉字输入系统的设计方法。该方法将采集用户的手写汉字作为增量样本,通过对服务器端训练生成的手写汉字识别模型的再次训练,使识别模型能够更好地适应该用户的书写习惯,提升手写汉字输入系统的识别率。最后,在该理论方法的基础上,结合新设计的深度残差网络,进行了手写汉字识别的对比实验。实验结果显示,通过引入实时采集样本的再次训练,手写汉字识别模型的识别率有较大幅度的提升,能够更有效的满足用户在智能设备端对手写汉字输入系统的使用需求。     

一种改进的脱机手写汉字四角特征粗分类方法

将粗分类应用于脱机手写汉字识别中,采用这种多层次分类策略,能有效地改善识别的性能,提高识别精度。本文提出了一种利用四角区域结构特征对手写汉字进行粗分类的方法。在对汉字基本笔画进行分析的基础之上,根据手写汉字形变的特点以及识别算法的要求,定义一组新的笔画单元,并将这些笔画单元与汉字特定区域内的结构进行比对,得到一组4位结构特征编码,以此作为脱机手写汉字粗分类的依据。对GB2312一级字库中的部分手写汉字进行采样和识别实验,结果证明改进的四角结构特征用于粗分类的有效性。     

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。     

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。     

基于神经网络和模糊匹配算法的手写汉字预分类研究

对手写汉字识别问题,提出了一种在识别之前对手写汉字预分类的新方法,该方法用Neocognitron网提取字符笔画特征,然后采用有监督的扩展ART神经网络（SEART）产生一定数量的预分类组并通过基于模糊相似测量的匹配算法进行预分类。实验表明,该方法用于手写汉字分类效果良好,预分类正确率达到98.22％。     

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.     

面向连续字符识别的手写汉字部件集及统计规律

本文面向手写字符序列输入信号连续识别研究,分析了汉字及联机手写文本的特点,提出并构建了手写汉字部件集。基于该部件集,完成了GB2312-80的6,763个汉字的部件拆分编码和部件集的测试。统计编码数据发现,汉字依手写部件数的分布规律呈对数正态分布。本文从统计学和字符识别技术的角度对手写部件的构字能力作了分析和讨论,部件集的设计方案在部件选择和汉字拆分上均满足设计要求。实验表明,基于手写部件构造的部件识别器对手写汉字和连续汉字的部件识别率分别达到70.21%和58.49%。     

一种多模型超图用于手写汉字识别算法

随着银行业提出手填票据自动化处理需求后,对手写汉字的识别技术研究推向新的高潮。由于手写汉字形体复杂多样、训练样本不多,从而导致识别率难以提高。设计一种多模型的超图学习算法来识别手写汉字块,根据训练样本间距离关系构建样本关系阵;以样本的稀疏表示参数为样本间的关系紧密性权重构建另一个样本关系阵;以样本约束法则为基础,以标记样本间的关系权重构建标记样本间的关系阵,融合这几个关系矩阵成为多模型的超图学习框架。通过迭代学习,找出最优的手写汉字块类别归属,在手写汉字块的实验中表现出一定的优势。     

国际图像系统（I^2S）上手写汉字识别研究

提出一种用Ｒａｐｉｄ算法对手写汉字进行识别。它是在国际图像系统上实现的。文字图像经摄像机输入，预处理时采用锐化边界，使图像边界清晰，文字图像经正规化后，进行Ｒａｐｉｄ变换，抽取识别特征，特征抽取能比较好地吸收手写汉字变形和扭曲，提高识别率，计算机实验表明，本算法对手写汉字识别是比较有效的。     

小类别数手写汉字建模

在手写汉字识别的研究中,鲜有研究者提出建立手写汉字的数学模型,本文在这方面作了一些探讨。建模的目的通常有两个:一是手写汉字的表示或描述,二是手写汉字的识别。本文针对小类别数手写汉字,在骨架图形的基础上,把手写汉字看作孤枝、孤环和部件的集合,并定义三者之间的方位关系,从而建立手写汉字的数学模型。实验表明,该模型用于识别,效果良好。     

手写体汉字的规范化处理及评价

手写体汉字的规范化处理是一项重要的预处理，由于汉字是一种结构性很强的方块字，所以在特征提取之前必须尽最大可能地调整汉字的笔划分布，以获取较稳定的特征。通过对目前较流行的几种规范化处理算法的深入研究，提出一种统一的描述算法表示形式的数学框架，揭示出不同算法的内在的本质规律以及对识别率提高的作用，最后对不同方法给出了相关的评价。     

基于组件合并的手写体汉字串分割

人们对孤立的手写体汉字字符的离线 识别做了大量的研究工作,而走向实用化的进展并不快.除了单字识别率不理想以外,从文本 中正确分割出单个汉字字符也是一个主要难题,因为字符的识别离不开正确分割.利用汉字的 基本结构特征,根据两个组件之间的上下、左右和包围关系,对组件进行合并形成完整的汉字 图像.对整个汉字字符串中组件的宽度和相邻组件的间距进行分析,有助于左右关系组件的合 并.实验结果表明,该方法对手写体汉字字符串具有理想的分割效果.     

基于多重规则和路径评价的在线中英文手写识别方法

手写文本识别方法主要应用于文本输入技术,对人机交互领域的发展起关键作用。针对多数在线输入法无法识别中英文混合手写识别的问题,提出一种在线中英文混合手写文本识别方法。通过对文本笔画进行基于水平相对位置、垂直重叠率、面积重叠率规则的整合以及连笔切分,得到一系列字符片段,同时利用笔画个数、宽高比、中心偏离、平滑度等几何特征和识别置信度,对字符片段进行中英文分类。在此基础上,根据分类结果并结合自然语言模型的路径评价及动态规划搜索算法,分别对候选的中、英文字符片段进行合并处理,得到待识别的中、英文字符序列,并将其分别送入卷积神经网络的中、英文识别模型中,得到手写文本识别结果。实验结果表明,在线手写中英文混合文本识别正确率达93.67%,不仅能切分在线手写中文文本行,而且对包含字符连笔的在线手写中英文文本行也有较好的切分效果。     

基于手写体汉字笔画提取重构的识别方法

提出了手写体汉字笔画宽度提取、基于提取出的笔画宽度归一化手写体汉字的方法，给出手写体汉字笔画重构的思想，实现了一种基于手写体汉字笔画提取的汉字重构并最终识别手写体汉字的算法，构建了手写体汉字的识别系统。实验证实，该方法可保证原有笔画特征信息，且能有效地识别手写体汉字。     

一种基于数学形态学的手写汉字方向特征提取方法

提出了一种新的基于数学形态学的手写体汉字方向特征提取的方法。该方法首先提出了一种利用数学形态学对手写汉字做笔划宽度归一化的方法，然后应用数学形态学的方向模板提取汉字在横、竖、撇、捺4个方向上的模式图像，最后，将弹性网格作用在4幅方向模式图像中，统计每个网格中的黑像素分布密度，得到汉字的方向特征。使用简单的距离分类器对120套3775个汉字手写体汉字进行识别实验，识别率达到8547％。     

基于结构知识的手写体汉字合成方法

针对手写体汉字合成困难的问题,从离线手写体汉字样本的结构知识出发,提出一种合成手写体汉字的方法。该方法采用改进的方向游程算法提取汉字的笔画,并建立笔画框,从笔画框的结构知识出发构建起字体信息来合成汉字。实验结果证明,该方法可以较好地合成汉字,且容易识别,对光学字符识别有较好的抵抗能力。     

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。     

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...     

基于深度学习的异噪声下手写汉字识别的研究

针对手写汉字字符图像识别率受随机噪声影响的问题,提出了一种基于深度学习与抑制噪声相结合的新算法。该算法主要应用于拥有随机噪声的手写汉字字符图片,是其在Python环境下,利用Caffe平台建立抑制噪声与卷积神经网络相结合的模型,通过模型移除噪声并正确识别手写汉字。另外,新算法去除噪声的同时对字符形态没有改变,保留了汉字的原始信息。结果在其两种不同的噪声（高斯噪声和椒盐噪声）下,逐渐提升其噪声强度,进行多次实验,同时与其他方法对比,最终得到其平均识别率为97.05%。实验结果表明,该模型和算法具有效率快、识别能力强的优点。