基于深度學習與MQDF相結合的手寫漢字識別方法.pdf

1、隨著移動互聯網的飛速發(fā)展,用戶對便利終端設備的迫切需求,市場上紛紛出現各式各樣的大屏幕手機、平板電腦,使得手寫輸入變得更加簡單、方便。移動終端設備的出現在給手寫識別帶來的巨大商機的同時,也帶來了更大的挑戰(zhàn),不僅要求識別精度高,而且要求識別速度快,適合各類用戶書寫習慣和各類設備硬件條件。
　　在手寫識別中,提高單字識別的精度是基礎也是重點,但是一些客觀原因也造成了單字識別的難度,例如由于漢字的種類多,結構復雜,字形的多樣化以及標注樣

2、本的有限。建立標注手寫樣本庫過程繁瑣,一定數量的標注手寫樣本庫的獲得需要耗費大量的財力,樣本的校驗工作也需要花費很多的精力和時間,因此手寫漢字識別領域面臨著巨大的挑戰(zhàn)。但是,由于移動商業(yè)化的發(fā)展、手寫終端的便利、各類手寫應用的出現以及用戶越來越依賴于手寫輸入的現狀,通過一定的商業(yè)途徑,獲得用戶各式各樣的大量無標注手寫樣本對手寫識別來說變得相對容易了,找到一種成本低、準確率高的手寫識別方法變得尤其重要。在這種標注樣本少,無標注樣本多的情況

3、之下,半監(jiān)督的深入學習方法便能很好地發(fā)揮其優(yōu)勢。
　　本文將深入學習應用到手寫漢字識別中,并結合傳統(tǒng)的預處理、降維以及分類方法,提出了一種將 DBN與MQDF相結合的單字識別方法。深度學習相比其他的學習方法具有較強的表達能力,特別對結構復雜的手寫漢字,能夠用非常復雜的深度結構進行建模。本文中的提出的方法主要分為四個階段:第一階段,將在線或者離線數據進行規(guī)整化后,采用連續(xù)的NCFE八方向特征提取方法;第二階段,將第一階段得到的特征放

4、到 DBN中進行構建、訓練和粗分類;第三階段,將第一階段得到的特征進行降維;第四階段,利用第三階段得到的特征和第二階段得到的候選類別用Modified Quadratic Discriminant Functions(MQDF)進行細分類。
　　最后,本文的方法在哈爾濱工業(yè)大學深圳研究生院 HIT-OR3C、中科院CASIA-OLHWDB1和華南理工的SCUT-COUCH2009手寫數據集上進行實驗。結果表明,相比其他方法,本文提