导读:本文包含了手写体字符识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:手写体,字符,神经网络,特征,卷积,模板,向量。
手写体字符识别论文文献综述
张立欣[1]（2018）在《新傣文手写体字符识别算法比较研究》一文中研究指出我国的少数民族大多集聚在相对偏远的地方,当地科技发展相对滞后导致其文字信息化进程较慢,傣族也是如此。傣族主要生活在云南西双版纳地区,他们使用的新傣文,相对于汉字、藏文及维吾尔文的研究,针对新傣文的研究相对较少。傣族也创造了灿烂无比的文化,在我国民族文化史上有着非常重要的一席之地。研究手写体新傣文字符识别有助于傣文的传播,是对傣族文化的传承与继承,更有助于加速当地文字的信息化进程,极大方便他们的生活。本文的主要内容是用以支持向量机为代表的浅学习和卷积神经网络为代表的深度学习分别对新傣文手写体样本字符进行识别。第一种方法的主要工作包括新傣文手写体样本字符的采集、预处理、Gabor滤波器特征提取,PCA降维、支持向量机识别;第二种方法主要是搭建深度学习运行所需要的环境,以Keras软件为深度学习框架搭建卷积神经网络,对新傣文手写体样本字符进行识别。最终得到的实验结果为:用支持向量机的LIBSVM库对新傣文手写体样本字符进行分类识别,识别率为87.0782%;而用Keras软件搭建的卷积神经网络对其进行识别,识别率达到了93.47%。这两种方法对新傣文手写体样本字符的识别达到了预期的效果,说明两种识别方法是有效的,尤其以第二种方法,即深度学习的方法效果更好。针对新傣文手写体字符识别的研究还处于探索研究的初级阶段,未来还需要投入大量的人力、物力及时间来进行研究。本文用两种方法对新傣文手写体字符进行识别,为以后手写体新傣文的识别研究提供了一种参考。(本文来源于《云南大学》期刊2018-05-01）
郄小美[2]（2017）在《基于极限学习机的手写体字符识别方法研究》一文中研究指出随着科技的发展,人们生活和工作产生大量的手写体字符信息,考虑到这些字符所要表达信息的安全性和隐私性,让机器实现快速、准确的手写体字符自动识别技术势在必行。手写体字符识别方法主要是光学字符识别,但因其识别率低、成本高等问题,还未能广泛推广使用。目前包括模板匹配、神经网络和支持向量机等模式识别的方法已经投入到手写体字符的识别研究。本文针对传统的字符识别方法实时性差、成本高等问题,提出采用极限学习机算法实现手写体字符识别。论文首先对模式识别的定义、基本组成系统和基本方法进行了介绍和讨论,引出了利用神经网络进行模式识别的方法,对神经网络的工作原理和特点进行了分析和研究;然后提出用极限学习机实现手写体字符识别方法,针对原始极限学习机存在的结构风险和经验风险不平衡这一问题,提出使用正则极限学习机和傅里叶变换优化极限学习机实现手写体字符识别。设计基于BP神经网络、极限学习机、正则极限学习机和傅里叶变换优化极限学习机四种算法实现手写体字符识别的方法,包括预处理、特征选择和降维等具体过程。手写体字符识别算法仿真的训练样本为MINIST样本库的10000个数字样本,测试样本数量为1000个,除采用BP神经网络、极限学习机、正则极限学习机和傅里叶变换优化极限学习机四种算法实现手写体字符的识别结果外,还设计实验分析隐含层神经元个数对仿真结果的影响。通过对算法仿真结果的对比分析,BP网络作为最经典的神经网络算法,在手写体数字识别结果的精度上达到了较高的水准。极限学习机算法较BP神经网络在训练时间上表现出极大的优势,但是识别精度低于BP神经网络。基于极限学习机的两种优化算法,即正则极限学习机和傅里叶变换优化极限学习机,与原始极限学习机相比提高了算法的泛化能力,提高了手写体数字字符的识别精度。(本文来源于《杭州电子科技大学》期刊2017-03-01）
李丹[3]（2016）在《基于BP神经网络的多样本手写体字符识别》一文中研究指出手写体字符识别是人机交互领域的一个重要内容,本文基于BP神经网络实现了任意数量字符模版的多字符手写体字符识别。分为以下几步,第一,首先对目标图像进行识别前预处理。包括灰度图像二值化、图像孤立像素滤波、图像膨胀、腐蚀、按字母最小行分割、按字母最小列分割、图像紧缩、归一化等;第二,用处理好的多个样本进行BP神经网络训练。包括BP网络参数的选择、目标结果构建、输入到结果的映射即用样本库进行神经网络学习机的训练;第叁,待测字母的识别。包括对图像预处理、字符提取、归一化和送入已训练好的BP网络进行识别。该系统最终实现了95%以上的手写字符识别正确率,有一定的借鉴意义。(本文来源于《软件》期刊2016年07期）
南淑萍,张博,王峰[4]（2015）在《光学字符识别技术在手写体字符识别中的应用研究》一文中研究指出在模式识别中,通过手写体字符识别技术来实现信息的自动录入,对高精度快速录入具有重要意义。本文在手写体数字图像的预处理算法的基础上,采用图像二值化方法,对手写体图像进行特征提取,从而实现分类识别的效果,达到了较好的信息录入目的。(本文来源于《长春师范大学学报》期刊2015年12期）
何西麟[5]（2015）在《基于深度学习的手写体字符识别研究与实现》一文中研究指出深度学习(Deep Learning)是近年来提出的一种基于多个隐层的深层次网络结构,用来研究并处理目前机器学习领域的一些热门问题,如图像检索和图像识别。深度学习的本质是通过构建多个隐层的神经网络来训练样本数据,而训练样本的实质则是让网络自主的学习样本的特征,从而免去了以往依赖经验而进行人工特征提取的步骤。目前虽然有较多应用深度学习技术解决手写体数字字符识别的应用,但是在手写体汉字识别领域,更多的是传统的基于人工特征提取的方法.由于汉字笔画相比于其他常见字符如英文字母或阿拉伯数字更复杂,而且手写体汉字因个人书写风格及习惯的不同而更显得种类繁多,因此,对于手写体汉字字符的识别一直是机器学习领域的热门研究问题。本文针对手写体字符尤其是手写体汉字的识别问题,利用深度学习技术构建了不同深度的卷积神经网络[1]对含有手写体数字[2]、手写体汉字的字符集进行识别研究,分别比较了同深度和不同深度网络的性能差异,最终得到了可用于识别的网络结构,并基于该网络实现了手写体字符的识别系统。本文的网络结构对MNIST数据集的准确率达到了99.18%,对汉字数据集HWDB1.1的子集准确率达到了92.02%,并对新数据集有良好的适用性。通过与其他手写字符算法的对比证明了本文使用的网络结构具有的工程应用价值,最后基于该模型实现的手写体字符识别系统也体现了本文网络结构的可行性。(本文来源于《中山大学》期刊2015-04-02）
王慧[6]（2012）在《基于模板匹配的手写体字符识别算法研究》一文中研究指出人类文明的发展离不开信息的传递。文字一直是人们传递信息的一个重要媒介,承载着记录人类文明的重要使命。随着科技的发展,积累的文字信息日益增多,有效的存储和利用这些文字信息成为一个亟待解决的问题。光学字符识别的出现为这一问题提供了解决方法。手写体数字识别是光学字符识别的重要分支,因其在金融、邮政、医疗、交通、教育等领域中广泛的应用而日益被重视。目前,已有多种手写体数字识别算法,但都很难满足手写体数字识别应用时对识别率近乎百分之百的要求,所以,几乎没有能够实际应用的识别算法。本文针对手写体数字识别对正确识别率及识别精度要求高的问题,在图像模式识别的理论基础上提出了一种基于数字字符几何轮廓特征的模板匹配改进算法,并利用该识别算法实现了针对医院信息统计表和医院处方笺的手写体字符识别信息录入系统。具体工作内容如下：(1)提出基于模板匹配的手写体字符识别算法。该算法考虑数字字符笔画简单的特点,以字符的质心为参考中心,利用字符的整体几何轮廓特征作为分类的依据,提取距离向量作为特征,使用改进的模板匹配算法设计分类器来进行字符识别。引入缩放因子和变异系数进行分类判别,增加了分类的准确性和可靠性。在样本库的设计上有所改进,采用多种标准字体书写的数字字符作为模板,减小了样本库的规模。(2)利用VC++6.0编程软件实现了手写体字符识别信息录入系统。在系统中设计了针对医院信息统计表和校医院处方笺中手写体字符的定位提取算法、多字符分割算法,可自动完成字符的提取、识别、结果输出和自动存储等多种功能。(3)采集不同人群的手写体字符作为样本对算法进行验证。实验结果表明,本文提出的算法获得了较高的识别率,识别速度快,具有一定的抗噪能力,对待测字符的大小和位置的具有良好的鲁棒性,且具有较高的可行性和有效性,在本文所设计的信息录入系统中应用良好。(本文来源于《北京交通大学》期刊2012-06-01）
庄园[7]（2012）在《手写体字符识别的特征提取和分类器研究》一文中研究指出随着电子计算机的不断发展,社会各个领域的信息化进程也在不断加快,在这个过程中,光学识别技术(OCR)逐渐成为一些工作中的主角。OCR技术中的手写体数字识别技术近年来发展迅速。尽管目前计算机还无法做到识别全部正确,但其应用早已十分广泛：例如公安领域的车牌识别,财务领域的财务报表、银行票据信息的自动录入,邮政领域的邮政编码自动分拣等。另一方面,这一问题也是模式识别的经典问题,其研究对于模式识别领域的其他问题依然有很大的启发作用,为追求更好的识别性能,包括更高的识别率以及更快的识别速度,研究者仍然在识别过程的各个环节进行着深入的研究,可见,手写体数字识别问题的研究同时具有重要学术意义和实用价值。本文首先根据银行实际工作中流通的票据扫描进入计算机的灰度图像,以实际场景中的手写体数字为样本来源,建立了一套手写体数字字库,包括5万字的训练字库和2万字的测试字库,该字库完全取自实际场景,为真实灰度图像字库。其次,在特征提取方面,本文使用一种梯度细分特征,这种特征对图像梯度信息进行子方向细分,并进行模糊统计,形成特征,第叁,本文实现了四种分类器：1)最近邻单纯型分类器(NNS),它改进了最近邻分类器的特征度量方式,由度量样本到样本的距离,变为度量样本到某个样本子集所组成的单纯型(Simplex)的距离,距离刻画更加精准,识别率显着提高。2)最近邻单纯型分类器(NNS)与图像形变匹配算法(IDM)组合而成的二级分类器,它将NNS,IDM分别作为第一、二级分类算法,根据第一级分类结果的可靠度决定是否进行二级匹配,这个二级分类器也获得了很高的识别率。3)基于IDM的二义分类器与NNS分类器组合的二级分类器,用于解决区分易混淆样本。4)基于支持向量机(SVM)的分类器,也有很好的表现。第四,本文也进行了一些识别可靠度的研究,用以指导字串切分和分类器组合。最后,本文尝试了K近邻算法的GPU并行优化算法,获得较好的加速效果。(本文来源于《南京理工大学》期刊2012-01-01）
刘利娜[8]（2009）在《手写体字符识别的研究与应用》一文中研究指出手写体字符识别是图象处理和模式识别领域中的研究课题之一。字符识别系统一般由图像采集、信号预处理、特征提取、分类识别等几个部分组成。识别系统的识别方式可分为联机手写体字符识别、脱机印刷体字符识别和脱机手写体字符识别等,其中脱机手写体字符由于书写者的因素,使其字符图像的随意性很大,例如:笔划的粗细、字体的大小、手写体的倾斜度、字符笔划的局部扭曲变形、字体灰度的差异等都直接影响到字符的最终识别效果,因此手写体字符识别是模式识别领域内最具挑战性的课题。本文旨在研究手写体字符识别过程中某个阶段的处理方法及其有待改进的算法。文中描述了手写体字符识别方法的研究背景和发展状况,并且描述了几种目前比较有代表性的字符细化算法、手写体字符识别算法和模型,讨论了这些算法目前存在的不足,通过对这几种方法的进一步研究,文中提出了比较实用的修复方法:提高手写体数字细化效果的改进算法和基于轮廓笔划的手写体字符识别法。目前,细化算法的基本方法主要有:Hilditch算法、Pavlidis细化算法和Rosenfeld细化算法。对手写的数字来说,当墨水的扩散或字体过小,有时会造成数字图像中出现宽度远大于正常笔道宽度的疙瘩,当细化时该疙瘩会被细化为一条线或一个点,这将严重影响识别效果。为解决此问题,对原Hilditch细化算法进行了改进,实验结果表明它的细化效果比原Hilditch算法有和Rosenfeld算法等有一定的提高。非线性PCA神经网络算法是一种能识别字母,数字的有效手写体字符识别方法,但此算法要经过大量的迭代和训练,本文提出的基于轮廓笔划的字符识别法在字母识别率上虽没有此算法高,但是在数字识别率上比此算法高,实验结果表明此算法有一定的可行性。(本文来源于《江南大学》期刊2009-08-01）
李永江,潘保昌,郑胜林[9]（2008）在《细化算法在手写体字符识别中的应用》一文中研究指出在手写体字符识别的研究中,在提取特征的过程中需要提取字符的骨架信息,所以要对每一个字符进行细化处理。在研究ZS和LW细化算法的基础上,采用串行细化与并行细化相结合的方法,并引入一些模板改进算法使其能够有效去除多余枝杈和冗余像素的问题;通过对手写体数字、字母的文字进行测试,表明该细化效果较好,并有一定的实用价值。(本文来源于《现代电子技术》期刊2008年12期）
刘莉,边文钰[10]（2008）在《手写体字符的模糊特征提取和识别》一文中研究指出本文针对手写体字符笔画长短及书写规范性因人而异特点,对经过预处理后的字符利用网格和边缘点提取字符轮廓线,并进行模糊特征提取,最后通过一个含高斯隐元的RBF网络识别手写体字符,从而提高了字符识别率和容错性。(本文来源于《新课程(教育学术版)》期刊2008年06期）
手写体字符识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着科技的发展,人们生活和工作产生大量的手写体字符信息,考虑到这些字符所要表达信息的安全性和隐私性,让机器实现快速、准确的手写体字符自动识别技术势在必行。手写体字符识别方法主要是光学字符识别,但因其识别率低、成本高等问题,还未能广泛推广使用。目前包括模板匹配、神经网络和支持向量机等模式识别的方法已经投入到手写体字符的识别研究。本文针对传统的字符识别方法实时性差、成本高等问题,提出采用极限学习机算法实现手写体字符识别。论文首先对模式识别的定义、基本组成系统和基本方法进行了介绍和讨论,引出了利用神经网络进行模式识别的方法,对神经网络的工作原理和特点进行了分析和研究;然后提出用极限学习机实现手写体字符识别方法,针对原始极限学习机存在的结构风险和经验风险不平衡这一问题,提出使用正则极限学习机和傅里叶变换优化极限学习机实现手写体字符识别。设计基于BP神经网络、极限学习机、正则极限学习机和傅里叶变换优化极限学习机四种算法实现手写体字符识别的方法,包括预处理、特征选择和降维等具体过程。手写体字符识别算法仿真的训练样本为MINIST样本库的10000个数字样本,测试样本数量为1000个,除采用BP神经网络、极限学习机、正则极限学习机和傅里叶变换优化极限学习机四种算法实现手写体字符的识别结果外,还设计实验分析隐含层神经元个数对仿真结果的影响。通过对算法仿真结果的对比分析,BP网络作为最经典的神经网络算法,在手写体数字识别结果的精度上达到了较高的水准。极限学习机算法较BP神经网络在训练时间上表现出极大的优势,但是识别精度低于BP神经网络。基于极限学习机的两种优化算法,即正则极限学习机和傅里叶变换优化极限学习机,与原始极限学习机相比提高了算法的泛化能力,提高了手写体数字字符的识别精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
手写体字符识别论文参考文献
[1].张立欣.新傣文手写体字符识别算法比较研究[D].云南大学.2018
[2].郄小美.基于极限学习机的手写体字符识别方法研究[D].杭州电子科技大学.2017
[3].李丹.基于BP神经网络的多样本手写体字符识别[J].软件.2016
[4].南淑萍,张博,王峰.光学字符识别技术在手写体字符识别中的应用研究[J].长春师范大学学报.2015
[5].何西麟.基于深度学习的手写体字符识别研究与实现[D].中山大学.2015
[6].王慧.基于模板匹配的手写体字符识别算法研究[D].北京交通大学.2012
[7].庄园.手写体字符识别的特征提取和分类器研究[D].南京理工大学.2012
[8].刘利娜.手写体字符识别的研究与应用[D].江南大学.2009
[9].李永江,潘保昌,郑胜林.细化算法在手写体字符识别中的应用[J].现代电子技术.2008
[10].刘莉,边文钰.手写体字符的模糊特征提取和识别[J].新课程(教育学术版).2008
论文知识图
