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最具挑战性的课题之一。本文分析了近年来脱机手写体汉字识别的最新进展,讨论了脱机手写体汉字分割、特征提取和分类器设计等关键技术的各种主流方法,介绍了3种典型的汉字识别数据库,并提出了脱机手写体汉字识别的难点问题和今后发展的趋势,为该领域的研究者指明研究方向,共同促进脱机手写体汉字识别技术的发展。     

基于最大熵原理和融合机器学习的手写体汉字识别算法

本文主要针对手写体汉字识别较弱、效果不好等问题,根据最大熵原理,融合机器学习方法,提高了模型的泛化能力,进一步解决了识别效率低与重量级网络泛化难的问题。由于不同汉字字体结构繁多,存在大量相似汉字。而书写习惯不同导致手写汉字结构形体更是因人而异,千差万别,体现在汉字手写体识别中更为困难。对比一些传统模型,本文通过融合DBN与YOLO9000算法,在保证识别时长的情况下,提升了识别率和运算识别速度。     

基于TensorFlow深度学习的Minist手写数字识别技术

目前,人类手写字的识别问题成为了研究热点。针对手写体识别领域广泛使用的Minist数据集,基于深度学习中的Tensorflow框架,介绍了Softmax模型与卷积神经网络(Convolutional Neural Network,CNN)模型,并分析了CNN模型的激活函数。选择ReLUs函数代替传统的Sigmoid函数和Tanh双曲正切函数,提高识别过程中的收敛速度。此外,对上述两个模型进行实现,对比模型的识别准确度,以期为手写体数字识别的研究和发展提供参考。     

基于SVM的多特征手写体汉字识别技术

针对传统的模板匹配法对汉字的识别率较低,文中提出一种基于SVM的多特征手写体汉字识别技术。在提取网格特征的基础上增加对汉字质心特征、笔划特征、特征点的提取,并采用SVM算法构造分类器,实现对手写体汉字的识别。实验结果表明,该方法的平均识别率为95.9%,高于传统的模板匹配法。     

基于MHMM模型的手写体汉字识别算法

文章提出了一种基于多重隐马尔可夫模型和区域投影变换的手写体汉字识别新方法。该方法对每个汉字建立4个HMM,通过等比重综合方法将4个分类器的计算结果进行综合,从而得到识别结果。该方法对于识别应用问题中的隐马尔可夫建模具有普适性。实验证明,该识别方法具有较高的识别准确率。     

一种用于脱机手写体汉字识别的

对于脱机手写体汉字识别来说,速度一直是很重要的一个问题.而其中输入汉字特征向量和样本库中海量模板匹配占用了很多的识别时间,约为系统识别时间的4/5,是提高汉字识别速度的瓶颈.研究了基于多层流水线,采用多组计算单元、多体存储器和多执行单元的并行处理结构,充分利用硬件特性,并行处理模板匹配.并在此基础之上,设计了手写体汉字识别专用芯片,进行了逻辑模拟,且用FPGA实现了该设计,结果证明,采用此种方法使汉字识别速度大幅度提高.     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。     

基于BP网络的手写体数字识别方法

手写体数字识别是一个难度很大,但却具有广阔的应用前景的研究课题.本文主要研究了一种基于BP网络的手写体数字识别方法.这种方法先对数字字符进行分割、细化等预处理,生成数字样本.然后,使用大量数字样本对BP网络进行训练.最后,使用训练好的BP网络识别数字样本.经过测试,在对600个未经训练的字符样本的识别中,数字识别率可以达到95%以上.     

基于BP网络的手写体数字识别方法

手写体数字识别是一个难度很大，但却具有广阔的应用前景的研究课题。本文主要研究了一种基于BP网络的手写体数字识别方法。这种方法先对数字字符进行分割、细化等预处理，生成数字样本。然后，使用大量数字样本对BP网络进行训练。最后，使用训练好的BP网络识别数字样本。经过测试，在对600个未经训练的字符样本的识别中，数字识别率可以达到95％以上。     

基于AlexNet的手写希腊字母识别研究

针对手写希腊字母识别的问题,使用了一种基于卷积神经网络(AlexNet)的图像识别方法.利用采集的手写体希腊字母大小写样本,对其预处理后,将其划分为训练集和测试集,对AlexNet模型进行训练,测试得到的大小写字母识别准确率分别达到98.27％和96.07％.结果表明,将AlexNet应用于手写希腊字母识别有着良好的识...     

大数据下的基于深度神经网的相似汉字识别

针对传统相似手写汉字识别系统(SHCCR)受特征提取方法的限制,提出采用深度神经网(DNN)对相似汉字自动学习有效特征并进行识别,介绍相似字符集生成方法和针对相似汉字识别的深度神经网络的具体结构,研究对比不同的训练数据规模对识别性能的影响.实验表明,DNN能有效地进行特征学习,避免了人工设计特征的不足,与传统基于梯度特征的支持向量机(SVM)和最近邻分类器(1-NN)方法相比,识别率有较大的提高;且随着训练样本增加的同时,DNN在提高识别性能上表现得更为优秀,大数据训练对提升深度神经网络的识别率作用明显.     

包含高阶统计量的手写汉字分类尺度

在实际应用系统中,由于得到的信号往往不服从高斯分布,因而基于高阶统计量的信号处理方法越来越受到重视和应用.对于手写文字特征而言,它的分散特性很难用高斯分布描述,因而本文提出了一种通过高阶统计量来描述文字分散特性的方法,文中给出了三种不同形式的高阶统计量,并且通过在脱机手写汉字数据库HCL2004^[1]上进行实验,比较了基于这三种方法的模板匹配汉字识别系统的性能,同时也证实了该方法的有效性.     

基于笔划提取和合并的离线手写体汉字字符切分算法

手写体汉字字符切分是离线汉字字符识别预处理中的一个重要问题，针对离线手写体汉字，提出一种基于笔划提取和合并的手写体汉字字符切分算法。该算法首先基于方向游程提取汉字的笔划，并建立笔划框，再根据汉字笔划的结构知识对笔划框进行合并，得到字符的切分结果。该算法能较好地解决粘连汉字字符的切分问题，对从现场随机采集的2500封手写体信函地址汉字进行切分，单字正确率可达91．5％。     

A unit decomposition technique using fuzzy logic for real-timehandwritten Chinese character recognition

The purpose of this paper is to provide a real-time compact device for inputting handwritten characters to mobile personal digital assistants (PDAs). A novel method for the recognition of online handwritten Chinese characters is presented, giving emphasis to the representation of the patterns using fuzzy logic. The information contained in a character, including shapes of individual strokes and their relative spatial relations, is examined by inference of fuzzy rule base, and the fuzzified representation is organized in a matrix structure. It is well known that Chinese characters are comprised of a set of basic units, representing fundamental meanings. Hence, a unit extraction module is designed to search the possible units within characters. The input character object is recognized by a combination of units with the largest fuzzy confidence degree. The training capability, which provides the unit model set, is performed using the qualitative fuzzy c-means clustering algorithm. An experimental system is implemented that achieves a real-time recognition rate of about 95% with a test set of 550 characters and two cases for each character written by six users. The experimental system has an average real-time recognition speed of 0.5 s/character. The presented approach shows the following two significant advantages over other methods: (1) less training time; and (2) less storage required to store character models. These are two crucial factors in designing PDA devices for mobile communication     

基于压缩感知的阅卷系统手写汉字识别算法

针对阅卷系统中手写汉字识别率和识别精度低的问题,文中提出一种基于压缩感知理论的阅卷系统手写汉字识别算法。该算法首先对阅卷系统手写汉字图像进行随机采样得到其特征;然后对其进行稀疏表示,并最小化其l1范数以得到样本的稀疏解;最后利用该稀疏解的系数判别测试样本的类别。该方法用对信号的随机采样替代了传统的特征提取方法,简化了算法的实现过程,同时用现有的训练样本组成训练字典,避免了复杂的训练过程。该算法在手写汉字数据库ETL9B上的识别率达到99.1%。     

贝叶斯分类器在手写汉字识别中的应用

由于缺少以较少的存储空间描述汉字特征概率密度函数方法,在汉字识别系统中贝叶斯分类器很少得到应用.本文提出一种只需6个数据就能描述一个特征的概率密度函数的方法,构造了一个基于贝叶斯分类器的手写汉字识别系统.实验结果表明,该分类器具有优良的性能.     

一种云平台下高识别率的手写汉字光学图像识别系统

针对原有手写汉字识别系统中文字特征提取的相关问题,笔者在本篇文章中设计了一类全新的方法,本方法结合卷积神经网对字形相似的字智能化学习有效特征,并且采用了光学图像识别技术,另外,这类方法通过手写云平台中丰富的数据资源对模型进行高效的训练,同时根据频度统计形成特定的相似子集,以此有效的优化识别率。实验结果显示,和原有的支持向量机(SVM)以及最近邻分类器方法进行系统性的对比,本文所论述的方法能够显著提升识别率。     

Gradient-based learning applied to document recognition

Multilayer neural networks trained with the back-propagation algorithm constitute the best example of a successful gradient based learning technique. Given an appropriate network architecture, gradient-based learning algorithms can be used to synthesize a complex decision surface that can classify high-dimensional patterns, such as handwritten characters, with minimal preprocessing. This paper reviews various methods applied to handwritten character recognition and compares them on a standard handwritten digit recognition task. Convolutional neural networks, which are specifically designed to deal with the variability of 2D shapes, are shown to outperform all other techniques. Real-life document recognition systems are composed of multiple modules including field extraction, segmentation recognition, and language modeling. A new learning paradigm, called graph transformer networks (GTN), allows such multimodule systems to be trained globally using gradient-based methods so as to minimize an overall performance measure. Two systems for online handwriting recognition are described. Experiments demonstrate the advantage of global training, and the flexibility of graph transformer networks. A graph transformer network for reading a bank cheque is also described. It uses convolutional neural network character recognizers combined with global training techniques to provide record accuracy on business and personal cheques. It is deployed commercially and reads several million cheques per day     

一种基于运动图像的在线手写汉字识别方法

在分析传统联机与脱机手写汉字识别系统基础上,本文提出了一种基于运动图像的在线手写汉字识别新方法.该方法利用普通摄像头,实时地采集手写汉字墨迹的运动图像,通过图像处理技术提取手写汉字,并进行在线识别.文中给出了笔尖匹配的快速算法和基于数学形态学的汉字提取方法.最后,通过实验验证了本文方法的有效性.