基于深度学习与MQDF相结合的手写汉字识别方法.pdf

硕士学位论文

基于深度学习与 MQDF 相结合的手写
汉字识别方法

HANDWRITTEN CHINESE CHARACTERS
RECOGNITION BASED ON DEEP BELIEF
NETWORKS AND MQDF


敖夙琴







哈尔滨工业大学
2011 年 12 月
国内图书分类号: 学校代码:10213
国际图书分类号: 密级:公开




工学硕士学位论文


基于深度学习与 MQDF 相结合的手写
汉字识别方法







硕士研究生: 敖夙琴
导师: 陈清财副教授
申请学位: 工学硕士
学科: 计算机科学与技术
所在单位: 深圳研究生院
答辩日期: 2011 年 12 月
授予学位单位: 哈尔滨工业大学
Classified Index:
:



Thesis for the Master Degree in Engineering

HANDWRITTEN CHINESE CHARACTERS
RECOGNITION BASED ON DEEP BELIEF
NETWORKS AND MQDF







Candidate: Suqin Ao
Supervisor: Associate Prof. Qingcai Chen
Academic Degree Applied for: Master of Engineering
Specialty: Computer Science and Technology
Affiliation: Shenzhen Graduate School
Date of Defence: December, 2011
Degree-Conferring-Institution: Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘要
随着移动互联网的飞速发展,用户对便利终端设备的迫切需求,市场上纷纷
出现各式各样的大屏幕手机、平板电脑,使得手写输入变得更加简单、方便。移
动终端设备的出现在给手写识别带来的巨大商机的同时,也带来了更大的挑战,
不仅要求识别精度高,而且要求识别速度快,适合各类用户书写习惯和各类设备
硬件条件。
在手写识别中,提高单字识别的精度是基础也是重点,但是一些客观原因也
造成了单字识别的难度,例如由于汉字的种类多,结构复杂,字形的多样化以及
标注样本的有限。建立标注手写样本库过程繁琐,一定数量的标注手写样本库的
获得需要耗费大量的财力,样本的校验工作也需要花费很多的精力和时间,因此
手写汉字识别领域面临着巨大的挑战。但是,由于移动商业化的发展、手写终端
的便利、各类手写应用的出现以及用户越来越依赖于手写输入的现状,通过一定
的商业途径,获得用户各式各样的大量无标注手写样本对手写识别来说变得相对
容易了,找到一种成本低、准确率高的手写识别方法变得尤其重要。在这种标注
样本少,无标注样本多的情况之下,半监督的深入学习方法便能很好地发挥其优
势。
本文将深入学习应用到手写汉字识别中,并结合传统的预处理、降维以及分
类方法,提出了一种将 DBN 与 MQDF 相结合的单字识别方法。深度学习相比其
他的学习方法具有较强的表达能力,特别对结构复杂的手写汉字,能够用非常复
杂的深度结构进行建模。本文中的提出的方法主要分为四个阶段:第一阶段,将
在线或者离线数据进行规整化后,采用连续的 NCFE 八方向特征提取方法;第二
阶段,将第一阶段得到的特征放到 DBN 中进行构建、训练和粗分类;第三阶段,
将第一阶段得到的特征进行降维;第四阶段,利用第三阶段得到的特征和第二阶
段得到的候选类别用 Modified Quadratic Discriminant Functions (MQDF)进行细
分类。
最后,本文的方法在哈尔滨工业大学深圳研究生院 HIT-OR3C、中科院
CASIA-OLHWDB1 和华南理工的 SCUT-COUCH2009 手写数据集上进行实验。结
果表明,相比其他方法,本文提出的方法对单字识别的准确率有了明显提高。

关键词:手写汉字识别;深度学习;深度置信网络;粗分类

- I -
哈尔滨工业大学工学硕士学位论文
Abstract
As th