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中的难题之一。该文分析影响脱机手写体汉字识别性能的主要方面,如规范化方法、特征提取方法及分类方法,给出了每种方法的适用条件,介绍了目前研究中所使用的数据库。     

脱机手写体汉字识别技术综述

一、汉字识别汉字已有数千年的历史,也是世界上使用人数最多的文字,对于中华民族灿烂文化的形成和发展有着不可磨灭的贡献,并将继续发挥重要的、与其它文字形式难以取代的作用。然而,汉字是非字母化、非拼音化的文字,     

脱机手写体汉字识别的支持向量机方法研究

提出一种采用二叉树粗分类与SVM细分类结合的分类识别方法,充分发挥SVM在二类分类问题方面相对于单一SVM方法的优势 .实验结果表明提出的识别方法在解决复杂多分类脱机手写体汉字分类识别问题上有效的提高了分类精度和速度.     

脱机手写体汉字识别后处理综合纠错算法设计和实现

充分利用了汉语词的信息及字词的频度信息，利用面向对象技术并用多级的纠错方法，实现了一个基于综合算法的汉字识别后处理系统，明显地提高了脱机手写体汉字最终识别率。     

大字符集脱机手写体汉字识别粗分类问题

以HCL2000手写汉字库为基础,构建了一个实验系统,对一级汉字库3 755个汉字,使用不同的汉字特征和不同的分类距离,进行了一系列比较实验,探讨了大字符集脱机手写体汉字识别的粗分类问题,得到了一些有用的结论.     

基于细识别的脱机手写体汉字识别的集成

目前脱机手写体汉字识别技术的细识别采用的方法有很多,如重心模糊网格法,势场特征撮法等,但第一一种方法都有不足之处,不能达到很的效果,该文提出了一种不细化担取笔划元法及综合３种识别方法的集成方案,使识别率有了很大的提高。     

联机手写体汉字识别后处理技术的研究

文中提出了一种规则和统计相结合的计算语言模型应用于联机手写体汉字识别后处理的技术,把基于统计的大词表Ｍａｒｋｏｖ语言模型与语言规则量化模型,通过词网格技术集成在一个语言解码器,这种后处理方法由３个阶段组成,词网格生成,语言解码,基于Ｃａｃｈｅ的自学习机制,语言解码器采用Ｖｉｔｅｒｂｉ搜索算法求解最优语句候选,该项技术已应用于ＨＰＣ（手持机）手写电脑的联机汉字手写体识别系统中,汉字识别率为９１．３％     

基于数学形态学的脱机手写体汉字识别方法

笔画特征是一种有效的脱机手写体汉字的识别特征,但是笔画细化往往会造成字体的变形,提出一种无需细化预处理的笔画特征提取方法,通过数学形态学中的腐蚀、膨胀等运算,采用不同的、具有自适应性的结构元素对汉字图像进行笔画分解,并利用弹性网格提取其方向特征,最后使用广义K L变换对特征向量的维数进行压缩,去除冗余信息。实验结果验证了本方法的有效性。     

脱机手写体汉字识别的改进算法

特征点抽取是脱机手本汉字识别中特征抽取的一种常用方法，目前的一些算法都存在一一的，因此本文给出两种改进算法，并经实验证明具有良好的效果。     

脱机手写体汉字识别技术研究的回顾与展望

在简要介绍系统构成的基础上，重点阐述了手写汉字切分、特征选择与提取、分类器设计及后处理，并探讨了今后的主要研究路线。     

脱机手写体汉字识别中多模板字典的制作方法

针对手写体汉字字形变化复杂的特点,提出了一种基于特征向量分布的多模板字典制作方法,并通过赋予该多模板字典自学习功能,来提高其泛化能力。实验证明,用这种方法制作的字典与用传统方法制作的同类字典相比,能够有效地提高系统的总体识别率。     

ART2神经网络在手写体汉字识别中的应用

该文提出了一种基于神经网络的手写体汉字识别方法,该算法充分利用神经网络的自适应学习能力。ART2网络通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无教师无监督的自学习。其学习过程是自组织的实时学习,能够迅速识别已学习过的样本,并能迅速适应未学习过的新对象。考虑到Gabor滤波器具有优良的方向性,该算法采用Gabor特征作为字符特征。Gabor特征反映字符的空间分布特征,而且可以组合成高维矢量,特别适用于汉字识别这大型模式识别场合。实验结果显示,该算法对测试样本识别正确率达到94％,比其他方法更准确、更可靠。     

一种识别手写汉字的多分类器集成方法

根据多信源信息处理与字符识别的经验知识,提出了一个识别手写汉字的多分类器线性集成模型.这个模型不仅考虑到不同的分类器对不同字符识别能力的不同,而且还考虑了不同的分类器得出的输入字符与参考模板之间相似度的实际大小对判决的影响,及不同分类器提供的候选字符对判决的支持作用,更重要的是提供了一种通过监督学习,利用计算机程序自动计算模型参数的方法,因而实现了一个较好的集成系统.同时,本文还提供了三个用于集成的分类器,它们集成的结果充分显示了本方法的有效性.     

有限集手写汉字识别中的笔画分区矩描述特征

提出了一种笔画分区矩特征的提取方法。根据汉字笔画分布特点，利用小波变换将汉字分解为4个方向笔画分量，用分区矩分别描述4个笔画于图像，并采用K—L变换对特征进行降维处理。采用该特征对有限集手写体汉字进行识别，初步实验结果表明该方法十分有效。     

基于层次分类的脱机手写字符识别

人类在进行字符识别活动时,会根据对象复杂度的不同,采用不同的识别方法.对于结构简单的字符,利用宏观整体信息识别;对于易混淆的形近字,利用微观具体信息区分.为了模拟人类智能进行字符识别活动的过程,设计了一种基于层次分类的脱机手写字符识别算法.该算法将分类器划分为宏观层和微观层,宏观层模拟简单字符识别过程,利用基于梯度的统计特征描述整体信息,完成识别;微观层模拟形近字识别过程,利用基于主曲线的结构特征描述具体信息,完成区分.算法还引入了可信度概念,用以量度推理过程及识别结果的不确定性程度.给出了形近字的定义及区分规则.实验表明,提出的算法有效地提高了脱机手写字符的识别率,对形近字的区分效果尤佳.     

结合距离分类器的神经网络手写体汉字识别

手写体汉字识别技术中如何解决复杂的大类别识别问题,是汉字识别中的一个难点。该文介绍了基于笔划的手写体汉字特征抽取方法,提出了一种基于预分类的神经网络汉字识别方法,该方法用一个传统的距离分类器先对汉字进行预分类,神经网络根据预分类结果进行有选择的训练和识别,能有效解决神经网络大类别模式识别中的训练和分类问题,学习时间很短,识别效果较理想。     

一种手写体汉字特征提取新方法—小波变换及弹性网络技术的应用

利用小波分析方法将汉字图象分解为横、撇、竖、捺４个方向的分量，然后结合弹性网络技术，提出了进行了手写体汉字特征提取的一种新方法，实验结果显示此方法是行之有效的。     

P形傅里叶变换在手写体汉字识别中的应用

提出了曲线化汉字特征的概念,讨论了3类可曲线化的汉字统计特征.利用P形傅里叶算子,对这些曲线化特征作傅里叶变换,可提取到最终的识别特征.实验结果表明,该方法在手写体汉字识别领域具有良好的应用前景,尤其适用于细分类.