摘  要： 針對目前脫機(jī)手寫字符識別計算量大,，對字體字形都有一定的要求,，提出了主要以字符矩陣中01變換頻率為基礎(chǔ)，從字符的整體和局部特征出發(fā)進(jìn)行分析識別的算法,。此算法縮減了計算量并對所需局部信息進(jìn)行放大,，在一定程度上避免了傳統(tǒng)采用分類器方法的錯誤傳導(dǎo)，提高了字符的識別率,，易于實現(xiàn)移植和擴(kuò)展,。
　　關(guān)鍵詞： 字符識別；脫機(jī)識別,；手寫字符
0 引言
　　目前計算機(jī)對手寫字符識別主要分聯(lián)機(jī)和脫機(jī)兩種方式,。聯(lián)機(jī)方式目前主要采用的是聯(lián)機(jī)筆畫順序識別[1]。脫機(jī)方式目前研究以計算機(jī)常用字體為主的識別主要采用方式模板匹配法[2],、基于結(jié)構(gòu)特征算法[3],、基于神經(jīng)網(wǎng)絡(luò)算法[4]和基于支持向量機(jī)[3]等。前兩種算法算法本身對字符比較敏感,，對手寫體特征筆畫定義的差距造成識別率下降,；后兩者提高識別率則需要大量計算。
1 LVc算法
　　字符主要由豎線,、橫線,、半封閉弧線、封閉線筆畫構(gòu)成,，筆畫簡單特征少,，而手寫半封閉弧線經(jīng)常和橫線豎線進(jìn)行相互替換，加上封閉完整性的缺失增加了識別難度,。因此本文提出LVc算法,，提取文本中定義字符和數(shù)字的頻率特征和細(xì)節(jié)特征，并與已知標(biāo)準(zhǔn)字符提取的特征相比較,、識別,。
　　1.1 預(yù)處理
　　圖像矩陣經(jīng)過降噪、二值化后得到,，并把矩陣?yán)檬剑?）轉(zhuǎn)換成矩陣Am×n,，其中m=p+2，n=q+2,。

　　1.2 基本計算
　　1.2.1 頻率的相關(guān)計算
　　當(dāng)對Am×n第x行掃描時,，若ax，y≠ax,，y+1,，則稱存在一次變化，x行總變化次數(shù)稱為x行水平變化頻率,，記做lv（x）,，如式（2）所示。同理可得第y列的垂直變化頻率hv（y）,。

　　其中,，x=1，2,，3,，…，m,。
　　若相鄰的,，則稱它們屬于同一個水平頻率組Lgt（t=1，2,，…）,，其水平變化頻率為Lgtlv，該組所擁有行數(shù)為Lgnt,，如式（4）所示,。

　　其中，　

　同理可得垂直頻率組Hgt（t=1,，2,，…）,，相關(guān)數(shù)據(jù)設(shè)其所得垂直變化頻率為Hgthv，所擁有列數(shù)為Hgnt,。
　　1.2.2 行（列）累計度
　　字符中各行（列）中非0像素點的多少稱為該行（列）累計值,，如式（5）所示。

　　同理可得第y列的累計值,。
　　為了對筆畫的長短有所區(qū)分,，這里用Pilel（x）來表示：

　　橫向長筆畫數(shù)用Spsl表示：

　　同理可以得到相應(yīng)區(qū)域的列累計度和縱向長筆畫數(shù)。
　　1.2.3 筆跡粗細(xì)
　　當(dāng)用累計值除對應(yīng)頻率時,，可得字符的筆跡粗細(xì)Handw：

　　同理可得列筆跡的粗細(xì)Handwv,。
　　1.2.4 頻率的修正
　　字符邊緣的“毛刺”現(xiàn)象對頻率影響非常嚴(yán)重。若在x行中存在n個符合條件的區(qū)域,，其中,，則令lv′（x）=lv（x）-n。同理可以對垂直頻率進(jìn)行修正,。
　　手寫中經(jīng)常出現(xiàn)筆畫的起筆或末端的彎鉤現(xiàn)象如6,、C，給下一步有效頻率組判斷帶了一定的干擾,。若某個水平頻率組中滿足,，
　　1.3 英文字符的基本特征提取
　　1.3.1 有效變化頻率組
　　若某水平頻率組，則稱其為有效水平頻率組efLgt,，其水平頻率,，擁有的行數(shù)設(shè)為efLgtn；一個字符所擁有的efLgt數(shù)設(shè)為numLg,。
　　計算有效垂直頻率efLgt,，首先確定其測試區(qū)域：若numLg=1，則需根據(jù)垂直有效頻率判別式求得efLgt,；若numLg≥2,，存在efLg1其x∈[a，b]和efLg2其x∈[c,，d],，則取Did=下部和Diu=上部，如圖1所示進(jìn)行垂直有效頻率判別式分析計算,。

　　垂直有效頻率判別式為：若字符中Hgt的Hgnt≥,，則認(rèn)為其所在Hgt組為有效垂直頻率組；若字符中Hgnt<,，則選max（Hg1hv×Hgn1,，Hg2hv×Hgn2，…）（t=1,，2,，…）,，其中Hgnt≥2Handw最大值所在組為有效垂直頻率組。
　　1.3.2 焦點集中區(qū)域
　　一個字符中往往存在某個有效區(qū)域其像素點較為集中,，稱之為焦點集中區(qū)域,。確定集點集中區(qū)域需先以水平有效頻率為劃分基礎(chǔ)再進(jìn)行計算。
　　若numLg=1,，設(shè)su為字符垂直有效頻率的上部像素點的合計數(shù)：

　　同理知下部非0點的合計數(shù)sd。
　　滿足時,，則認(rèn)為字符垂直方向上部區(qū)域焦點集中,，反之亦然。
　　若numLg≥2,，則需按垂直頻率的區(qū)間劃分并根據(jù)式（10）計算判斷,。
　　計算水平方向的焦點集中區(qū)域時，選定其垂直方向的焦點集中區(qū)域,，并以其區(qū)域內(nèi)的有效垂直頻率組的中線為分界線依據(jù)式（10）計算,。
　　1.4 字符的細(xì)節(jié)檢測
　　1.4.1 有效空頻組檢測
　　把字符中存在間斷情況作為其字符的細(xì)節(jié)特點加以考察。
　　若存在Lgt-1,、Lgt,、Lgt+1（1<t<m）連續(xù)3個相鄰的水平頻率組，若滿足Lgt-1lv≠0∩Lgt+1lv≠0∩Lgtlv=0,，且Handw≥Lgnt≥min（Lgnt-1,，Lgnt+1），則認(rèn)定Lgt組為有效空頻組Lgo,。
　　1.4.2 直線,、曲線、波浪曲線檢測
　　字符6和b,、8和B等單從頻率上無法區(qū)分,，需對邊緣部分求其平均曲率加以區(qū)分，如式（11）所示,。

　　其中,，為對應(yīng)切線的轉(zhuǎn)角，為對應(yīng)弧線的長度,。
　　若字符存在垂直焦點集中區(qū)域,，則只需求此區(qū)域外側(cè)平均曲率即可；否則計算兩側(cè),。上下兩側(cè)的有效水平頻率組的中線外側(cè)區(qū)域為計算區(qū)域,，利用式（11）~（12）計算。
　　字符3和B的右側(cè)曲線稱為波浪曲線,。若在計算字符時,，其側(cè)面存在垂直頻率組t符合Hgnt≥2Handw∩Hgthv≥6,，則認(rèn)為其側(cè)存在波浪曲線。
　　1.4.3 封閉性檢測
　　如果字符numLg=1,，則以字符整體為測試區(qū)域進(jìn)行檢測：

　,，成立，則此區(qū)間為上部封閉,，否則此區(qū)間非上部封閉,。同理判斷其他區(qū)間的封閉性。
　　如果numLg≥2,，則根據(jù)求有效垂直頻率的區(qū)域劃分進(jìn)行封閉性計算,。
　　1.4.4 相交檢測
　　書寫往往會造成兩條線段平行和相交的近似，如A和H,。因此當(dāng)字符存在efLgtlv=2且兩側(cè)Sstl=straight,，其待測區(qū)間的兩線段的斜率為k1、k2,，設(shè)相交檢測結(jié)果為Sa：

　　當(dāng)Sa=intersect,，則認(rèn)為其兩條線段相交，同時其相交方向可以認(rèn)為近似封閉,。
　　1.5 相似度比較
　　1.5.1 編碼
　　通過計算,，得到了一系列數(shù)字構(gòu)成測試值編碼Rand，如圖2所示,。

　　1.5.2 相似度計算
　　計算采用左對齊不夠補(bǔ)0的策略,，計算方法如式（15）所示。其中,，Rand為測試值編碼,，Stan為已有標(biāo)準(zhǔn)字符編碼。

　　1.5.3 LVc算法實現(xiàn)
　　該算法主要根據(jù)字符的頻率進(jìn)行分類,，在確定字符的水平有效分組的基礎(chǔ)上,，再計算其有效垂直頻率、封閉性,、視覺焦點集中區(qū)域等,。根據(jù)計算得出的數(shù)值排列成一組數(shù)字代碼表示字符特征，并把此數(shù)字特征代碼與已知標(biāo)準(zhǔn)庫中代碼串相比較,，求出的最大相近字符即識別輸出,。算法流程圖如圖3所示。

2 實驗及其結(jié)果
　　由于字母o和數(shù)字0以及印刷體的字母l和數(shù)字1特征不明顯,，這里不做具體討論,。
　　實驗1 字符的頻率和累計度
　　對原始圖像進(jìn)行濾波和二值化等預(yù)處理，如圖4所示,。圖5所示為圖像的頻率特征,，其中圖5（a）是原始狀態(tài)下得到的頻率,，圖5（b）是經(jīng)過修正后得到的頻率，可以明顯看出修正后的字符的頻率特征更加明顯,。圖6是進(jìn)一步對焦點集中區(qū)域進(jìn)行的頻率特征檢測,。

　　實驗2 字符的識別率
　　實驗以計算機(jī)黑體字庫為基礎(chǔ)字庫并根據(jù)實際情況對其字體庫進(jìn)行了適當(dāng)擴(kuò)充。實驗從UCI字符庫和MNIST數(shù)字庫選取了其中7 200個字符,。分別采用SUV算法[5],、非線性PCA神經(jīng)網(wǎng)絡(luò)算法[6]與本文LVc算法對2 240個字符進(jìn)行測試，結(jié)果如表1所示,。

　　從表1可以看出,，本文算法的正確率達(dá)到96.83%，在3種算法中最優(yōu),。
3 結(jié)論
　　本文提出的算法計算方法簡單，計算速度快,，易于實現(xiàn),。由于算法采用了比值法，避免了傳統(tǒng)分類結(jié)構(gòu)存在的錯誤傳導(dǎo)缺陷,，提高了識別率,，避免了模板匹配中對標(biāo)準(zhǔn)字符的依賴，可用于多種計算機(jī)字體并對手寫字體傾斜度有一定的適應(yīng)性,，且易于移植和擴(kuò)展,。
　　參考文獻(xiàn)
　　[1] 姚正斌，丁曉青,，劉長松.基于筆劃合并和動態(tài)規(guī)劃的聯(lián)機(jī)漢字切分算法[J].清華大學(xué)學(xué)報（自然科學(xué)版）,，2004，44（10）：31-36.
　　[2] KHOTNAZAD A,， HONG Y H. Invariant image recognition by Zernike moments[C]. IEEE Transactions on Pattern Analysis and Machine Intelligence,， 1990，12（5）：489-497.
　　[3] SCH?魻LKOPF B,， BURGES C J C,， VAPNIK V. Extracting support data for a given task[C]. Proceedings of 1st International Conference on Knowledge Discovery & Data Mining， Menlo Park,， CA：AAAI Press,，1995：252-257.
　　[4] 武強(qiáng)，童學(xué)鋒,，季雋.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字字符識別[J].計算機(jī)工程與應(yīng)用,，2003，19（14）：112-114.
　　[5] 支持向量機(jī)入門[EB/OL].[2014-10-31].http：//www.docin.com/p-46942684.html.
　　[6] 孫光民,，張程,，王鵬,，等.基于非線性PCA神經(jīng)網(wǎng)絡(luò)的手寫體字符識別[J].北京工業(yè)大學(xué)學(xué)報，2007,，33（9）：915-919.