基于LBP和PCA的脫機(jī)手寫(xiě)藏文字符識(shí)別系統(tǒng).pdf

1、分類(lèi)號(hào)TP391密級(jí)公開(kāi)UDC004學(xué)號(hào)20130613005青海師范大學(xué)碩士學(xué)位論文基于LBP和PCA的脫機(jī)手寫(xiě)藏文字符識(shí)別系統(tǒng)研究生姓名蔡曉娟導(dǎo)師姓名（職稱(chēng)）黃鶴鳴，教授申請(qǐng)學(xué)位類(lèi)別理學(xué)碩士學(xué)科專(zhuān)業(yè)名稱(chēng)計(jì)算機(jī)應(yīng)用技術(shù)研究方向名稱(chēng)模式識(shí)別與智能系統(tǒng)論文提交日期2016年3月論文答辯日期2016年5月學(xué)位授予單位青海師范大學(xué)學(xué)位授予日期2016年6月答辯委員會(huì)主席評(píng)閱人，I基于LBP和PCA的脫機(jī)手寫(xiě)藏文字符識(shí)別系統(tǒng)摘要隨著模式識(shí)別技術(shù)

2、的不斷發(fā)展，藏文字符圖像的理解日益成為人們研究的熱點(diǎn)脫機(jī)手寫(xiě)藏文字符的識(shí)別也隨之吸引了許多學(xué)者的目光。目前，關(guān)于脫機(jī)手寫(xiě)藏文字符識(shí)別的研究成果甚少，在此，筆者對(duì)其進(jìn)行了進(jìn)一步的研究。本文樣本選自數(shù)據(jù)庫(kù)THCDB，且樣本已經(jīng)進(jìn)行了預(yù)處理，所以本文的研究重點(diǎn)是藏文字符的特征提取和分類(lèi)器設(shè)計(jì)。特征提取就是保留對(duì)識(shí)別有用的信息，去除噪音及冗余信息，盡可能提高特征的有效性，使其更加簡(jiǎn)潔化。本文首先提出了藏文字符的局部二元模式（LBP）直方圖特征。

3、這種特征的識(shí)別率較好，但不足之處是其特征空間的維數(shù)較大，識(shí)別速度較慢。所以，對(duì)局部二元模式（LBP）直方圖特征進(jìn)行主成分分析（PCA）來(lái)對(duì)特征空間進(jìn)行降維，利用降維后的特征向量作為藏文字符的特征。實(shí)驗(yàn)表明：當(dāng)新特征空間的維數(shù)為196維時(shí)，藏文字符的識(shí)別率最優(yōu)。分類(lèi)器設(shè)計(jì)是建立識(shí)別系統(tǒng)不可或缺的一部分，K近鄰（KNN）是一種原理簡(jiǎn)單、易于操作的分類(lèi)器，所以脫機(jī)手寫(xiě)藏文字符識(shí)別中，首先采用了KNN分類(lèi)器對(duì)藏文字符進(jìn)行識(shí)別。在對(duì)30個(gè)藏文輔音

4、字母的識(shí)別實(shí)驗(yàn)中，識(shí)別率達(dá)到了96.04%。為了繼續(xù)提高藏文字符的識(shí)別率，本文進(jìn)一步采用支持向量機(jī)（SVM）分類(lèi)器對(duì)藏文字符進(jìn)行分類(lèi)，支持向量機(jī)分類(lèi)器中不同的核函數(shù)影響著藏文字符的識(shí)別效果，實(shí)驗(yàn)表明：當(dāng)分類(lèi)器采用徑向基支持向量機(jī)（RbfSVM）時(shí)，藏文字符的識(shí)別率最高為97.93%?？傊?，本文采用融合了局部二元模式（LBP）直方圖和主成分分析（PCA）的特征提取方法，并使用RbfSVM分類(lèi)器對(duì)脫機(jī)手寫(xiě)藏文字符進(jìn)行識(shí)別，達(dá)到了較好的識(shí)別效