基于多特征融合SVM的古漢字圖像識(shí)別研究.pdf

1、古漢字圖像識(shí)別是模式識(shí)別的一個(gè)重要研究領(lǐng)域，鑒于古漢字識(shí)別流程具有多過程、多約束等特點(diǎn)，并且流程中各過程之間相互關(guān)聯(lián)而容易陷入局部最優(yōu)，導(dǎo)致識(shí)別效率不高。而支持向量機(jī)(SVM)能夠在一個(gè)高維特征空間中靈活的判別邊界，具有很強(qiáng)全局收斂性。因此，本文以支持向量機(jī)為基礎(chǔ)方法，采用粗分類以及細(xì)分類的兩層分類識(shí)別思想，對(duì)古漢字圖像進(jìn)行分類識(shí)別。
　　 在充分分析古漢字字形以及輸入圖像特點(diǎn)的基礎(chǔ)上，針對(duì)不同輸入古漢字圖像可能引起的預(yù)處理效果

2、的差異性，提出了具有自適應(yīng)功能的預(yù)處理算法，從而屏蔽了不同輸入圖像帶來的預(yù)處理效果的不確定性，一定程度上保證了預(yù)處理效果的有效性，同時(shí)也更好的消除了預(yù)處理階段帶入的偽特征，為特征提取環(huán)節(jié)奠定基礎(chǔ)。
　　 由于單一的結(jié)構(gòu)特征以及統(tǒng)計(jì)特征難以滿足高質(zhì)量特征提取的要求，提出了基于結(jié)構(gòu)特征和統(tǒng)計(jì)特征相融合的多特征提取方法，即基于部件結(jié)構(gòu)特征與全局點(diǎn)密度特征相融合的串行特征提取方法以及基于網(wǎng)格特征和局部點(diǎn)密度特征相融合的并行特征提取方法，

3、較好滿足了高區(qū)分度、高穩(wěn)定性以及典型性的特征提取要求。
　　 通過高質(zhì)量的提取到的特征信息建立了基于SVM的兩層分類模型，即多特征串行融合的粗分類識(shí)別模型以及多特征并行融合的細(xì)分類識(shí)別模型。測(cè)試結(jié)果表明本文提出的基于分層思想的分類識(shí)別模型具有較高的識(shí)別精度。
　　 本文開發(fā)了古漢字圖像分類識(shí)別系統(tǒng)，應(yīng)用結(jié)果表明本系統(tǒng)具有較高的分類識(shí)別能力。同時(shí)本文提出的古漢字圖像識(shí)別的方法給目前研究的較少的古漢字識(shí)別領(lǐng)域提供了一種新的可