CN103324929A - 基于子结构学习的手写中文识别方法 - Google Patents

基于子结构学习的手写中文识别方法 Download PDF

Info

Publication number
CN103324929A
CN103324929A CN2013102551593A CN201310255159A CN103324929A CN 103324929 A CN103324929 A CN 103324929A CN 2013102551593 A CN2013102551593 A CN 2013102551593A CN 201310255159 A CN201310255159 A CN 201310255159A CN 103324929 A CN103324929 A CN 103324929A
Authority
CN
China
Prior art keywords
minor structure
segmentation
chinese character
character
minor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013102551593A
Other languages
English (en)
Other versions
CN103324929B (zh
Inventor
朱远平
何源
孙俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Normal University
Fujitsu Ltd
Original Assignee
Tianjin Normal University
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Normal University, Fujitsu Ltd filed Critical Tianjin Normal University
Priority to CN201310255159.3A priority Critical patent/CN103324929B/zh
Publication of CN103324929A publication Critical patent/CN103324929A/zh
Application granted granted Critical
Publication of CN103324929B publication Critical patent/CN103324929B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Character Discrimination (AREA)

Abstract

本发明公开了一种基于子结构学习的手写中文识别方法，将字符分割片段视为汉字的子结构，从汉字分割片段样本中提取汉字子结构模式，并将汉字子结构模式纳入汉字分类器训练中，最后结合子结构识别信息和汉字子结构组成信息实现手写中文字符串的识别。本发明基于汉字是由一个或多个子结构组成的这一特点，通过提取汉字子结构，并在汉字分类器中将汉字子结构和汉字单字同时进行训练，能有效提高手写中文字符串识别过程中字符分割片段的识别可靠性，减少由于不可靠的字符分割片段识别导致手写中文字符串的识别错误，提高手写汉字识别精度。

Description

基于子结构学习的手写中文识别方法
技术领域
本发明属于模式识别学科技术领域，特别是一种手写中文字符串的识别方法。
背景技术
手写中文识别技术在办公自动化、数据录入、人机交互等领域具有广泛的应用，然而无限制的手写中文识别技术是其中的难点，制约了其在实际商用中的普及，但其良好的应用前景使其成为当前技术研究的热点。传统手写中文识别技术采用基于识别的分割方法来实现手写中文字符串的识别，先将中文字符串分割成若干个字符片段，通常一个字符会被分割成一个或多个字符片段，由此构成一个字符片段序列，不同的字符片段组合方式形成不同的分割路径。然后，利用汉字识别器/分类器对字符片段的组合进行识别，选择一条汉字识别置信度最高的分割路径实现对手写中文字符串的分割与识别。显然，该技术希望错误的分割片段组合上得到的汉字识别置信度越低越好。传统方法所使用的汉字分类器只对汉字类别进行了训练，而实际应用中，由于手写汉字变形大、不规范、手写风格差异大等诸多因素影响下，传统汉字识别器在字符分割片段上的识别可靠性低，限制了最终的字符串识别精度。若能将稳定的字符分割片段模式提取出来并纳入分类器训练，将有助于提高汉字单字与字符分割片段间的识别与辨析可靠性。
发明内容
本发明就是为了解决上述现有技术中的问题，而提供一种基于子结构学习的手写中文识别方法，将字符分割片段视为汉字的子结构，从汉字分割片段样本中提取汉字子结构模式，并将汉字子结构模式纳入汉字分类器训练中，最后结合子结构识别信息和汉字子结构组成信息实现手写中文字符串的识别。
本发明是按以下技术方案实现的：
一种基于子结构学习的手写中文识别方法，包括子结构学习和基于子结构识别的手写文本识别两大部分；其中，子结构学习包括如下步骤：
步骤1.1  局部子结构学习, 从某一个汉字对应的分割样本中通过聚类分析去发现和提取局部子结构模式；
步骤1.2  全局子结构学习, 合并前各局部子结构对应的字符分割片段样本，作为对应全局子结构的训练样本；
步骤1.3  创建子结构字典，存储子结构列表和字符分割模式列表；子结构列表中存储步骤1.2中获得的全局子结构；字符分割模式列表记录所有汉字的字符分割模式；
步骤1.4  子结构识别器训练，子结构识别器的训练采用的识别特征和识别方法与字符识别器相同。所谓字符识别器是针对单字识别，专业技术人员可用任何已知的单字字符识别方法或训练得到的单字字符识别器。
基于子结构识别的手写文本识别部分包括如下步骤：
步骤2.1  字符分割, 采用过分割的方法，使一个字符由一个或多个分割片段组成；
步骤2.2  分割片段组合生成, 相邻的一个或几个分割片段组成一个分割片段子序列，按不同组合方式，对分割片段序列进行划分，再按顺序连接成一个分割片段序列组合；
步骤2.3  基于字符识别器的汉字识别, 以分割片段子序列为单位，使用字符识别器逐个进行识别，并获得字符分割片段子序列的字符识别置信度；
步骤2.4  基于子结构识别器的汉字识别, 先在分割片段上使用子结构识别器进行子结构识别，然后通过子结构序列寻找匹配的汉字分割模式，实现汉字识别;
步骤2.5  分割路径搜索，一个分割片段序列组合将对应一条分割路径，分割路径搜索为在所有的分割路径中寻找字符串识别置信度最高的一条分割路径，并将该分割路径对应的识别结果作为最终识别结果。
其中，局部子结构学习的聚类分析包括以下步骤：
步骤1.1.1  为第i个汉字提取分割片段特征向量：
                                                
Figure 362746DEST_PATH_IMAGE004
表示第i个汉字，该汉字有
Figure 2013102551593100002DEST_PATH_IMAGE005
个训练样本，其中第j个样本为
Figure 2013102551593100002DEST_PATH_IMAGE007
，字符样本的分割结果为分割片段序列
Figure 2013102551593100002DEST_PATH_IMAGE011
，
Figure 2013102551593100002DEST_PATH_IMAGE013
为序列长度，即分割片段个数；对第i个汉字的每个样本进行字符分割，获得每个样本的分割片段序列
Figure 2013102551593100002DEST_PATH_IMAGE015
，提取各个分割片段的特征向量，第i个汉字的所有字符分割片段的特征向量保存在列表Li中，如公式(1)所示；
     
Figure 2013102551593100002DEST_PATH_IMAGE017
                               (1)
其中
Figure 2013102551593100002DEST_PATH_IMAGE019
是第i个汉字所有训练字符样本生成的分割片段的总数；
步骤1.1.2  为第i个汉字构建分割片段样本距离矩阵：
矩阵行列数为该汉字的分割片段样本总数，每个矩阵元素为分割片段样本两两间的距离：
     
Figure 2013102551593100002DEST_PATH_IMAGE021
                  (2)
步骤1.1.3  构建相似样本直方图：
直方图的每一项为样本集中与某个样本相似的样本数目
  
Figure 2013102551593100002DEST_PATH_IMAGE023
                  (3)
相似判据为两样本间距离小于某一阈值
Figure 2013102551593100002DEST_PATH_IMAGE025
，的取值范围大于0，可优选为0.8。；
步骤1.1.4  在相似样本直方图中搜索第t轮具有最大值的样本k(t)，计算方法如公式(4)，t从1开始计数；
   
Figure 951094DEST_PATH_IMAGE028
                       (4)
步骤1.1.5  分配初始聚类样本：将与第k(t)个样本相似的所有样本分配给第t个分割片段聚类，已分配样本将并在后一轮处理中被忽略，然后搜索轮数加1，即t=t+1；
步骤1.1.6  重复步骤1.1.4到步骤1.1.5，直到第t轮直方图最大值小于某个值，即：
   
Figure 667466DEST_PATH_IMAGE030
                                      (5)
其中
Figure 238124DEST_PATH_IMAGE032
；
其中，
Figure 994990DEST_PATH_IMAGE034
的取值范围大于0小于1，可优选为0.4。
 
步骤1.1.7：进行聚类迭代：初始聚类数目为t，且在上述t个初始聚类样本基础上执行聚类迭代，未被分配到初始聚类的样本被舍弃；采用k-means聚类方法执行该聚类分析；
步骤1.1.8：获取第i个汉字的局部子结构列表：以分割片段聚类中心
Figure 258481DEST_PATH_IMAGE036
来表示子结构模式，一个聚类对应一个局部子结构，这样，第i个汉字的局部子结构记录为：
Figure 530325DEST_PATH_IMAGE038
                              (6)
步骤1.1.9：重复步骤1.1.1至1.1.8，逐类获得所有汉字的局部子结构，所有的局部子结构被记录在列表LSS中，如公式(7)所示：
                                 (7) 
其中，NLSS为局部子结构的数目。
所述的子结构识别器训练可以采用子结构识别器和字符识别器独立训练的方式，也可以采用子结构识别器和字符识别器一起训练生成融合识别器的方法，在融合识别器中，类型2子结构与其相似的汉字共享分类器单元。
全局子结构学习聚类分析包括如下步骤：
步骤1.2.1  构建子结构距离矩阵，检测候选相似子结构：
矩阵行列数为局部子结构总数，每个矩阵元素为局部子结构两两间的距离：
    
Figure 516046DEST_PATH_IMAGE042
                (8)
距离越小，则两个子结构相似度越高，满足以下条件的两个子结构被视为相似子结构：
   
Figure 469482DEST_PATH_IMAGE044
                                 (9)
其中，
Figure 290938DEST_PATH_IMAGE046
分别为第m和第n个局部子结构对应的分割片段样本聚类的标准方差，取值为大于0，可优选为0.3。
步骤1.2.2  生成初始子结构聚类：
将两个相似子结构互相为最相似子结构的两个子结构合并为一个初始子结构聚类；
步骤1.2.3  初始子结构聚类生长：
以初始子结构聚类为基础，若某个子结构与某个相似子结构聚类内所有成员子结构都构成相似关系，则把该子结构加入到初始子结构聚类中；遍历所有的子结构并重复执行，直到未有新的子结构被合并到初始子结构聚类中，该步骤结束；
步骤1.2.4  相似子结构聚类合并：
未被合并到初始子结构聚类的子结构各自构成一个只包含自身的子结构聚类；若两个子结构聚类间相似子结构对的数目大于以下阈值，则该两个子结构聚类视为相似子结构，进行合并；
   
Figure 2013102551593100002DEST_PATH_IMAGE049
                              (10)
其中，
Figure 2013102551593100002DEST_PATH_IMAGE051
分别为第m和n个子结构聚类中局部子结构的数目，
Figure 2013102551593100002DEST_PATH_IMAGE053
取值大于0小于1。
重复执行该步骤，直到未有新的相似子结构聚类合并发生，最终，每个子结构聚类中心SS(n),n=1,…,NGSS表示一个全局子结构，所有的全局子结构记录在列表GSS中，如公式(11)所示；
  
Figure 2013102551593100002DEST_PATH_IMAGE055
                              (11)
其中，NGSS为全局子结构的数目。
 
步骤1.2.5  全局子结构类型划分：
全局子结构分为两类，类型1为不相似于汉字的全局子结构，类型2为相似于汉字的全局子结构；对于类型2子结构，在子结构识别器中，直接使用对应汉字的分类器单元；类型2全局子结构满足式(12)所示条件；
   
Figure 2013102551593100002DEST_PATH_IMAGE057
                                        (12)
其中，
Figure 2013102551593100002DEST_PATH_IMAGE059
为第n个子结构和第i个汉字间的距离，如公式(13)所示；
 
Figure 2013102551593100002DEST_PATH_IMAGE061
                                      (13)
Figure 92148DEST_PATH_IMAGE002
       为所有子结构和汉字距离的平均值，
Figure 56561DEST_PATH_IMAGE062
取值大于0。
创建子结构字典步骤中，获取字符分割模式的步骤如下：
对于第i个汉字
Figure 2013102551593100002DEST_PATH_IMAGE063
第j个训练样本的分割片段序列
Figure DEST_PATH_IMAGE065
，若其每个分割片段样本都能找到对应的全局子结构，则该分割片段序列有子结构序列
Figure DEST_PATH_IMAGE067
和其匹配，该子结构序列
Figure 32827DEST_PATH_IMAGE068
即为该汉字的一种字符分割模式，记为
Figure DEST_PATH_IMAGE069
；排除重复的字符分割模式即得到该汉字的所有字符分割模式。
步骤2.4的具体实现方法如下：
步骤2.4.1  分割片段子结构识别
使用子结构分类器对各个分割片段子序列进行识别，获得不同字符分割片段序列的子结构识别结果； 
步骤2.4.2   利用子结构组合识别汉字
在分割片段序列中通过不同组合方式，获得不同的子结构序列；若多个子结构识别结果组成的子结构序列，能在子结构字典中寻找到匹配的分割模式，则表明该子结构序列可构成相应汉字。
步骤2.5中寻找最优分割路径的方法为，将单个汉字的两种识别结果，基于字符识别器的汉字识别结果和基于子结构识别器的汉字识别结果，进行比较，比较这两个识别结果中的识别置信度，取识别置信度较高的识别结果为该分割片段序列上的汉字识别结果，并在此基础上计算不同分割路径下的字符串识别置信度，取置信度最高的分割路径为最优分割路径，并将最优分割路径对应的识别字符串作为最终的文本识别结果。
本发明具有的优点和积极效果是：
本发明基于汉字是由一个或多个子结构组成的这一特点，通过提取汉字子结构，并在汉字分类器中将汉字子结构和汉字单字同时进行训练，能有效提高手写中文字符串识别过程中字符分割片段的识别可靠性，减少由于不可靠的字符分割片段识别导致手写中文字符串的识别错误，提高手写汉字识别精度。
附图说明
图1是本发明基于子结构学习的手写中文识别方法系统框图；
图2是基于两阶段聚类的子结构学习方法的流程图；
图3是一个汉字的局部子结构学习示意图；
图4是两种子结构类型的示意图；
图5是字符分割片段序列、子结构序列和字符分割模式间关系的示意图；
图6是本发明的基于子结构识别的手写文本识别方法与传统方法的对比示意图。
具体实施方式
为了实现发明目的，本发明做了以下工作：
1）提出了一种汉字子结构的自动学习方法：
将字符分割片段视为汉字的子结构，从实际文本和字符样本中生成大量的汉字分割片段样本，通过对这些样本的聚类分析自动提取出稳定的字符分割片段模式作为汉字子结构模式，并记录下不同汉字的子结构组成信息，存放在子结构字典中。同时，为了解决大量样本所带来的计算困难，提出了一种两阶段聚类分析方法，将子结构学习分为局部子结构学习和全局子结构学习两阶段进行。
2）提出了一种基于子结构识别的手写文本识别方法：
利用汉字子结构识别器在字符分割片段上的识别结果，结合子结构学习中获取的汉字子结构组成信息，若发现存在由字符分割片段模式组成的合法汉字，则与字符分割片段组合的汉字识别结果进行比较，优选结果作为最终文本字符串中的汉字识别结果。
由此可得，本发明中基于子结构学习的手写中文识别方法包括两部分，子结构学习和基于子结构识别的手写文本识别。整个系统流程图如图1所示。
 
一、子结构学习：
常用的汉字有数千个，对应的子结构也在数千个左右。同时，在汉字识别器训练中通常每个汉字使用数百个样本，对应每个汉字有数千个汉字分割片段样本。因此，在一般情况下，子结构学习问题实际上是从数百万个汉字分割样本中发现和提取数千个子结构模式的问题。手工实现这个工作不现实，采用自动聚类的方式来实现这一个任务成为必然。但这样大量的样本数据难于一次导入普通计算机中进行运算，即便如此，过长计算时间也难于接受。为此，本发明的方法采用两阶段聚类分析来实现子结构学习过程。
1）局部子结构学习
局部子结构被定义为字符相关子结构，即存在于某一个汉字字符中的子结构模式。仅从某一个汉字对应的分割样本中通过聚类分析去发现和提取局部子结构模式。
 
2）全局子结构学习
显然，不同字符间存在大量相同或相似的子结构模式，这些子结构模式应该被合并起来，最后作为全局子结构，也就是一般所说的子结构。在子结构组成信息和子结构识别器训练中，都是以全局子结构为基础进行处理。合并前各局部子结构对应的字符分割片段样本都作为对应全局子结构的训练样本。
由此，加上创建子结构字典和子结构识别器训练两步骤，子结构学习共包括四个步骤，如图2所示。 
 
步骤1.1 局部子结构学习
假设汉字字符集中共有
Figure 764416DEST_PATH_IMAGE070
个汉字，
Figure 309929DEST_PATH_IMAGE072
表示第i个汉字，该汉字有
Figure 128849DEST_PATH_IMAGE005
个训练样本，其中第j个样本为
Figure 400650DEST_PATH_IMAGE074
，字符样本
Figure DEST_PATH_IMAGE075
的分割结果为分割片段序列
Figure DEST_PATH_IMAGE077
，
Figure DEST_PATH_IMAGE079
为序列长度，即分割片段个数。用字符分割片段图像上提取的字符识别特征向量来表示各个分割片段。局部子结构学习对汉字逐个类别进行聚类分析，提取各个汉字类的子结构，为了提取稳定的分割片段模式，局部子结构的聚类分析包括以下步骤：
步骤1.1.1 为第i个汉字提取分割片段特征向量。
对第i个汉字的每个样本
Figure 947431DEST_PATH_IMAGE014
进行字符分割，获得每个样本的分割片段序列
Figure 467274DEST_PATH_IMAGE015
，提取各个分割片段的特征向量，第i个汉字的所有字符分割片段的特征向量保存在列表Li中，如公式(1)所示。
  
Figure DEST_PATH_IMAGE081
                                  (1)
其中是第i个汉字所有训练字符样本生成的分割片段的总数。
 
步骤1.1.2：为第i个汉字构建分割片段样本距离矩阵。
矩阵行列数为该汉字的分割片段样本总数，每个矩阵元素为分割片段样本两两间的距离：
                       (2)
步骤1.1.3：构建相似样本直方图。
直方图的每一项为样本集中与某个样本相似的样本数目
                    (3)
相似判据为两样本间距离小于某一阈值
Figure DEST_PATH_IMAGE089
，
Figure 285842DEST_PATH_IMAGE026
的取值范围为大于0，可优选设为0.8。
步骤1.1.4：在相似样本直方图中搜索第t轮具有最大值的样本k(t)，计算方法如公式(4)。t从1开始计数。
 
Figure DEST_PATH_IMAGE091
                         (4)
步骤1.1.5：分配初始聚类样本。将与第k(t)个样本相似的所有样本分配给第t个分割片段聚类，已分配样本将并在后一轮处理中被忽略，然后搜索轮数加1，即t=t+1。
步骤1.1.6：重复步骤1.1.4到步骤1.1.5，直到第t轮直方图最大值小于某个值，即：
 
Figure DEST_PATH_IMAGE093
                                           (5)
其中，
Figure 813032DEST_PATH_IMAGE096
的取值范围为大于0小于1，可优选设置为0.4。
步骤1.1.7：进行聚类迭代。初始聚类数目为t，且在上述t个初始聚类样本基础上执行聚类迭代，未被分配到初始聚类的样本被舍弃。一般可采用k-means聚类方法执行该聚类分析。
 
步骤1.1.8：获取第i个汉字的局部子结构列表。以分割片段聚类中心来表示子结构模式，一个聚类对应一个局部子结构，这样，第i个汉字的局部子结构记录为：
  
Figure 820576DEST_PATH_IMAGE100
                            (6)
步骤1.1.9：重复步骤1.1.1至1.1.8，逐类获得所有汉字的局部子结构，所有的局部子结构被记录在列表LSS中，如公式(7)所示。
   
Figure 115554DEST_PATH_IMAGE102
                               (7) 
其中，NLSS为局部子结构的数目。
 
实际上，步骤1.1.2至步骤1.1.6都是在初始化聚类参数，包括聚类数目和初始聚类样本分配的工作，其目的就在于发现稳定、高概率出现的分割片段模式，排除不稳定的、少见的分割片段噪声样本。图3给出了以一个汉字“啊”为例的子结构学习示意图。
 
步骤1.2 全局子结构学习
全局子结构学习的主要目的在于寻找不同字符间相似的分割片段模式，并将它们合并起来，其中准确发现局部子结构间的相似关系是关键。具体而言，全局子结构学习采用的聚类分析方法为：
步骤1.2.1：构建子结构距离矩阵，检测候选相似子结构。
矩阵行列数为局部子结构总数，每个矩阵元素为局部子结构两两间的距离：
  
Figure 499130DEST_PATH_IMAGE104
                  (8)
距离越小则两个子结构相似度越高，满足以下条件的两个子结构被视为相似子结构：
    
Figure 613979DEST_PATH_IMAGE106
                                 (9)
其中，
Figure 741204DEST_PATH_IMAGE108
分别为第m和第n个局部子结构对应的分割片段样本聚类的标准方差，
Figure 890688DEST_PATH_IMAGE047
取值为大于0，可优选设为0.3。
 
步骤1.2.2：生成初始子结构聚类。
若两个相似子结构互相为最相似子结构，则该两个子结构合并为一个初始子结构聚类。
 
步骤1.2.3：初始子结构聚类生长。
以初始子结构聚类为基础，若某个子结构与某个相似子结构聚类内所有成员子结构都构成相似关系，则把该子结构加入到初始子结构聚类中。遍历所有的子结构并重复执行，直到未有新的子结构被合并到初始子结构聚类中，该步骤结束。
 
步骤1.2.4：相似子结构聚类合并。
未被合并到初始子结构聚类的子结构各自构成一个只包含自身的子结构聚类。若两个子结构聚类间相似子结构对的数目大于以下阈值，则该两个子结构聚类视为相似子结构，进行合并。
  
Figure 179587DEST_PATH_IMAGE110
                               (10)
其中，
Figure 483529DEST_PATH_IMAGE112
分别为第m和n个子结构聚类中局部子结构的数目，
Figure DEST_PATH_IMAGE113
取值大于0小于1，可优选设为0.5。
重复执行该步骤，直到未有新的相似子结构聚类合并发生。最终，每个子结构聚类中心SS(n),n=1,…,NGSS表示一个全局子结构，所有的全局子结构记录在列表GSS中，如公式(11)所示。
       
Figure DEST_PATH_IMAGE115
                         (11)
其中，NGSS为全局子结构的数目。
 
步骤1.2.5：全局子结构类型划分。
很多子结构本身也是汉字单字，或者相似于汉字单字。因此，全局子结构分为两类，类型1为不相似于汉字的全局子结构，类型2为相似于汉字的全局子结构。对于类型2子结构，在子结构识别器中，将直接使用对应汉字的分类器单元。类型2全局子结构满足式(12)所示条件。
   
Figure DEST_PATH_IMAGE117
                                        (12)
其中，
Figure DEST_PATH_IMAGE119
为第n个子结构和第i个汉字间的距离，如公式(13)所示。
   
Figure DEST_PATH_IMAGE121
                                   (13)
为所有子结构和汉字距离的平均值，
Figure DEST_PATH_IMAGE125
取值大于0，可优选设为0.3。
图4给出了两种子结构类型的示意图，其中，类型2子结构的第三个和第四个例子表示了两个相似的局部子结构合并为一个全局子结构且和一个汉字相似的情况。
 
步骤1.3 创建子结构字典
子结构字典要存储两个重要信息：子结构列表和字符分割模式列表。子结构列表包含子结构学习中获得的全局子结构，即包含在公式(11)所示列表GSS中。字符分割模式指示每个字符在分割中可能得到的一个子结构序列形式。一个字符样本在字符分割中被切分成一个字符分割片段序列。若该序列中的每个字符分割片段都能找到对应的子结构，则该字符分割片段序列与一个子结构序列对应，这个子结构序列即称为该字符的分割模式。一类字符的不同样本可能出现多种字符分割片段序列和对应多种子结构序列，故一类字符可能有多个分割模式。字符分割片段序列、子结构序列和字符分割模式之间的关系如图5所示。
字符分割模式的具体获取方法如下：
对于第i个汉字
Figure 21302DEST_PATH_IMAGE063
第j个训练样本的分割片段序列，若其每个分割片段样本都能找到对应的全局子结构，则该分割片段序列有子结构序列
Figure DEST_PATH_IMAGE129
和其匹配，该子结构序列
Figure DEST_PATH_IMAGE131
即为该汉字的一种字符分割模式，记为
Figure DEST_PATH_IMAGE133
。排除重复的字符分割模式即可得到该汉字的所有字符分割模式。
逐类对各个汉字进行处理，记录每个汉字所有可能的字符分割模式，可获得所有汉字的分割模式。为了减小子结构字典大小，在字典创建中一般只保留最常见的子结构和最常见的字符分割模式。最终，所有的字符分割模式记录在列表SP中，如公式(14)所示。
      
Figure DEST_PATH_IMAGE135
                            (14)
其中，
Figure DEST_PATH_IMAGE137
为列表中第k个字符分割模式。
 
步骤1.4 子结构识别器训练
子结构识别器的训练采用的识别特征和识别方法与字符识别器相同。只有全局子结构需要训练，在全局子结构学习中被合并的各局部子结构对应的字符分割片段样本都可作为相应全局子结构的训练样本。
实际上，由于使用相同特征和识别方法，可将子结构识别器和字符识别器放在一起训练，获得子结构和字符的融合识别器。由于类型2子结构有相似汉字与其对应，在这种方式中，类型2子结构可直接使用融合识别器中对应汉字的分类器单元。由此，融合识别器需要训练的总的类别数为：
 
Figure DEST_PATH_IMAGE139
                                    (15)
其中，NGSS_Type1为类型1子结构数目。
 
二、基于子结构识别的手写文本识别
在完成子结构学习，获得子结构字典和子结构识别器后，可以将子结构识别加入手写文本识别过程中，以提高最终识别性能。基于子结构识别的手写文本识别方法的具体过程描述如下。
 
步骤2.1：字符分割
将目标字符串T切分成一个字符分割片段序列
Figure DEST_PATH_IMAGE141
，NA为分割片段数。一般采用过分割的方法，使一个字符由一个或多个分割片段组成。
 
步骤2.2 分割片段组合生成
相邻的一个或几个分割片段可组成一个分割片段子序列，按不同组合方式，对分割片段序列A进行划分，再按顺序连接成一个分割片段序列组合。一个分割片段序列组合将对应一条分割候选路径，所有的分割片段序列组合构成一个集合。
令表示由第m到n个分割片段组成的分割片段子序列。分割片段序列组合集合中第i个分割片段序列组合为
Figure DEST_PATH_IMAGE147
，由
Figure 915307DEST_PATH_IMAGE148
个分割片段子序列而成。第i个分割片段序列组合的第j个分割片段子序列为
Figure 142151DEST_PATH_IMAGE150
，其中
Figure 293909DEST_PATH_IMAGE152
分别为该分割片段子序列在分割片段序列A中的起始和结束位置。
Figure 762937DEST_PATH_IMAGE154
中第r个分割片段即为
Figure 881154DEST_PATH_IMAGE156
。
 
步骤2.3：基于字符识别器的汉字识别
以分割片段子序列为单位，使用字符识别器逐个进行识别，并获得字符分割片段子序列的字符识别置信度。假设某个分割片段子序列
Figure 449538DEST_PATH_IMAGE158
上的汉字识别结果为
Figure 790390DEST_PATH_IMAGE160
，识别置信度为
Figure 298994DEST_PATH_IMAGE162
，则分割片段序列
Figure 776111DEST_PATH_IMAGE164
的汉字识别结果可记为：
     
Figure 79179DEST_PATH_IMAGE166
                          (16)
步骤2.4：基于子结构识别器的汉字识别
该步骤实现基于子结构识别器的汉字识别，先在分割片段上使用子结构识别器进行子结构识别，然后通过子结构序列寻找匹配的汉字分割模式，实现汉字识别。
步骤2.4.1 分割片段子结构识别
使用子结构分类器对各个分割片段子序列进行识别，获得不同字符分割片段序列的子结构识别结果。假设某个分割片段子序列
Figure DEST_PATH_IMAGE168
上的子结构识别结果为
Figure DEST_PATH_IMAGE170
，识别置信度为
Figure DEST_PATH_IMAGE172
，即分割片段序列
Figure DEST_PATH_IMAGE174
的子结构识别结果可记为：
Figure DEST_PATH_IMAGE176
                                 (17) 
步骤2.4.2 利用子结构组合识别汉字
在分割片段序列中通过不同组合方式，获得不同的子结构序列。若多个子结构识别结果组成的子结构序列，能在子结构字典中寻找到匹配的分割模式，则表明该子结构序列可构成相应汉字。
若子结构字典中存在字符分割模式
Figure DEST_PATH_IMAGE178
，说明子结构序列
Figure DEST_PATH_IMAGE180
能找到匹配的分割模式，可构成汉字
Figure DEST_PATH_IMAGE182
。假设存在顺序相邻的r个分割片段子序列
Figure DEST_PATH_IMAGE184
，则它们可组合为一个分割片段序列
Figure DEST_PATH_IMAGE186
。若
Figure DEST_PATH_IMAGE188
的子结构识别结果为
Figure DEST_PATH_IMAGE189
到
Figure DEST_PATH_IMAGE190
，则基于子结构识别结果，分割片段序列
Figure DEST_PATH_IMAGE192
可识别为汉字
Figure DEST_PATH_IMAGE194
，该汉字的识别置信度由子结构序列中各子结构的识别置信度综合计算得到，一般可取其平均值，记为
Figure DEST_PATH_IMAGE196
。则分割片段序列
Figure DEST_PATH_IMAGE198
基于子结构的汉字识别结果可记为：
   
Figure DEST_PATH_IMAGE200
               (18)
对于一般化表示形式，分割片段序列
Figure DEST_PATH_IMAGE201
的基于子结构的汉字识别结果可记为：
 
Figure DEST_PATH_IMAGE203
                               (19)
步骤2.5：分割路径搜索
一个分割片段序列组合将对应一条分割路径，分割路径搜索为在所有的分割路径中寻找字符串识别置信度最高的一条分割路径，并将该分割路径对应的识别结果作为最终识别结果。在分割片段序列上，将可能产生两个汉字识别结果：基于字符识别器的汉字识别结果和基于子结构识别器的汉字识别结果，比较这两个识别结果中的识别置信度，取识别置信度较高的识别结果为该分割片段序列上的汉字识别结果。并在此基础上计算不同分割路径下的字符串识别置信度，取置信度最高的分割路径为最优分割路径，并将最优分割路径对应的识别字符串作为最终的文本识别结果。
假设对于某分割片段序列
Figure 718713DEST_PATH_IMAGE201
有两个汉字识别结果：，分别为基于字符识别器的汉字识别结果和基于子结构识别器的汉字识别结果，则最终该分割片段序列上的汉字识别结果为：
Figure DEST_PATH_IMAGE207
  (20)
由此，第i个分割片段序列组合
Figure DEST_PATH_IMAGE208
的识别结果序列为：
Figure DEST_PATH_IMAGE210
，对应的识别文本串为
Figure DEST_PATH_IMAGE212
。由于一个分割片段序列组合对应一条分割候选路径，分割路径的识别置信度即为对应的分割片段序列组合的识别置信度，一般可取识别结果文本串中字符识别置信度的均值，可表示为：
  
Figure DEST_PATH_IMAGE214
                         (21)
最后，搜索分割路径集合，取识别置信度最高的路径为最优分割路径：
    
Figure DEST_PATH_IMAGE216
                            (22)
最优分割路径与字符分割片段组合
Figure DEST_PATH_IMAGE218
相对应，最终的字符串识别结果为：
  
Figure DEST_PATH_IMAGE220
                              (23)
    图6给出了基于子结构识别的手写中文识别方法与传统方法的对比示意图，对比了两种方法在同一个手写文本行例子上的运行结果差异。可以看到基于字符识别器的传统方法的几个识别错误在本发明提出的方法中被纠正了。
本发明的原理在于：传统手写中文识别技术采用基于识别的分割方法来实现手写中文字符串的识别，所使用的汉字分类器只对汉字类别进行了训练。在实际应用中，由于手写汉字变形大、手写风格差异大，传统方法在字符分割片段上的识别可靠性低，容易导致识别性能受限。基于汉字是由一个或多个子结构组成的这一特点，通过在汉字分割片段样本集上提取汉字子结构，并将汉字子结构纳入汉字分类器的训练过程中来，汉字分割片段上的识别可靠性将获得提升。汉字子结构检测和提取采用学习的方式自动训练得到，汉字的子结构组成信息存放在子结构字典中。最终，将汉字子结构的识别结果和汉字子结构组成信息结合到手写中文字符串分割路径的优选过程中，提高手写中文字符串的识别精度。
 
本发明方法的实验结果：
以普通方法为基准，通过和基于子结构学习方法的比较实验，可发现采用新方法后，手写中文字符串识别精度获得明显提升。如下表所示，在实验数据集上，以字符识别正确率为评价指标，识别正确率由53.47%提高到61.11%，提高了7.64个百分点。
 
表1. 基于子结构学习的手写中文字符串识别结果比较
  普通手写中文字符串识别方法 基于子结构学习的手写中文字符串识别方法
字符识别正确率 53.47% 61.11%

Claims (10)

1.一种基于子结构学习的手写中文识别方法，其特征在于，该方法包括子结构学习和基于子结构识别的手写文本识别两大部分；其中，子结构学习包括如下步骤：
步骤1.1  局部子结构学习, 从某一个汉字对应的分割样本中通过聚类分析去发现和提取局部子结构模式；
步骤1.2  全局子结构学习, 合并前各局部子结构对应的字符分割片段样本，作为对应全局子结构的训练样本；
步骤1.3  创建子结构字典，存储子结构列表和字符分割模式列表；子结构列表中存储步骤1.2中获得的全局子结构；字符分割模式列表记录所有汉字的字符分割模式；
步骤1.4  子结构识别器训练；
基于子结构识别的手写文本识别部分包括如下步骤：
步骤2.1  字符分割, 采用过分割的方法，使一个字符由一个或多个分割片段组成；
步骤2.2  分割片段组合生成, 相邻的一个或几个分割片段组成一个分割片段子序列，按不同组合方式，对分割片段序列进行划分，再按顺序连接成一个分割片段序列组合；
步骤2.3  基于字符识别器的汉字识别, 以分割片段子序列为单位，使用字符识别器逐个进行识别，并获得字符分割片段子序列的字符识别置信度；
步骤2.4  基于子结构识别器的汉字识别, 先在分割片段上使用子结构识别器进行子结构识别，然后通过子结构序列寻找匹配的汉字分割模式，实现汉字识别;
步骤2.5  分割路径搜索，一个分割片段序列组合将对应一条分割路径，分割路径搜索为在所有的分割路径中寻找字符串识别置信度最高的一条分割路径，并将该分割路径对应的识别结果作为最终识别结果。
2.根据权利要求1所述的基于子结构学习的手写中文识别方法，其特征在于，局部子结构学习的聚类分析包括以下步骤：
步骤1.1.1  为第i个汉字提取分割片段特征向量：
                                                 表示第i个汉字，该汉字有
Figure 899100DEST_PATH_IMAGE002
个训练样本，其中第j个样本为
Figure 137184DEST_PATH_IMAGE003
，字符样本
Figure 187048DEST_PATH_IMAGE004
的分割结果为分割片段序列
Figure 535990DEST_PATH_IMAGE005
，为序列长度，即分割片段个数；对第i个汉字的每个样本
Figure 414262DEST_PATH_IMAGE007
进行字符分割，获得每个样本的分割片段序列
Figure 748161DEST_PATH_IMAGE008
，提取各个分割片段的特征向量，第i个汉字的所有字符分割片段的特征向量保存在列表Li中，如公式(1)所示；
Figure 900793DEST_PATH_IMAGE009
                                    (1)
其中
Figure 207010DEST_PATH_IMAGE010
是第i个汉字所有训练字符样本生成的分割片段的总数；
步骤1.1.2  为第i个汉字构建分割片段样本距离矩阵：
矩阵行列数为该汉字的分割片段样本总数，每个矩阵元素为分割片段样本两两间的距离：
Figure 786896DEST_PATH_IMAGE011
                       (2)
步骤1.1.3  构建相似样本直方图：
直方图的每一项为样本集中与某个样本相似的样本数目
                    (3)
相似判据为两样本间距离小于某一阈值
Figure 570273DEST_PATH_IMAGE013
，
Figure 730996DEST_PATH_IMAGE014
的取值范围大于0；
步骤1.1.4  在相似样本直方图中搜索第t轮具有最大值的样本k(t)，计算方法如公式(4)，t从1开始计数；
 
Figure 481783DEST_PATH_IMAGE015
                         (4)
步骤1.1.5  分配初始聚类样本：将与第k(t)个样本相似的所有样本分配给第t个分割片段聚类，已分配样本将并在后一轮处理中被忽略，然后搜索轮数加1，即t=t+1；
步骤1.1.6  重复步骤1.1.4到步骤1.1.5，直到第t轮直方图最大值小于某个值，即：
    
Figure 727957DEST_PATH_IMAGE016
                                        (5)
其中
Figure 222392DEST_PATH_IMAGE017
，
Figure 565517DEST_PATH_IMAGE018
的取值范围大于0小于1；
步骤1.1.7：进行聚类迭代：初始聚类数目为t，且在上述t个初始聚类样本基础上执行聚类迭代，未被分配到初始聚类的样本被舍弃；采用k-means聚类方法执行该聚类分析；
步骤1.1.8：获取第i个汉字的局部子结构列表：以分割片段聚类中心
Figure 424889DEST_PATH_IMAGE019
来表示子结构模式，一个聚类对应一个局部子结构，这样，第i个汉字的局部子结构记录为：
    
Figure 158359DEST_PATH_IMAGE020
                          (6)
步骤1.1.9：重复步骤1.1.1至1.1.8，逐类获得所有汉字的局部子结构，所有的局部子结构被记录在列表LSS中，如公式(7)所示：
                                  (7) 
其中，NLSS为局部子结构的数目。
3.根据权利要求1所述的基于子结构学习的手写中文识别方法，其特征在于，子结构识别器训练采用子结构识别器和字符识别器独立训练的方式。
4.根据权利要求1所述的基于子结构学习的手写中文识别方法，其特征在于，子结构识别器训练采用子结构识别器和字符识别器一起训练生成融合识别器的方法，在融合识别器中，类型2子结构与其相似的汉字共享分类器单元。
5.   根据权利要求1所述的基于子结构学习的手写中文识别方法，其特征在于，全局子结构学习聚类分析包括如下步骤：
步骤1.2.1  构建子结构距离矩阵，检测候选相似子结构：
矩阵行列数为局部子结构总数，每个矩阵元素为局部子结构两两间的距离：
    
Figure 382678DEST_PATH_IMAGE022
                (8)
距离越小，则两个子结构相似度越高，满足以下条件的两个子结构被视为相似子结构：
  
Figure 537585DEST_PATH_IMAGE023
                                   (9)
步骤1.2.2  生成初始子结构聚类：
将两个相似子结构互相为最相似子结构的两个子结构合并为一个初始子结构聚类；
步骤1.2.3  初始子结构聚类生长：
以初始子结构聚类为基础，若某个子结构与某个相似子结构聚类内所有成员子结构都构成相似关系，则把该子结构加入到初始子结构聚类中；遍历所有的子结构并重复执行，直到未有新的子结构被合并到初始子结构聚类中，该步骤结束；
步骤1.2.4  相似子结构聚类合并：
未被合并到初始子结构聚类的子结构各自构成一个只包含自身的子结构聚类；若两个子结构聚类间相似子结构对的数目大于以下阈值，则该两个子结构聚类视为相似子结构，进行合并；
     
Figure 696034DEST_PATH_IMAGE024
                            (10)
重复执行该步骤，直到未有新的相似子结构聚类合并发生，最终，每个子结构聚类中心SS(n),n=1,…,NGSS表示一个全局子结构，所有的全局子结构记录在列表GSS中，如公式(11)所示；
   
Figure 594589DEST_PATH_IMAGE025
                              (11)
其中，NGSS为全局子结构的数目；
步骤1.2.5  全局子结构类型划分：
全局子结构分为两类，类型1为不相似于汉字的全局子结构，类型2为相似于汉字的全局子结构；对于类型2子结构，在子结构识别器中，直接使用对应汉字的分类器单元；类型2全局子结构满足式(12)所示条件；
       
Figure 849989DEST_PATH_IMAGE026
                                      (12)
其中，
Figure 113480DEST_PATH_IMAGE027
为第n个子结构和第i个汉字间的距离，如公式(13)所示；
  
Figure 561822DEST_PATH_IMAGE028
                                      (13)
Figure 201751DEST_PATH_IMAGE029
为所有子结构和汉字距离的平均值，
Figure 311659DEST_PATH_IMAGE030
取值大于0。
6.根据权利要求1所述的基于子结构学习的手写中文识别方法，其特征在于，创建子结构字典步骤中，获取字符分割模式的步骤如下：
对于第i个汉字第j个训练样本的分割片段序列
Figure 800463DEST_PATH_IMAGE032
，若其每个分割片段样本都能找到对应的全局子结构，则该分割片段序列有子结构序列
Figure 978504DEST_PATH_IMAGE033
和其匹配，该子结构序列
Figure 942918DEST_PATH_IMAGE034
即为该汉字的一种字符分割模式，记为；排除重复的字符分割模式即得到该汉字的所有字符分割模式。
7.根据权利要求1所述的基于子结构学习的手写中文识别方法，其特征在于，步骤2.4的具体实现方法如下：
步骤2.4.1  分割片段子结构识别
使用子结构分类器对各个分割片段子序列进行识别，获得不同字符分割片段序列的子结构识别结果； 
步骤2.4.2   利用子结构组合识别汉字
在分割片段序列中通过不同组合方式，获得不同的子结构序列；若多个子结构识别结果组成的子结构序列，能在子结构字典中寻找到匹配的分割模式，则表明该子结构序列可构成相应汉字。
8.根据权利要求1所述的基于子结构学习的手写中文识别方法，其特征在于，寻找最优分割路径的方法为，将单个汉字的两种识别结果，基于字符识别器的汉字识别结果和基于子结构识别器的汉字识别结果，进行比较，比较这两个识别结果中的识别置信度，取识别置信度较高的识别结果为该分割片段序列上的汉字识别结果，并在此基础上计算不同分割路径下的字符串识别置信度，取置信度最高的分割路径为最优分割路径，并将最优分割路径对应的识别字符串作为最终的文本识别结果。
9.根据权利要求5所述的基于子结构学习的手写中文识别方法，其特征在于，步骤1.2.1  的公式(9)中，
Figure 123261DEST_PATH_IMAGE036
分别为第m和第n个局部子结构对应的分割片段样本聚类的标准方差，
Figure 839413DEST_PATH_IMAGE037
取值大于0。
10.根据权利要求5所述的基于子结构学习的手写中文识别方法，其特征在于，步骤1.2.4  的公式(10)中，
Figure 923912DEST_PATH_IMAGE038
分别为第m和n个子结构聚类中局部子结构的数目，
Figure 700107DEST_PATH_IMAGE039
取值大于0小于1。
CN201310255159.3A 2013-06-25 2013-06-25 基于子结构学习的手写中文识别方法 Expired - Fee Related CN103324929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310255159.3A CN103324929B (zh) 2013-06-25 2013-06-25 基于子结构学习的手写中文识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310255159.3A CN103324929B (zh) 2013-06-25 2013-06-25 基于子结构学习的手写中文识别方法

Publications (2)

Publication Number Publication Date
CN103324929A true CN103324929A (zh) 2013-09-25
CN103324929B CN103324929B (zh) 2016-05-18

Family

ID=49193657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310255159.3A Expired - Fee Related CN103324929B (zh) 2013-06-25 2013-06-25 基于子结构学习的手写中文识别方法

Country Status (1)

Country Link
CN (1) CN103324929B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
CN105678339A (zh) * 2016-01-15 2016-06-15 合肥工业大学 一种具有仿反馈调整机制的脱机手写体汉字认知方法
CN107092902A (zh) * 2016-02-18 2017-08-25 富士通株式会社 字符串的识别方法和系统
CN108345853A (zh) * 2018-02-08 2018-07-31 吉首大学 基于同构理论的字符识别方法、装置及终端设备
CN110674813A (zh) * 2019-09-24 2020-01-10 北京字节跳动网络技术有限公司 汉字识别方法、装置、计算机可读介质及电子设备
CN111639640A (zh) * 2020-04-24 2020-09-08 深圳市金溢科技股份有限公司 基于人工智能的车牌识别方法、装置及设备
CN112183513A (zh) * 2019-07-03 2021-01-05 杭州海康威视数字技术股份有限公司 一种图像中文字的识别方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6041137A (en) * 1995-08-25 2000-03-21 Microsoft Corporation Radical definition and dictionary creation for a handwriting recognition system
CN101697201A (zh) * 2009-09-25 2010-04-21 华南理工大学 一种旋转方向无关的手写汉字识别方法
CN102156889A (zh) * 2011-03-31 2011-08-17 汉王科技股份有限公司 一种识别手写文本行语言类别的方法及装置
CN102254196A (zh) * 2011-06-22 2011-11-23 江苏奥博洋信息技术有限公司 计算机鉴别手写汉字的方法
CN102298704A (zh) * 2011-04-28 2011-12-28 华南理工大学 一种基于加权增量二次鉴别函数的书写者自适应方法
CN102831434A (zh) * 2012-07-03 2012-12-19 天津师范大学 基于鉴别归一化的手写汉字识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6041137A (en) * 1995-08-25 2000-03-21 Microsoft Corporation Radical definition and dictionary creation for a handwriting recognition system
CN101697201A (zh) * 2009-09-25 2010-04-21 华南理工大学 一种旋转方向无关的手写汉字识别方法
CN102156889A (zh) * 2011-03-31 2011-08-17 汉王科技股份有限公司 一种识别手写文本行语言类别的方法及装置
CN102298704A (zh) * 2011-04-28 2011-12-28 华南理工大学 一种基于加权增量二次鉴别函数的书写者自适应方法
CN102254196A (zh) * 2011-06-22 2011-11-23 江苏奥博洋信息技术有限公司 计算机鉴别手写汉字的方法
CN102831434A (zh) * 2012-07-03 2012-12-19 天津师范大学 基于鉴别归一化的手写汉字识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石大明等: "手写汉字识别的非线性动态部件模板", 《自动化学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016041423A1 (zh) * 2014-09-16 2016-03-24 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
CN104268603B (zh) * 2014-09-16 2017-04-12 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
KR101877693B1 (ko) * 2014-09-16 2018-07-12 아이플라이텍 캄파니 리미티드 문자성 객관식 문제에 이용되는 지능적 채점 방법 및 시스템
US10339428B2 (en) 2014-09-16 2019-07-02 Iflytek Co., Ltd. Intelligent scoring method and system for text objective question
CN105678339B (zh) * 2016-01-15 2018-10-02 合肥工业大学 一种具有仿反馈调整机制的脱机手写体汉字认知方法
CN105678339A (zh) * 2016-01-15 2016-06-15 合肥工业大学 一种具有仿反馈调整机制的脱机手写体汉字认知方法
CN107092902A (zh) * 2016-02-18 2017-08-25 富士通株式会社 字符串的识别方法和系统
CN107092902B (zh) * 2016-02-18 2021-04-06 富士通株式会社 字符串的识别方法和系统
CN108345853A (zh) * 2018-02-08 2018-07-31 吉首大学 基于同构理论的字符识别方法、装置及终端设备
CN108345853B (zh) * 2018-02-08 2020-10-23 吉首大学 基于同构理论的字符识别方法、装置及终端设备
CN112183513A (zh) * 2019-07-03 2021-01-05 杭州海康威视数字技术股份有限公司 一种图像中文字的识别方法、装置、电子设备及存储介质
CN112183513B (zh) * 2019-07-03 2023-09-05 杭州海康威视数字技术股份有限公司 一种图像中文字的识别方法、装置、电子设备及存储介质
CN110674813A (zh) * 2019-09-24 2020-01-10 北京字节跳动网络技术有限公司 汉字识别方法、装置、计算机可读介质及电子设备
CN110674813B (zh) * 2019-09-24 2022-04-05 北京字节跳动网络技术有限公司 汉字识别方法、装置、计算机可读介质及电子设备
CN111639640A (zh) * 2020-04-24 2020-09-08 深圳市金溢科技股份有限公司 基于人工智能的车牌识别方法、装置及设备
CN111639640B (zh) * 2020-04-24 2023-11-14 深圳市金溢科技股份有限公司 基于人工智能的车牌识别方法、装置及设备

Also Published As

Publication number Publication date
CN103324929B (zh) 2016-05-18

Similar Documents

Publication Publication Date Title
CN103324929B (zh) 基于子结构学习的手写中文识别方法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN102663100B (zh) 一种两阶段混合粒子群优化聚类方法
Adelfio et al. Schema extraction for tabular data on the web
Sasirekha et al. Agglomerative hierarchical clustering algorithm-a
US11294624B2 (en) System and method for clustering data
Pratikakis et al. ICFHR2016 handwritten keyword spotting competition (H-KWS 2016)
CN103577843B (zh) 一种空中手写字符串识别方法
Arif et al. Table detection in document images using foreground and background features
CN103559191B (zh) 基于隐空间学习和双向排序学习的跨媒体排序方法
CN105389583A (zh) 图像分类器的生成方法、图像分类方法和装置
CN102364498A (zh) 一种基于多标签的图像识别方法
Mashat et al. A decision tree classification model for university admission system
Firmani et al. Towards Knowledge Discovery from the Vatican Secret Archives. In Codice Ratio-Episode 1: Machine Transcription of the Manuscripts.
CN103617609B (zh) 基于图论的k-means非线性流形聚类与代表点选取方法
CN102663447A (zh) 基于判别相关分析的跨媒体检索方法
CN106528527A (zh) 未登录词的识别方法及识别系统
CN106844481A (zh) 字体相似度及字体替换方法
CN102184422B (zh) 一种平均错分代价最小化的分类器集成方法
CN103324632A (zh) 一种基于协同学习的概念识别方法及装置
CN110781295A (zh) 一种多标记数据的特征选择方法及装置
CN103473308B (zh) 基于最大间隔张量学习的高维多媒体数据分类方法
Nion et al. Handwritten information extraction from historical census documents
Ghosh et al. R-phoc: segmentation-free word spotting using cnn
CN110119693A (zh) 一种基于改进vgg-16模型的英文笔迹鉴别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160518

Termination date: 20180625