基于識(shí)別反饋機(jī)制的多粘連字符分割與識(shí)別.pdf

1、手寫文字識(shí)別技術(shù)已廣泛應(yīng)用于各類智能系統(tǒng)。粘接文字的分割是手寫文字識(shí)別的第一步，因其分割難度之大，往往成為進(jìn)一步識(shí)別甚至是整個(gè)智能系統(tǒng)的瓶頸，分割的好壞直接決定了識(shí)別率的高低。通常，隨著字符串個(gè)數(shù)的增加，粘連程度的增大，分割難度也在進(jìn)一步加大。目前，多粘連字符串的分割與識(shí)別現(xiàn)在已成為手寫文字識(shí)別系統(tǒng)研究的熱點(diǎn)之一。 針對(duì)含有字符和數(shù)字的強(qiáng)粘連字符串的分割與識(shí)別問題，本文做了如下工作： 1．本文對(duì)初始灰度圖片進(jìn)行分割之前，

2、采用了一種新的預(yù)處理方法，以求粘連字符串分成盡可能多的幾個(gè)連通區(qū)域，然后采用本文提出的字符串上下輪廓提取方法，對(duì)預(yù)處理后的圖片提取上下輪廓。得到上下輪廓后，利用KNN分類器找到候選的特征點(diǎn)，進(jìn)而根據(jù)候選特征點(diǎn)構(gòu)造出分割路徑集合。 2．利用分治算法依次處理字符串圖片的每個(gè)連通區(qū)域，然后對(duì)粘連字符部分使用基于識(shí)別反饋機(jī)制的字符分割算法，篩選出最優(yōu)分割路徑來完成分割和識(shí)別，再組合所有連通區(qū)域的識(shí)別結(jié)果得到最終的結(jié)果。此方法與以往算法相

3、比，時(shí)間復(fù)雜度在一定程度上有所降低。 3．本文采用KNN和BP神經(jīng)網(wǎng)絡(luò)這兩種分類器做單字符識(shí)別，最終選擇識(shí)別率更高的BP神經(jīng)網(wǎng)絡(luò)用于識(shí)別反饋。 本文的創(chuàng)新點(diǎn)是：首先我們采用一種新的預(yù)處理方法來處理灰度圖片，然后利用KNN分類器來提取輪廓特征點(diǎn)，隨后采用了一種打分機(jī)制匹配上下輪廓特征點(diǎn)來構(gòu)造分割路徑集合。最后，我們將遺傳算法和識(shí)別反饋結(jié)合起來完成字符分割與識(shí)別。 實(shí)驗(yàn)結(jié)果表明，本文提出的方法在解決強(qiáng)粘連多字符串的分