多民族脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)的設(shè)計(jì)與構(gòu)建

鄭蕊蕊，趙繼印，李 敏，于為民，吳寶春

(大連民族學(xué)院信息與通信工程學(xué)院，遼寧大連 116605)

多民族脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)的設(shè)計(jì)與構(gòu)建

鄭蕊蕊，趙繼印，李 敏，于為民，吳寶春

(大連民族學(xué)院信息與通信工程學(xué)院，遼寧大連 116605)

設(shè)計(jì)并構(gòu)建了一種記錄書(shū)寫(xiě)者民族信息的手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)——大連民族學(xué)院DNU－Ⅰ型多民族脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)。包括單字庫(kù)、行文本庫(kù)和段文本庫(kù)3個(gè)子庫(kù)。為少數(shù)民族漢字書(shū)寫(xiě)特征分析、中文文檔的行切分、漢字的切分識(shí)別、中文文本的無(wú)切分識(shí)別、筆跡鑒別和簽名驗(yàn)證等方面的研究奠定基礎(chǔ)，并提供算法的驗(yàn)證平臺(tái)。同時(shí)介紹了字符識(shí)別數(shù)據(jù)庫(kù)的一般構(gòu)建流程和數(shù)據(jù)庫(kù)圖像二值化、歸一化、行分割等預(yù)處理算法，為少數(shù)民族文字?jǐn)?shù)據(jù)庫(kù)的構(gòu)建提供了技術(shù)支撐。

脫機(jī)手寫(xiě)體漢字識(shí)別;數(shù)據(jù)庫(kù);少數(shù)民族;圖像處理

脫機(jī)手寫(xiě)體漢字識(shí)別是字符識(shí)別領(lǐng)域的研究難點(diǎn)與熱點(diǎn)，涉及模式識(shí)別、圖像處理、統(tǒng)計(jì)理論等學(xué)科，呈現(xiàn)出綜合性的特點(diǎn)，在少數(shù)民族語(yǔ)言文字信息處理、辦公和教學(xué)自動(dòng)化、銀行票據(jù)自動(dòng)識(shí)別、郵政自動(dòng)分揀等技術(shù)領(lǐng)域，都有著重要的理論意義和實(shí)用價(jià)值［1］。標(biāo)準(zhǔn)化的脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)在字符識(shí)別研究中起關(guān)鍵作用:一方面，數(shù)據(jù)庫(kù)為識(shí)別算法提供大量的訓(xùn)練樣本和測(cè)試樣本;另一方面，數(shù)據(jù)庫(kù)為不同識(shí)別算法的性能比較提供公共平臺(tái)，有利于公正客觀地對(duì)比實(shí)驗(yàn)結(jié)果。因此，建立脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)是研究脫機(jī)手寫(xiě)體漢字識(shí)別技術(shù)的首要環(huán)節(jié)和基礎(chǔ)。

目前國(guó)內(nèi)外的研究機(jī)構(gòu)已建立并公開(kāi)了4種脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)，分別是ETL－8/ETL－9［2］、HCL2000［3］、HIT － MW［4］和 SCUT －COUCH2009［5］。ETL－8/ETL －9 字符數(shù)據(jù)庫(kù)由日本電子工業(yè)發(fā)展協(xié)會(huì)收集，包含日文、中文、拉丁文和數(shù)字的手寫(xiě)和機(jī)器印刷字符，數(shù)據(jù)庫(kù)圖片有4種不同像素規(guī)格。該數(shù)據(jù)庫(kù)的不足是不包含書(shū)寫(xiě)者信息，并且由于中文和日文的書(shū)寫(xiě)習(xí)慣差異，該數(shù)據(jù)庫(kù)很少用于中文字符識(shí)別［4］。HCL2000是由北京郵電大學(xué)信息工程系研發(fā)的大規(guī)模脫機(jī)手寫(xiě)漢字?jǐn)?shù)據(jù)庫(kù)系統(tǒng)。該數(shù)據(jù)庫(kù)包含了三千多個(gè)一級(jí)漢字的1300個(gè)手寫(xiě)漢字樣本和對(duì)應(yīng)書(shū)寫(xiě)者的個(gè)人信息，每個(gè)漢字樣本采用64×64個(gè)二值像素描述。HCL2000字庫(kù)是單字字庫(kù)，與日常手寫(xiě)樣本仍存在巨大差別。SCUTCOUCH2009是華南理工大學(xué)開(kāi)發(fā)的在線式大規(guī)模脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)，通過(guò)PDA和智能手機(jī)的觸摸屏收集手寫(xiě)樣本，不僅包含單字庫(kù)，還有拼音庫(kù)、單詞庫(kù)、繁體字庫(kù)和符號(hào)庫(kù)等。SCUTCOUCH2009漢字庫(kù)雖然包含單字和單詞，但沒(méi)有整段文檔，且不包括書(shū)寫(xiě)者信息，仍未達(dá)到日常手寫(xiě)文本的級(jí)別。HIT－MW數(shù)據(jù)庫(kù)由哈爾濱工業(yè)大學(xué)構(gòu)建，是首個(gè)無(wú)監(jiān)督漢字文檔數(shù)據(jù)庫(kù)，書(shū)寫(xiě)內(nèi)容約200字左右，均選自《人民日?qǐng)?bào)》，因此，HIT－MW數(shù)據(jù)庫(kù)中的手寫(xiě)體樣本可以看作是真實(shí)的手寫(xiě)體樣本。HIT－MW數(shù)據(jù)庫(kù)同時(shí)還包含了樣本書(shū)寫(xiě)者的性別、年齡和職業(yè)信息。

上述4種數(shù)據(jù)庫(kù)中，只有HCL2000和HITMW數(shù)據(jù)庫(kù)考慮到了書(shū)寫(xiě)者個(gè)人信息的錄入，但都不包含書(shū)寫(xiě)者的民族信息。中國(guó)是一個(gè)和諧統(tǒng)一的多民族國(guó)家，藏族、蒙古族、維吾爾和朝鮮族等少數(shù)民族不僅使用本民族的語(yǔ)言文字，還能夠熟練掌握漢字。我國(guó)在研究漢字識(shí)別的同時(shí)，也積極開(kāi)展少數(shù)民族語(yǔ)言文字的識(shí)別與保護(hù)研究。漢字與少數(shù)民族文字在文字構(gòu)成和書(shū)寫(xiě)行款上有著或多或少的差異:例如，漢字沒(méi)有圈、點(diǎn)、曲線等筆畫(huà)，蒙文、藏文和維文卻包含大量這種結(jié)構(gòu)元素;漢字目前多采用橫向的書(shū)寫(xiě)方式，但是蒙文卻采用縱向的書(shū)寫(xiě)方式。因此，少數(shù)民族同胞在使用漢字時(shí)，其母語(yǔ)文字會(huì)對(duì)漢字的書(shū)寫(xiě)習(xí)慣產(chǎn)生影響。所以，在脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)的構(gòu)建中，不僅要考慮涵蓋更多的漢字樣本，還應(yīng)考慮到樣本書(shū)寫(xiě)者的民族信息。大連民族學(xué)院是國(guó)家民族事務(wù)委員會(huì)直屬的，以工科和應(yīng)用學(xué)科為主的民族高等學(xué)校，現(xiàn)有在校學(xué)生擁有56個(gè)民族成份，少數(shù)民族學(xué)生占60%以上，能夠?yàn)檠邪l(fā)多民族脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)提供強(qiáng)有力的人員和技術(shù)保障。

1 數(shù)據(jù)庫(kù)樣本設(shè)計(jì)

目前，大連民族學(xué)院信息與通信工程學(xué)院已完成多民族脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)的Ⅰ期數(shù)據(jù)庫(kù)(簡(jiǎn)稱為DNU－Ⅰ)的構(gòu)建，包括單字、行文本和段文本3個(gè)子數(shù)據(jù)庫(kù)，書(shū)寫(xiě)者為大連民族學(xué)院的部分教師和在校學(xué)生。為構(gòu)建脫機(jī)手寫(xiě)體漢字?jǐn)?shù)據(jù)庫(kù)首先必須規(guī)劃樣本采集策略，設(shè)計(jì)滿足要求的樣本采集卡。由于DNU－Ⅰ數(shù)據(jù)庫(kù)包含單字、行文本和段文本3個(gè)子庫(kù)，為了方便后續(xù)字符圖像預(yù)處理，設(shè)計(jì)兩種樣本采集卡，即單字采集卡和段文本采集卡，分別如圖1和圖2。單字采集卡選擇《百家姓》和《三字經(jīng)》的部分篇章作為書(shū)寫(xiě)內(nèi)容，供提取單字字符圖像使用。DNU－Ⅰ數(shù)據(jù)庫(kù)的段文本采集的書(shū)寫(xiě)內(nèi)容不同于HIT－MW數(shù)據(jù)庫(kù):HIT－MW數(shù)據(jù)庫(kù)的書(shū)寫(xiě)內(nèi)容均來(lái)自《人民日?qǐng)?bào)》;DNU－Ⅰ數(shù)據(jù)庫(kù)的段文本采集卡選擇《毛主席詩(shī)詞》和《牡丹亭》的部分篇章作為書(shū)寫(xiě)內(nèi)容，供提取行文本和段文本圖像使用。圖1和圖2的每種采集卡都包含書(shū)寫(xiě)者姓名、性別、年齡、民族、學(xué)歷和職業(yè)等信息，在書(shū)寫(xiě)者完全知情并同意的情況下完成樣本的采集。如圖3是兩種采集樣本實(shí)例。書(shū)寫(xiě)者在完全自由的情況下完成樣本采集卡指定內(nèi)容的書(shū)寫(xiě)，因此會(huì)出現(xiàn)涂抹、文本行傾斜、斷句方式不同等現(xiàn)象，如圖4，這些都符合實(shí) 際書(shū)寫(xiě)情況。

圖1 單字采集卡 圖2 段文本采集卡

圖3 樣本采集實(shí)例

圖4 樣本不同情況示例

2 圖像預(yù)處理

原始的采集樣本通過(guò)EPSON EXPRESSION 10000XL掃描儀在300dpi×300dpi的分辨率下掃描成RGB彩色模型的JPEG圖片。但這些圖像并不能直接用于字符識(shí)別的研究，需經(jīng)過(guò)彩色圖像的灰度化、灰度圖像的二值化、字符圖像歸一化、行分割等預(yù)處理。

2.1 灰度化和二值化

目前字符的特征提取方法主要針對(duì)灰度圖像和二值圖像。為了便于數(shù)據(jù)庫(kù)用戶對(duì)字符圖像進(jìn)行去噪、細(xì)化、特征提取等處理，避免重復(fù)操作，必須對(duì)掃描的彩色圖像進(jìn)行灰度化，對(duì)灰度圖像進(jìn)行二值化處理。

RGB彩色圖像是一個(gè)包含紅、綠、藍(lán)三原色的3維數(shù)組。RGB彩色圖像轉(zhuǎn)換為灰度圖像的原理是將紅、綠、藍(lán)三種分量按照一定的比例換算成灰度值，如公式(1)所示:

式中，V代表灰度值，R代表紅色亮度值，G代表綠色亮度值，B代表藍(lán)色亮度值。

圖像的二值化是將灰度圖像通過(guò)選定的閾值將圖像灰度矩陣轉(zhuǎn)變成只有0或1的邏輯矩陣的方法。閾值的選取是圖像二值化的關(guān)鍵，對(duì)文檔的后續(xù)識(shí)別處理也有一定的影響。本文采用Otsu法［6］確定閾值。Otsu法的實(shí)質(zhì)是通過(guò)迭代法尋找使圖像前景和背景兩類的類內(nèi)方差最小的閾值。

2.2 歸一化

經(jīng)過(guò)二值化的圖像還需要?dú)w一化為統(tǒng)一的規(guī)格。歸一化的尺寸一般由用戶根據(jù)算法需要自行確定，缺乏相應(yīng)的準(zhǔn)則。實(shí)踐中，許多研究者和同類數(shù)據(jù)庫(kù)都將單個(gè)字符圖像歸一化為64×64像素，因此本數(shù)據(jù)庫(kù)將單字庫(kù)中的字符歸一化為64×64像素大小的二值圖像。如圖5顯示了單字庫(kù)中“趙”字經(jīng)過(guò)灰度化、二值化和歸一化處理后的結(jié)果。如果數(shù)據(jù)庫(kù)用戶要研究字符圖像的歸一化方法，則直接選擇原始的掃描圖像即可。

圖5 單字圖像預(yù)處理過(guò)程

2.3 行分割

行分割又稱行切分，是指將漢字以“行”為單位進(jìn)行分割。漢字切分的研究建立在行文檔的基礎(chǔ)之上，行分割是漢字切分的前提條件。目前通用的行分割算法是投影法［7］。投影法首先對(duì)段文本圖像進(jìn)行行像素點(diǎn)統(tǒng)計(jì)，找到全部為白色像素點(diǎn)的行，即為行與行之間的間隔，如圖6。但是由于會(huì)出現(xiàn)行文本相連接的情況導(dǎo)致行間隔不是全白像素，因此許多學(xué)者在投影法的基礎(chǔ)上，提出了相應(yīng)的閾值算法，在某些特定規(guī)則下取得了較好的切分效果。本數(shù)據(jù)庫(kù)不僅提供段文本供用戶研究行分割算法，而且還提供行文本數(shù)據(jù)庫(kù)方便用于對(duì)字符分割的研究。因此需將數(shù)據(jù)庫(kù)的段文本掃描圖像分割成單獨(dú)的文本行，組成行文本數(shù)據(jù)庫(kù)。為了提高工作效率，采用Photoshop或“光影魔術(shù)手”等專業(yè)圖像處理軟件的圖像裁剪功能實(shí)現(xiàn)行分割，構(gòu)建用于字符分隔的行文本數(shù)據(jù)庫(kù)，樣本如圖7。

圖6 投影法行分割示意圖

圖7 行文本數(shù)據(jù)庫(kù)樣本

3 結(jié)語(yǔ)

大連民族學(xué)院DNU－Ⅰ數(shù)據(jù)庫(kù)是具有自主知識(shí)產(chǎn)權(quán)的，唯一一個(gè)記錄了書(shū)寫(xiě)者民族信息的脫機(jī)手寫(xiě)體漢字識(shí)別數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)包含單字?jǐn)?shù)據(jù)庫(kù)、行文本數(shù)據(jù)庫(kù)和段文本數(shù)據(jù)庫(kù)3個(gè)子數(shù)據(jù)庫(kù)，每個(gè)數(shù)據(jù)庫(kù)有60個(gè)樣本，涵蓋了滿族、回族、維吾爾族、白族、土家族、壯族、蒙古族、彝族、苗族、哈尼族和朝鮮族等少數(shù)民族，少數(shù)民族書(shū)寫(xiě)者共36人次，占總書(shū)寫(xiě)人數(shù)的60%。該數(shù)據(jù)庫(kù)為研究不同民族的漢字書(shū)寫(xiě)特征及影響識(shí)別率的相關(guān)因素提供了研究的基礎(chǔ)，應(yīng)用領(lǐng)域主要集中在少數(shù)民族漢字書(shū)寫(xiě)特征分析、中文文檔的行切分、漢字的切分識(shí)別、中文文本的無(wú)切分識(shí)別、標(biāo)點(diǎn)識(shí)別、筆跡鑒別和簽名驗(yàn)證等方面。本文還分析了字符圖像預(yù)處理的相關(guān)技術(shù)，為少數(shù)民族文字?jǐn)?shù)據(jù)庫(kù)的構(gòu)建提供必要的技術(shù)支撐。目前該數(shù)據(jù)庫(kù)已完成了Ⅰ期數(shù)據(jù)庫(kù)的構(gòu)建，但是涵蓋的漢字范圍有待進(jìn)一步擴(kuò)充，目標(biāo)是盡量完全覆蓋一級(jí)漢字，并涵蓋少量二級(jí)漢字。同時(shí)，還需擴(kuò)大書(shū)寫(xiě)者的范圍，特備是針對(duì)少數(shù)民族書(shū)寫(xiě)者，目標(biāo)是完全包含56個(gè)民族，并且加強(qiáng)少數(shù)民族書(shū)寫(xiě)者的比重。

致 謝

感謝大連民族學(xué)院信息與通信工程學(xué)院通信094班、電子072班和機(jī)電信息工程學(xué)院自動(dòng)化096班的同學(xué)為本數(shù)據(jù)庫(kù)建立提供手寫(xiě)樣本。感謝信息與通信工程學(xué)院電子072班王純、王野和王路平同學(xué)所做的圖像處理工作。

［1］趙繼印，鄭蕊蕊，吳寶春，等.脫機(jī)手寫(xiě)體漢字識(shí)別綜述［J］.電子學(xué)報(bào)，2010，38(2):405 －415.

［2］http://www.is.aist.go.jp/etlcdb/［OL］.2008－11－14.

［3］郭軍，藺志青，張洪剛.一個(gè)新的脫機(jī)手寫(xiě)漢字?jǐn)?shù)據(jù)庫(kù)模型及其應(yīng)用［J］.電子學(xué)報(bào)，2000，28(5):115–116.

［4］SU Tonghua，ZHANG Tianwen，GUAN Dejun.HIT －MW Dataset for Offline Chinese Handwritten Text Recognition［C］.Proceedings of the 10th International Workshop on Frontiers in Handwriting Recognition ，IWFHR，2006.

［5］ JIN Lianwen，GAO Yan，LIU Guang，et al.SCUT －COUCH2009－a comprehensive online unconstrained Chinese handwriting database and benchmark evaluation［J］.International Journal of Document Analysis and Recognition，2011，14(1):53－64.

［6］Otsu，N.A Threshold Selection Method from Gray －Level Histograms.IEEE Transactions on Systems，Man，and Cybernetics，1979，9(1):62 －66.

［7］于明，張彥云，薛翠紅，等.筆跡圖像中的單個(gè)漢字字符分割［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46(9):180 －182.

DNU－Ⅰ Multi－national Offline Chinese Handwritten Database of Dalian Nationalities University

ZHENG Rui－rui，ZHAO Ji－yin，LI Min，YU Wei－min，WU Bao－chun
(College of Information ＆ Communication Engineering，
Dalian Nationalities University，Dalian Liaoning，116605，China)

An offline Chinese handwritten characters and text database，DNU －Ⅰmulti－national offline Chinese handwritten database of Dalian Nationalities University，has been presented to record the writers’national information.Dalian Nationalities University has the copyright of the DNU － Ⅰdatabase.The DNU － Ⅰdatabase consists of 3 subsets，the single character dataset，the single line dataset and the paragraph dataset.Each sample of the DNU － Ⅰdatabase recorded the writer’s information，such as his or her name，nationality，gender and education.The proportion of writers from minority nationalities is 60%.The DNU－Ⅰdatabase can be used to conduct written features of minority nationalities，Chinese text line segmentation，Chinese characters segmentation，segmentation－free recognition，writer identification，signature verification and provide benchmark for algorithms comparison.Meanwhile，common construction procedures of character recognition database and the binarization，normalization，and line segmentation methods of character image pre－processing，which can provide technique support for minority nationalities’written languages，has been introuduceed.

Offline handwritten Chinese Recognition;database;minority nationality;image processing

TP391.1

A

1009－315X(2011)05－0502－05

2011－4－27;最后

2011－06－27

國(guó)家科技支撐計(jì)劃項(xiàng)目(2009BAH41B05);國(guó)家民委科研項(xiàng)目(10DL03);遼寧省教育廳項(xiàng)目(L2010094);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(DC10010103);大連民族學(xué)院人才引進(jìn)科研啟動(dòng)基金資助項(xiàng)目(20116203)。

鄭蕊蕊(1982－)，女，河南開(kāi)封人，講師，博士，主要從事智能圖像處理與模式識(shí)別研究。

(責(zé)任編輯 劉敏)