支持向量机古汉字识别探究.docVIP

支持向量机古汉字识别探究 　　摘要：模式识别问题中，国内外学者对汉字的识别开展了较深入的研究。该文研究多种分类识别方法的优缺点及适用范围，确立采用支持向量机的方法对古汉字进行识别研究，结果表明，支持向量机方法与其他分类方法相比，对于古汉字有更高的识别效率。 关键词：汉字识别；模式识别；分类识别 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）18-4296-03 随着触摸屏、电子笔的发展，文字识别的要求越来越高，汉字识别的研究，最早源于20世纪60年代。从当时规范的印刷体识别，发展到今天不规则的手写体文字的识别。从单机的识别发展到联网的识别。从分隔好的单个汉字识别发展到整篇文档的一次性识别。文字的识别技术有了很高的认识水平。但是汉字由于笔画多、笔画复杂，字符集庞大，文字的相似度高等特点，尤其是古汉字的识别中，不同人书写汉字的风格多变，承载古汉字的古籍保存不完整等诸多原因，使得识别的难度要比识别现代文字的要高。 1 文字识别过程 目前，汉字识别过程分为预处理，特征提取，分类识别，后处理等过程[1]，流程如图1所示。特征提取所得到的信息直接送往分类器，分类器的目的主要是加快匹配速度，达到识别的效果。目前较多研究的分类器有：贝叶斯决策、二次判别函数， 隐马尔科夫模型 、最邻近分类方法，除此之外神经网络与支持向量机（SVM）方法也是基于统计学习方法的分类器。 2 分类识别方法的比较 分类识别方法有，基于结构模式和统计分类方法，其中有代表性的方法有，隐马尔科夫链（HMMs是典型的结构模型的实例）。二次判别函数法、贝叶斯（Bayes）法，神经网络、支持向量机等方法。 Jiang Ying Hu[2]利用隐马尔科夫模型对大字符集进行分类识别，实验显示，大字符集仍是HMM方法在文字识别领域的研究目标。 在设定了高斯密度和相同的先验概率密度情况下，Bayes判别法即类似于二次判别函数（QDF），在处理小字符集时Bayes方法要比神经网络[3]优秀。 Yanfang Li 等人，2007年提出的识别系统是基于多特征和平行神经网络计算的，用计算机群构造并连接模型，从而解决传统计算机由于过多的计算机，造成响应时间过长的问题。来达到提高识别速率的目的。其平均响应时间达到3ms远超过原来的7.2ms[4]。 3 SVM方法的文字识别 SVM构造的最优分类平面，其基本原理是在样本空间或特征空间上，使得分类平面与不同类样本集之间的间隔最大化，从而构造最优分类平面，效果如图2所示。为了达到最优的泛化能力，SVM首先把最优分类平面的构造，转换为对二次型问题的最优求解，同时，利用核函数把未变换模式矢量投影到高阶空间，达到在高纬度空间中获得最大间隔超平面，使非线性问题转变为线性问题。 引入SVM的非线性可分分类函数，将非线性的字符集特征向量划分。相应的分类函数可以写成： 在选择输入的支持向量后，讨论核函数及参数选取，以及惩罚因子C的改变对识别效率的影响。核函数如式（2），针对不同的识别对象有多项式核函数、高斯径向基核函数（RBF）、Sigmoid核函数，古汉字是我们实验的识别对象，为了在有限样本情况下，收敛速度更快，识别效率最高，我们对不同核函数、核参数及惩罚因子的调节，构造最优分类面[5]。 实验过程中，细致考虑了核函数的选择的不定性，首先对于相同的函数，采用变换核参数和惩罚因子C ，然后变换不用的核函数。对于同一组特征数据，规划最优的训练效果。因此，最终确定在分级分类模型中，选择收敛域广的高斯径向基核函数来进行样本训练和测试。 同时，关于实验环境，利用Matlab环境下的SVM_lib工具箱作为我们实验基础，lib工具箱具有通用SVM软件包，能提供线性、多项式、径向基和S形核函数，从而能有效的检验SVM分类识别方法对古汉字的识别性能，解决多分类的古汉字识别问题。 4 识别系统的应用界面以及应用结果 系统的应用界面如图3所示，其中需要说明的是在识别过程中需要的关键识别特征信息在识别系统中有所显示。其中部件结构特征值的取值范围为1～4，其中1代表独体结构，2代表左右结构，3代表上下结构，4代表内外结构。全局点密度特征的取值范围为0～1。权值1、权值2、权值3、权值4分别固定为0.398，0.316，0.177和0.109。而并行融合特征的8个分量的取值范围为任意值。 图3所示为古汉字图像分类识别系统的实际识别效果图，从中也可以看出本系统的识别结果是正确的。通过大量实际的古汉字图像验证，本系统的对古汉字的识别准确率一般可以维持在96.8%左右[6]。较神经网格等其他的分类识别方法要好一些。不过本系统对高相似度的古汉字图像的识