手寫字符識(shí)別中關(guān)鍵技術(shù)研究.pdf

1、手寫字符識(shí)別是模式識(shí)別理論的一個(gè)重要應(yīng)用領(lǐng)域,也是實(shí)現(xiàn)在各種背景下字符錄入自動(dòng)化的重要手段.特征提取和分類器設(shè)計(jì)是手寫字符識(shí)別中的兩個(gè)關(guān)鍵技術(shù).雖然手寫字符識(shí)別研究已經(jīng)取得了很大進(jìn)展,但在這兩個(gè)方面仍存在尚待深入研究的課題.本文就圍繞這兩個(gè)關(guān)鍵技術(shù),提出了新的方法.在特征提取方面,提出了基于梯度歸一化的梯度特征提取.首先得到原圖像的梯度信息,然后基于歸一化函數(shù)得到歸一化的梯度信息,最后基于歸一化的梯度信息提取梯度特征.在預(yù)分類方面,提出

2、了基于廣義可信度閾值判別的預(yù)分類規(guī)則.給出了"基于后驗(yàn)概率閾值判別的預(yù)分類規(guī)則能夠獲得錯(cuò)誤率和平均候選類別數(shù)的最優(yōu)折衷"這定理的證明.依據(jù)廣義可信度的定義,得到了"基于廣義可信度閾值判別的預(yù)分類規(guī)則能夠獲得錯(cuò)誤率和平均候選類別數(shù)的最優(yōu)折衷"的推論.在提高分類器性能方面,提出了基于最小分類錯(cuò)誤準(zhǔn)則的街區(qū)距離判別函數(shù).從增加原型數(shù)和優(yōu)化判別函數(shù)兩個(gè)方面,提高了街區(qū)距離判別函數(shù)的預(yù)分類性能.針對(duì)多原型問題,提出了基于快速κ-均值聚類算法的多原

3、型學(xué)習(xí);針對(duì)判別函數(shù)優(yōu)化問題,分析了最大似然估計(jì)的不足,給出了基于最小分類錯(cuò)誤準(zhǔn)則的多原型街區(qū)距離判別函數(shù)優(yōu)化算法.使用基于廣義可信度-Ⅰ-閾值判別的預(yù)分類規(guī)則和P<,e>-N<'->曲線比較了基于最小分類錯(cuò)誤準(zhǔn)則的街區(qū)距離判別函數(shù)和基于最大似然估計(jì)的街區(qū)距離判別函數(shù)的預(yù)分類性能,結(jié)果表明,前者的預(yù)分類性能優(yōu)于后者的預(yù)分類性能.在識(shí)別方法方面,提出了主動(dòng)判別函數(shù).通過類別學(xué)習(xí)樣本獲得了類別主動(dòng)原型模板的先驗(yàn)知識(shí);類別主動(dòng)原型模板根據(jù)先驗(yàn)

4、知識(shí)"適度"的改變,使其與待識(shí)字符的距離最近,而相應(yīng)的主動(dòng)原型模板就是最優(yōu)主動(dòng)原型模板.將這最近距離作為待識(shí)字符與類別主子空間的距離;為了充分利用類別次子空間中的分類信息,還定義了待識(shí)字符與類別次子空間的距離.最終,將主動(dòng)判別函數(shù)定義為待識(shí)字符與類別主子空間距離和次子空間距離的加權(quán)和.提出基于最小分類錯(cuò)誤準(zhǔn)則優(yōu)化主動(dòng)判別函數(shù)并給出了相應(yīng)的優(yōu)化算法.使用基于廣義可信度閾值判別的預(yù)分類規(guī)則,并將優(yōu)化后的主動(dòng)判別函數(shù)與優(yōu)化后的街區(qū)距離判別函數(shù)