基于低秩稀疏分解的字符矯正方法研究.pdf

1、隨著現(xiàn)代科學技術的不斷進步，計算機性能的不斷提升和研究者的深入研究，模式識別問題的應用研究已經(jīng)成效顯著。例如，通過人臉識別辨別不同的人物圖像，通過不同的表情來區(qū)別不同的心情等。在應用研究過程中，字符識別、語音識別、人臉識別已經(jīng)成為模式識別研究領域中較為突出的幾個方面。OCR（Optical Character Recognition，光學字符識別）作為模式識別中一個相對古老的研究領域，在模式識別的歷史中有重要的地位。為進一步提高在線OC

2、R識別準確率，并同時考慮字符圖像中誤差噪聲和遮擋干擾的存在，利用圖像低秩稀疏恢復方法進行圖像預去噪和矯正是一種可行的方法。低秩矩陣恢復問題衍生于最近幾年非常流行的壓縮感知技術，是一種重要的數(shù)據(jù)分析工具，在計算機視覺、圖像處理、推薦系統(tǒng)、文本分析等領域已廣泛應用。
　　本文通過對國內外現(xiàn)狀的仔細研究，對低秩矩陣恢復問題的現(xiàn)有算法和應用研究進行了全面的分析與總結，指出了現(xiàn)有算法的不足?，F(xiàn)有的低秩矩陣恢復方法存在計算量大、能夠處理的矩陣

3、規(guī)模較小等缺陷，使得該方法在很多情況下不能充分發(fā)揮其優(yōu)勢。
　　針對增廣拉格朗日乘子法（Augmented Lagrange Multiplier，簡稱ALM）收斂性的不足，本文提出了基于增廣拉格朗日乘子法的一種改進算法：在每步迭代過程中，ALM算法的輸出作為一個預測值，新的迭代通過用一些修正步驟來改正這個預測值。
　　雖然已有增廣拉格朗日乘子方法提出，但低秩恢復問題算法效率仍然很慢，計算量相當大。本文研究了一種并行分離的增

4、廣拉格朗日乘子法，將并行分離的思想與增廣拉格朗日乘子法相結合，然后通過一個凸組合步驟形成新的迭代，該算法能在保證收斂性的同時提高算法的計算速度。
　　本文將并行分離增廣拉格朗日乘子法用于OCR的字符矯正應用，通過與文獻中已經(jīng)出現(xiàn)的ALM、改進ALM算法比較，表明所提的方法在保持正確收斂的情況下，算法的效率有了很大提升。在當前計算機和便攜終端等硬件多CPU和GPU的CUDA平臺條件下，應用多核處理，實現(xiàn)并行分離ALM方法顯得格外有實