脫機(jī)手寫(xiě)數(shù)字識(shí)別技術(shù)研究

張玉葉　王尚強(qiáng)　王淑娟　王春歆

摘要：針對(duì)目前常見(jiàn)的脫機(jī)手寫(xiě)數(shù)字識(shí)別技術(shù)進(jìn)行分析比較，并模擬人工智能識(shí)別字符的過(guò)程，提出一種分層識(shí)別方法。對(duì)于結(jié)構(gòu)差異較大的數(shù)字字符，根據(jù)數(shù)字字符圖像的統(tǒng)計(jì)特征進(jìn)行粗略識(shí)別；然后進(jìn)一步利用結(jié)構(gòu)特征細(xì)致區(qū)分形狀相近的數(shù)字字符。通過(guò)自制樣本庫(kù)進(jìn)行識(shí)別測(cè)試，結(jié)果表明該方法能夠有效提高識(shí)別準(zhǔn)確率。

關(guān)鍵詞：脫機(jī)手寫(xiě)數(shù)字識(shí)別；統(tǒng)計(jì)特征；結(jié)構(gòu)特征

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）29-0195-03

脫機(jī)手寫(xiě)數(shù)字識(shí)別，就是利用數(shù)字化設(shè)備將紙質(zhì)或其他介質(zhì)上手寫(xiě)的數(shù)字字符掃描為數(shù)字圖像信息，然后利用計(jì)算機(jī)進(jìn)行一系列的數(shù)字圖像處理步驟進(jìn)行數(shù)字識(shí)別處理的技術(shù)。相對(duì)于目前比較成熟的聯(lián)機(jī)手寫(xiě)字符識(shí)別，由于缺少聯(lián)機(jī)能夠獲取的字符筆順等重要信息，其技術(shù)實(shí)現(xiàn)難度要大。另外，脫機(jī)手寫(xiě)數(shù)字識(shí)別在郵政、銀行、交易等領(lǐng)域應(yīng)用需求廣泛，所以是近年來(lái)圖像處理領(lǐng)域研究的熱點(diǎn)。

本文在分析目前常見(jiàn)的脫機(jī)手寫(xiě)數(shù)字識(shí)別技術(shù)的基礎(chǔ)上，提出一種分層次的識(shí)別方法。該方法模擬人類識(shí)別字符的一般規(guī)律，首先抽取數(shù)字字符樣本的統(tǒng)計(jì)特征，通過(guò)對(duì)主分量重建模型的誤差分析進(jìn)行字符的粗略識(shí)別；然后加入寬高比結(jié)構(gòu)特征進(jìn)行字符比對(duì)，進(jìn)行第二層次的細(xì)致識(shí)別。

1常見(jiàn)的脫機(jī)手寫(xiě)數(shù)字識(shí)別技術(shù)

脫機(jī)手寫(xiě)數(shù)字識(shí)別最重要的環(huán)節(jié)是字符的特征提取，根據(jù)采用的特征提取方法的不同，可以將目前常見(jiàn)的脫機(jī)手寫(xiě)數(shù)字識(shí)別大致分為兩類：基于統(tǒng)計(jì)特征和基于結(jié)構(gòu)特征的方法。

基于統(tǒng)計(jì)特征的識(shí)別方法主要有兩個(gè)過(guò)程：分類器學(xué)習(xí)訓(xùn)練過(guò)程和利用分類器識(shí)別過(guò)程。學(xué)習(xí)訓(xùn)練是將獲取的樣本信息經(jīng)過(guò)預(yù)處理和特征提取之后給分類器學(xué)習(xí)，以此為識(shí)別的基礎(chǔ)，讓分類器獲得識(shí)別的能力。識(shí)別過(guò)程將待識(shí)別的信息經(jīng)過(guò)同樣的預(yù)處理與特征提取后讓分類器分類識(shí)別。統(tǒng)計(jì)方法的優(yōu)點(diǎn)是能較好地描述一類模式的本質(zhì)特征，對(duì)干擾信息不敏感，對(duì)與訓(xùn)練樣本一致的信息識(shí)別正確率很高，缺點(diǎn)是對(duì)一些不穩(wěn)定的字符形態(tài)容易誤判。所以該方法類似于人類識(shí)別字符的粗略宏觀過(guò)程。

基于結(jié)構(gòu)特征的方法是分析字符筆畫(huà)的構(gòu)造如圈、端點(diǎn)、交叉點(diǎn)、輪廓等識(shí)別特征，結(jié)合字符間互斥的特征進(jìn)行識(shí)別。方法能夠精確地描述字符的細(xì)節(jié)特征，比較直觀，對(duì)字符圖像畸變的抗干擾能力較強(qiáng)，可靠性較高；缺點(diǎn)對(duì)噪聲、斷線等干擾較敏感，另外字符骨架提取等過(guò)程實(shí)現(xiàn)復(fù)雜度高。該類方法類似于人類識(shí)別字符的細(xì)致區(qū)分過(guò)程。

由于不同人的書(shū)寫(xiě)習(xí)慣和書(shū)寫(xiě)風(fēng)格不同，使手寫(xiě)數(shù)字字符的形態(tài)極不穩(wěn)定。根據(jù)人工智能識(shí)別字符的規(guī)律，可以將兩類方法結(jié)合起來(lái)，分層進(jìn)行識(shí)別，從而克服各自的不足，提高字符識(shí)別的準(zhǔn)確度。

2脫機(jī)手寫(xiě)數(shù)字的分層識(shí)別方法

脫機(jī)手寫(xiě)數(shù)字識(shí)別，首要任務(wù)就是利用掃描設(shè)備將紙質(zhì)載體掃描為圖像信息以便計(jì)算機(jī)處理。得到的數(shù)字圖像在進(jìn)行識(shí)別之前需要進(jìn)行圖像的預(yù)處理，以消除圖像中無(wú)關(guān)的信息，增強(qiáng)有關(guān)信息的可檢測(cè)性和最大限度地簡(jiǎn)化數(shù)據(jù)，從而改進(jìn)特征抽取、圖像分割、匹配和識(shí)別的可靠性。預(yù)處理過(guò)程一般有幾何變換、平滑、復(fù)原和增強(qiáng)、提取邊緣、細(xì)化等步驟。這些圖像預(yù)處理技術(shù)比較成熟，可以直接應(yīng)用。

2.1主分量分析法提取統(tǒng)計(jì)特征及識(shí)別

3.1主分量分析法識(shí)別數(shù)字實(shí)驗(yàn)

步驟一：學(xué)習(xí)階段

利用主分量分析法對(duì)0到9十個(gè)數(shù)字的訓(xùn)練樣本提取統(tǒng)計(jì)特征，得到0到9十個(gè)模式類的前d個(gè)主分量重建得到的數(shù)字模型。以數(shù)字“6”為例，給出前d個(gè)主分量的重建模型圖如圖l所示，主分量個(gè)數(shù)d分別取3、5、7、10。從圖中可以看出d越大，模型圖像中包含的信息越多。

圖1樣本“6”前d個(gè)主分量的重建模型圖

步驟二：識(shí)別階段

將測(cè)試樣本分別在各模式的特征空間估計(jì)對(duì)應(yīng)于各模式的重建模型，再與各模式的重建模型相減得到重建誤差，比較誤差大小，誤差越小，與對(duì)應(yīng)的數(shù)字模式類越相似。

任意給出測(cè)試樣本中經(jīng)過(guò)預(yù)處理的0-9十個(gè)數(shù)字的圖像如圖2所示。

0-9十個(gè)手寫(xiě)數(shù)字字符（下表中用“”中的數(shù)字代表），在數(shù)字6的特征空間，分別構(gòu)建的重建模型圖像如圖3所示：

根據(jù)公式（2），對(duì)任意選取的這十個(gè)數(shù)（測(cè)試樣本）的重建模型與訓(xùn)練樣本的重建模型相減求模，得到模型誤差值進(jìn)行識(shí)別。

這里，我們只針對(duì)“6”的樣本集進(jìn)行分析。當(dāng)d=10的時(shí)候，任意十個(gè)數(shù)的測(cè)試樣本與“6”樣本集的重建模型相減，得到如圖4中所示的十個(gè)誤差圖像。

對(duì)圖4中圖像求模得到誤差值，誤差值越小，說(shuō)明測(cè)試樣本數(shù)字的形態(tài)與數(shù)字“6”越相似。發(fā)現(xiàn)測(cè)試樣本數(shù)字“6”的重建模型誤差值最低，說(shuō)明本方法是合理的。

其次誤差值最小的是“4”，然后是“5”，其余的數(shù)字的誤差較大。究其原因，我們分析表2中測(cè)試樣本的圖像不難發(fā)現(xiàn)，書(shū)寫(xiě)的數(shù)字4和5有與數(shù)字6最相近的筆畫(huà)弧度部分。

步驟三：分析結(jié)果

100個(gè)測(cè)試樣本經(jīng)過(guò)主分量分析識(shí)別，得到的實(shí)驗(yàn)結(jié)果如表1所示：

表1中反映出，各數(shù)字字符的識(shí)別率也不同，其中以取7個(gè)主分量時(shí)得到的實(shí)驗(yàn)結(jié)果為例，發(fā)現(xiàn)，數(shù)字“1”的識(shí)別率最低（η=70%），其次是數(shù)字“7”“9”（η=80%）。分析其中的原因，主要是因?yàn)樽址?”的筆畫(huà)過(guò)于簡(jiǎn)單，只有一豎，因此它筆畫(huà)結(jié)構(gòu)的特征不明顯，通過(guò)PCA能夠提取的結(jié)構(gòu)特征也就很有限。而“7”和“1”、“9”兩個(gè)數(shù)字結(jié)構(gòu)特征類似，也導(dǎo)致它的識(shí)別率比較低。為此，加入字符的寬高比結(jié)構(gòu)特征進(jìn)行識(shí)別。

3.2結(jié)合寬高比結(jié)構(gòu)特征識(shí)別實(shí)驗(yàn)

針對(duì)統(tǒng)計(jì)法識(shí)別數(shù)字出現(xiàn)的問(wèn)題，提取寬高比特征進(jìn)行數(shù)字識(shí)別，得到結(jié)果如表2。

發(fā)現(xiàn)數(shù)字識(shí)別率由91%提高到了96%，其中數(shù)字“1”被全數(shù)識(shí)別，原因在于它的高寬比特征最顯著?！?”和“9”識(shí)別率也顯著提高，這是因?yàn)槠浣Y(jié)構(gòu)特征與“1”區(qū)別開(kāi)來(lái)，另外，結(jié)構(gòu)特征使“9”與“6”區(qū)別更顯著了。

4結(jié)論

本文在分析現(xiàn)有脫機(jī)手寫(xiě)數(shù)字識(shí)別技術(shù)的基礎(chǔ)上，根據(jù)人工智能識(shí)別字符的規(guī)律，結(jié)合統(tǒng)計(jì)特征和結(jié)構(gòu)特征設(shè)計(jì)了分層識(shí)別步驟。自制訓(xùn)練樣本及測(cè)試樣本庫(kù)，利用Matlab軟件進(jìn)行識(shí)別實(shí)驗(yàn)，分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)本方法能夠在一定程度上提高數(shù)字識(shí)別率，但是未對(duì)算法實(shí)時(shí)性作出要求，要形成工程實(shí)用的算法，還需要進(jìn)一步的研究。