导读:本文包含了手写体提取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,特征,汉字,神经网络,数字,表征,过程。
手写体提取论文文献综述
李慧莹,胡西川[1]（2018）在《基于概率神经网络的手写体数字特征提取》一文中研究指出在脱机手写体数字识别项目中,重点研究在结构特征提取阶段,针对于二值字符图像的行列,使用统计该行或该列白线条出现的次数的方法,对比传统的统计该行或该列白像素出现的总量的方法,并且相应地在预处理阶段中采用"纵向拉伸"的字符填充方法,实验结果表明可使识别率提高近10.04%。该方法对手写体数字的结构表达更准确。实验使用MNIST手写数据库作为样本来源,利用概率神经网络进行分类识别,以识别率作为评价指标。(本文来源于《现代计算机(专业版)》期刊2018年15期）
王晓娟,杨永昕,李超[2]（2016）在《基于BP网络的手写体数字图片特征提取》一文中研究指出本文主要研究了手写体数字的识别问题,选用了300组像素为的手写体图片,对其先进行归一化处理,之后提取了图像的7个不变矩(Hu矩)特征、均值、方差以及图像的字符势能,以它们作为图像的特性,用BP网络进行识别,识别效率达到80%以上。(本文来源于《山东工业技术》期刊2016年11期）
陈奋,郑子伟[3]（2015）在《手写体数字笔画特征提取改进方案》一文中研究指出手写数字识别是一个很有潜力和挑战的研究方向,对于相关行业有着实质性的影响,其中手写体数字特征的提取是识别中至关重要的一步.该文分析了传统的特征提取方法的不足,提出了手写体数字笔画特征提取改进方案,并利用VC++编程工具建立识别系统做实验分析,与传统的特征提取方法进行了比较,提高了手写数字识别率,在实验中取得了较好的效果.(本文来源于《通化师范学院学报》期刊2015年08期）
刘妍[4]（2014）在《基于Gabor双弹性网格特征提取的手写体汉字识别的研究》一文中研究指出随着科技水平的不断提高,脱机手写体汉字识别技术已经成为各行业中广泛使用的技术之一。由于汉字都是由“横”、“竖”、“撇”和“捺”4种笔画构成的,所以如何准确、迅速地识别出汉字的笔画特征,成为了手写体汉字识别的研究难点。特征提取方法是汉字识别中的最为关键的环节之一。有效的特征提取方法可以快速、准确地识别出汉字的笔画特征。本文研究的主要内容如下:1.对手写体汉字的样本进行采集,然后介绍了几种常用的图像预处理的方法。通过对手写体汉字图像进行预处理,使汉字图像变得更加容易被识别。2.手写体汉字的特征提取。本文介绍了几种常用的针对汉字识别的特征提取方法。针对Gabor变换提取手写体汉字图像的特征能够抑制汉字的噪声、模糊等图像干扰,但是不能有效地识别因书写方式不同而出现文字变形的汉字图像的这种情况,本文将双弹性网格技术和改进的Gabor特征提取法结合起来,提出一种基于Gabor的双弹性网格特征提取方法。该方法首先对手写体汉字图像进行子图像分解,划分成“横”、“竖”、“撇”、“捺”4个子图像;然后运用双弹性网格技术及设置了最优参数的Gabor滤波器组对子图像进行特征提取。通过实验表明,该方法与其它特征提取法相比,计算量明显减少,识别速度显着提高。说明这种方法能够有效地避免文字变形和噪声等问题,有效地提高了识别率。3.手写体汉字的分类识别。主要介绍了常见的几种分类方法,分别介绍了最近邻(KNN)分类法、朴素贝叶斯分类法、支持向量机(SVM)和BP神经网络分类方法。再通过对比实验分析这几种分类方法的有效性。4.手写体汉字识别实验结果及分析。采用几种常见的特征提取方法和分类识别方法分别对手写体汉字进行对比实验,并分析实验结果。实验结果表明本文提出的基于Gabor的双弹性网格特征提取算法具有有效性,并且在使用BP神经网络分类器进行分类识别时,识别的正确率最高。(本文来源于《河北工业大学》期刊2014-11-01）
姜继春,王晓红,许秦蓉[5]（2014）在《H-Cb混合颜色模型下快递单手写体提取算法研究》一文中研究指出目的在不受光照条件的影响下,利用H-Cb混合颜色模型,提取快递单底单图像手写体文字信息。方法首先将图像从RGB颜色空间分别转换到HSI颜色空间和YCbCr颜色空间;然后将改进的YCbCr颜色空间的Cb颜色分量与HSI颜色空间的H颜色分量进行信息融合;最后对提取出的手写体文字信息进行阈值和反相处理,并将该算法提取结果与基于YCbCr颜色空间Cb颜色分量阈值分割方法和基于Lab颜色空间的手写文字聚类算法的提取结果,在分割效果、文字识别率上进行对比。结果利用H-Cb混合颜色模型检测出的手写体文字更准确,具有更高的识别率,在理想文字切分条件下识别率达96%。结论使用H-Cb混合颜色模型提取手写文字受光照条件影响小,提取出的图像噪声小、识别率高,算法简单可行,为彩色图像的检测与判定技术提供了支撑。(本文来源于《包装工程》期刊2014年19期）
宁博[6]（2013）在《手写体汉字识别实验平台及笔划网格特征提取方法的研究》一文中研究指出脱机手写体汉字识别研究是一个涉及多种学科的课题。手写体汉字的数量巨大、类别繁多、结构复杂、以及书写风格差异性等特点，使其在模式识别广阔的研究领域中，成为一个极其富有挑战性的课题。建立一个统一的脱机手写体汉字识别实验平台是对手写体汉字识别研究方法进行客观分析、评价的重要方式和手段。本文设计和构建了一个脱机手写体汉字识别实验平台。并在实验平台基础上对汉字识别相关算法进行了深入的研究。研究的主要内容如下：1.手写体汉字识别的实验平台。首先对手写体汉字样本库进行了研究，介绍了样张的设计和采集，样本库构建流程以及样本信息的组织方式，构建了一个标准的手写体汉字样本字库。接着介绍了汉字常用的预处理技术。最后重点介绍了本文手写体汉字识别实验平台的系统架构，实验平台功能模块的设计。2.手写体汉字的特征提取。汉字的特征提取方法主要可以分为两类：基于统计特征、基于结构特征的提取方法。本文主要研究并在实验平台上编程实现了汉字识别中几种常用的特征提取算法。在此基础上，将笔划密度函数的定义扩展到对角方向上，构成对角方向网格，提出了一种新的基于笔划密度函数的双弹性网格方法，此方法不仅考虑到汉字的笔划结构中“撇”、“捺”笔划的书写特性，而且通过构造对角弹性网格技术弥补了纵横网格技术的不足之处。3.手写体汉字的分类识别。首先介绍了汉字分类中的一些典型的分类方法，如最近邻（KNN）分类法、贝叶斯(Bayes)判别分类法、支持向量机(SVM)和BP神经网络分类方法。同时介绍了AdaBoost算法的相关知识。接着，深入研究了用于手写体汉字分类的基于BP神经网络的AdaBoost方法。最后，在汉字实验平台的基础之上，对比了不同分类器的实验结果，验证了该方法的有效性。4.汉字识别实验平台的系统实现和识别实验结果及分析。首先介绍了汉字实验平台的系统实现。接着，对手写体汉字实验平台的性能进行测试，对比了构造样本集所用的时间，验证了本文构造的脱机手写体汉字识别实验平台的实用性和高效性。然后基于实验平台，对多种特征提取方法和分类识别方法，进行汉字识别实验并分析实验结果。验证了本文提出的基于笔划密度函数的双弹性网格算法的合理性和有效性。(本文来源于《河北工业大学》期刊2013-12-01）
曹敏[7]（2013）在《基于过程神经网络的脱机手写体汉字特征提取与识别方法的研究》一文中研究指出脱机手写体汉字识别因其重要的理论意义和实用价值已成为模式识别领域中的热门课题。汉字识别属于超大规模的分类识别问题，而脱机手写体汉字由于书写的随意性和不规范造成的汉字形变与连笔以及缺乏书写过程信息等问题，成为汉字识别领域的研究难题之一。本文将过程神经网络的理论和方法与人类认知汉字的过程结合起来，研究了基于过程神经网络的脱机手写体汉字特征提取与识别方法，对机器“认知”脱机手写体汉字进行了新的探索。论文的主要研究工作如下：1.分析并提出了一种具有容错性的汉字特征表征方法。通过模拟人类汉字的书写习惯，将脱机手写体汉字的特征容错性的表征为笔划类型数量、笔划类型位置、拓扑结构类型数量和笔划书写顺序特征，给出了脱机手写体汉字多特征的表征方法。2.构建了用于提取脱机手写体汉字特征的过程神经网络模型。将手写体汉字二维点阵的图像转化为空间聚合与时间聚合的序列，利用过程神经网络的时空聚合能力，建立用于提取脱机手写体汉字特征的过程神经网络模型，并运用粒子群优化算法对网络进行训练，采用训练好的过程神经网络提取手写体汉字的多特征，构建脱机手写体汉字多特征数据表。3.研究了具有容错机制的脱机手写体汉字识别匹配规则。通过模仿人类识字时的对比、判断、分析能力，给出了具有容错性的脱机手写体汉字识别匹配规则，将待识别脱机手写体汉字的多特征数据表与样本库中的手写体样本的多特征数据表进行容错性匹配识别。4.从SCUT-IRAC手写体汉字图像样本库中选取了各种类型的脱机手写体汉字样本，在MATLAB7.0软件平台上，对本文提出的基于过程神经网络的脱机手写体汉字特征提取与识别方法进行了仿真实验。结果表明，该方法较好地消除了汉字畸变对特征提取造成的影响，具有较高的识别率。(本文来源于《合肥工业大学》期刊2013-04-01）
乔玉平[8]（2012）在《基于过程神经网络的脱机手写体汉字特征提取与识别方法研究》一文中研究指出脱机手写体汉字识别是模式识别领域中的热门课题，具有重要的理论意义和实用价值。由于汉字的种类多、结构复杂、相似字多，且脱机手写体汉字存在形变及不能反映手写过程信息等因素，使得脱机手写体汉字识别成为了汉字识别领域中的难题之一。本文运用过程神经网络的理论方法，模拟人类认知汉字的思维过程，研究了基于过程神经网络的脱机手写体汉字特征提取与识别方法，对机器“认知”脱机手写体汉字进行了探索。论文的主要研究工作如下：1、构建脱机手写体汉字的多特征数据表。模拟手写体汉字的书写习惯和汉字形码输入法，把脱机手写体汉字的特征表征为笔划类型数量、笔划类型位置、拓扑结构类型数量和笔划书写顺序特征，在研究脱机手写体汉字特征容错性表征的基础上，构建了待识别脱机手写体汉字的多特征数据表。2、分析并建立用于提取脱机手写体汉字特征的过程神经网络模型。利用过程神经网络能够处理时空二维信息的特点，构建用于提取脱机手写体汉字特征的过程神经网络模型，选用脱机手写体汉字样本及改进的BP算法对网络进行训练；用训练好的过程神经网络提取脱机手写体汉字的多重特征，完成脱机手写体汉字的多特征数据表。3、制定具有容错性的脱机手写体汉字识别匹配规则。模仿人类对比判断能力，制定具有容错性的脱机手写体汉字识别匹配规则，把待识别脱机手写体汉字的多特征数据表与标准仿宋印刷体汉字的多特征数据表进行容错匹配识别。在MATLAB R2009b的仿真软件平台上，选取SCUT-IRAC HCCLIB字库中包含各类结构的脱机手写体汉字，对本文研究的基于过程神经网络的脱机手写体汉字特征提取与识别方法进行了验证实验，实验结果表明该方法能较好地提取脱机手写体汉字特征，识别率较高。(本文来源于《合肥工业大学》期刊2012-04-01）
庄园[9]（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）
高宏宾,赵智彬[10]（2011）在《一种简单有效的手写体数字特征提取算法》一文中研究指出综合统计特征提取法与结构特征提取法的优点,设计了一种新的基于圈、左右轮廓特征与行分段特征来获取数字字符特征向量的方法。该办法用较少的特征向量就能够保留数字字符拓扑结构中的关键信息,适应性很强。仿真实验中,首先根据字符容易获取的结构特征(圈)对字符进行大体分类,然后利用基于级联结构的AD AdaBoost神经网络根据余下的特征值进行逐层淘汰识别。结果表明,该办法在识别速度与识别正确率方面都有所改进。(本文来源于《计算机系统应用》期刊2011年09期）
手写体提取论文开题报告
（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：
本文主要研究了手写体数字的识别问题,选用了300组像素为的手写体图片,对其先进行归一化处理,之后提取了图像的7个不变矩(Hu矩)特征、均值、方差以及图像的字符势能,以它们作为图像的特性,用BP网络进行识别,识别效率达到80%以上。
（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。
手写体提取论文参考文献
[1].李慧莹,胡西川.基于概率神经网络的手写体数字特征提取[J].现代计算机(专业版).2018
[2].王晓娟,杨永昕,李超.基于BP网络的手写体数字图片特征提取[J].山东工业技术.2016
[3].陈奋,郑子伟.手写体数字笔画特征提取改进方案[J].通化师范学院学报.2015
[4].刘妍.基于Gabor双弹性网格特征提取的手写体汉字识别的研究[D].河北工业大学.2014
[5].姜继春,王晓红,许秦蓉.H-Cb混合颜色模型下快递单手写体提取算法研究[J].包装工程.2014
[6].宁博.手写体汉字识别实验平台及笔划网格特征提取方法的研究[D].河北工业大学.2013
[7].曹敏.基于过程神经网络的脱机手写体汉字特征提取与识别方法的研究[D].合肥工业大学.2013
[8].乔玉平.基于过程神经网络的脱机手写体汉字特征提取与识别方法研究[D].合肥工业大学.2012
[9].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
[10].高宏宾,赵智彬.一种简单有效的手写体数字特征提取算法[J].计算机系统应用.2011
论文知识图
