陳軍勝

寧夏大學(xué) 機械工程學(xué)院，銀川 750021

組合結(jié)構(gòu)特征的自由手寫體數(shù)字識別算法研究

陳軍勝

寧夏大學(xué) 機械工程學(xué)院，銀川 750021

在過去的幾十年，隨著數(shù)字化、信息化在社會生活方方面面的推廣及普及，手寫體的識別成為模式識別的研究熱點。數(shù)字手寫體因其在郵政編碼、統(tǒng)計報表、財務(wù)報表、銀行票據(jù)等方面的廣泛使用，它的自動識別更是受到了人們的廣泛關(guān)注。但是很多方法只是停留在理論研究之中，實際生活中手寫體數(shù)字因個人書寫風(fēng)格的不同而存在字符變形多樣的問題，造成現(xiàn)有算法在手寫體識別中識別率底、穩(wěn)定性差、魯棒性不足等多方面的問題。研究高性能的手寫體數(shù)字識別算法仍然是一個具有相當(dāng)挑戰(zhàn)性的課題。

手寫體數(shù)字的識別建立在特征提取及比較的基礎(chǔ)之上。按照提取字符特征的不同，現(xiàn)有的數(shù)字手寫體識別算法大體上可以分為兩類：一類是基于結(jié)構(gòu)特征的手寫體數(shù)字識別算法[1-3]。它們通過識別字符圖像內(nèi)部包含的凹陷區(qū)特征、輪廓特征結(jié)構(gòu)突變點特征等基元，采用模板匹配的方式實現(xiàn)手寫體數(shù)字的自動識別。這類方法能夠直觀地描述字符的結(jié)構(gòu)，但是存在著對字符形變及噪聲缺乏魯棒的問題；另外一類是基于統(tǒng)計特征的手寫體數(shù)字識別算法[4-8]。這類算法基于對大量樣本的表征、變換和學(xué)習(xí)，通過估計不同樣本類別的特征空間分布訓(xùn)練相應(yīng)的分類器，并利用這些分類器對未知模式進行分類。當(dāng)訓(xùn)練樣本選取得足夠充分時，這類方法能夠具有很好的識別能力；然而，充足樣本的構(gòu)造卻成為限制這類方法發(fā)展的主要瓶頸。

綜合分析手寫體數(shù)字識別的應(yīng)用需求及現(xiàn)有的手寫體數(shù)字識別算法，會發(fā)現(xiàn)手寫體數(shù)字識別具有以下特點：（1）手寫體數(shù)字書寫自由，個人書寫風(fēng)格千差萬別，造成手寫體數(shù)字形式變形多樣的特點。這就決定了在手寫體數(shù)字識別中不存在一種簡單、單一的方案能夠達到很高的識別率。（2）手寫體數(shù)字識別正確率要求高。在實際應(yīng)用中，手寫體數(shù)字往往會涉及到財會、金融等領(lǐng)域，因而，其識別準(zhǔn)確率要求更高。（3）手寫體識別困難度高，不像文字，數(shù)字之間往往沒有上下文關(guān)系，這就造成在數(shù)字識別過程中無法通過上下文間的指導(dǎo)信息輔助完成手寫體數(shù)字的自動識別，而必須完全獨立地對各個數(shù)字進行識別。

針對手寫體識別的特點及要求，分析現(xiàn)有算法存在的問題，本文提出了一種基于組合結(jié)構(gòu)特征的手寫體數(shù)字識別算法。該算法能夠通過擴展的字符結(jié)構(gòu)特征識別算法自動、魯棒地提取手寫體數(shù)字中的諸多結(jié)構(gòu)特征，并綜合使用端點、分叉點、橫線等特征構(gòu)建決策樹，實現(xiàn)了手寫體數(shù)字的自動識別。實驗結(jié)果顯示，該方法的識別率明顯優(yōu)于其他傳統(tǒng)方法。

1 方法概述

本文提出的基于組合結(jié)構(gòu)特征的手寫體數(shù)字識別算法通過分析字符圖像像素間的關(guān)系自動提取端點、分叉點等結(jié)構(gòu)特征，從而實現(xiàn)手寫體的自動識別。在介紹整體算法之前，首先給出基本概念。

1.1 基本概念

定義1（端點）在二值圖像中，端點就是連接點為1的點，即在它的九鄰域中只有一個點與它相連。圖1所示的8幅圖像中位居圖像中央的點均為端點。

圖1 端點的九鄰域圖

定義2（三交叉點）在二值圖像中，三交叉點起連接作用，是負責(zé)連接三條不同方向的線且連接數(shù)為3的點。在三交叉點的九鄰域內(nèi)有三個像素點與它相連并構(gòu)成一定角度。圖2所示的16幅圖像中位居圖像中央的點即為三交叉點。

定義3（四交叉點）在二值圖像中，四交叉點其連接作用，是負責(zé)連接四條不同方向的線且連接數(shù)為4的點。在四交叉點的九鄰域內(nèi)有四個點與它相連并構(gòu)成一定角度。圖3所示的兩幅圖像中位居圖像中央的點即為四交叉點。

圖2 三交叉點的九鄰域圖

圖3 四交叉點的九鄰域圖

1.2 整體框架

圖4所示為基于組合結(jié)構(gòu)特征的手寫體數(shù)字識別算法的整體框架，主要包括：

（1）手寫體數(shù)字圖像的預(yù)處理。

（2）手寫體數(shù)字圖像結(jié)構(gòu)特征的提取，通過本文提出的擴展字符結(jié)構(gòu)特征識別算法魯棒、準(zhǔn)確地識別手寫體數(shù)字圖像中包含的結(jié)構(gòu)特征。

（3）基于決策樹的手寫體數(shù)字自動識別，通過組合本文提取的結(jié)構(gòu)特征構(gòu)造決策樹實現(xiàn)自由手寫體數(shù)字圖像的自動識別。

2 手寫體數(shù)字圖像的預(yù)處理

手寫數(shù)字識別時，首先將紙上的字符，經(jīng)光電掃描產(chǎn)生模擬電信號，再經(jīng)模數(shù)轉(zhuǎn)換把帶灰度值的數(shù)字信號輸入計算機。紙張厚度、顏色、油墨深淺、印刷或書寫質(zhì)量都要造成字形畸變，產(chǎn)生污點、飛白、斷筆、交連等干擾。輸入設(shè)備的鑒別率、線形度、光學(xué)畸變也要產(chǎn)生噪聲。所以，在單個字符識別之前，要對帶有隨機噪聲的字符數(shù)字信號進行預(yù)處理。具體地，預(yù)處理包括灰度化、二值化、平滑、細化等步驟。

2.1 灰度化

圖4 基于組合結(jié)構(gòu)特征的手寫體數(shù)字字符識別算法整體框架圖

手寫體數(shù)字的顏色并不影響其對應(yīng)的字符，而彩色圖像又占有大量的空間，影響識別效率及效果。因而，在識別之前，首先要對圖像進行灰度化處理，以過濾掉與識別信息無關(guān)的數(shù)據(jù)。研究表明：給定一個24位的BMP圖像，若其每個像素通過R（紅色）、G（綠色）、B（藍色）三個顏色分量共同表達，則基于人眼對顏色敏感程度分析，可使用：

RGB=B×0.114+G×0.587+R×0.299 （1）的灰度化公式來進行灰度化?；叶然男Ч鐖D5所示。

圖5 彩色手寫體數(shù)字位圖的灰度化

2.2 二值化

為進一步減少圖像的數(shù)據(jù)量，使其更加便于圖像的識別操作，在得到數(shù)字字符的灰度化圖像后，需對灰度圖像進行二值化操作。二值化的一般方法是確定一個灰度值，即閾值x，將灰度值小于x的像素設(shè)為白色，將灰度值大于等于x的像素設(shè)為黑色。因為手寫體字符圖像的前景色和背景色為圖像中存在最多的兩種灰度顏色，因而圖像的灰度直方圖中會各形成一個波峰，將兩波峰之間的波谷作為閾值，即可有效實現(xiàn)圖像的二值化操作。為此，本文中，為保證閾值確定的合理性，利用灰度直方圖確定閾值并實現(xiàn)二值化。圖6給出了圖5所示灰度圖像的二值化結(jié)果。

圖6 灰度圖像的二值化

2.3 平滑處理

為消除手寫體圖像中的噪聲，需進一步對手寫體圖像進行平滑去噪處理。均值濾波、中值濾波、空間與低通濾波是圖像平滑處理中較為常用的濾波方法。鑒于在一定條件下，中值濾波可以克服線性濾波器所帶來的細節(jié)模糊問題，而且對濾除脈沖干擾及圖像掃描噪聲非常有效。本文選用7×7的滑動窗口對二值化圖像進行中值濾波。圖7給出了利用中值濾波光滑去噪后的字符圖像。

圖7 利用低通濾波對二值圖像進行光滑去噪

圖8 單行字符圖像在X、Y方向上的投影

2.4 字符分割

字符識別的基本對象是單個字符，在進行字符識別之前，需對光滑去噪后的圖像進行分割操作，以從多行或多字符圖像中獲得單個字符。本文中，將通過投影分割的方式來獲取單個字符。首先，利用水平投影法獲得單行字符圖像，此后再以單行字符圖像為輸入，利用垂直投影法獲得單個字符圖像。公式（2）（3）分別給出了水平投影及垂直投影的計算公式。

其中，h，w分別是圖像的高度和寬度，f(i，j)為圖像第i行第j列元素的灰度值，對二值圖像為1或0。以圖7中平滑去噪后的圖像為例，圖8給出了利用公式（2）、（3）中sum(i) 和sum(j)隨i、j的變化趨勢圖。由圖可見，給定一行字符后，由于字符間獨立成塊，水平方向之間并無交集，因而，可在對單行圖像進行垂直投影后利用投影圖像中的空白間隙對字符集合進行分割。圖9給出了相應(yīng)的分割結(jié)果。

圖9 基于垂直投影的圖像分割

2.5 字符細化

細化是減少圖像信息量并保留圖像主要特征的又一預(yù)處理操作。為有效提高字符識別的效果和質(zhì)量，將選用兩步腐蝕的方法對字符圖像進行細化[9-10]。具體地：第一步，對字符圖形進行預(yù)腐蝕，將所有腐蝕可去除的像素點標(biāo)明但不立即去除；第二步，以第一步標(biāo)注的可去除像素點為基礎(chǔ)，選擇消除那些消除后不會破壞字符連通性的點，并保留其他點，以確保字符圖像的拓撲結(jié)構(gòu)。圖10為按照本文算法細化得到的效果圖。

圖10 字符細化

3 手寫體數(shù)字結(jié)構(gòu)特征的提取

至此，得到了高質(zhì)量的字符圖像，本章將考慮字符圖像的特征提取。由于手寫體字符不像印刷體字符那么規(guī)范，使用諸如模板匹配的方法需要建立大量的模板庫，效率低且識別效果差。而字符結(jié)構(gòu)的某些特征并不因為書寫人的不同而發(fā)生改變，如數(shù)字字符1無論寫成怎樣，它都會存在兩個端點，內(nèi)部也不會有別的交叉點；數(shù)字2無論寫成怎樣，一般都會有一個交叉點和兩個端點的。因而，可以認為無論數(shù)字寫得如何隨意，只要不是非常夸張，特征點信息都是相對穩(wěn)定的。本文將以預(yù)處理后的字符圖像為輸入提取其字符結(jié)構(gòu)特征，并依據(jù)字符結(jié)構(gòu)特征識別數(shù)字字符。

3.1 結(jié)構(gòu)特征的提取

不同的數(shù)字具有不同的結(jié)構(gòu)特征，如有些數(shù)字有兩個端點，有些數(shù)字沒有端點，有些數(shù)字有三交叉點，有些數(shù)字有四交叉點，而且不同數(shù)字特征點的位置也不一樣，所以端點和交叉點特征就可以成為判別數(shù)字的一個主要特征。本文將利用擊中擊不中變換來識別數(shù)字字符的形狀特征。具體地：在擊中擊不中變換中將結(jié)構(gòu)元素分解成兩類，一類定義為前景結(jié)構(gòu)元素E，另一類定義為背景結(jié)構(gòu)元素F，定義如下：B=(E，F(xiàn))，其中E和F的交集為空集。對圖像A進行擊中擊不中變換的定義就是：

由于E與F的交集為空，構(gòu)造一個新的結(jié)構(gòu)T，將E中為1的元素定義為1，將F中為1的元素定義為－1，將其他元素定義為0，就可完整地表征出擊中擊不中的結(jié)構(gòu)元素E 和F。將T定義為發(fā)現(xiàn)結(jié)構(gòu)特征的探針，下面將根據(jù)不同的待識別結(jié)構(gòu)特征設(shè)置相應(yīng)的探針T。

（1）端點特征。對于有些數(shù)字，比如1、7，是存在兩個端點的，而0、8則是不存在端點的。所以端點特征是一個簡單且重要的判別特征。為有效識別端點信息，以圖1給出的8種不同形態(tài)的端點為依據(jù)，設(shè)計了8種不同的探針，如圖11所示。以這8個探針對原始圖像進行擊中擊不中操作，很容易識別出字符圖像的端點信息，圖12給出了一個實驗結(jié)果。

圖11 識別端點結(jié)構(gòu)的8種探針

圖12 數(shù)字字符中端點結(jié)構(gòu)的提取

（2）三交叉點特征。對于有些數(shù)字，比如2、3，是存在三交叉點的，而0、1則不存在三交叉點。所以三交叉點特征也是一個比較重要的判別特征。為有效識別三交叉點信息，以圖2給出的16種不同形態(tài)的三交叉點為依據(jù)，設(shè)計了16種不同的探針，如圖13所示。以這16個探針對原始圖像進行擊中擊不中操作可有效識別出字符圖像中包含的三交叉點信息，圖14給出了一個實驗結(jié)果。

圖14 數(shù)字字符中三交叉點結(jié)構(gòu)的提取

（3）四交叉點特征。對于有些數(shù)字，比如4，是存在四交叉點的，而2、7是不存在四交叉點的。四交叉點特征是用以識別數(shù)字字符的又一重要判別特征。為有效識別四交叉點信息，以圖3給出的2種不同形態(tài)的四交叉點為依據(jù)，設(shè)計了2種不同的探針，如圖15所示。以這2個探針對原始圖像進行擊中擊不中操作，很容易識別出字符圖像的四交叉點信息，圖16給出了相應(yīng)的實驗結(jié)果。

圖15 識別四交叉點結(jié)構(gòu)的2種探針

圖16 數(shù)字字符中四交叉點結(jié)構(gòu)的提取

通過擊中擊不中操作可有效地識別數(shù)字字符中包含的端點、三交叉點、四交叉點等結(jié)構(gòu)點信息。但是，僅僅依賴結(jié)構(gòu)點還難以完成數(shù)字字符的有效區(qū)別，如數(shù)字2，5都包含2個端點和1個三交叉點，且都沒有四交叉點。仔細觀察會發(fā)現(xiàn)，除了這些結(jié)構(gòu)點信息，數(shù)字字符中還包含一類結(jié)構(gòu)線信息，橫線特征就是一類非常重要的結(jié)構(gòu)線信息。如有些數(shù)字，比如2、5、7，是存在橫線的，而0、3、8這些數(shù)字是不存在橫線的；且不同數(shù)字中橫線的長短和位置也是不一樣的，如數(shù)字2的橫線在下方，而數(shù)字5和7的橫線都在數(shù)字的上方，所以橫線特征也是一個比較重要的判別特征，可和特征點結(jié)合共同支持字符的識別。為提取橫線特征，本文定義了如圖17所示的掩膜，通過原始圖像同掩膜圖像間的卷積標(biāo)識包含橫線特征的點，進而發(fā)現(xiàn)橫線特征。圖18給出了一個相應(yīng)的實驗結(jié)果。

圖17 識別橫線結(jié)構(gòu)的掩膜

圖18 數(shù)字字符中橫線結(jié)構(gòu)的提取

3.2 偽特征點的去除

理想狀況下，提取以上字符特征，并據(jù)此進行數(shù)字識別就可以了。但是，如表1所示，由于手寫體數(shù)字字符的隨意性，會出現(xiàn)很多標(biāo)準(zhǔn)寫法中不該出現(xiàn)的特征，即偽特征點：如標(biāo)準(zhǔn)的數(shù)字8中間位置有且僅有一個四交叉點，而這里出現(xiàn)了兩個三交叉點；標(biāo)準(zhǔn)的數(shù)字3應(yīng)該包含兩個端點，一個三交叉點，而這里多出一個端點，等等。這勢必影響以此為基礎(chǔ)的字符識別。為此基于字符結(jié)構(gòu)特征的分析，提出了一種偽特征點的去除算法擴展已有的字符結(jié)構(gòu)識別算法以確保特征提取的準(zhǔn)確性、魯棒性。具體地，在一個特定的閾值范圍內(nèi)，如果：

（1）有且僅有2個端點，如表1中的“4”，則去掉2個端點，增加1個三交叉點。

（2）有且僅有2個三交叉點，如表1中的“8”，則去掉2個三交叉點，增加1個四交叉點。

（3）有1個端點、1個三交叉點，如表1中的“3”，則去掉端點，三交叉點不變。

（4）有1個端點、2個三交叉點，如表1中的“9”，則去掉端點和1個三交叉點，只留1個三交叉點。

（5）有2個端點和1個四交叉點，如表1中的“5”，則去掉這2個端點及這個四交叉點，并新增一個三交叉點。

根據(jù)以上判別條件，依次判斷手寫體字符圖像中已識別特征的真?zhèn)?，有效去除手寫體字符中的偽特征點，實現(xiàn)手寫體字符特征結(jié)構(gòu)的規(guī)范化，可以更好地克服手寫體數(shù)字的隨意性，增加算法的魯棒性。

表1 手寫體數(shù)字字符偽特征說明1）

4 基于決策樹的手寫體數(shù)字自動識別

以上面提取的各類字符結(jié)構(gòu)特征為基礎(chǔ)，綜合比較它們的區(qū)別能力并構(gòu)造用以識別手寫體數(shù)字字符的決策樹，以實現(xiàn)手寫體字符的有效識別。本文中按照端點數(shù)為0～4的不同情況將待識別數(shù)字字符分為5類，其中：端點數(shù)為0的有0、8，端點為1的數(shù)字為6、9，端點為2的數(shù)字為1，2，3，5，7，端點為3的數(shù)字為另一種形態(tài)的5，端點為4的是4。進一步，將依次利用三交叉點數(shù)、四交叉點數(shù)、橫線數(shù)及其位置細化識別結(jié)果。圖19給出了本文所構(gòu)造的決策樹。每輸入一幅手寫體數(shù)字字符，依據(jù)此決策樹，逐條判斷，便可實現(xiàn)數(shù)字字符的有效識別。

5 系統(tǒng)實現(xiàn)

本文以Matlab為開發(fā)平臺，設(shè)計并實現(xiàn)了基于組合結(jié)構(gòu)特征的自由手寫體數(shù)字識別系統(tǒng)。系統(tǒng)包括輸入模塊和圖像識別模塊兩部分。用戶可通過輸入模塊提交手寫體數(shù)字字符，系統(tǒng)通過圖像識別模塊依次對圖像進行預(yù)處理、結(jié)構(gòu)特征提取并依據(jù)決策樹決策判斷得到輸出結(jié)果。

5.1 測試庫的構(gòu)造

為驗證算法的準(zhǔn)確性及魯棒性，選取識別率為評價參數(shù)，構(gòu)建了一個包含1 000份不同輸入的測試集。這1 000份輸入圖像包括數(shù)字圖片0～9各100份，每份由10人分批次書寫，形態(tài)各異，輕重不同。表2舉例列出了其中的部分手寫體字符。

表2 部分手寫體數(shù)字測試用例

圖19 支持手寫體數(shù)字字符自動識別的決策樹

5.2 識別率測試

以本文構(gòu)造的1 000份手寫體輸入為測試數(shù)據(jù)，實現(xiàn)并應(yīng)用本文算法對0～9的10個數(shù)字進行了測試，結(jié)果如表3所示。由表3可以看出，針對不同人書寫的不同形態(tài)的數(shù)字，該算法的整體識別率高達97.4%。而針對不同的數(shù)字，由于字符形式變化多樣性的不同，識別率略有不同。對于數(shù)字0和7，該算法的識別率已經(jīng)達到100%，其他絕大多數(shù)數(shù)字的識別率也已經(jīng)達到90%以上。這表明基于組合結(jié)構(gòu)特征的決策樹算法具有較高的識別率和較強的魯棒性。但是不可否認的是，該算法仍存在一些問題，由于算法中綜合應(yīng)用的判別特征還是不夠多，造成部分數(shù)字，如3、4、5的識別率較低，還有待于改進和完善。

表3 基于組合結(jié)構(gòu)特征的手寫體數(shù)字識別結(jié)果統(tǒng)計 （%）

5.3 算法比較

為了進一步驗證算法的有效性，本文實現(xiàn)了基于主分量分析（Principal Component Analysis，PCA）[11]的傳統(tǒng)手寫體識別算法，并將該方法和本文提出的基于組合特征的識別方法進行了比較。具體地，在基于PCA的自由手寫體識別實驗中，選用美國國家郵政局數(shù)據(jù)庫中包含的7 291個訓(xùn)練樣本為訓(xùn)練樣本集，依次計算0～9這10類字符的協(xié)方差矩陣Cx，求解其特征值，按特征值大小排序，得到這10個字符對應(yīng)特征向量的基向量；并依次選取3，6，16三個不同的特征維數(shù)d構(gòu)建其基向量數(shù)組u1～ud，依據(jù)式（5）對本文構(gòu)造的數(shù)據(jù)進行分類判斷。則待識別樣本屬于第i類模式。

實驗共進行了100輪，表4是最后的平均識別結(jié)果。由實驗結(jié)果可見，本文提出自由手寫體數(shù)字識別算法明顯優(yōu)于傳統(tǒng)算法，這是因為：（1）字符結(jié)構(gòu)特征相比較統(tǒng)計方法特征而言是一種更能反映數(shù)字手寫體本質(zhì)特征向量，能夠更好地捕捉自由手寫體中不變的屬性；（2）本文提出的擴展特征結(jié)構(gòu)特征識別算法能夠魯棒地提取各類字符結(jié)構(gòu)特征，進一步提高算法的識別率；（3）通過組合各類結(jié)構(gòu)特征，本算法能夠更好地識別0～9不同的數(shù)字字符，因而具有更高的識別率。

表4 本文算法同PCA算法識別率比較 （%）

6 總結(jié)與展望

本文提出一種基于組合特征的自由手寫體數(shù)字識別算法，給出了自由手寫體數(shù)字字符圖像的預(yù)處理方法，設(shè)計并實現(xiàn)了手寫體數(shù)字字符結(jié)構(gòu)特征信息的有效識別算法，并針對性地提出了一種新的偽特征點去除算法擴展本文字符結(jié)構(gòu)特征識別算法，建立了基于組合特征的決策樹識別算法，并通過實驗驗證了該算法的有效性。所提出的字符結(jié)構(gòu)特征構(gòu)建算法能夠準(zhǔn)確、穩(wěn)定地識別自由手寫體數(shù)字字符的結(jié)構(gòu)特征，為手寫體的識別提供底層支持；基于組合特征的決策樹自動識別算法能夠綜合利用多種結(jié)構(gòu)信息完成自由書寫體字符的自動識別，保證了算法的準(zhǔn)確性及魯棒性；實驗結(jié)果表明該算法的識別率高達97.4%，明顯優(yōu)于傳統(tǒng)自由手寫體識別算法。

為了進一步加強自由手寫體數(shù)字字符的識別能力及識別效率，下一步將考慮如何擴展并綜合應(yīng)用多種字符結(jié)構(gòu)特征，使其能夠有效地改進部分數(shù)字，如3，4，5等數(shù)字字符的識別率，使得手寫體數(shù)字字符的整體識別能力都有所提高。

[1]宋曰聰，胡偉.手寫體數(shù)字識別系統(tǒng)中一種新的特征提取方案[J].計算機科學(xué)，2007.

[2]黃濤.模板匹配在圖像識別中的應(yīng)用[J].云南大學(xué)學(xué)報：自然科學(xué)版，2005，27（5A）：327-332.

[3]沙騰.基于CCD圖像識別通用算法研究[D].杭州：浙江大學(xué)，2008.

[4]Li Sanping，Yue Zhenjun.Realization of handwritten numeral recognition system based on PNN with MATLAB[J].Journal of Military Communications Technology，2005，3（26）：54-57.

[5]賈厚林.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字識別研究與實現(xiàn)[D].南京：東南大學(xué)，2006.

[6]姜文理，王衛(wèi)，孫正興.基于決策樹的快速在線手寫數(shù)字識別技術(shù)[J].計算機科學(xué)，2006.

[7]張偉，王克儉，秦臻.基于神經(jīng)網(wǎng)絡(luò)的數(shù)字識別的研究[J].微電子學(xué)與計算機，2006.

[8]Likforman-Sulem L，Sigelle M.Recognition of degraded handwritten digits using dynamic Bayesian networks[C]//Proceedings of SPIE.San Jose，CA：[s.n.]，2007.

[9]張德豐.MATLAB數(shù)字圖像處理[M].北京：機械工業(yè)出版社，2009.

[10]馬駟良，馬洪波，董險峰.數(shù)字圖像的一種快速細化方法[J].吉林大學(xué)自然科學(xué)學(xué)報，2001（4）：17-19.

[11]芮挺，沈春林，丁健，等.基于主分量分析的手寫數(shù)字字符識別[J].小型微型計算機系統(tǒng)，2005，26（2）：289-293.

CHEN Junsheng

School of Mechanical Engineering,Ningxia University,Yinchuan 750021,China

Because of its large differences in writing style,context-independency and high recognition accuracy requirement, free handwritten digital identification is still a very difficult problem.Analyzing the characteristic of handwritten digits,this paper proposes a new handwritten digital identification method based on combining structural features.Given a handwritten digit,a variety of structural features of the digit including end points,bifurcation points,horizontal lines and so on are identified automatically and robustly by a proposed extended structural features identification algorithm,and a decision tree based on those structural features is constructed to support automatic recognition of the handwritten digit.Experimental result demonstrates that the proposed method is superior to other general methods in recognition rate and robustness.

handwritten digital identification;combining structural feature;decision trees;pattern recognition

自由手寫體因其書寫風(fēng)格差異大、上下文無關(guān)及識別準(zhǔn)確度要求高等原因?qū)е缕渥R別難度大的問題。針對手寫體數(shù)字識別的特點及要求，提出一種新的基于組合結(jié)構(gòu)特征的自由手寫體數(shù)字識別算法。通過擴展的字符結(jié)構(gòu)特征識別算法自動、魯棒地提取手寫體數(shù)字字符端點、分叉點、橫線等多種結(jié)構(gòu)特征，并組合應(yīng)用這些結(jié)構(gòu)特征構(gòu)造決策樹完成手寫體字符的自動識別。實驗結(jié)果表明基于組合結(jié)構(gòu)特征的自由手寫體數(shù)字識別算法的魯棒性和識別率明顯優(yōu)于傳統(tǒng)方法。

手寫體數(shù)字識別；組合結(jié)構(gòu)特征；決策樹；模式識別

A

TP391

10.3778/j.issn.1002-8331.1109-0092

CHEN Junsheng.Research on combining structural features based free handwritten digital identification algorithm. Computer Engineering and Applications,2013,49（5）：179-184.

陳軍勝（1969—），男，副教授，主要從事隨機分析研究。E-mail：chenjs@nxu.edu.cn

2011-09-06

2011-11-28

1002-8331（2013）05-0179-06

CNKI出版日期：2012-01-16 http://www.cnki.net/kcms/detail/11.2127.TP.20120116.0928.062.html