大字符集脱机手写体汉字识别粗分类问题.pdf

第２６卷计算机应用Ｖｏｌ＿２６
２００６年６月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓＪｕｎｅ２００６

文章编号：１００１—９０８１（２００６）０６Ｚ—ｏ０２４一Ｏ３
大字符集脱机手写体汉字识别粗分类问题

童学锋，朱俊
（同济大学计算机科学与工程系，上海２０００９２）
（[e-mail]）
摘要：以ＨＣＬ２０００手写汉字库为基础，构建了一个实验系统，对一级汉字库３７５５个汉字，使用
不同的汉字特征和不同的分类距离，进行了一系列比较实验，探讨了大字符集脱机手写体汉字识别的
粗分类问题，得到了一些有用的结论。
关键词：大字符集；手写体；汉字识别；粗分类
中图分类号：ＴＰ３９１．４１文献标识码：Ａ

法，实践证明，该算法速度较快，效果较好（如图３所示）。
０引言

随着计算机应用的日益普及，信息的自动化输入已成为
必然趋势，因此，实现手写体汉字的自动识别无疑具有重要的
实用价值。目前汉字的印刷体识别和联机手写体识别问题都
得到了很好的解决，已有产品问世，并受到用户的欢迎。对脱图２ＨＣＬ２０００手写体汉字库示例

机手写体汉字识别来说，由于字形变化大、稳定的特征难以提，ｉ
取、结构信息难以利用等特点，使得对它的识别难度非常大，
目前仅在小字符集方面取得了令人满意的成果，但对大字符
集来说，仍在进行研究。针对大字符集汉字数量多的问题，一
般采用多级分类的方法，即先粗分类，然后再细分类。本文以图３索引表细化算法示例

ＨＣＬ２０００手写汉字库为基础，构建了一个实验系统，对大字符１．３特征提取
集脱机手写体汉字识别粗分类中的一些问题进行了探讨。我们采用了常见的投影特征、网格点阵特征、方向线素特
１系统的设计与实现征和这几种特征构成的组合特征。经过预处理后，不同的汉
字库转换成了统一的位图结构，使得特征提取模块的重用成
１．１系统框架为可能。在程序设计上，不同的特征提取子类都继承自同一
个完整的脱机手写体汉字识别系统７个部分组成，其
一个父类。这样，可以在不改变程序结构的前提下改变系统提
总体框架如图１所示。取特征的种类。
为了将不同的特征组合起来形成新的特征，增加了一个
特殊的子类，该子类有一个特征类容器，可以存放各个子类的
指针，这样，容器中不同的子类指针组合就形成的不同的组合
图１大字符集脱机手写体汉字识别系统特征类。
实验系统采用ＶＣ＋＋６．０设计，硬件平台为赛扬２．４Ｇ，在设计小字符集脱机手写体汉字识别系统的时候，可以
５１２Ｍ内存，８０Ｇ硬盘，操作系统平台是Ｗｉｎｄｏｗｓ２０００在每次训练和识别的时候提取特征。对于大字符集汉字识别
Ｐｒｏｆｅｓｓｉｏｎａｌ。手写体汉字库ＨＣＬ２０００（ＨａｎｄｗｒｉｔｔｅｎＣｈａｒａｃｔｅｒ系统来说，由于系统的数据量非常大，往往要提取上万甚至上
Ｌｉｂｒａｒｙ２０００）是清华大学和北京邮电大学的研究人员历时２十万、百万的特征，因此，如果每次在内存中重新提取，将耗费
年多时间建立的手写体汉字库，一共３７５５个汉字，每个汉字不少时间，如果一次性的提取，然后将特征向量保存下来，形
有５００个样本。汉字图像数据为６４×６４点阵，点阵按比特存成特征向量库，以后再直接读取，将在很大程度上能提高系统
储，压缩为５１２字节（６４×８）。的总体性能。

１．２预处理１．４粗分类器
在ＨＣＬ２０００手写体汉字信息库中，汉字已经经过位置和粗分类有两种方法，一种是静态的，将一级字库的３７５５
大小的归一化处理，但是有些汉字，比如“一”字，在ＨＣＬ２０００个汉字粗分成若干个大类，每个大类包含若干个汉字，这时粗
汉字库中的图像非常不好，另外一些汉字的粗细各不相同（如分结果集是固定的；另一种是动态的，根据待识别汉字的特
图２所示），因此有必要采取细化处理。不同的细化算法效果征，将其与字典中的标准特征进行匹配，通过相似度度量，找
不一，速度也相差很多。本系统选取了基于索引表的细化算出与其最接近的Ⅳ个汉字作为粗分结果集，这时粗分结果集

收稿日期：２００５—１０—０８
作者简介：童学锋（１９６３一），男，湖北人，教授，主要研究方向：模式识别、智能控制；朱俊（１９８０一），男，上海人，硕士研究生，主要研究方
向：模式识别、智能控制．