取汉字笔划的特征点来识别联机手写汉写

文章介绍一种如何取得汉字笔划特征点并对特征点进行处理的方法。通过在实际产品形成中使用了证明其处理简便、可靠。在联机手写识别过程中，对提高识别速度、提高识别准确性起到良好的效果。     

汉字识别研究的回顾

本文回顾了汉字识别研究的历史。根据模仿人类视觉模型，基于文字图像的统计模式识别方法是文字识别取得瞩目进展的基础。模式识别信息熵理论揭示了模式分类的信息过程和理论极限，本文讨论了从汉字图像中提取特征以及文字识别分类器设计和学习的各种方法。介绍了文本识别必须解决的文字切分，版面分析、理解和重构，及提高识别性能等重点问题，最后，总结了文字识别研究的重要进展和对今后的展望。     

一种基于段化的手写汉字特征点提取方法及其实现

手写汉字识别中的特征点提取，一直是结构匹配方法中的一个关键问题．系统识别率很大程度上取决于特征点提取的正确率．本文在总结前人和作者以前工作的基础上，提出了一种新的段化特征点提取方法，并具体用于手写汉字识别的实用系统中，取得了十分理想的效果．从已测试的１８００×１０个样本字的结果看，特征点提取正确率突破了９８％大关，为实用化手写汉字识别系统奠定了基础．     

汉字识别系统

本文讨论了印刷体汉字的识别，它包括字符的输入，二值化，行切分，平化、规正，细化，特征提取，后处理。提出了零阶距特征，笔端数特征，笔道数特征和方向数特征。     

小波分形分解特征在手写体汉字识别中的研究

文章研究了手写体汉字识别中的一种新的特征提取方法——小波分形分解特征。在该方法中，对手写汉字分别采用小波和分形的方法提取其结构特征和统计特征，并将提取的结构特征和统计特征组合后作为识别器的输入进行识别。实验表明，该方法对训练样本可以达到98．71％的识别率，对测试样本可以达到91.37％的识别率。     

小波变换在手写体汉字识别中的应用

汉字识别中的结构类特征具有抗变形的优点，合适做为手写体识别过程使用，但其中笔划特征的提取非常困难。本文用小波变换这一图象分析中有力工具对汉字图象分析处理之后，再进行笔划的提取，其过程简洁、明晰。     

动态兼容线性分类法识别印刷体汉字

本文针对目前汉字识别中两个关键问题——特征的选择和识别方法进行了较深入的研究。提出了利用动态兼容线性分类法实现一个印刷体汉字识别实验系统。在分类中,采用了质量等十一种特征。其中四象限投影脉冲恃征,八象限特征,十六象限0—1特征和四方向微分特征是本文提出和修正改进的。本文还提出了动态兼容线性分类法和识别字典自动完善的方法。利用上述方法在微机上构成了一个实验识别系统。对3000个加有随机噪声的标准汉字进行了识别,经过训练后识别率可达98.5％,识别速度平均每字0.4秒,收到较好效果。     

手写汉字的四角识别方案

手写汉字的本质特征的抽取是提高识别率的关键，而识别规则的生成又依赖于大量样本的归纳学习，手写汉字的四角方案就是针对这两个问题设计并实现的。实验结果证明了该方法的可行性和优越性。     

基于部件特征的分类方法及在汉字识别中的应用

文章针对汉字的特点，选取一定的轮廓加权值为部件特征向量的度量，提出了一种基于部件特征的特征提取方法。并根据部件的特征和属性，采用ID3算法训练出一个决策树。结合ID3决策树和模糊逻辑的概念，采用粗分类和精分类两级分类判别的方法，首先利用每个部件的权值将部件细分成可处理的小组，然后分析待识别的汉字字符属于哪个不可再分的小组，从而提高了汉字的识别速度和识别效率。     

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.     

一种基于集成BP网络的手写汉字识别方法

针对脱机手写体汉字识别，文章给出了一种基于多层BP网络的并行集成方法，该方法是纯神经网络的多分类器并行集成方案。汉字经预处理后，采用弹性网格变换和Zernike矩分别对汉字进行局部和全局特征提取，利用两个BP网络分类器对这两种特征进行训练和初分类。再利用集成网络对前两个子网络的识别结果进行识别。同时对BP网络的应用做了有益的探索，也为BP网络在人类别分类问题中的应用提供了一条可行的途径。实验结果验证了此方法的有效性。     

基于改进卷积神经网络的手写体汉字识别

本文针对传统脱机手写体汉字识别特征提取非常困难的问题,文章在GoogLeNet网络的基础上搭建了一个适合脱机手写体汉字识别的卷积神经网络。文章首先介绍了卷积神经网络的基本原理和GoogLeNet网络中Inception模块的特点,然后通过激活函数,批量归一化,加入注意力机制等方法对网络进行优化。实验结果表明,改进后的神经网络准确率达到98.1%,相比于AlexNet,Xinception等卷积神经网络模型的识别准确率有明显的提高。     

一种用于脱机手写体汉字识别的多层流水线并行处理结构

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     

统计特征在联机手写汉字识别粗分类中的应用

以统计模式识别的理论为指导,在联机识别手定汉字的粗分类过程中,提出直接对联机笔迹坐标序列操作,进行数据的处理,然后提取笔划的统计特征作为粗分类的依据,用Ｋ均值聚类方法进行聚类,生成分类树。通过对１００套３７５５样本５０类别数的测试,正确分类率达到９６％,平均粗分类时间为每字０．０３秒,平均匹配字数为６２３字,取得了较为满意的粗分类结果。     

基于重叠动态网格和模糊隶属度的 手写汉字特征抽取

本文在基于动态网格的手写汉字特征抽取方法中引入重叠网格划分,定义了一种反映书写结构的加权点密度,并提出了一种根据密度投影计算模糊隶属度的方法,这些措施提高了特征的分类能力.各种网格划分方法提取方向线素特征进行了试验比较,结果表明本文的特征抽取方法的在识别率上优于传统的动态网格方法和采用非线性归一化预处理的静态网格方法.     

基于特征点的汉字字体识别研究

该文提出了整体分析法和个体分析法的概念,并在分析它们各自适用范围的基础上,指出个体分析法更适合于解决印刷体汉字字体识别。在此基础上,提出一种基于特征点的个体分析法来解决汉字字体识别问题,与以往方法相比,该方法具有3个优点:识别可信度可控;处理速度快;适用于多语混排情况。实验结果表明,该方法有效解决了印刷体汉字字体识别问题,其性能大大优于以往方法。     

在广电设备机房管理和测控系统操作中手写汉字识别技术的应用研究

随着广播电视数字化进程的加快，前端设备及机房的数字化管理和测控也越来越重要。本文针对其管理和测控系统操作只需少量汉字服务的实际情况，提出一种在线手写汉字识别用于测控系统操作的方法。该方法借鉴笔段链码特征，建立以笔画一笔段数目作为检索参数的字典库，按领衔汉字列显命令供用户点击选用，依据转换表形成实际操作命令。应用结果表明，该方法操作可靠，保密性好，拓展了手写汉字在线识别的应用范围。     

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。     

基于深度学习的汉字识别

随着深度学习的持续发展,近年来用于手写汉字的识别也有了极大的突破,但现有的许多方法参数众多、运算量较大、模型架构庞大且相对复杂,所需存储容量大,对实验的环境要求较高。针对以上问题,提出了基于MobilenetV2的汉字识别,采用深度可分离卷积,相对于其他的网络模型,在运算量、模型架构等问题上化繁为简,且MobilenetV2网络模型是在MobilenetV1的基础上进行改进的,增加了线性瓶颈和倒残差。一是扩充了通道数用来提取更多的特征信息,二是使用线性函数替换ReLU用来降低变换过程中信息的损失率。适合于移动设备设计,通过大型中间张量来显著减少内存占用,其综合识别的准确率可以达到92%以上。     

变形网格及其在图像识别中的应用

网格特征是图像识别中一类重要特征,而变形模板对于复杂的图像识别问题如字符识别、数字识别、图标识别等表现出很好的性能,但变形模板很费时。该文针对网格特征提出了变形网格,并分析了变形模板与变形网格之间的近似等价性。所提方法对网格进行变形而不是对图像变形,因而速度比变形模板快得多,而且性能相差不大。把这种方法分别应用于图标识别和脱机手写汉字识别。图标识别实验中变形模板使识别率提高了7.5%,而变形网格使识别率提高了7.3%、手写汉字识别实验中变形模板使识别率提高了6.1%,而变形网格使识别率提高了5.8%。考虑到变形网格比变形模板快得多,所以这种方法是有优势的。