基于全类分类器与子集分类器融合的脱机手写汉字识别研究的开题报告.docx

基于全类分类器与子集分类器融合的脱机手写汉字识别研究的开题报告
一、选题背景
手写汉字识别一直是计算机视觉领域的研究热点之一，其应用范围广泛，例如邮政编码排序、书写体自动识别、手写签名识别等。目前已有很多研究者关注此问题，并提出了很多有效的方法。然而，仍然存在以下问题：
1.大多数现有的手写汉字识别方法都是针对单个字符进行识别，无法识别多个字符的组合；
2.部分手写字符的识别率较低，例如一些结构复杂的汉字，这可能导致整个系统的准确度下降。
因此，如何提高识别率是手写汉字识别研究中一个重要的问题。为解决这个问题，我们打算基于全类分类器与子集分类器融合的脱机手写汉字识别研究。
二、研究内容
本研究旨在探究如何提高手写汉字识别的准确度，具体研究内容包括以下几个方面：
1.全类分类器的设计与实现——我们将使用深度学习算法建立一个全类分类器，用于处理所有手写汉字字符，同时保持高准确度。
2.子集分类器的设计与实现——我们将根据手写汉字字符的不同结构特点，设计多个特定子集的分类器，以使得具有相同结构特点的汉字被分为同一个集合中。
3.全类分类器与子集分类器的融合研究——我们将研究如何将全类分类器与子集分类器融合，从而实现多个分类器结果的聚合。我们将探究如何在训练和测试过程中，最大限度地发挥这些分类器的优点。
三、研究意义与创新点
本研究有以下意义和创新点：
1.能够提高手写汉字识别的准确度，特别是对于一些结构复杂的汉字；
2.结合了全类分类器和子集分类器两种方法，能够完整识别整张图片中的所有汉字；
3.提供了一种新的手写汉字识别方法，为后续的相关研究提供了新的思路和方法。
四、研究方法
本研究的研究方法主要包括以下几个方面：
1.数据集的处理——我们将使用已有的手写汉字数据集，将其进行预处理和分割，以减少噪声的影响。
2.全类分类器的建立——我们将使用深度学习模型，例如卷积神经网络(CNN)去训练一个实现所有手写汉字字符分类的全类分类器。
3.子集分类器的建立——我们将针对不同的汉字结构特点，设计多个特定子集的分类器，这些分类器能够将相似结构的汉字分为同一个集合中。
4.全类分类器与子集分类器的融合——我们将探究如何将全类分类器与子集分类器融合，并最大限度地发挥它们的优点，从而提高整个系统的准确度。
五、进度安排
本研究的具体时间安排如下：
1.第一阶段（2021年11月至2022年1月）——数据集的预处理和分割，全类分类器的建立。
2.第二阶段（2022年2月至2022年4月）——子集分类器的建立，融合算法的探究。
3.第三阶段（2022年5月至2022年7月）——实验和结果分析。
4.第四阶段（2022年8月至2022年10月）——论文撰写和毕业设计答辩。
六、预期成果
预计本研究的成果包括：
1.一篇完整而系统的论文，介绍研究成果，具有相关实验结果的分析报告。
2.实现一个手写汉字识别系统，该系统能够完整识别整张图片中的所有汉字，并且识别准确率高。