專利名稱：用于脫機手寫漢字識別的漢字字符切分方法
技術(shù)領(lǐng)域：
本發(fā)明涉及漢字識別領(lǐng)域，具體涉及脫機手寫體漢字識別中的漢字分割問題，尤其是粘連字符串的分割。
背景技術(shù)：
漢字字符分割技術(shù)作為預處理中的一個難點，一直以來都是脫機漢字識別系統(tǒng)應用的障礙。只有將單個漢字正確地從文檔圖像中分割出來，才有可能進行正確的漢字識別。 然而，由于手寫體漢字書寫隨意性和相鄰漢字之間的位置關(guān)系復雜性，造成手寫體漢字要比印刷體漢字難分割得多，尤其是粘連字符的切分。目前，常用的切分技術(shù)有基于統(tǒng)計的切分方法、基于結(jié)構(gòu)的切分方法、基于識別的切分方法和基于詞的整體切分方法。
(1)基于統(tǒng)計的切分方法
基于統(tǒng)計的切分方法是根據(jù)字符的總體統(tǒng)計分布特征，確定字符之間的界線，判別時以字符的平均字寬作輔助判別，統(tǒng)計分布特征的代表性和穩(wěn)定性對切分的正確性及收斂性起很重要作用，如投影法和連通域法，該方法適合漢字字符間距較寬，無粘連字符的切分，算法效率高。該方法無法用于粘連或交叉字符串的切分。
(2)基于筆劃結(jié)構(gòu)的切分方法
近年來，針對粘連手寫漢字提出了多種切分方法。采用基于筆劃結(jié)構(gòu)切分是一種很有潛力的切分方法，可以從另一個角度解決筆畫粘連問題。常見的筆畫分割方法有筆畫連接盒的動態(tài)算法和黑游程跟蹤提取筆畫算法兩種。有學者提出采用先提取筆畫再合并的方法，但該方法對漢字切分的好壞很大程度上依賴于筆畫提取的好壞，如何有效地提取筆劃信息仍有待進一步研究，此外筆畫先提取后合并使算法過于復雜。即該方法的主要應用障礙在于準確提取筆劃難度較大。
(3)基于漢字識別的切分方法
在模仿人類視覺感知機理的基礎(chǔ)上，基于識別的漢字統(tǒng)計切分方法為漢字切分提供了新思路，但由于該方法與后期識別密切相關(guān)，算法復雜且漢字識別正確率有限，還有待進一步改善。
(4)基于詞整體分割的方法
基于詞的整體切分方法是為了繞開粘連漢字分割難度大這一難題，直接將粘連漢字做整體分割進行識別，可較好應用于有限字符集。但對大字符集漢字識別而言，漢字集本身就很大，由單字組成的詞語更多，需要的模式庫更大，系統(tǒng)效率會更低。并且詞只是粘連漢字中的一部分，如何解決非詞語的粘連識別問題，都需要進一步研究。
對于粘連或交叉的漢字切分，單單采用一種方法是難以獲得高的準確分割率的， 于是人們開始尋找將多種方法結(jié)合起來進行漢字切分。最初，有學者提出了一種粗切分和細切分相結(jié)合的技術(shù)方案，首先通過某種方法得到粗切分結(jié)果，再對粘連字符串的背景圖像作細化處理，找出特征點，利用模糊決策準則求出合理的分割路徑，然而這種評價分割路徑的模糊決策標準不易被確定。而且這種方法采用了直線作為分割路徑。隨著研究的深入，直線作為粘連字符的分割路徑已逐漸不被學者采用，人們逐漸開始采用曲線或分線段作為粘連字符的分割路徑。有學者提出了利用Viterbi算法將原字符串切分成互不連通的分割塊，對于其中寬度較大且存在粘連字符的分割塊，從候選分割點入手，用非線性分割路徑將粘連部分分開；最后再應用A*算法找到全局最佳分割位置。該方法對于交錯、單處筆劃粘連等字符能夠得到較好的分割效果，但并未從根本上解決多種粘連方式的分割問題。最近幾年人們開始將遺傳算法引入到字符分割技術(shù)中，遺傳算法被用來尋找最優(yōu)分割路徑，由于遺傳算法是一種典型的隨機算法，其算法可適應于多種情況，具有很好的魯棒性，此類方法較好的解決了多處粘連或交叉的情況，但正是由于算法本身的隨機性，使算法的效率較低。作為實際應用的技術(shù)而言，效率是一個主要的影響因素。
總之，現(xiàn)有的多步切分技術(shù)都具有以下共同的特點基本都是先通過某種方法獲取候選分割路徑，然后采用某種判優(yōu)方法選取最佳的分割路徑。這種串行模式不足是，如果在兩個粘連字符之間沒有獲得候選分割路徑，則準確地進行分割則無從談起。另外，即使獲取了候選分割路徑，如果候選分割路徑中沒有合適的分割路徑，即使通過判優(yōu)規(guī)則獲取一個相對較好的分割路徑，但最終結(jié)果仍無法獲得準確的分割。再則，如果獲取的多個候選路徑中，存在一個合適的分割路徑，但判優(yōu)規(guī)則的判優(yōu)準確性亦不是百分之百。因此，需要尋找新的技術(shù)思路來解決這種串行模式的不足。發(fā)明內(nèi)容
本發(fā)明的發(fā)明目的是提供一種用于脫機手寫漢字識別的漢字字符切分方法，以解決非粘連漢字和粘連漢字的分割問題，而且具有較高的效率。
為達到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案是一種用于脫機手寫漢字識別的漢字字符切分方法，用于對粘連和非粘連的漢字字符進行切分以識別漢字，包括下列步驟
(1)對待識別的漢字圖像進行預處理，所述預處理包括對圖像進行二值化處理；
(2)基于投影分析對漢字圖像進行粗分割，將非粘連的字符分割成單個字符，將粘連的字符整體分割；
(3)獲得非粘連字符的平均高度；
(4)根據(jù)步驟( 獲得的非粘連字符的平均高度，對步驟( 分割后的字符進行判斷，得到粘連字符串集；
(5)對于粘連字符串集中的每一粘連字符串，基于最小加權(quán)分割路徑進行細切分， 實現(xiàn)粘連字符的切分。
上文中，步驟(1)的預處理有利于減少干擾信息，提高分割效率。通常，首先利用圖像獲取設(shè)備(如掃描儀、照相機或其它圖像輸入裝置)取得彩色或灰度圖像，該彩色或灰度圖像中具有待識別的漢字信息，圖像先進行二值化處理，將前景(漢字)和背景分開；為提高字符分割的準確性，可以對二值化后的圖像進行濾波去噪處理，以降低噪音對漢字分割的影響。步驟O)中的粗分割將經(jīng)過預處理的二值化圖像進行初始分割，采用投影分析算法，利用波谷和波峰進行漢字字符的粗分割，即可將非粘連的字符準確地分割成單個字符，而將粘連的字符作為一個整體分割成粘連字符串。對步驟( 分割后的字符應當進行判定分類，分成非粘連字符和粘連字符兩類，以便作進一步處理。最后，基于最小加權(quán)分割路徑在初始分割路徑的局部鄰域內(nèi)搜索并修正，獲得最佳分割路徑，實現(xiàn)粘連字符的切分。
上述技術(shù)方案中，步驟O)中，所述基于投影分析對漢字圖像進行粗分割的方法是，通過對二值化的圖像前景點的計數(shù)，獲得前景點的Y軸方向的投影直方圖，用不存在任何前景點投影的波谷作為字符的分割空隙，實現(xiàn)字符的粗分割。
步驟(3)中，非粘連字符的平均高度的獲得方法是，統(tǒng)計分割后每個字符的高度， 獲得字符高度集H= (hi;h2,h3,h4, Λ A，hn)，式中hn為第η個字符的高度，對H進行歸一化處理，令4=2，其中j為丄至！!的整數(shù)，0為整數(shù)且1彡σ彡Ilmil^hmin = HiinOvtvh3, σh4，Λ Λ，hn)，h' i取表達式計算后的整數(shù)部分，歸一化后的高度按從小到大排列的集合為 H' = (h/ , h2'，h3'，h4'，AA，hm')，其中任何兩個元素的值都不相等，C= (ci，c2， c3, c4, A A , cffl)記錄H’中不同高度出現(xiàn)的頻數(shù)，取頻數(shù)最大值對應的歸一化高度為
權(quán)利要求
1.一種用于脫機手寫漢字識別的漢字字符切分方法，用于對粘連和非粘連的漢字字符進行切分以識別漢字，其特征在于，包括下列步驟(1)對待識別的漢字圖像進行預處理，所述預處理包括對圖像進行二值化處理；(2)基于投影分析對漢字圖像進行粗分割，將非粘連的字符分割成單個字符，將粘連的字符整體分割；(3)獲得非粘連字符的平均高度；(4)根據(jù)步驟C3)獲得的非粘連字符的平均高度，對步驟( 分割后的字符進行判斷， 得到粘連字符串集；(5)對于粘連字符串集中的每一粘連字符串，基于最小加權(quán)分割路徑進行細切分，實現(xiàn)粘連字符的切分。
2.根據(jù)權(quán)利要求1所述的用于脫機手寫漢字識別的漢字字符切分方法，其特征在于 步驟O)中，所述基于投影分析對漢字圖像進行粗分割的方法是，通過對二值化的圖像前景點的計數(shù)，獲得前景點的Y軸方向的投影直方圖，用不存在任何前景點投影的波谷作為字符的分割空隙，實現(xiàn)字符的粗分割。
3.根據(jù)權(quán)利要求1所述的用于脫機手寫漢字識別的漢字字符切分方法，其特征在于 步驟(3)中，非粘連字符的平均高度的獲得方法是，統(tǒng)計分割后每個字符的高度，獲得字符高度集H= (hi;h2,h3,h4, Λ Λ，hn)，式中hn為第η個字符的高度，對H進行歸一化處理，令《=2，其中j為1至η的整數(shù)，σ為整數(shù)且1彡σ彡hmin，hmin = min (h” h2，h3，h4，Λ Λ， σhn)，h' 1取表達式計算后的整數(shù)部分，歸一化后的高度按從小到大排列的集合為H'= Qi1' , h2'，h3'，h4' , A A,hffl' ^其中任何兩個元素的值都不相等^=^，^， A A,cffl)記錄H’中不同高度出現(xiàn)的頻數(shù)，取頻數(shù)最大值對應的歸一化高度為h' k，則非粘hk'+SVc χ/;‘連字符的平均高度是‘_^Xj-S7其中，(V -5,hk' +δ)表示hk'(Chk '-S + Chk '-(5+1+Λ Λ +cK'+S J的局部鄰域J = ^l。 2σ
4.根據(jù)權(quán)利要求1所述的用于脫機手寫漢字識別的漢字字符切分方法，其特征在于 步驟中，判斷的方法為，逐一計算分割出來的字符的高度與非粘連字符的平均高度的比值E，gE< ε，則該字符為非粘連字符，若E > ε，則該字符為非粘連字符，其中，ε為預先設(shè)定的閾值，其設(shè)定范圍為0< ε <2。
5.根據(jù)權(quán)利要求4所述的用于脫機手寫漢字識別的漢字字符切分方法，其特征在于 1. 5 < ε <2。
6.根據(jù)權(quán)利要求1所述的用于脫機手寫漢字識別的漢字字符切分方法，其特征在于 步驟(5)中，所述細切分的方法為，定義粘連字符的分割路徑SPL為 式中，characterwidth是粘連字符串的寬度，i表示最優(yōu)分割路徑搜索范圍中的第i個(5)，Xi是第- 個像素Yuvver = Ycer1upper cey.,ter ~ 0ΧY - Y lower cer,1 ,H--χ "er 10X力I口俾懷，Yi 7characterheight characterheight(6) (7)characterheight是粘連字符串的高度，Ycenter是粘連字符中心點的縱坐標，定義帶權(quán)值的分割路徑SPLW為SPLff = ((x1 Y1, W1), (x2, j2, w2), (x3, y3, w3), A (xn, yn, wn)) (8) 其中， else將兩個粘連字符的中線作為初始分割路徑，獲得初始化的SPLWJf SPLW中一段連續(xù)的前景區(qū)域元素集合定義為CFR，CFR為SPLW的子集，CFR中的元素權(quán)值都是1 ；其定義如下 對初始化的SPLW進行掃描，如果找到連續(xù)的前景區(qū)域CFR，則以該CFR的起點橫坐標為起點，終點橫坐標為終點，掃描從Y1mct到Y(jié)uppct的每一行的對應橫坐標區(qū)間，獲得每一行的元素權(quán)值和，以權(quán)值和最小的行對應的點代替該CFR，更新SPLW，重復上述過程，直至完成對SPLW的掃描，由此獲得對應的最佳分割路徑。
全文摘要
本發(fā)明公開了一種用于脫機手寫漢字識別的漢字字符切分方法，其特征在于，包括下列步驟(1)對待識別的漢字圖像進行預處理，所述預處理包括對圖像進行二值化處理；(2)基于投影分析對漢字圖像進行粗分割，將非粘連的字符分割成單個字符，將粘連的字符整體分割；(3)獲得非粘連字符的平均高度；(4)根據(jù)步驟(3)獲得的非粘連字符的平均高度，對步驟(2)分割后的字符進行判斷，得到粘連字符串集；(5)對于粘連字符串集中的每一粘連字符串，基于最小加權(quán)分割路徑進行細切分，實現(xiàn)粘連字符的切分。本發(fā)明可以有效地自適應分割粘連漢字字符和非粘連漢字字符，具有較高的分割準確率和分割效率。
文檔編號G06K9/20GK102496013SQ20111035739
公開日2012年6月13日 申請日期2011年11月11日 優(yōu)先權(quán)日2011年11月11日
發(fā)明者劉純平, 周雙飛, 季怡, 王朝暉, 蔣德茂, 龔聲蓉 申請人:蘇州大學