一、FPTA快速细化算法在脱机手写体汉字识别中的应用（论文文献综述）
岳中彤[1]（2019）在《基于PSO与BP神经网络的脱机手写体汉字识别》文中指出汉字识别的研究是模式识别中的一个热门课题,并已在实践中取得了相对成功的应用。本文主要探究脱机状态下对手写体汉字的识别,根据汉字识别流程的特性,创建了基于BP神经网络的汉字手写体脱机识别模型,并通过训练和测试验证其可行性。首先,选取手写体汉字样本图像对其开始预处理。其次,在特征提取流程对处理后的数字图像提取特征矢量。基于神经网络的自适应、自学习、容错能力强等优点,后期设计了随机样本数据的分类识别模型。并对此模型进行了改进,从而提高了脱机手写体汉字的识别率,优化了汉字分类识别流程。本文主要包括以下几个方面:1.概述了脱机手写体汉字识别的基本过程,以及各过程运用的基本算法。整体过程主要有图像的获取、图像的预处理、特征提取、识别分类模型的构建。本文研究的样本图像源自SCUT-IRACHCCLIB样本库。本文图像的预处理主要分为二值化、平滑去噪、字符分割、归一化、细化五个流程。二值化消除手写体字符笔画中的空白点,经处理后的字符笔画基本上保留了原字符的基本特征;平滑去噪去除了二值化图像中孤立的噪声黑点;字符分割把图像分出单个汉字便于仿真训练识别;归一化处理调整单个汉字尺寸和位置的变化;细化处理去除汉字的边缘轮廓,只保留最基本的形状信息。特征提取过程选用网格方向统计特征法,提取的特征矢量作为输入,用于分类和识别模型的仿真验证。之后基于BP神经网络设计了识别分类模型。2.针对汉字识别与分类的过程,本文详述了 BP算法和PSO算法各自的原理、实现及特性。基于BP神经网络对手写体汉字识别分类时,由于BP算法是一种局部的寻优算法,在网络的训练阶段易陷入局部极小点,且收敛速度慢,导致了分类器识别率的降低。针对上述问题,本文提出了 PSO优化BP神经网络（PSO-BPNN）的算法,建立了基于此算法的汉字手写体脱机分类识别模型。3.将数据库中的样本图像用于训练测试上述PSO-BPNN算法的有效性,本文所选择的仿真平台是Matlab。首先选用一定量的样本图像,经过预处理和特征提取之后用于训练汉字识别分类模型,然后将剩下的样本图像用于该模型的测试验证。其次,对大量样本图像进行训练仿真,并将原始BP算法和PSO-BPNN算法的识别效果进行比较,验证表明优化后的分类模型具有较高的预测精度和识别能力。
关磊[2]（2018）在《基于MATLAB的汉字细化算法研究》文中研究说明骨架是一种能保持原图像拓扑和几何性质的简便形状描述方法。骨架提取算法现已广泛的应用于文字细化、医学图像处理、机器人路径规划、指纹识别、科学图像分析等领域。快速、准确的提取出骨架在图像处理领域具有重要的理论与实际意义。本文主要研究如何实现快速高性能的汉字细化,提出了新型连通性原理,并在该原理的基础上提出了自动生成保留模板方法。根据新方法对OPTA系列算法进行了改进,消除了该系列算法容易存在断点及毛刺较多的缺陷,并大大提高了细化运算效率。首先研究了汉字识别的预处理过程,同时对目前使用最广泛的几种细化系列算法进行了优缺点分析。OPTA系列细化算法是一步迭代细化算法,同时对所有的像素进行迭代处理。Z-S系列细化算法分两步进行迭代运算,并运用逻辑运算公式处理目标像素。经过实验对比发现,OPTA系列细化算法的骨架连通性和细化性较差,细化速度也较慢,还有进一步改进的空间。因此将针对这些缺点做进一步的研究。接着提出了新型连通性原理,并在此基础上提出了一种自动生成保留模板的方法。该方法是依据细化算法中的删除模板来进行自动匹配,进而找出所有需要保留的模板。用此方法对OPTA系列细化算法进行改进,为该系列算法提出更准确有效的保留模板。实验证明,OPTA系列算法用此方法进行改进之后细化速度有了较大的提升,并且弥补了某些算法会出现断点的缺陷,提高了骨架的连通性。在OPTA系列细化算法及新型连通性原理的基础上提出了改进的OPTA细化算法。该算法的基本思想是依照新型连通性原理提出新的删除模板,并利用该删除模板自动生成保留模板,使骨架没有断点并且完全细化。实验结果证明,该算法能实现汉字的完全细化,没有任何断点产生,并且骨架很少毛刺,因此细化结果具有良好的连通性和细化性。最后,在实验中发现,改进的OPTA细化算法在细化速度上没有优势,且对汉字的细化过于彻底,导致一些骨架结构信息的丢失。因此又提出了一种改进的OPTA快速细化算法,该算法同样在新型连通性原理的基础上设置了右邻接及下邻接的删除模板和保留模板,并增加了一些小毛刺删除模板及小区域保留模板。还在该算法内提出了删除双斜线的方法,以保证骨架的单像素性。经过实验证明,该算法的细化速度相比较其他细化算法优势明显,且细化后的骨架也保持了原图的拓扑结构、细化性以及连接性。本文提出的两种改进的细化算法均在MATLAB平台上进行实验,在宋体、楷体、隶书等数据集均有良好的细化结果,是一种较为实用的细化算法。
姜瀚哲[3]（2017）在《基于汉字识别仪的脱机手写体汉字识别算法研究》文中研究指明近些年模式识别技术由于在生产生活中被广泛应用,因此作为一项极具挑战性的课题被研究学者重视并研究,其中脱机手写体汉字正是模式识别技术的难点之一。本文主要通过查阅文献和反复实验,在掌握国内对脱机手写体汉字识别算法研究成果的基础上,为提高汉字识别仪的识别率,针对脱机手写体汉字识别算法进行了研究。本文的主要研究内容有以下几个方面:（1）通过分析了不同数据库的特点,综合考虑样本的多样性和代表性。决定采用北京邮电大学HCL2000手写汉字数据库进行特征提取,该数据库采用了以书写者为单位按文件形式组织和存放的方式,为脱机手写体汉字识别研究提供了数据基础。（2）为了解决汉字图像粘连等不规范问题,需要对汉字图像进行预处理。利用灰度化、大小归一化、细化等处理方法对手写汉字图像进行处理,以解决比划粘连与书写不规范问题,为进一步对手写体汉字进行特征提取提供了基础。（3）对图像进行特征提取。讨论了基于传统的统计决策法和结构分析法的汉字特征提取方法,比较各自的优缺点,确定采取结合多种特征的特征融合方法,选用使用频率高,使用效果好的多种特征方法:如提取手写汉字图像上,下,左,右的极值点,以及横,竖,撇,捺等特征值。（4）对手写汉字图像进行分类。传统的统计分类法比较耗时。BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用广泛的神经网络模型之一。因此利用BP神经网络对样本进行训练,确保更加准确快速的实现汉字的识别工作。
王晓[4]（2013）在《基于BP神经网络和HMM混合模型的脱机手写体汉字识别》文中研究说明随着社会的不断发展进步,在人们的日常生产生活中,经常需要处理大量的文字、文本、报表等等。使用人工键盘输入已经不能够充分满足人们的信息需求,如何使用计算机快速、准确地识别文字已日趋重要。脱机手写体汉字识别技术作为字符识别技术（OCR）的一个分支,已经成为了模式识别领域新的研究热点。人工神经网络具有容错好、自适应强、能够模仿人脑智能等优点,可以处理环境复杂、背景不清、推理规则不明确的问题。因此将神经网络理论应用于手写体汉字识别有较大的理论意义和实践价值。本文主要对神经网络的基本原理、基础方法以及有关算法等进行了研究,在此基础上针对BP神经网络算法存在的学习算法收敛慢和局部极小值的问题采用了附加动量项法和改进误差函数来改进BP算法。同时针对BP神经网络建模能力弱的缺点设计并实现了一个基于BP神经网络和HMM混合模型的脱机手写体汉字识别系统。BPNN-HMM混合模型不仅能够充分利用BPNN优秀的分类识别能力,又可以通过HMM强大的时域建模能力来弥补BPNN建模能力弱的不足。因此该模型具有强大的建模能力、分类能力和自适应能力。本文首先对预处理部分的各个操作和相应的常用方法以及算法进行了简要介绍,其中详细介绍了本文采用的中值滤波去噪、阈值二值化算法。在特征处理部分,介绍了结构特征提取和统计特征提取两种特征提取方法以及本文实现的基于投影边界链的特征提取方法。在此基础上,提出并实现了一种基于BP算法和HMM混合模型的识别方法来提高识别性能。最后在MATLAB（R2009b）环境下,进行了识别仿真实验,对零～玖这十个大写汉字进行识别。实验结果表明,用本文所提出的方法进行脱机手写体字符识别是可行的,其识别准确率达到89.0%,优于现有的一些方法。
陈永春[5]（2013）在《基于粒子群算法和支持向量机的脱机手写体汉字识别研究》文中认为脱机手写体汉字识别技术作为字符识别技术的一个分支,已经成为模式识别领域的一个研究热点,对其进行研究意义重大。脱机手写体汉字识别是一个超多类复杂模式识别问题,对汉字较高的识别率需要集成多种识别方法,但同时也增加了系统开销。支持向量机是在统计学习理论的基础上发展而来的一种机器学习方法,在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势。将SVM理论运用于脱机手写体汉字识别有较大的理论意义和实践价值,但是传统的SVM存在诸多的缺点,比如SVM核函数及其参数的选择没有固定的标准；只能解决二类样本问题,无法解决实际情况中的多类分类问题。粒子群算法（PSO）是一种基于群体智能原理的随机优化算法,一种全局并行寻优算法,利用PSO算法寻找最优的SVM参数,解决了SVM参数选择这一大难题。本文在传统的支持向量机基础上,结合粒子群算法和有向无环图,改进构成了一种新的支持向量机PSO-SVMs, PSO-SVMs摒弃了传统的参数不确定的缺陷,能快速的搜寻最优SVM参数,在识别正确率上有一定的提高,同时改进了传统SVM只能二类识别的不足,将SVM用有向无环图集成起来,进行多类分类。最后,实验证明了这种改进的支持向量机方法用于脱机手写体汉字识别的可行性和有效性,PSO-SVMs对整个识别功能及结果来说有明显的优势,对传统的SVM有较好的改进。
甘恒[6]（2013）在《基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究》文中指出脱机手写体汉字识别技术是模式识别领域的一个研究课题，具有广泛的应用前景。脱机手写体汉字不仅具有字符集庞大、字体类别多、字型变化多、相似字多的共性，还具有书写风格众多、书写不规范和随意性较大等特点。本文在对脱机手写体汉字笔划密度特征分析研究的基础上，研究了一种基于汉字笔划密度特征的二叉树SVM的脱机手写体汉字多级粗分类与“一对多”SVM细分类相结合的汉字识别方法，论文的主要研究工作如下：1、在研究汉字结构特征与统计特征的基础上，定义了脱机手写体汉字整体笔划密度特征和细节笔划（横、竖、斜）密度特征，用作脱机手写体汉字多级粗分类依据。2、在统计分析脱机手写体汉字像素密度特征分布的基础上，建立了汉字粗分类类别；根据粗分类类别的划分，构造不同粗分类策略的二叉树结构形式，并对二叉树SVM进行训练；给出了用于剪枝二叉树SVM粗分类的相似度定义和粗分类算法，仿真实验表明，脱机手写体汉字多级粗分类达到了预期效果。3、在粗分类的基础上，提取脱机手写体汉字的外围轮廓特征和小波多网格特征作为SVM细分类识别的输入，研究了用于脱机手写体汉字识别的SVM“一对多”算法。仿真实验表明，具有良好的识别结果。论文选用SCUT-IRAC HCCLIB中手写体汉字作为实验样本，以MATLAB R2011a为仿真平台，对本文提出的基于像素密度二叉树SVM分类识别的方法进行了实验验证，结果表明本文方法是可行的。
杨弋[7]（2012）在《基于极限学习机的脱机手写体汉字识别研究》文中研究指明作为汉字自动输入技术之一的汉字识别技术是汉字信息处理的重要接口技术。它能在信函分拣、银行支票识别、统计报表处理以及手写文稿的自动输入等诸多方面发挥巨大的作用。然而,由于手写体汉字的书写随意性很大,在整个字符识别领域中,手写体汉字识别的难度较大,成为该领域最具有挑战性的课题。本文主要研究内容为：汉字图像预处理,汉字特征向量的提取,重点研究了极限学习机ELM （Extreme Learning Machine）的改进算法最优投票极限学习机OV-ELM （Optimal Voting ELM）在汉字识别中的应用。本文首先对汉字图像的预处理技术进行了分析,包括对样本图像的归一化、平滑去噪、字符切分、二值化、汉字细化处理等。在分析现有特征提取方法的基础上,针对小字符集汉字识别的特点,本文利用弹性网格方向像素概率分布的特征提取方法,提取用于极限学习机分类器输入的特征向量；在分类器设计中,本文设计了基于最优投票机制的极限学习机优化算法OV-ELM,利用OAO（One-against-one）或者OAA（One-against-all）的思想,将一个多分问题降解为多个二分问题来提高分类的准确率,并且OV-ELM优化了传统的投票机制,对投票值以概率的方式给出,从而避免了得票数相同情况的发生。从本文设计的一系列实验的结果可以看出,本文提出的基于弹性网格汉字特征提取方法在特征向量提取方面效果良好,采用OV-ELM算法虽然相比ELM算法牺牲了一定的训练时间,但仍旧远远优于传统BP神经网络,并且在分类的准确率等方面的性能超过了ELM、支持向量机。整体分类框架在脱机手写体汉字识别方面取得了令人满意的分类性能。
刘亚宁[8]（2011）在《试卷卷面信息自动采集识别方法的研究》文中认为针对现有的计算机判阅系统并未真正实现考生手写内容的识别,根本原因是现有的识别技术对手写字符的识别率还未能达到一个理想值。本文针对这种情况以试卷中的手写考生姓名,班级和考试成绩为研究对象,并根据现有算法的理论基础,改进了相关算法,实现对试卷卷面信息的自动采集和识别。试卷卷面信息自动采集识别系统主要包括图像采集、感兴趣区域切分,手写体字符识别三个阶段。图像采集阶段的工作主要包括采集静态试卷样本,静态试卷样本的采集使用工业专业图像采集摄像机完成拍摄,然后进行手动样本的筛选。感兴趣区域切分阶段实现了试卷卷头的分割和手写汉字的切分两块内容。卷头的分割部分采用了手动切割方法。汉字切分算法针对RGB颜色空间三分量对光线敏感问题,提出使用基于HSV颜色空间的图像分割技术进行手写体字符的分离,分离过程中采用基于像素点8-邻域色度均值作为分割阈值方法完成,90%以上的试卷都可达到准确的分离。手写体字符识别中的预处理操作包括图像增强、图像去噪、图像二值化、字符归一化及字符细化工作。针对试卷拍摄环境的不确定性提出在试卷图像进行二值化操作之前先进行增强和去噪操作,实验表明本文采用的方法在二值化效果上比直接进行二值化操作有明显的提高;特征提取部分采用了当前的特征提取前沿技术小波变换法和弹性网格特征提取法,采用弹性网格特征（统计特征）和小波方向分解特征（结构特征）结合的方法可以解决采用单一统计或结构特征字符识别率不高的问题;在分类器的设计阶段,采用三层BP神经网作为识别分类器。其中,隐层结点数根据收敛速度快慢进行调整。实验表明,BP网分类器对手写体数字和手写体汉字的识别率分别可达到95%和93%左右。
徐奇[9]（2010）在《基于过程神经元网络的脱机手写体汉字识别方法研究》文中提出脱机手写体汉字识别是图像模式识别领域的研究热点之一,也是计算机字符识别中的一个难题。汉字结构复杂多变,手写体汉字形变等因素是制约汉字识别率的主要问题。因此需要对脱机手写体汉字特征提取进行新方法的研究。本文根据过程神经元网络能对过程信息识别和提取,以及自学习,自适应的特点,对脱机手写体汉字识别方法进行研究,主要工作如下:1.分析了汉字的结构层次,从特征点、笔段、笔划等方面讨论各种结构特征的优劣,给出了汉字结构特征的相关定义,定义了一种笔划特征信息,并确定了基于笔划特征的脱机手写体汉字识别步骤。2.讨论了过程神经元网络用于脱机手写体汉字识别的特点,给出了两类过程神经元网络模型,可用来提取汉字的特征点和识别笔段类型。3.选取SCUT-IRAC手写体汉字库中的脱机手写体汉字作为训练和测试样本,确定过程神经元网络结构和参数,训练网络并测试。给出一个完整的脱机手写体汉字识别过程,并进行了实验验证。实验表明,过程神经元网络在提取脱机手写体汉字特征方面,有明显的优势,避免了因细化,参数,阈值等因素而带来的影响,相比较传统方法,准确率有较大的提高。
赵继印,郑蕊蕊,吴宝春,李敏[10]（2010）在《脱机手写体汉字识别综述》文中研究指明脱机手写体汉字识别是模式识别领域最具挑战性的课题之一.本文分析了近年来脱机手写体汉字识别的最新进展,讨论了脱机手写体汉字分割、特征提取和分类器设计等关键技术的各种主流方法,介绍了3种典型的汉字识别数据库,并提出了脱机手写体汉字识别的难点问题和今后发展的趋势,为该领域的研究者指明研究方向,共同促进脱机手写体汉字识别技术的发展.
二、FPTA快速细化算法在脱机手写体汉字识别中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、FPTA快速细化算法在脱机手写体汉字识别中的应用（论文提纲范文）
（1）基于PSO与BP神经网络的脱机手写体汉字识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 脱机手写体汉字识别的发展历程和现状 |
| 1.3 本文主要研究内容与组织结构 |
| 2 脱机手写体汉字识别流程 |
| 2.1 汉字图像获取和预处理 |
| 2.2 特征提取 |
| 2.3 识别分类器 |
| 2.4 本章小结 |
| 3 PSO优化BP神经网络的分类器算法 |
| 3.1 人工神经网络算法 |
| 3.2 BP神经网络算法 |
| 3.3 PSO算法 |
| 3.4 PSO-BPNN算法 |
| 3.5 本章小结 |
| 4 基于PSO-BPNN算法的脱机手写体汉字识别的仿真和分析 |
| 4.1 实验环境和数据源 |
| 4.2 手写体汉字识别实验的设计分析 |
| 4.3 BPNN优化前后的识别效果比较 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 未来的展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（2）基于MATLAB的汉字细化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景与意义 |
| 1.3 细化算法国内外研究现状 |
| 1.4 细化算法介绍 |
| 1.4.1 细化算法分类 |
| 1.4.2 细化算法要求 |
| 1.5 本文主要工作及章节安排 |
| 1.5.1 本文主要工作 |
| 1.5.2 本文章节安排 |
| 第二章 细化图像预处理 |
| 2.1 灰度化 |
| 2.2 平滑去噪处理 |
| 2.2.1 邻域平均法 |
| 2.2.2 中值滤波法 |
| 2.3 二值化 |
| 2.4 倾斜校正 |
| 2.4.1 Radon变换法 |
| 2.4.2 Hough变换法 |
| 2.4.3 图像旋转 |
| 2.5 字符切分 |
| 2.5.1 列切分 |
| 2.5.2 字切分 |
| 2.6 本章小结 |
| 第三章 常用系列细化算法优缺点分析 |
| 3.1 OPTA系列细化算法 |
| 3.1.1 OPTA细化算法 |
| 3.1.2 OPTA-FXK细化算法 |
| 3.1.3 OPTA-WJL细化算法 |
| 3.1.4 OPTA-MY细化算法 |
| 3.2 Z-S系列细化算法 |
| 3.2.1 Z-S细化算法介绍 |
| 3.2.2 Z-S-hjf细化算法 |
| 3.2.3 Z-S-djw细化算法 |
| 3.3 实验对比分析 |
| 3.4 本章小结 |
| 第四章 基于新型连通性原理的保留模板自动生成方法 |
| 4.1 基本定义介绍 |
| 4.2 新型连通性原理 |
| 4.3 保留模板的自动生成方法 |
| 4.4 自动生成模板对OPTA系列算法的改进 |
| 4.5 本章小结 |
| 第五章 改进的两种OPTA细化算法 |
| 5.1 改进的OPTA细化算法 |
| 5.1.1 改进的OPTA细化算法 |
| 5.1.2 算法流程与分析 |
| 5.2 改进的OPTA快速细化算法 |
| 5.2.1 改进的OPTA快速细化算法 |
| 5.2.2 毛刺删除模板 |
| 5.2.3 小区域保留模板 |
| 5.2.4 双斜线细化方法 |
| 5.3 实验分析与比较 |
| 5.3.1 评价标准 |
| 5.3.2 实验分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（3）基于汉字识别仪的脱机手写体汉字识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1. 研究背景 |
| 1.2. 国内外研究现状 |
| 1.3. 汉字识别的主要方法 |
| 1.4. 现有的汉字数据库 |
| 1.5. 论文的主要结构 |
| 2. 基于BP神经网络的汉字识别 |
| 2.1. 概述 |
| 2.2. 神经网络理论及研究现状 |
| 2.2.1. 反向传播(BP)网络 |
| 2.2.2. 神经网络的比较特性 |
| 2.3. 基于神经网络的脱机手写汉字识别方法 |
| 3. 汉字图像预处理技术 |
| 3.1. 图像数字化 |
| 3.2. 图像灰度化 |
| 3.3. 图像直方图 |
| 3.4. 几何变换 |
| 3.4.1. 近邻插值 |
| 3.4.2. 双线插值 |
| 3.4.3. 样条插值 |
| 3.5. 空间变换 |
| 3.5.1. 仿射变换 |
| 3.5.2. 基本变换 |
| 3.5.3. 透视变换 |
| 3.6. 平滑处理 |
| 3.7. 边缘检测 |
| 3.8. 图像预处理效果 |
| 3.9. 本章小结 |
| 4. 汉字特征识别及结果分析 |
| 4.1. 投影特征识别 |
| 4.2. 笔画特征 |
| 4.3. 多特征融合识别算法 |
| 4.4. 本章小结 |
| 5. 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
| 附录 |
（4）基于BP神经网络和HMM混合模型的脱机手写体汉字识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 汉字识别的研究背景及意义 |
| 1.2 手写体汉字识别研究现状 |
| 1.3 手写体汉字识别的问题与困难 |
| 1.3.1 汉字规模大、字体多 |
| 1.3.2 汉字结构繁杂、字形相近 |
| 1.3.3 手写体风格迥异、随意性大 |
| 1.3.4 缺乏稳定性 |
| 1.3.5 缺乏系统的理论研究 |
| 1.4 本文主要研究内容及结构 |
| 第二章 脱机手写体汉字识别基本原理 |
| 2.1 图像的获取 |
| 2.2 图像预处理 |
| 2.2.1 平滑去噪 |
| 2.2.2 二值化 |
| 2.2.3 行字切分 |
| 2.2.4 归一化 |
| 2.2.5 细化 |
| 2.3 特征提取 |
| 2.3.1 特征提取的必要性 |
| 2.3.2 特征提取的方法 |
| 2.4 分类识别 |
| 2.4.1 单分类器 |
| 2.4.2 多分类器集成方法 |
| 第三章 神经网络在汉字识别中的应用 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经网络原理 |
| 3.1.2 人工神经网络在汉字识别中的应用 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络的原理 |
| 3.2.2 BP神经网络算法的实现 |
| 3.2.3 基于BP神经网络结构的设计 |
| 3.2.4 BP神经网络算法的改进 |
| 3.2.5 BP神经网络算法的学习和训练 |
| 第四章 基于改进的BPNN与HMM的手写体汉字识别 |
| 4.1 BPNN-HMM混合模型的优势 |
| 4.2 隐马尔可夫模型 |
| 4.2.1 隐马尔可夫模型概念 |
| 4.2.2 隐马尔科夫模型的三个问题和相应算法 |
| 4.3 基于改进的BPNN与HMM的脱机手写体汉字识别 |
| 4.3.1 特征提取 |
| 4.3.2 HMM模型选择和参数设置 |
| 4.3.3 BPNN-HMM模型训练 |
| 4.3.4 分类识别 |
| 第五章 脱机手写体汉字识别系统的设计与实现 |
| 5.1 总体设计 |
| 5.2 前台图像处理程序 |
| 5.3 数据库设计 |
| 5.4 识别结果 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（5）基于粒子群算法和支持向量机的脱机手写体汉字识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.1.1 手写体汉字识别的发展历程 |
| 1.1.2 手写体汉字识别应用及研究意义 |
| 1.1.3 支持向量机研究的现状 |
| 1.2 汉字识别的困难和难点 |
| 1.3 本文主要研究内容及结构 |
| 第二章 脱机手写体汉字识别技术概述 |
| 2.1 预处理 |
| 2.1.1 二值化 |
| 2.1.2 平滑 |
| 2.1.3 字符分割 |
| 2.1.4 图象归一化 |
| 2.1.5 细化 |
| 2.2 特征提取 |
| 2.2.1 结构特征提取 |
| 2.2.2 统计特征 |
| 2.3 分类器设计 |
| 2.3.1 单分类器 |
| 2.3.2 多分类器集成方法 |
| 2.4 本章小结 |
| 第三章 支持向量机理论 |
| 3.1 SVM基本原理 |
| 3.1.1 线性判别函数和判别面 |
| 3.1.2 最优分类面 |
| 3.1.3 支持向量机核函数的选取 |
| 3.1.4 多类情况下的SVM模型 |
| 3.2 SVM算法 |
| 3.2.1 选块算法 |
| 3.2.2 分解算法 |
| 3.2.3 序贯最小优化算法(SMO) |
| 3.3 本章小结 |
| 第四章 基于PSO-SVMs的脱机手写体汉字识别 |
| 4.1 粒子群算法 |
| 4.1.1 基本粒子群算法的思想 |
| 4.1.2 基本粒子群算法的描述 |
| 4.1.3 粒子群算法的基本模型 |
| 4.2 SVM中参数的确定 |
| 4.2.1 推广能力估计 |
| 4.2.2 SVM核函数选择 |
| 4.3 利用粒子群算法搜索SVM最优参数 |
| 4.3.1 粒子群算法的结构 |
| 4.3.2 优化SVM参数的粒子群算法的实现 |
| 4.4 用有向无环方法构造SVM多类分类器 |
| 4.5 本章小结 |
| 第五章 基于PSO—SVMs的脱机手写体汉字识别的仿真研究 |
| 5.1 系统的组成及识别步骤 |
| 5.2 汉字库的设计 |
| 5.3 开发平台及系统组成 |
| 5.4 实验结果 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（6）基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 绪论 |
| 1.1 脱机手写体汉字识别研究背景及意义 |
| 1.2 脱机手写体汉字识别的研究现状及发展趋势 |
| 1.3 脱机手写体汉字识别的难点 |
| 1.4 论文的内容和安排 |
| 第二章 脱机手写体汉字图像预处理与特征提取 |
| 2.1 脱机手写体汉字图像的预处理 |
| 2.1.1 汉字图像的归一化和细化预处理 |
| 2.1.2 汉字图像的小波分解预处理 |
| 2.2 粗分类特征提取方法 |
| 2.2.1 小波分解子图投影特征的定义及特点 |
| 2.2.2 脱机手写体汉字像素密度特征分布及特点 |
| 2.3 细分类识别汉字特征提取方法 |
| 2.3.1 基于弹性网格的外围轮廓特征 |
| 2.3.2 小波多网格特征 |
| 第三章 二叉树 SVM 脱机手写体汉字粗分类研究 |
| 3.1 脱机手写体汉字多级分类 |
| 3.2 基于相似度二叉树 SVM 粗分类方法 |
| 3.2.1 粗分类类别的划分 |
| 3.2.2 相似度定义 |
| 3.2.3 依据相似度剪枝二叉树 SVM 分类方法 |
| 3.3 粗分类算法 |
| 3.4 粗分类仿真实例 |
| 第四章 脱机手写体汉字细分类识别 |
| 4.1 脱机手写体汉字图像识别流程 |
| 4.2 支持向量机多分类算法 |
| 4.3 脱机手写体汉字细分类算法 |
| 4.3.1 手写体汉字细分类的特征 |
| 4.3.2 脱机手写体细分类算法 |
| 第五章 脱机手写体汉字识别仿真 |
| 5.1 实验样本的选取 |
| 5.2 实验实例 |
| 5.2.1 手写体汉字多级粗分类特征提取及分类 |
| 5.2.2 脱机手写体汉字细分类特征提取与识别 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 今后研究工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（7）基于极限学习机的脱机手写体汉字识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 概述 |
| 1.2 研究的背景 |
| 1.3 研究的意义 |
| 1.4 研究的难点 |
| 1.5 本文研究重点及论文内容安排 |
| 第2章 手写体汉字图像预处理 |
| 2.1 图像数字化处理 |
| 2.1.1 图像灰度化 |
| 2.1.2 图像二值化 |
| 2.2 平滑去噪处理 |
| 2.3 归一化处理 |
| 2.3.1 汉字切分 |
| 2.3.2 归一化模型 |
| 2.4 细化处理 |
| 2.5 本章小结 |
| 第3章 脱机手写体汉字的特征提取 |
| 3.1 汉字特征提取标准 |
| 3.2 汉字特征提取方法 |
| 3.2.1 基于结构特征提取方法 |
| 3.2.2 基于统计特征提取方法 |
| 3.2.3 基于统计与结构相结合的特征提取方法 |
| 3.3 基于弹性网格的特征提取算法 |
| 3.3.1 弹性网格构造 |
| 3.3.2 基于汉字骨架特征的四方向分解算法 |
| 3.3.3 基于弹性网格方向像素概率分布特征的提取 |
| 3.4 本章小结 |
| 第4章 基于极限学习机的汉字分类模型 |
| 4.1 人工神经网络 |
| 4.2 极限学习机 |
| 4.2.1 极限学习机理论 |
| 4.2.2 极限学习机的优势 |
| 4.2.3 基于极限学习机的汉字识别过程 |
| 4.3 基于极限学习的优化改进模型 |
| 4.3.1 投票机制 |
| 4.3.2 基于投票机制的极限学习机算法 |
| 4.3.3 最优投票极限学习机 |
| 4.3.4 针对混淆类的后处理方法 |
| 4.4 本章小结 |
| 第5章 脱机手写体汉字识别实验分析 |
| 5.1 极限学习机在MATLAB中的实现 |
| 5.2 实验环境与实验设计 |
| 5.2.1 实验环境 |
| 5.2.2 实验系统设计 |
| 5.3 实验结果与分析 |
| 5.3.1 训练时间与测试时间分析 |
| 5.3.2 ELM与OV-ELM性能对比分析 |
| 5.3.3 均匀网格与弹性网格性能对比分析 |
| 5.3.4 OV-ELM加入RCC后处理性能分析 |
| 5.3.5 实验结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（8）试卷卷面信息自动采集识别方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1-1 卷面信息提取及识别研究背景 |
| §1-2 试卷卷面信息提取的意义与流程 |
| 1-2-1 试卷卷面信息提取的意义 |
| 1-2-2 试卷卷面信息提取的流程 |
| §1-3 脱机手写体字符识别概况 |
| 1-3-1 脱机手写体字符识别的研究现状 |
| 1-3-2 脱机手写体汉字识别的发展趋势 |
| 1-3-3 脱机手写体汉字识别存在的问题和困难 |
| §1-4 脱机手写体字符识别流程 |
| §1-5 论文的内容安排 |
| 第二章 样本的采集及感兴趣区域定位 |
| §2-1 摄像机功能概述 |
| §2-2 静态样本采集 |
| §2-3 卷头图像的分割 |
| 2-3-1 卷头图像分割方法与分割结果 |
| 2-3-2 分割结果分析 |
| §2-4 姓名学号成绩的分割 |
| 2-4-1 HSV颜色空间介绍 |
| 2-4-2 RGB与HSV颜色空间的相互转换 |
| 2-4-3 HSV颜色空间分割算法 |
| 2-4-4 分割实验结果与分析 |
| §2-5 字符的切分 |
| 2-5-1 字符行切分 |
| 2-5-2 字符列切分 |
| §2-6 小结 |
| 第三章 字符图像的预处理 |
| §3-1 图像的增强 |
| 3-1-1 增强算法分类 |
| 3-1-2 增强算法实验结果及分析 |
| §3-2 图像的去噪 |
| 3-2-1 噪声的产生及分类 |
| 3-2-2 去除图像噪声的方法 |
| 3-2-3 去除噪声实验结果及分析 |
| §3-3 图像的二值化与字符归一化 |
| 3-3-1 图像的二值化 |
| 3-3-2 字符的归一化 |
| §3-4 图像细化 |
| 3-4-1 数学形态学及图像细化原理 |
| 3-4-2 现有图像细化算法 |
| 3-4-3 改进后采用的细化算法 |
| 3-4-4 细化实验效果图与分析 |
| §3-5 小结 |
| 第四章 字符图像的特征提取 |
| §4-1 特征提取概述 |
| §4-2 统计特征提取分类 |
| 4-2-1 全局统计特征法 |
| 4-2-2 局部统计特征法 |
| §4-3 手写体字符的弹性网格特征 |
| §4-4 手写体字符的小波变换 |
| 4-4-1 小波变换简介 |
| 4-4-2 汉字图像的小波分解 |
| 4-4-3 汉字Gabor小波变换弹性网格特征提取流程 |
| §4-5 小结 |
| 第五章 基于BP神经网的脱机手写体字符的识别 |
| §5-1 人工神经网络概述 |
| 5-1-1 人工神经网络的发展历程 |
| 5-1-2 人工神经网络的构成 |
| 5-1-3 人工神经网络模型及分类 |
| §5-2 BP神经网络 |
| 5-2-1 BP神经网对图像处理的基本要求 |
| 5-2-2 网络训练样本的选取 |
| §5-3 脱机手写体字符识别 |
| 5-3-1 脱机手写体数字识别分类器设计 |
| 5-3-2 脱机手写体数字分类结果与分析 |
| 5-3-3 脱机手写体汉字识别识别分类器设计 |
| 5-3-4 脱机手写体汉字分类结果与分析 |
| §5-4 小结 |
| 第六章 总结与展望 |
| §6-1 内容总结 |
| §6-2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的相关科研成果 |
（9）基于过程神经元网络的脱机手写体汉字识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 致谢 |
| 第一章 绪论 |
| 1.1 汉字识别研究概述 |
| 1.2 脱机手写体汉字识别的发展历程和现状 |
| 1.3 脱机手写体汉字识别的方法、难点及热点 |
| 1.3.1 脱机手写体汉字识别方法 |
| 1.3.2 脱机手写体汉字识别的研究难点和热点 |
| 1.4 本课题的研究意义及论文内容 |
| 1.4.1 课题研究意义 |
| 1.4.2 论文内容安排 |
| 第二章 基于过程神经元网络的汉字识别方法分析 |
| 2.1 过程神经元简介 |
| 2.1.1 过程神经元模型 |
| 2.1.2 过程神经元网络的一般学习算法 |
| 2.2 基于过程神经元网络的脱机手写体汉字特征提取机理分析 |
| 2.3 汉字笔划特征的定义和基于过程神经元网络的汉字识别方法分析 |
| 2.3.1 汉字的结构层次和脱机手写体汉字结构特征的相关定义 |
| 2.3.2 汉字笔划特征的定义 |
| 2.3.3 基于过程神经元网络的脱机手写体汉字识别方法分析 |
| 第三章 脱机手写体汉字特征提取的过程神经元网络及学习算法 |
| 3.1 构建脱机手写体汉字特征提取的过程神经元网络 |
| 3.1.1 特征点提取的过程神经元网络子网络模型 |
| 3.1.2 特征点提取的过程神经元网络模型 |
| 3.1.3 笔段类型识别的过程神经元网络模型 |
| 3.2 两类过程神经元网络的学习算法 |
| 3.2.1 用于提取特征点的过程神经元网络学习算法 |
| 3.2.2 用于笔段分类的过程神经元网络学习算法 |
| 3.2.3 算法示例 |
| 3.3 笔划合成和笔划特征信息 |
| 第四章 基于过程神经元网络的脱机手写体汉字识别 |
| 4.1 脱机手写体汉字图像预处理 |
| 4.2 脱机手写体汉字特征提取 |
| 4.2.1 建立和训练过程神经元网络 |
| 4.2.2 脱机手写体汉字特征提取过程 |
| 4.3 整字识别 |
| 4.4 实验结果分析 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士期间发表的论文 |
（10）脱机手写体汉字识别综述（论文提纲范文）
| 1 引言 |
| 2 手写汉字字体特点 |
| 2.1 汉字类别多 |
| 2.2 字体结构复杂 |
| 2.3 字形变化多 |
| 2.4 相似字多 |
| 3 识别过程 |
| 4 图像预处理 |
| 4.1 投影法 |
| 4.2 连通域分析法 |
| 4.3 Viterbi算法 |
| 4.4 基于识别的方法 |
| 5 特征提取 |
| 5.1 结构特征 |
| 5.1.1 基于特征点 |
| 5.1.2 基于笔画 |
| 5.1.3 基于部件 |
| 5.2 统计特征 |
| 5.2.1 弹性网格特征 |
| 5.2.2 方向线素特征 |
| 5.2.3 Gabor特征 |
| 5.2.4 矩特征 |
| 6 分类器设计 |
| 6.1 单分类器 |
| 6.1.1 改进的二次判别函数 |
| 6.1.2 支持向量机 |
| 6.1.3 人工神经网络 |
| 6.1.4 隐马尔科夫模型 |
| 6.2 多分类器集成 |
| 6.2.1 串行结构 |
| 6.2.2 并行结构 |
| 7 数据库 |
| 7.1 ETL字符数据库 |
| 7.2 HCL2000数据库 |
| 7.3 HIT-MW数据库 |
| 8 识别后处理及评价准则 |
| 9 总结与展望 |
四、FPTA快速细化算法在脱机手写体汉字识别中的应用（论文参考文献）
- [1]基于PSO与BP神经网络的脱机手写体汉字识别[D]. 岳中彤. 山东科技大学, 2019(05)
- [2]基于MATLAB的汉字细化算法研究[D]. 关磊. 广西科技大学, 2018(03)
- [3]基于汉字识别仪的脱机手写体汉字识别算法研究[D]. 姜瀚哲. 北京林业大学, 2017(04)
- [4]基于BP神经网络和HMM混合模型的脱机手写体汉字识别[D]. 王晓. 天津师范大学, 2013(08)
- [5]基于粒子群算法和支持向量机的脱机手写体汉字识别研究[D]. 陈永春. 天津师范大学, 2013(08)
- [6]基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究[D]. 甘恒. 合肥工业大学, 2013(03)
- [7]基于极限学习机的脱机手写体汉字识别研究[D]. 杨弋. 东北大学, 2012(05)
- [8]试卷卷面信息自动采集识别方法的研究[D]. 刘亚宁. 河北工业大学, 2011(07)
- [9]基于过程神经元网络的脱机手写体汉字识别方法研究[D]. 徐奇. 合肥工业大学, 2010(04)
- [10]脱机手写体汉字识别综述[J]. 赵继印,郑蕊蕊,吴宝春,李敏. 电子学报, 2010(02)