基于过程神经网络的汉字特征提取方法的研究

文章研究了一种基于过程神经网络的脱机手写体汉字特征提取方法。采用描述汉字整体构架性和可拆分性的笔划类型、笔划位置、笔划顺序以及拓扑结构特征的融合,给出了一种脱机手写体汉字特征表征方法以及冗余容错表征形状。采用过程神经网络模型的横向时间累积和纵向空间加权求和方法,模拟手写体汉字从左到右和从上到下的书写过程,给出了提取脱机手写体汉字特征的算法与步骤。采用粒子群优化学习算法保证过程神经网络的全局学习能力和收敛能力,建立了手写体汉字特征知识数据结构表,对SCUT-IRAC中的手写体汉字特征提取进等了仿真实验,结果表明该方法具有良好的“认知”手写体汉字特征的能力。     

多种印刷字体藏文字符的特征提取方法研究

特征提取是文字识别中很重要的环节,传统用于特征提取的方法有模版法、变化特征法、投影直方图法和几何矩特征法等。文章简要介绍和分析了这些传统的特征提取方法及其优缺点,同时,指出了由于藏文字符的特殊性,决定了传统用于特征提取的几种方法在多字体藏文字符特征提取中效果不好的现状,并提出了一种"外围轮廓笔划特征提取法",该方法用于提出多字体的一个外围轮廓笔划的共同特征,效果较好。     

多种印刷字体藏文字符的特征提取方法研究

特征提取是文字识别中很重要的环节,传统用于特征提取的方法有模版法、变化特征法、投影直方图法和几何矩特征法等。文章简要介绍和分析了这些传统的特征提取方法及其优缺点,同时,指出了由于藏文字符的特殊性,决定了传统用于特征提取的几种方法在多字体藏文字符特征提取中效果不好的现状,并提出了一种“外围轮廓笔划特征提取法”,该方法用于提出多字体的一个外围轮廓笔划的共同特征,效果较好。     

用神经网络方法进行汉字的部件识别

用二维图形结构的汉字属性关系图,从二维角度来直接描述汉字具有较强的描述能力.但其中由笔划间的关系图描述的部件通常关系复杂,其匹配问题如果采用传统的匹配方法来解决,其计算量和复杂度是非线性递增的.在此,提出一种神经网络的解决方法.实验结果表明,将神经网络的方法用于汉字的部件识别过程,可以大大地减少计算时间和计算量,且具有一定的容错能力.     

基于笔划的手写体汉字方向分解特征提取方法

提出了一种基于笔划的手写体汉字方向分解特征提取的新方法。根据每个笔划像素点及其邻域像素点的方向分布特征，汉字图像被分解为“横”、“竖”、“撇”和“捺”4种子模式，而无需提取轮廓和骨架。文中构造了5种不同的弹性网络，并将其应用于方向分解特征的提取，最后，应用863手写样本库HCL2000验证了本文方法的有效性。     

基于数学形态学的图像汉字笔划细化和提取

文章提出了一种基于数学形态学的图像汉字笔划细化和提取方法。根据汉字的结构特点,定义了一组新的结构元素序列,保持了原样本图像汉字的连通性和拓扑性的骨架,有效地抑制样本细化后汉字笔划的扭曲和歪斜;在此细化的结果基础上,定义了一种新的汉字笔划提取算法,准确提取出原汉字的横竖撇捺笔划的形状、形态及形式结构信息,取得了理想的效果。     

限制性手写体汉字识别中的笔划跟踪及特征抽取

在对计算机的汉字识别方法讨论分析之后,本文以汉字的结构特征为基础,提出了一个新的笔划跟踪搜索方法,用来解决手写体汉字的识别问铱,在该方案中采取了速度快、质量好的平滑细化等预处理方法。在特征抽取中采用了定向记忆跟踪和笔划拼接二种方法,从而解决了在笔划抽取中,特别是在笔划经过细化处理后,不可避免地带来某种程度的笔划畸变的情况下,如何正确地抽取笔划特征,找到了一个较完善的处理方法。经过大量的计算机实验,证明该方法切实可行。且已使正确识别率提高到95％以上,误认率低于5％,识别速度小于2秒。     

消除手写汉字的毛刺及毛刺粘连

在手写汉字中,毛刺是常见的噪声之一,笔划间的毛刺还经常出现粘连现象,这些粘连严重影响了基于轮廓和骨架的特征提取,从而影响手写汉字的识别率。该文通过定义边缘端点、边缘歧点和边缘直角点,提出了一种迭代算法消除毛刺以及毛刺粘连。实验表明,该算法是稳定的,并且行之有效     

网格笔划密度特征的OPCCR错误自动检测

现有的光学印刷体汉字识别（OPCCR）系统中,汉字识别率虽然已经高达98%以上,但仍然会发生错误识别的情况.通常,这些错误的识别还不能被自动检测,采用人工检测,费时费力,大大降低了实际应用系统的自动化和智能化程度.为此,本论文提出了基于网格笔划密度特征的OPCCR错误的自动检测算法.本算法首先建立标准汉字的网格笔划密度特征的特征库.然后,在OPCCR错误的自动检测时,对光学印刷体汉字图像进行预处理、行分割、列分割得到单个汉字图像,提取单个汉字图像的网格笔划密度特征.再把特征和相应的识别出的汉字的特征库中的特征进行相关匹配.于是,根据特征匹配自动检测OPCCR的错误.     

一种用边界细化汉字的方法

汉字骨架是汉字的一种重要几何特征,如何对汉字进行细化,是对汉字进行识别的前提。在此提出了一种新的细化汉字方法,它是通过笔划的边缘求出其中心,以笔划中心作为细化结果。实验证明该方法具有较好的细化结果。     

运用灰色关联度的仪表数字字符识别

针对仪表数字字符图像识别中存在角度倾斜和非整字的不确定因素,提出一种基于灰色关联度的仪表数字字符识别方法.通过构建硬度特征序列,将字符特征信息中的不确定信息当作"灰信息",利用灰色理论中的灰色关联分析法,分析待测字符特征序列和训练集样本的特征序列之间的相关程度,将最大关联度对应的样本字符作为识读结果.实验结果表明,该算...     

小波包隐Markov模型刀具状态识别研究

针对切削过程中振动信号的特点,利用小波包得到信号能量分布,借助于隐Markov模型(HMM),并以信号的能量分布为特征进行分类,得到一种基于小波包和HMM的切削过程监测新方法.利用实测的钻削振动信号,对该方法进行验证.结果表明该方法能够较有效地识别切削过程刀具的工作状态.     

基于语义构件的甲骨文字库自动生成技术研究

针对甲骨文字形多变、异体字多等特点, 通过对甲骨字的构成分析, 提出一种基于语义构件的甲骨文字库自动生成方法。该方法以动态描述库为基础, 通过算法提取甲骨字的构件特征信息, 重组笔元生成语义构件, 再给语义构件加上特征描述生成构件知识库。通过仿射变换重复使用语义构件自动生成任意甲骨字。实验表明, 该方法能有效解决甲骨文无字库输入的实现, 还可以解决甲骨字编码、构件统计、未释字的考释等。     

基于结构特征的汉字识别

提出一种基于文字结构特征的神经网络手写汉字识别策略 ,根据所提取的文字笔画方向、基本轮廓和交叉点等特征 ,采用基于自组织神经网络的模式聚类该方法完成正规手写文字的识别 .该方法提取的笔画轮廓十分准确有效 ,对手写汉字的约束少 ,可识别的汉字数量大 ,在仿真实验中有效地识别了绝大多数手写汉字     

基于雷达图表示原理的英文字符识别方法

在多元数据多元图表示原理理论基础上,提出了一种新的字符模式识别方法.首先基于多元数据雷达图表示原理进行字符的非数值数据-数值数据变换,进而实现字符信息的雷达图表示;然后对待识别字符进行多元图图形基元和特征基元分析,形成字符识别的多元图基元表示模犁;最后在字符识别的多元图基元表示模型基础上实现字符识别.本文以手写体大写英文字符的识别为例介绍该方法,通过实验证明该方法具有较好的识别效果.     

基于字体颜色的文本信息隐藏算法

根据Word文档的特点,基于颜色特征编码的思想,改进了修改字符颜色在Word文本文档中隐藏信息的算法。通过分别置换字符RGB颜色低4位的值,使信息隐藏量提高到每个字符隐藏12位信息。     

智能装配系统中神经视觉的三维物体识别

根据智能装配系统的实际要求，提出了一种利用神经视觉进行三维物体识别的理论和方法，在利用立体象对重建物体的三维外形的基础上，建立物体的区域图，利用物体的三维矩及其不变性来构造代表物体的特征矢量．采用ＡＲＴ２神经网络构成神经网络分类器，把物体的特征矢量作为神经网络分类器的输入，从而对物体进行识别或分类．这种识别或分类方法可以在线学习，能满足智能装配环境下连续作业的要求     

一种基于核主成分分析的人脸识别方法

针对主成分分析（PCA）算法中存在不能提取非线性特征的问题,提出了利用KPCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

一种基于流形学习重建的脱机手写数字识别算法研究

本文针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,提出了一种基于流形学习重建的手写体数字识别方法。该方法与传统的流行学习识别方法不同,传统的方法是先对待识别模式进行降维,然后再对降维后的特征进行分类识别;本文提出基于重建的LLE算法（简称RLLE）。该算法首先分别对每一类字符训练样本进行LLE降维,得到每一类字符降维后的向量。然后将待识别字符分别在每一类字符中进行降维,并依据该降维后的矢量在每一类中对字符进行重建。最后选取重建误差最小的为待识别的所属的类。通过对MINST字库的一系列实验表明该算法具有较高的识别率,同时该方法为手写体数字识别的研究提供了一条有效的新途径。     

工程图中字符分离和标注字符串生成技术

提出了同步边缘特性检测的轮廓跟踪算法，并基于规则从扫描图像全图轮廓中分离字符轮廓；在此基础上，针对机械工程图，采用全方位的邻域搜索技术生成不同方向的字符串，通过分类树进行识别，并根据专业领域知识进行校正．实验测试表明，该方法具有较好的效果