CN102073871A - 一种基于非负矩阵分解的离线中文字符识别方法 - Google Patents

Abstract

本发明公开了一种基于非负矩阵分解的离线中文字符识别方法，包括如下步骤：对训练集字符图像和需要识别的测试集字符图像中的每个字符图像进行预处理，使字符位于字符图像的居中位置；对预处理后的训练集字符图像进行字符集向量非负矩阵分解，获得部首基；将预处理后的测试集字符图像在部首基上做投影，并获得投影系数；根据投影系数识别所述测试集字符图像中每个字符图像中的字符所对应的文字。本方法利用汉字的形状特征和部首特性，通过汉字部首分解的方法实现更高效率的字符识别。

Description

一种基于非负矩阵分解的离线中文字符识别方法

技术领域

本发明涉及一种字符图像处理方法，具体来说涉及一种基于非负矩阵分解的离线中文字符识别方法。

背景技术

字符识别是利用计算机图形图像处理技术，并结合概率统计的知识，将含字符图像在字符编码表中的位置，最后确定是什么文字，并进行交互处理的理论、方法和技术。它涉及到计算机图形学、图像处理、模式识别、计算机视觉、概率统计、语言学等多个领域，成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。模式识别技术能够把科学数据，包括通过设备获得的数据、图像或是运算中涉及、产生的数字信息转化为直观的、确定的物理对象或者物理量表现在研究者面前，使得他们能够被观察、模拟和计算。在字符识别方面，与本发明最相关的是Jain在《利用可变形模板字符的表达和识别》(Representation andrecognition of character digits using deformable templates)一文提出了将字符的特征模板化的方法：将字符集中的每个字符抽取特征构成模板，并充分考虑可变因素，建立可变模板，通过概率分布方法，对每个字符进行匹配，计算出最大概率。非负矩阵分解方法是目前一种主流的图像稀疏化分解方法，Lee和Seung在1999年《nature》杂志上发表了《通过非负矩阵分解了解物体的局部特征》(Learning theparts of objects by non-negative matrix factorization)一文，阐述了如何通过非负矩阵分解方法来分解图像，使得图像稀疏化，以获得图像的局部特征。

到目前为止，字符识别都是通过对字符集中所有字符比较来实现的，这种方法对于英文(A～Z)和数字(0～9)来说，字符个数分别是26个和10个，比对过程比较简单。而对于复杂的汉字，字符数目巨大，一般中文应用系统需13000字；大型中文应用系统需23000字；政府机关等专用中文应用系统需48000字；图书馆等特殊中文应用系统需100000字以上。目前常用字库采用的是GB2312，它包括6743个汉字，在日常应用中已不够用，准备推广的GB13000.1-1993包括21000个汉字，这样通过每个字符比对的方法来识别文字就大大降低了字符识别的时效性。

发明内容

本发明的目的在于提供一种基于非负矩阵分解的离线中文字符识别方法，本方法利用汉字的形状特征和部首特性，通过汉字部首分解的方法实现更高效率的字符识别。

本发明的目的可通过以下的技术措施来实现：一种基于非负矩阵分解的离线中文字符识别方法，包括如下步骤：

(a)对训练集字符图像中的每个字符图像进行预处理，使字符位于字符图像的居中位置；

(b)对步骤(a)处理后的训练集字符图像进行字符集向量非负矩阵分解，获得部首基；

(c)对需要识别的测试集字符图像中的每个字符图像进行预处理，使字符位于字符图像的居中位置；

(d)将步骤(c)处理后的测试集字符图像在部首基上做投影，并获得投影系数；

(e)根据投影系数识别所述测试集字符图像中每个字符图像中的字符所对应的文字。

所述的步骤(a)和(e)中对字符图像进行预处理的过程为：

(a1)获取所述字符图像的外框参数和所述字符的外框参数；所述字符图像和字符的外框参数包括高度和宽度；

(a2)根据(a1)所得的参数值，计算所述字符在字符图像的居中位置参数，所述居中位置参数为：当所述字符位于居中位置时，所述字符图像的外框与所述字符的外框之间的间距；

(a3)根据(a1)和(a2)所得的参数值，将字符位移到所述字符图像的居中位置。

所述步骤(a1)中字符图像的外框的高度和宽度为所述字符图像的矩阵的高度H_i和宽度W_i，所述字符图像的矩阵是指构成所述字符图像的像素在整幅训练集/测试集图像中的像素坐标值所构成的矩阵。

所述步骤(a1)中字符的外框参数获取过程为：将字符图像转换成为二值图，所述二值图中的背景像素的值设为0；前景像素的值设为1；再对所述字符图像逐行扫描，遇到值为1的像素点则记录下来该像素点的坐标(x，y)，扫描完成后通过比较找到坐标(x，y)中的x方向和y方向上的最大和最小值，一共四个值：最小的y_min计为T(Top)，最小的x_min计为L(Left)，最大的x_max计为R(Right)，最小的y_max计为B(Bottom)，则所述字符的外框参数为：H_c＝y_max-y_min，W_c＝x_max-x_min，其中H_c为高度、W_c为宽度。

所述步骤(a2)中的字符图像的外框与字符的外框之间的间距包括上边距D_T和左边距D_L∶D_T＝(H_i-H_c)/2，D_L＝(W_i-W_c)/2，其中H_i和W_i为字符图像的外框的高度和宽度，H_c和W_c为字符的外框的高度和宽度。

所述步骤(a3)中字符位移时的参数为：M_x＝D_L-x_min，M_y＝D_T-y_min，其中M_x，M_y分别为水平移动距离和垂直方向移动距离；其中M_x＞0，则左移，否则右移；M_y＞0，则上移，否则下移，D_T和D_L分别为字符图像的外框与字符的外框之间的上边距和左边距，x_min和y_min分别为所述字符的像素坐标(x，y)中x方向和y方向上的最小值。

所述步骤(b)中进行字符集向量非负矩阵分解，获得部首基的过程为：所述步骤(a)处理后的训练集字符图像的矩阵为V，对所述矩阵V进行非负矩阵分解，所述非负矩阵分解公式为：V＝WH；其中V是n×m矩阵，W的维数是n×r，H的维数是r×m，r取值为(n+m)r＜nm；分解后的W的每一列则作为一个部首基，H的每一列是V在基上对应的分解系数。

所述步骤(d)中获得投影系数的过程为：

(d1)将待识别的测试集字符图像的矩阵X对部首基W构成的矩阵空间进行映射，得到投影系数H′，具体采用公式：H′＝[H₁，H₂，...H_μ]′＝(W⁺X)′，其中W⁺是W的伪逆；

(d2)量化投影系数H′：对于H′中的每个元素，设定阈值α，如果元素的值≥α，则保留该元素值不变，其它元素值则置为0。

所述步骤(e)中识别字符图像中的字符所对应的文字的过程为：获取H′中非零元素所在位置所对应的W部首空间的分量W_i，由分量W_i构成当前字符图像中的字符所对应的文字。

本发明的基于非负矩阵分解的离线中文字符识别方法相比现有技术具有如下优点：现有的字符识别都是通过对字符集所有字符比较来实现的，这种方法对于字符数目巨大，需要逐个汉字进行计算，运算的次数和时间很多，这样通过每个字符比对的方法来识别文字就大大降低了字符识别的时效性。汉字数目巨大，而汉字的部首数目约为汉字数目的1～2％，因此本发明利用汉字的形状特征和部首特性，通过汉字部首分解的方法，通过汉字部首的比较可以实现的字符识别，这是一种更高效率的字符识别方法本发明的基于非负矩阵分解的离线中文字符识别方法。

附图说明

图1是某一汉字部首分解示意图；

图2是本发明基于非负矩阵分解的离线中文字符识别方法的流程图；

图3(a)是某一字符图像中字符的矩形外框结构图；

图3(b)是某一字符图像中字符的特殊四边形结构图；

图4(a)是未经过预处理之前的某一字符图像；

图4(b)是经过预处理之后的某一字符图像；

图5是某一训练集字符图像经过矩阵分解后得到的部首基图像；

图6是在识别阶段，某个字符图像投影到59个部首基获得H投影系数表；

图7是图6所示的H投影系数表所对应的投影系数曲线图；

图8(a)是测试集字符图像中的某一个字符图像；

图8(b)是图8(a)的字符图像分解所获得构成该文字的部首分解图像。

具体实施方式

由于汉字一般由部首组成，例如图1所示，“铃”字可以分解为“金”和“令”两个部首组合而成，因此，本发明利用汉字的形状特征和部首特性，通过汉字部首分解的方法，通过汉字部首的比较可以实现的字符识别，即实现了对一幅字符集图像中的所有字符图像进行分解，提取正幅字符集图像中所有用到的部首图像，并对部首图像进行部首的字符比对，得到该幅字符集图像的部首集合，再将每个由部首组合成的字符图像映射到部首集合中进行比较，确定当前字符图像是由哪些部首组成，最终识别该字符图像所对应的汉字字符。

本发明提供一种基于非负矩阵分解的离线中文字符识别方法如图2所示，包括如下步骤：

1、对训练集字符图像和测试集字符图像中的每个字符图像进行预处理，使得每个字符图像中的字符位置居中，过程如下：

(11)先确定当前字符图像的外框：

该字符的外框通过读取的字符图像的矩阵获得，将字符图像的矩阵的高度H_i和宽度W_i作为字符的外框的长和宽；这里的矩阵即该字符图像在整幅训练集字符图像中的像素坐标所构成的矩阵；因此，该字符的外框也是一个矩形的外框，外框的某一个实例如附图3(a)所示，该矩形外框将汉字全部包围，其上下左右边距与汉字的边距一致；

(12)获取字符图像中的字符的外框：将字符图像转换成为二值图，所述二值图中的背景像素的值设为0；前景像素的值设为1；再对所述字符图像逐行扫描，遇到值为1的像素点则记录下来该像素点的坐标(x，y)，扫描完成后通过比较找到坐标(x，y)中的x方向和y方向上的最大和最小值，一共四个值：最小的y_min计为T(Top)，最小的x_min计为L(Left)，最大的x_max计为R(Right)，最小的y_max计为B(Bottom)，上述4个值构成该字符图像的特殊四边形，如图3(b)所示，由汉字的最高(T)、最低(B)、最左(L)、最右(R)四个点构成的四边形，该四边形未将汉字全部覆盖，如果需要将整个字符刚好覆盖的外框，则需要得出字符的实际高度H_c和宽度W_c∶H_c＝y_max-y_min，W_c＝x_max-x_min；这里的高度H_c和宽度W_c所构成的矩形外框则做为该字符的外框。再计算出字符归中后的上边距D_T和左边距D_L∶D_T＝(H_i-H_c)/2，D_L＝(W_i-W_c)/2。字符归中的意思是：将字符图像中的字符位移到字符图像的居中位置。

(13)根据上述的计算结果将字符图像平移到图像的居中位置：字符矩形位移的两个分量为M_x，M_y：M_x＝D_L-x_min，M_y＝D_T-y_min，其中，M_x，M_y分别为水平移动距离和垂直方向移动距离，M_x＞0，左移，否则右移；M_y＞0，上移，否则下移。预处理前后的实例如图4(a)和图4(b)所示，预处理后，“梯”字处于图像的中央。

2、对预处理后的训练集字符图像的矩阵进行非负矩阵分解(NMF)，获得部首基。具体过程如下：

(21)设训练集字符图像的矩阵是一个n×m的矩阵V，其中每列是一个n维非负向量并且有m个这样的向量，NMF分解V到W和H，具体公式是：

$V_{\mathrm{i\μ}}\≈{\left(\mathrm{WH}\right)}_{\mathrm{i\μ}}=\underset{\mathrm{\α}=1}{\overset{r}{\mathrm{\Σ}}}{W}_{\mathrm{i\α}}{H}_{\mathrm{\α\μ}};$

其中，W的维数是n×r，而r×m是H的维数。W的每一列是一个基，而H的每一列是V在基上对应的分解系数。这里通常情况下r的选择要求为(n+m)r＜nm。

(22)算法从随机初始化W，H开始，采用迭代公式：

同时

直到收敛为止。

(23)到收敛的时候，V作为字符集向量，W是一组基，即汉字的部首集合，H是字符向量对应到基上的系数。W作为部首基向量保存下来。部首基实例如图5所示，保存文件格式为采用mat的标准数据格式。该图表示了某一包含400个字符图像的字符集图像进行分解后获得的59个部首图像。

3、将预处理后的测试集字符图像的矩阵在部首基上做投影，获得投影系数：

(31)待识别的字符图像的矩阵X，对部首基W的所构成的矩阵空间进行映射可得投影系数H′，H′可看作文字图像X在W空间映射得到每个部首W_ia的权重系数，H′可由公式：

H＝[H₁，H₂，...H_μ]＝W⁺X获得，其中W⁺是W的伪逆。

投影过程如图4(b)所示。H′可看作矩阵X所对应的测试集字符图像在W空间映射得到每个部首W_ia的权重系数。

(32)对投影系数H′中的元素进行量化处理：H′的元素值如果≈0或者≤0，则通过量化处理置为0；而其中比较大的H′予以保留；具体地可以采用一个经验阈值α来划分量化界限，对于小于α的元素值，则置为0，对于大于等于α的元素值，则保留。α的值取经验值，如图6所示是某个训练集图像经过上述过程处理后的投影系数表，该表中，第39个系数为11.8262，第59个系数为9.9332，而其他系数很小或者小于0，这里的α取为5。相应的，系数向量曲线如图7所示。

4、根据分解系数来确定文字的部首构成，最后识别文字的步骤：

根据H′中保留的非零系数，对应到W部首空间相应位置的分量W_ia；结果如图7所示，其中最大的系数即为曲线峰值处圆圈标出的点值，其他数据接近于0和小于0则置为0，其中的非零值也就是上步骤量化处理后保留的值。在识别阶段，字符图像投影到59个部首基获得H系数曲线图，横坐标为部首基的排序，纵坐标为投影系数的大小，在图中，第39个部首系数为11.8262，第59个部首系数为9.9332，分别用红点标注。而其他系数由于量化处理后为0，因此忽略，则该字符由第39个部首和第59个部首构成。

综上，W_ia则可以确定该汉字的部首构成，由此可以识别该汉字图像属于什么文字。实例如图8所示，其中图8(a)是待识别的原图“炶”，图8(b)是投影获得的分解部首“火”和“占”。

本发明的实施方式不限于此，在本发明上述基本技术思想前提下，按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更，均落在本发明权利保护范围之内。

Claims (9)

1.一种基于非负矩阵分解的离线中文字符识别方法，其特征在于包括如下步骤：

(a)对训练集字符图像中的每个字符图像进行预处理，使字符位于字符图像的居中位置；

(b)对步骤(a)处理后的训练集字符图像进行字符集向量非负矩阵分解，获得部首基；

(c)对需要识别的测试集字符图像中的每个字符图像进行预处理，使字符位于字符图像的居中位置；

(d)将步骤(c)处理后的测试集字符图像在部首基上做投影，并获得投影系数；

(e)根据投影系数识别所述测试集字符图像中每个字符图像中的字符所对应的文字。

2.根据权利要求1所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述的步骤(a)和(e)中对字符图像进行预处理的过程为：

(a1)获取所述字符图像的外框参数和所述字符的外框参数；所述字符图像和字符的外框参数包括高度和宽度；

(a2)根据(a1)所得的参数值，计算所述字符在字符图像的居中位置参数，所述居中位置参数为：当所述字符位于居中位置时，所述字符图像的外框与所述字符的外框之间的间距；

(a3)根据(a1)和(a2)所得的参数值，将字符位移到所述字符图像的居中位置。

3.根据权利要求2所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述步骤(a1)中字符图像的外框的高度和宽度为所述字符图像的矩阵的高度H_i和宽度W_i，所述字符图像的矩阵是指构成所述字符图像的像素在整幅训练集/测试集图像中的像素坐标值所构成的矩阵。

4.根据权利要求2所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述步骤(a1)中字符的外框参数获取过程为：将字符图像转换成为二值图，所述二值图中的背景像素的值设为0；前景像素的值设为1；再对所述字符图像逐行扫描，遇到值为1的像素点则记录下来该像素点的坐标(x，y)，扫描完成后通过比较找到坐标(x，y)中的x方向和y方向上的最大和最小值，一共四个值：最小的y_min计为T(Top)，最小的x_min计为L(Left)，最大的x_max计为R(Right)，最小的y_max计为B(Bottom)，则所述字符的外框参数为：H_c＝y_max-y_min，W_c＝x_max-x_min，其中H_c为高度、W_c为宽度。

5.根据权利要求2所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述步骤(a2)中的字符图像的外框与字符的外框之间的间距包括上边距D_T和左边距D_L∶D_T＝(H_i-H_c)/2，D_L＝(W_i-W_c)/2，其中H_i和W_i为字符图像的外框的高度和宽度，H_c和W_c为字符的外框的高度和宽度。

6.根据权利要求2所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述步骤(a3)中字符位移时的参数为：M_x＝D_L-x_min，M_y＝D_T-y_min，其中M_x，M_y分别为水平移动距离和垂直方向移动距离；其中M_x＞0，则左移，否则右移；M_y＞0，则上移，否则下移，D_T和DL分别为字符图像的外框与字符的外框之间的上边距和左边距，x_min和y_min分别为所述字符的像素坐标(x，y)中x方向和y方向上的最小值。

7.根据权利要求1所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述步骤(b)中进行字符集向量非负矩阵分解，获得部首基的过程为：所述步骤(a)处理后的训练集字符图像的矩阵为V，对所述矩阵V进行非负矩阵分解，所述非负矩阵分解公式为：V＝WH；其中V是n×m矩阵，W的维数是n×r，H的维数是r×m，r取值为(n+m)r＜nm；分解后的W的每一列则作为一个部首基，H的每一列是V在基上对应的分解系数。

8.根据权利要求1所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述步骤(d)中获得投影系数的过程为：

(d1)将待识别的测试集字符图像的矩阵X对部首基W构成的矩阵空间进行映射，得到投影系数H′，具体采用公式：H′＝[H₁，H₂，...H_μ]′＝(W⁺X)′，其中W⁺是W的伪逆；

(d2)量化投影系数H′：对于H′中的每个元素，设定阈值α，如果元素的值≥α，则保留该元素值不变，其它元素值则置为0。

9.根据权利要求1所述的一种基于非负矩阵分解的离线中文字符识别方法，其特征在于：所述步骤(e)中识别字符图像中的字符所对应的文字的过程为：获取H′中非零元素所在位置所对应的W部首空间的分量W_i，由分量W_i构成当前字符图像中的字符所对应的文字。

Images