脱机手写体字符识别-精

Ｂａ ｅ ｎ Ｓ ｍ ａ ｔｃ Ａｎ ｌ ｓｓ ｓ ｄ ｏ ｅ ｎ ｉ ａｙ ｉ
Ｌ ｉ Ｇａ ｎ ｓ ｉ ｉＬ ｏ Ｑｉｇｈ （ｎｏｍ ｔ ｎ Ｅ ｇ ｅ ｒ ｇ Ｓ ｈ ｏ， ｎｖｒｉ ｆＳｉｎ ｅ ａｄ Ｔ ｃ ｎ ｌｇ ｅ ｉ ， ｅ ｉ ０ ０ ３ Ｉｆ ａｉ ｎ ｉ ｅｉ ｃ ｏｌＵ ｉｅｓ ｙ ｏ ｃ ｃ ｎ ｅ ｈ ｏｏｙ Ｂ ｉｎ Ｂ ｉｎ １０ ８ ） ｒ ｏ ｎ ｎ ｔ ｅ ｊｇ ｊｇ
关键 词 脱机 手 写体 识 别 语 义语 言 语 义分 析
文 章 编 号 １０ — ３ １ （０ ６ ０ — ０ ０ ０ 文 献 标 识 码 Ａ ０ ２ ８ ３ ２ ０ ）６ ０ １— ３ 中图分类号 Ｔ３ １ ４ Ｐ９． ４
Ａ ｅｈ ｄ ｆ ｒ Ｉ ｐ ｏ ｉ ｇ Ｏｆｌ ｅ Ｈａ ｄ ｉｔｎ Ｃｈ ｒ ｃ ｅ ｃ ｇ ｉ ｏ Ｍ ｔ ｏ ｏ ｍ ｒ ｖｎ ｆ ｉ ｎ ｗｒｔｅ ａ ａ ｔ ｒ Ｒｅ ｏ ｎ ｔ ｎ ｎ ｉ
维普资讯
基于语义分析提高脱机手 写体识别率的方法
李 莉 高 庆狮
பைடு நூலகம்
（ 北京科 技 大学信 息工程 学 院 ， 北京 １０ ８ ） ００ ３
Ｅ ｍａｌ ｌ ｉ ｓｂ １ ６ｃ ｒ — ｉ： ｌ ｔ ＠ ２ ．ｏ ｉｕ ｎ
摘 要 论 文 讨 论 了一种 通过 自然语 言语 义层 次 的 理 解 来 协 助提 高 脱 机 手 写 体 识 别 率 的 方 法 。 识 别 的 过 程 来 看 ， 种 从 这
１ 引 言
字 符 识 别 技 术 是 利 用 计 算 机 对 输 入 字 符 进 行智 能 化 的 识 别 ． 生 与之 匹 配 的数 字 编码 的 巾文 或 英 文 字 符 。字 符 识 别 技 产 术 可 分 为 印 刷体 识 别 和 手 写 体 识 别 。 后者 叉可 分 为 联 机 手 写 体 识 别 和 脱 机 手 写体 识 别 。从 识 别 的 角 度 来 看 ， 写 体 识 别 难 于 手 印 刷 体识 别 ， 脱 机 手 写 体识 别难 于联 机 手 写 体 识 别 。 印 刷 体 而 的 识 别 和联 机手 写 体 识 别 已经 达 到 相 当 高 的 水 平 ， 别 的 确 识 牢 可 以 达 到 ９ ％。但 是 就 脱 机 手 写 体识 别 来 说 ， 于 缺 乏 必 要 ８ 由 的识 别信 息 （ 如笔 画数 日 、 画 走 向 、 顺 、 写 速 度 等 ） 不 同 笔 笔 书 ， 人 的 书 写 习 惯 也并 不 相 同 ，使 得 脱 机 手 写 体 识 别 的 难 度 很 『 岛。 目前 脱 机 手 写 汉 字 识 别 的 主 要研 究 对 象 集 中 手 写 印 刷 体 宁 符 识 别 ， 书 写 ＝ 的 楷 书 手 写 体 ， 求 书 写 Ｔ 整 ， 量 少 连 即 ＝整 Ｉ ＿ ＝ 要 尽 笔 ； 自 由脱 机 手 写 体 识 别 处 理 的仅 是 二 维 的点 阵 像 ， 宁 而 是 符 识 别 领 域 巾 最后 一 个 十分 困难 的问 题 。 脱 机 手 写 体识 别过 程 一 般 包 括 以下 几 步 ： 始 文稿 通 过 扫 原 描 仪 等 输 入 设 备转 换 成 原 始 的 二 维 图像 （ 如灰 度 图像 或 者 二 值 图像 ）行 字 切 分 将 图 像 切 分 成 单 个 字 符 图像 ； 过 归 一 化 、 ； 经 平 滑 、 化 或 轮 廓 化 等 预 处 理 过 程 后 ， 行 特 征 抽 取 和 分 类 器 设 细 进 计 ． 是 整 个 识 别 系统 的 核 心 ． 接 决 定 着 系 统 识 别 水 平 的 高 这 直 低 ； 后 的后 处 理 则 利用 词 义 、 频 、 最 词 语法 规则 或 语 料库 等语 言

ｐ ｏ ｓ ｅ ｄ．
Ｋｅ ｙ ｗｏ ｒ ｄｓ：ｈ ａ ｎ ｄ ｗｒ ｉｔ ｔ ｅ ｎ ｄ ｉ ｇ ｉ ｔ ｓ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ； ｐ ｒ ｅ—ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ； ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ； ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ
云南 民族大学学报 ： 自然科学版 ， ２ ０ １ ３ ， ２ １ （ Ｓ １ ） ： ６ ７— ７ １
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ２— ８ ５ １ ３ ． ２ ０ １ ３ ． Ｓ １ ． ０ １ ７
Ｃ Ｎ ５ ３—１ １ ９ ２ ／ Ｎ １ Ｓ Ｓ Ｎ １ ６ ７ ２—８ ５１ ３
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｓ ｕ ｒ ｖ ｅ ｙ ｅ ｄ ｔ ｈ ｅ ｍａ ｉ ｎ ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｓ ｉ ｎ ｔ ｈ ｒ ｅ ｅ ｐ ｈａ ｓ ｅ ｓ：ｐ ｒ ｅ—ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ，ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ， ｃ ｌ ａ ｓ ｓ ｉ ｉ— ｆ
现在 的数 字识别 技 术可 分为 印刷体 识别 和手 写体 数 字识 别 ２个 类 别 ， 而 手写 体 数 字识 别 可 分 为联 机 识 别和脱机手写体数字识别两类 ， 本文主要 的是讨论脱机手写体数字识别的问题． 脱机手写体数字识别是模式 识 别 的一个 重要 分支 ， 它 涉及 到模 式识别 中的典 型 问题 如 图像处 理 、 统计 理论 等学科 ， 具 有综 合性 的特 点． 在 邮政 编码 自动识 别 、 处理 的财务 、 税 务报 表 、 支票 、 验证 新 的理论 领域 等都 有着 重要 的理论 意 义和 实用价 值 ． 手写体数字只有 １ ０ 个简单的笔画写成 ， 所 以识别的类别看似只有 ｌ ０ 种简单 的笔划构造 ， 但实际上通过 些测试结果表明 ， 印刷体汉字 的正确识别率高还远远高于数字识别的正确率 ， 有的连联机手写体汉字的正 确 识别 率也 高于数 字识 别率 ， 且 仅仅 只有脱 机手 写 体汉 字 的识 别低 于它 ． 这 些 主要 归 因 于数 字 笔划 差 别 小 ， 字形 相差 不 大 ， 很难 准 确 区分 某些 数字 ， 且很 难做 出兼 顾 世 界各 种 区域 性 写法 识 别 率极 高 的通 用识 别 系 统 ， 即很难 找到 不 同写法 的手写 数字 字符 的共 同特 征 ． 目前 ， 已有 很多论 文 提 出了脱 机手 写体 汉字识 别 的方法 在 不 同 的字符数 据库 中试 验 ， 并 取得 了很 高 的识别 率 ， 但 是对 真 正 的手 写 体数字 的识 别效 果却 没 能很精 确 的达

和 应 用 方 向 。按 照 被识 别 的 原 始 数 字 图 像 信 息 的采 集 方 法 ，
可 以分 为 脱 机 手 写 数 字 识 别 和 联 机 手 写 数 字 识 别 两 种 。鉴 于
字 符 的辨 识 中起 着 首 要 的决 定性 的作 用 。使 用 拓 扑 结 构 构 造 手 写 数 字 识 别 特 征 已经 有 了 许 多研 究 ， 这 些 研 究 都 是 基 但
Ｙ ＡＮ Ｇ ｉ ． ｉ ＤＵＡＮ ｉｃ ｕ ｎ Ｊｎ ｗｅ ． Ｈｕ — ｈ ａ
（ ｃ ｏ ｌ ｆ ｎｏｍａｉｎＳ ｉｎ ｅ ｎ ｎ ｉｅ ｒ ｇ ｈ ｎ ｏ ｇＮｏｍａ Ｕｎｖ ｒｉ ，Ｊｎ ｎ２ ０ ，Ｃｈｎ ） Ｓ ｈ ｏ ｆｒ ｔ ｃｅ ｃ ｄＥ ｇｎ ｅｉ ，Ｓ ａ ｄ ｎ ｒ ｌ ｉｅｓｙ ｉａ ５ ０ ｏＩ ｏ ａ ｎ ｔ １ ４ ｉａ
（ 山东师范 大学 信 息科 学与＿ 程 学院 ， 山东 济 南 ２０ １） Ｔ － ５０ ４
摘 要 ： 机 手 写 体 数 字 识 别 有 着 重 大 的 使 用 价 值 ，特 征 提 取 占据 了 重要 的 位 置 。提 出 了 一种 通 过 拓 扑 特 征 构 造 的 特 征 提 脱 取 新 方 法 ， 于 了 ９ 特 征 对 数 字 进 行 特 征 提 取 ， 后 利 用 分 类 树 的方 法将 数 字 进 行 分 类 。 最后 ， 本 科 学 生 手 写数 字 图像 利 种 然 在 样 本 库 上 的 试验 结 果 表 明 ， 出的 特 征 提 取 方 法 不仅 具 有 很 快 的运 算 能 力 ， 提 而且 较 大幅 度 地 提 高 了识 别 率 。
Ａｂｓｒ ｃ ： Ｏ ｆ－ｉｅ ｈａ ｗ ｒｔｅ ｇｉ ｒｃ ｎｉ ｏ ａ ｒ ａ ａｕｅ ｉ ｔａ ｔ ｌｎ ｎｄ ｉｔ ｎ ｄｉ ｔ ｅ ｏｇ ｔ ｎ ｈ ｓ ｇ ｅ ｔｖ ｌ ， ｎ ｗｈｉｈ ｅ ｔ ｅ ｅ ｔａ ｔｏ ｏ ｕｐ ｅ ｍ ｐｏ ｔｎｔｐｏ ｉｉｎｓ Ａ ｗ ｉ ｃ ｆ ａｕｒ ｘｒ ｃ ｉｎ ｃｃ ｉ ｓｉ ｒａ ｓｔｏ ． ｎｅ

方案 。
而汉字 识别 属 于大 类 别 （ 称 为 超 多 类 ） 式 或 模
识 别 问题 ， 在模 式 识 别理 论 和 方 法 的研 究上 具
有 重要意 义 。
（ ） 字字形 结构 复杂 。 ２汉 （ ） 字 中相 似 字 符 较 多 ， 些 汉 字 的 差 ３汉 有
目前 ， 字输入 主要 分 为人 工 键 盘输 入 和 汉 机器 自动 识 别 输 入 两 种 。人 工 键 盘 输 入 是 指 用 手工击 键 方 式 按 照 一 定 的规 律 将 汉 字 输 入 到计 算 机 ， 目前 已有 数 百 种 键 入 方 法 。但 是 ，
弯 ， 笔 的 拐 角 变 成 圆 折
弧等。
・
笔 画模糊 不规 范 该 连 的不 连 ， 该 连 的 不 却相 连 。
自动识 别 输 入 分 为 语 音 识 别 和 字 符识 别 两种 。汉字识 别 是模 式识 别 的一 个重 要 分 支 ，
也 是文字识 别领 域 中最 困难 的 问题 ， 涉 及模 它
与 拼音文 字的打 字输 入 不 同 ， 人们 往 往需 要 经
别仅 在 于 一 个 点 或 一 个 笔 画 。 Ｆ 于手 写 体 字 ｝ １ 符存在 变形 ， 使得 手 写 体相 似 字 符 的 区分 比印
刷 体要 困难得 多 。
（） ４ 书写 风格 因人 而 异 ， 成 手 写 体 汉 字 造 变形 ， 具体 表现在 以下 几方 面 ：
计 算机 进行识 别 处理 的方 法 ， 是 机器 字符 识 也 别 中最 困难 的一 个 课 题 。这 些 困难 和 问题 表
现在 ：
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

Ｘｎ Ｉ
．
ｑ一 （ ｎ是输入特 征向量 维数 ） 首先输入特征 向量 ｘ＝ 【 ｘ ｎ ，Ｘ ，Ｘ ，．．．，
２识别系统设计
］ Ｔ ，再计 算 Ｆ １ 层各神 经元的值 ，得到上层
模 式 Ｐ和 中间模 式 Ｕ。Ｐ进入 Ｆ ２层 ，通 过 竞
２ 层 的反馈重 新 的，我们将在后 期进一 步改进 完善该 系统 ，争 本文之所 以提 出基于 ＡＲ Ｔ ２神经网络的识 争选 出最佳 神经元 。再 依据 Ｆ
由此可见藏文结构的 复杂性 ，鉴于时 间所
个新模式类 中。当随机分配新神经元时 ，要
０． ５
Ｔ Ｍ 系数 ，设置 （ ０ ｉ ＝ ； ０ ，而 限 ，本 文的 识别方 案暂 时只 限于对 藏文的 ３ Ｏ 初始化 Ｌ
个辅音字符识别 ， 在保证 一定的识 别率基础上 ， 后期将逐渐涉及到藏文音节的识别 。
【 关键词 】吾美藏丈 手写识别 特征提取 神 经 网络
２ ・ ２ Ａ Ｒ Ｔ ２ 神经 网络分类器
２ － ２ ห้องสมุดไป่ตู้ １ 分 类 过 程
１ 引言
藏 文结 构和 汉字 不 同，类似 于汉 字的拼 音 ，一 般藏文单音节 的结构顺序为 ：前加字 ＋ 上 加 字 ＋基 字 十下 加字 ＋元音 ＋后 加字 ＋后 后加字 ，一个藏文单音节最多 由一到七个字符 组合。如下图示例 ：
对字符进行归一化处理。然后将字符 按 ５ ｘ ５规 分 到最 匹配一 类。识别 过程 中，Ｆ １ 、Ｆ ２之 间
３结论
实验对 吾美 藏文 三十个 辅音 字母进 行测 试 ，采用的样本数据由本人书写。每个 辅音 字 母 测试 １ ０ ０次 ，识别率 基 本 ９ ０ ％ 以上 ，证 明 ａ ｒ ｔ ２分 类器识别效果较好 。由于 训练样本库是 基于本人笔迹风格建立 ， 对其他人 的手写藏文 ， 识别率要低一些 ，但经过一些学 习，也可达 到 预期识别效果 。测试结果如下 ：

两个 连通 分量 的距离 相等． 顺次 连接这 些 隔离点 ， 以 及重 叠 区域 的垂 直 边 界 ， 即可得 到 一 条 曲线 切 分路 径 ， 图 ３ 示． 如 所
ｄｉ ０ ３６／． ｓ．００５５ ．００ １．１ ｏ： ．９ ９ｊｉｎ １０ － Ｘ ２ １．００４ １ ｓ ６
在脱机手 写 中文 文 本 的 自动处 理 中 ， 要 先将 需
切分 ， 使用 的先验规 则较少 ， 但这种方 法需要 进行细
化和 路径跟踪 ， 实现 时间较 长．
文本行 中的字符 切分 出来 ， 能进行后 续的识别 、 才 检 索等工作 ． 中文字符 结构 的复杂 性 ， 但 以及 无 约束 书 写情况下字符 内部和字符之间变化 的多样性 ， 使得字 符 的 自动切分变得非常 困难． 目前主要有两类 切分方 法 ： 不基于识别 的切 分 和基于识 别 的切分 ． 中， 其 后 者利用 了字符 的识 别信 息 ， 分 的准确 性优 于前 切
的 ３ ３个 文本行 对 文 中 方 法进 行 实验 ， 无语 言模 型 的 情 况 下 ， 分 准 确 率 可 以 达 到 ８ 在 切
８ ． ０ ， 而验证 了所提 字符切分 方法 的有 效性． ９ ７％ 从
关键词 ： 字符识别 ； 中文字符切分 ； 预切分； 置信度； 动态规划
中图分类号： Ｐ ９ Ｔ ３１
Ｑ ａｒｔ ｉ ｒ ｉａｔ ｕ ｃ ｏ ｓ 分 类器对 单字符 的 ｕｄａ ｃＤｓ ｉ ｎｎ ｎ ｔ ｎ ） ｉ ｃｍ Ｆ ｉ
识别 信息 、 文本 行 的几 何信息 等进 行 融合 ， 得到 切分 假设 的置信度 ， 采 用 动态 规 划算 法搜 索 出最 佳切 并
分 假设 ．
切 分假设 的置信度计算都将影响最终 的切分结果．

法， 实践证明 ， 该算法速度较快 ， 效果较好（ 如图 ３所示 ） 。
０ 引 言
随着计算机应用 的 日益普及 ， 息 的 自动化输 入 已成 为 信 必然趋势 ， 因此 ， 实现手写体汉字 的 自动识别 无疑具有重要 的 实用价值 。目前汉字的印刷体识别 和联 机手 写体识别 问题都 得到 了很好 的解决 ， 已有产品问世 ， 并受到用户的欢迎 。对脱 机手写体汉字识别来说 ， 由于字形变化大 、 稳定的特征难 以提 取、 结构信息难以利用等特 点 ， 使得对 它 的识别 难度非 常大 ， 目前仅在 小字符集方 面取得 了令人 满 意的成果 ， 但对 大字符 集 来说 ， 仍在进行研究 。针对大字符集汉 字数量多的问题 ， 一 般 采用 多级分类 的方法 ， 即先粗 分类 ， 然后再 细分类 。本文 以 Ｈ Ｌ ００手写汉字库为基础 ， 建了一个实验 系统 ， Ｃ ２０ 构 对大字符 集脱机手 写体汉字识 别粗分类 中的一些 问题进行
图 ３ 索引表细化算法示例
１３ 特 征提 取 ．
我们采用 了常见 的投影特 征 、 网格点阵特征 、 向线素特 方
征 和这几种特征构 成的组合 特征 。经 过预处理后 ， 同的汉 不
１ 系统 的设计 与实现
１ １ 系统框架 ．
个完整的脱机手写 体汉字识 别 系统 ７个 部分组 成 ， 其
总体框架如 图 １所示。
特殊的子类 ， 该子类有 一个特 征类 容器 ， 以存放各个 子类 的 可 指针 ， 这样 ， 容器 中不 同的子类指针组合就形成的不同的组合
图 １ 大字符集脱机手写体汉字识别系统
特 征类 。
实验系统采用 Ｖ ＋ ６０设计 ， Ｃ ＋． 硬件 平 台为 赛 扬 ２４ ， ． Ｇ

的笔顺、 笔划起停、 笔划方向等重要信息因而 比联机
识别 的难 度 要 大 得 多 】 由 于 特 征 空 间 分 布 十 分 。
复杂 ， 目前还没有找到完全可分的特征映射及相应 的曲面， 现有的方案多是基于小字符集的研究 ， 且分 类器种类繁 多， 石繁 槐 等采用 基于 支持 向量机 （ｕｐｒＶ ｃ ｒ ａｈ ｅ Ｓ Ｍ） Ｓｐｏ ｅｔ ｃｉ ， Ｖ 的分类决策方法 ， ｔ ｏＭ ｎ 在
现并行处理 ， 提高了分类器的效率。 本文所采用的 Ｂ Ｐ网络为 ４层神经 网络 ， 网络 训练 过程 见 图 ２ 字 符 通 过 不 同 的特 征 提取 手 段 得 ，
到 ２组特征 向量 ， 这 ２组 向量分 别 对 ２个 神经 网 用 络进行训 练 ， 练 的过 程 遵 循 梯 度 下 降原 则 。训 练 训 完成 的网络就 可 以按 着 图 １ ｂ 所 描述 的那样 ， 行 （） 进 文字识别 。
作为生活中交流、 记述的主要方式 ， 大量的汉字
文档需要进行整理 、 查询、 统计和分析， 实现电子化 中文文档的自动识别可以大大提高工作效率 ， 因而
汉字文档 自 动识别研究具有重要意义 。目前印刷体 汉字识 别系统 已经 走 出实 验 室 ， 入 到 办公 自动 化 加 产品的行列¨ ； 机手写体汉字识别 已趋 于成熟 ， 联 有许多 项产 品产 业 化 ， 汉 王 笔 、 ｏｏｏ 如 Ｍ ｔ ｌ 笔等 ； ｒ ａ慧 而脱机手写体汉字识别 因其 自身的复杂性 ， 使得系 统实现具有很大的困难 ， 目前还没有十分成熟的产 品， 是一门待发展的技术， 因此成为了国内外研究的 热点。
歌 （９４ ）西北工业 大学硕 士研究生 ， １８ 一 ， 主要从事信息处理模式识别研究 。