手写识别外文翻译.docVIP

手写体汉字识别中Gabor特征和梯度特征的比较研究 KAI DING 摘要 Gabor特征和梯度特征已被证明是两个最有效的，。。augman提出的Gabor特征。Gabor滤波器提出的功能，首先是当地的窄带带通滤波器是在两者方向和空间频率中选择。这是适合用于提取两维的空间域，并广泛应用于如联合信息识别，字符识别，面部和纹理等。 Gabor特征与轮廓方向（链码）相比较，结果表明：在手写汉字识别中轮廓特征比Gabor特征更低等。 Gabor特征和梯度特征有一些共同的特性：适用于二进制图像和灰度图像，图像噪声免疫。刘先生等人在手写体数字和印刷日文字符识别比较这两种方法。然而，对于gabor特征和梯度特征在大规模的手写体汉字字符的识别中很少有综合性比较的研究，这是在本文讨论，也获得了一些有意义的实验结论。 在参考文献中，结果表明，Gabor特征和梯度特征中手写体数字和印刷日文中表现出的特性是相似的。但在本文中，我们注意到，梯度特征在大规模的手写体汉字字符识别中明显优于Gabor特征。不同的结果的分析这在5.4节给出了。 本文的其余部分安排如下：第2节和第3节介绍Gabor特征提取和梯度特征提取的方法。在第4节，弹性网格方法的提出，所有实验和描述在第5节提出。最后，在第6节是我们的总结文件。 2 Gabor特征 2.1 单一通道Gabor特征 二维Gabor滤波器函数如下： 和是振荡的方向，方向，λ是波长，ΔXΔY是高斯的标准偏差。 要Gabor特征，我们假设，F（X，Y）在二维字符点（X，Y）的像素值图像，其大小为M×N的（在本文中，所有的字符图像归为64×64）。让点（X，Y））表示采样点。然后在Gabor特征采样点（X，Y） 要获得Gabor特征的人物形象，参数φK，λ，ΔX，ΔY，首先必须确定。这是通常ΔX=ΔY=δ=π认为是常数。最佳φK（或D）和λ值将取决于在5.3节中描述的实验。 多通道Gabor特征 最初是由王等，如Gabor滤波器敏感笔画的宽度，和价值参数λ，λ反映信息的笔划宽度Gabor特征的表现上有显著的影响。在2.1节提出的Gabor滤波器只能设置，这意味着这Gabor滤波器的λ值是只某些笔划宽度。因为最后的触摸和正常化的过程中，脱机手写体的宽度字符的笔画差别很大（如图5所示）。因此，单道（烧λ值）Gabor滤波器的性能可能不是很脱线手写体汉字字符识别。 为了克服这一缺点，多渠道Gabor特征提取建议：几个单通道Gabor滤波器参数λ的不同值合并成一个多通道Gabor滤波器。因此多通道Gabor滤波器可以是个宽度其性能将比单一通道Gabor特征。 梯度特征提取。（所示图1）用于获取 水平和垂直在每个图像的梯度像素。假设F（X，Y）是点的灰度水平（X，Y），水平和垂直灰度梯度，推导出 图3：（a）8x8线性网格 （b）8x8整体弹性网格 （c）8x8局部弹性网格 图2：梯度矢量 然后我们以相等的时间间隔2π/L定义方向，并分解梯度向量）x和y为它的两个G G在最近的方向平行四边形的方式，为在图2所示（在图中，L是表示8）。这种分解方法是先将刘等提出。这样，我们得到在每一个L维的梯度代码图中的像素。然后我们分成64×64的归一化图像到8×8子块通过弹性，中间每个子块表示为采样点提取大号梯度功能，在d维梯度特征向量，作为F表示，其中d =8×8×L。最后一个非线性变换?= F0.4适用于每个提取的特征向量元素，使其分布高斯。在上述过程中，方向值L是唯一的参数梯度特征。在本文中，我们设置L=8。 弹性网格划分方法是针对有虚拟网格的自符图象的部分划分方法。如果字符图象被线性网格平等地划分，那么这个网格则为线性网格（如图3（a）项所示）。然而，由于不同作家的风格特征迥异，线性网格方法的性能不是很好。 为了克服这个缺陷，构建了弹性网格以及局部网格（如图3（）和3（）所示），它们能各自地同样性或区域性在每行每列中分配黑色像素。线性网格方法和弹性网格方法处理过得图像的直方图如图4所示。据图所示，弹性网格方法能平均划分直方图的分布，因此，它能塑造和规范手写字符的图像，并不能容忍由不同的书写方式造成的字符的局部变形和拉伸。  5 实验 5.1 实验数据 实验数据是HCL2000数据库，这是北京邮电大学和电信为中国863项目。它包含3755经常使用的简体中文字符，和所有的正常化人物形象64×64像素。一部分实验样品如图5所示。 为了减少运行时间，提高工作效率，在不同的实验样品的数量是不同的。例如，我们使用100套和30套在最佳参数测定实验Gabor特征。为了在关键的实验获得更可靠的实验结果，如比