第２６卷第６期 ２０１０年３月 甘肃科技 Ｇａｎｓｕ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｝，０Ｚ．２６ Ｎｏ．６ Ｍａｒ． ２０１０ 手写汉字的文字识别 王 冰 ，王 越 （１．电子技术学院广州训练大队训练处基础教研室，广东广州５１０５１０；２．陕西西安陆军学院训练部，陕西西安７１０１０８） 摘要：主要对利用神经网络进行手写体汉字识别的方法进行了介绍。最后对手写体汉字识别技术进行了展望。 关键词：ＢＰ神经网络；特征提取 中图分类号：ＴＰ３１９ １ 手写体汉字识别的基本知识 手写体汉字按输入方式不同，可分为联机和脱 机两种。联机手写识别就是采用和计算机相连的书 写板，用户一边在书写板上写汉字，机器一边识别处 理．识别以笔划为单位，根据～个汉字的笔划组合、 笔划之间的位置和关系，最终识别出汉字。脱机手 写汉字识别需用光电转换装置，如，扫描仪或摄像机 将写在纸张上的文稿变为电信号，再输入到计算机 进行识别，其基本思想和印刷体汉字识别一致。由 于手写体人为因素随意性大，所以，手写体汉字识别 的难度远高于印刷体汉字的识别。 ２文字识别的基本原理 手写汉字识别的基本原理也是将输入的文字与 各个标准文字进行模式的匹配，计算类似度，将具有 最大类似度的标准文字作为识别结果。但是手写体 文字的人为因素随意性大，经常会出现连笔，和背景 融合的现象，因而在对手写体文字的识别中一般都 会加入汉字识别的预处理阶段，该阶段主要是完成 汉字图像的正规化，将手写输入的文字尺寸归一及 矫正变形。然后再进行汉字识别阶段，在汉字识别 阶段，完成汉字的识别，涉及特征提取和分类器的设 计。最后进行识别后处理阶段，利用汉字的结构知 识、语义、词义等上下文先验信息进行结果的纠错和 最后确定。尽管进行了这三个阶段，我们依然会发 现在对稍微潦草的文字的识别中，错误的比率依然 很高。 ３ 文字识别中的神经网络识别方法 在手写汉字的识别过程中，重点是汉字的识别 阶段，在汉字识别的阶段，最关键的地方就在于对汉 字的特征进行提取和分类器的设计。稳定的特征提 取的方法和良好的分类器设计是整个识别系统的核 心，它们直接决定了识别系统的性能。按特征提取 和分类器设计的不同，通常可以分为统计模式识别 法，结构模式识别法，统计和结构相结合的识别法和 人工神经网络识别法。人工神经网络是一种按照人 脑的组织和活动原理而构造的一种数据驱动型非线 性模型。它由神经元结构模型、网络连接模型、网络 学习算法等几个要素组成，是具有某些智能功能的 系统。从网络的结构划分，人工神经网络有许多不 同的种类，如感知器、ＢＰ网、Ｈｏｐｆｉｅｌｄ网、ＡＲＴ等等。 这些结构不同的网络在信息处理的功能上各有千 秋。由于人工神经网络具有与人脑相似的高度并行 性，良好的容错能力和联想记忆功能，适合处理一些 环境信息十分复杂，背景知识不清楚，推理规则不明 确的问题，而这些正是汉字识别特别是手写汉字的 识别所需要的。目前神经网络已在识别领域得到了 广泛应用，其中ＢＰ网神经网络是当前应用最为广 泛的一种神经网络。 ４ ＢＰ神经网络识别方法 ４．１ ＢＰ神经网络的算法模型 ＢＰ模型是一个很有效的算法模型，它是Ｒｕ— ｍｅｌｌｈａｒｔ于１９８６年提出，它的设计是将神经元分层 排列，输入层、若干中间层和输出层。一层一层传递 进行，每一层的神经元只接受它的前一层神经元的 输入，输出层是由输入层经过了各层的变换后得出。 由于这样的设计，ＢＰ神经网络解决了其他基本模型 所未能解决的问题，它将一组样本的Ｉ／Ｏ问题变成 一非线性优化问题，使用梯度下降法，运用迭代算法 完成学习记忆。再加上隐节点的增加使得可调系数 增加，从而就可得更精确的解。 ＢＰ算法采用训练多层神经网络，将每一个训练 范例在网络中使用两遍传递进行计算：一遍向前传 甘肃科技 田为学习率常数。 ，第２６卷 递计算，即从输入层开始，依次传递各层，经过神经 网络处理后，产生一个输出，得到一个实际输出和所 需输出之差的差错矢量；一遍向反方向传播计算， 从输出层回归至输入层，利用差错矢量对权值进行 逐层修改，直至逼近最终的结果。 由此，ＢＰ学习算法中要求的神经元特性函数是 可微的。有许多可微的函数可用作特性函数，常见 如Ｓ形函数。 为神经元 的差值。 ４．２ ＢＰ神经网络的特征提取 特征提取是整个手写体汉字系统中最重要的一 部分。所谓特征提取，就是将已分割好的文字通过 方法，判断出识别的文字。一般采用的方法是将需 要的文字分割于网格阵列中作为输入。网络的实空 状态，决定了输出层的值。通过输出向量中“１”元 Ｆ（ｘＡ。 素的位置，就可判断出字符。为了避免出现浓度相 同的文字的识别混淆问题，网格阵列多采用浓度逐 其中： ，＝Ｘｗ ，可满足这个要求，它的偏导数为： 级递增或递减非均匀网格。浓度值的计算公式为： 甏 （１－ ＾ ｍ ｄ（ ，Ｙ ） ．王ｍ（ｋ ＋ √）厂（ ＋ ｉ， ＋．『） 开始训练时，按照算法，网络的全部权值必须初 把这些浓度值作为网络学习输人模式同相应的 始化。一般会设置成较小的随机数，避免出现因权 导师输出示范模式一起，按ＢＰ算法对网格进行训 值取到最大值而使网络饱和或出现反常情况。 练，最后得到对输入文字具有识别能力的网络。 ＢＰ算法的训练步骤按照算法要求分为以下： 由此可看，ＢＰ神经网络具有较强的学习性、自 （１）从众多的训练范例集中取一训练对，作为 适应性和容错性，但是ＢＰ算法对于规模较大的模 输入矢量当做网络的输入；（２）利用算法，计算出该 式映射问题，存在着收敛速度慢、容易陷入局部最小 输入矢量下的网络输出矢量；（３）计算网络输出矢 点、判断不准确等缺陷。因此，对ＢＰ神经网络方法 量与训练对中目标矢量间的差错值；（４）将输出层 进行改进是今后一直需要研究的问题。 反向计算至第一中间层，根据结果，调整网络权值， 以减少误差；（５）对训练范例集中每一范例重复上 ５汉字识别的未来展望 述ｌ～４步，直至整个训练集的差错最小。 当前手写汉字识别的发展非常迅速，许多成果 上述１，２步计算同训练后神经网络用于识别时 均已走向实用，但是不少成果还不成熟。对于手写 一样，逐层执行计算。学习结束是指实际输出矢量 体汉字识别未来的发展前途，应抱着乐观的态度。 与目标矢量间差错已减少到可接受的值，权值已不 因为无论是脑机能的研究（主要是指人的文字识别 再调整。因此学习后网络做识别用时，仅用第１，２ 机制的研究）还是计算机性能的提高都会不断促进 步，第３，４步是从输出层开始，使用迭代方法，一直 手写文字识别理论和技术发展，并最终达到理想的 反向计算到第一中间层为止。 目标。 （ｎ＋１）＝Ｗ （，１）＋Ｃｊｘ； 参考文献： 其中：加 （ｎ）为神经元ｉ至神经元 的第凡次变更的 ［１］张世辉．汉字的识别与现状分析［Ｍ］．２００３． 权值； ［２］ 鲍胜利．汉字识别的新技术和发展趋势［Ｍ］．２ＯＯ２． 为神经元ｉ的输出（方程中也可以用输入 ［３］李平，蒋振剐．神经网络对手写字符识别特征的提取 代之）； ［Ｊ］．长春光学精密机械学院学报，２０００（６）． ・．．… ●…・●…・●…＊ｏ－…●…ｏＯ…ｏｅ・…●…・●…・●…・●…・●…－ｏ…．ｉｔ・…●…・●…・●…・●…・●…・●・”・●…，Ｉ－ｏ，，．Ｏ－－”●…．．…・●…・●…・●…●…・●…・●…・●… （上接第８０页）在美国、德国等发达国家，计量院除 标准是质量的依据，计量是质量的保证，没有高 了研制、维护国家基准外，都组织力量研究先进的测 标准，没有准确一致的计量保证，便没有高质量，而 试技术，这些都与经济的整体竞争力密切相关。 标准的制定，标准化的实现又是以计量技术为支持， 目前，国家科技部已将标准化、计量工作列入国 所以三者的核心便是计量技术。即质量技术监督工 家重点关注的科技基础性研究内容。 作的发展依赖于计量技术的发展，只有大力提高计 量技术的研究和应用，才能在新的发展形势下取得 ６结论 长足发展。
