摘  要： 針對(duì)目前脫機(jī)手寫字符識(shí)別計(jì)算量大，對(duì)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(shí)別的算法。此算法縮減了計(jì)算量并對(duì)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(cuò)誤傳導(dǎo),，提高了字符的識(shí)別率，易于實(shí)現(xiàn)移植和擴(kuò)展,。
　　關(guān)鍵詞： 字符識(shí)別,；脫機(jī)識(shí)別；手寫字符
0 引言
　　目前計(jì)算機(jī)對(duì)手寫字符識(shí)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(shí)別[1],。脫機(jī)方式目前研究以計(jì)算機(jī)常用字體為主的識(shí)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(duì)字符比較敏感，對(duì)手寫體特征筆畫定義的差距造成識(shí)別率下降,；后兩者提高識(shí)別率則需要大量計(jì)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(jiǎn)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(shí)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(shí)別,。
　　1.1 預(yù)處理
　　圖像矩陣經(jīng)過(guò)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(jì)算
　　1.2.1 頻率的相關(guān)計(jì)算
　　當(dāng)對(duì)Am×n第x行掃描時(shí),，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(gè)水平頻率組Lgt（t=1,，2，…）,，其水平變化頻率為L(zhǎng)gtlv,，該組所擁有行數(shù)為L(zhǎng)gnt，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(jì)度
　　字符中各行（列）中非0像素點(diǎn)的多少稱為該行（列）累計(jì)值,，如式（5）所示。

　　同理可得第y列的累計(jì)值,。
　　為了對(duì)筆畫的長(zhǎng)短有所區(qū)分,，這里用Pilel（x）來(lái)表示：

　　橫向長(zhǎng)筆畫數(shù)用Spsl表示：

　　同理可以得到相應(yīng)區(qū)域的列累計(jì)度和縱向長(zhǎng)筆畫數(shù)。
　　1.2.3 筆跡粗細(xì)
　　當(dāng)用累計(jì)值除對(duì)應(yīng)頻率時(shí),，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(duì)頻率影響非常嚴(yán)重。若在x行中存在n個(gè)符合條件的區(qū)域,，其中,，則令lv′（x）=lv（x）-n。同理可以對(duì)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(gè)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(gè)字符所擁有的efLgt數(shù)設(shè)為numLg。
　　計(jì)算有效垂直頻率efLgt,，首先確定其測(cè)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(jì)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(diǎn)集中區(qū)域
　　一個(gè)字符中往往存在某個(gè)有效區(qū)域其像素點(diǎn)較為集中,，稱之為焦點(diǎn)集中區(qū)域,。確定集點(diǎn)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(jì)算。
　　若numLg=1,，設(shè)su為字符垂直有效頻率的上部像素點(diǎn)的合計(jì)數(shù)：

　　同理知下部非0點(diǎn)的合計(jì)數(shù)sd,。
　　滿足時(shí)，則認(rèn)為字符垂直方向上部區(qū)域焦點(diǎn)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(jì)算判斷,。
　　計(jì)算水平方向的焦點(diǎn)集中區(qū)域時(shí),，選定其垂直方向的焦點(diǎn)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(jì)算,。
　　1.4 字符的細(xì)節(jié)檢測(cè)
　　1.4.1 有效空頻組檢測(cè)
　　把字符中存在間斷情況作為其字符的細(xì)節(jié)特點(diǎn)加以考察,。
　　若存在Lgt-1、Lgt,、Lgt+1（1<t<m）連續(xù)3個(gè)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(cè)
　　字符6和b,、8和B等單從頻率上無(wú)法區(qū)分，需對(duì)邊緣部分求其平均曲率加以區(qū)分,，如式（11）所示,。

　　其中，為對(duì)應(yīng)切線的轉(zhuǎn)角,，為對(duì)應(yīng)弧線的長(zhǎng)度。
　　若字符存在垂直焦點(diǎn)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(jì)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?yàn)橛?jì)算區(qū)域,，利用式（11）~（12）計(jì)算,。
　　字符3和B的右側(cè)曲線稱為波浪曲線。若在計(jì)算字符時(shí),，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(cè)
　　如果字符numLg=1,，則以字符整體為測(cè)試區(qū)域進(jìn)行檢測(cè)：

　,，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(jì)算,。
　　1.4.4 相交檢測(cè)
　　書寫往往會(huì)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(cè)區(qū)間的兩線段的斜率為k1、k2,，設(shè)相交檢測(cè)結(jié)果為Sa：

　　當(dāng)Sa=intersect,，則認(rèn)為其兩條線段相交，同時(shí)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(guò)計(jì)算,，得到了一系列數(shù)字構(gòu)成測(cè)試值編碼Rand,，如圖2所示。

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

　　1.5.3 LVc算法實(shí)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(jì)算其有效垂直頻率,、封閉性、視覺焦點(diǎn)集中區(qū)域等,。根據(jù)計(jì)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(kù)中代碼串相比較，求出的最大相近字符即識(shí)別輸出,。算法流程圖如圖3所示,。

2 實(shí)驗(yàn)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(shí)驗(yàn)1 字符的頻率和累計(jì)度
　　對(duì)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(guò)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(duì)焦點(diǎn)集中區(qū)域進(jìn)行的頻率特征檢測(cè),。

　　實(shí)驗(yàn)2 字符的識(shí)別率
　　實(shí)驗(yàn)以計(jì)算機(jī)黑體字庫(kù)為基礎(chǔ)字庫(kù)并根據(jù)實(shí)際情況對(duì)其字體庫(kù)進(jìn)行了適當(dāng)擴(kuò)充。實(shí)驗(yàn)從UCI字符庫(kù)和MNIST數(shù)字庫(kù)選取了其中7 200個(gè)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(duì)2 240個(gè)字符進(jìn)行測(cè)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(jì)算方法簡(jiǎn)單,，計(jì)算速度快，易于實(shí)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(cuò)誤傳導(dǎo)缺陷，提高了識(shí)別率，避免了模板匹配中對(duì)標(biāo)準(zhǔn)字符的依賴,，可用于多種計(jì)算機(jī)字體并對(duì)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(zhǎng)松.基于筆劃合并和動(dòng)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(bào)（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(shí)別[J].計(jì)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(shí)別[J].北京工業(yè)大學(xué)學(xué)報(bào)，2007,，33（9）：915-919.