基于無切分策略的脫機(jī)手寫體數(shù)字串識(shí)別.pdf

1、脫機(jī)連續(xù)手寫體字符識(shí)別(Cursive Script Recognition CSR)是字符識(shí)別(OpticalCharacter Recognition，OCR)研究領(lǐng)域中比較困難的問題之一，傳統(tǒng)的依賴于精確分割的單字識(shí)別方法，是在識(shí)別之前有專門的切分階段，把識(shí)別對(duì)象由文本或單詞切分到字符，針對(duì)字符進(jìn)行特征對(duì)比。由于切分識(shí)別不能很好的解決自由書寫字符(如手寫漢字、阿拉伯?dāng)?shù)字)的準(zhǔn)確分割問題，使得其對(duì)連續(xù)手寫字符識(shí)別的識(shí)別變得很困難，識(shí)

2、別率比較低。而基于無切分策略的系統(tǒng)，不需要顯式的切分階段，而是運(yùn)用邊識(shí)別邊切分或者叫識(shí)別和切分合而為一的策略。隱馬爾科夫模型(Hidden Markov Model，HMM)是一種用參數(shù)表示的用于描述隨機(jī)過程統(tǒng)計(jì)特性的概率模型，是一個(gè)雙重的隨機(jī)過程，一直被應(yīng)用于語音識(shí)別領(lǐng)域。近年，許多識(shí)別領(lǐng)域的研究者正在以各種方式將HMM用于字符識(shí)別。
　　 本文中簡要討論了字符識(shí)別以及HMM的基本理論，發(fā)展動(dòng)態(tài)和基本處理方法；隨后在HMM理論

3、基礎(chǔ)之上進(jìn)行了單個(gè)數(shù)字識(shí)別的實(shí)驗(yàn)，此實(shí)驗(yàn)的訓(xùn)練方法為Baum-Welch重估算法，是在語音識(shí)別中應(yīng)用的一個(gè)相當(dāng)經(jīng)典和成熟的算法，解碼用的是Viterbi算法；接著提出了一種基于嵌入式隱馬爾科夫模型(Embedded Hidden Markov Model EHMM)的連續(xù)手寫體數(shù)字識(shí)別方法，即在訓(xùn)練和解碼階段，將單個(gè)字符模型嵌在一起。連續(xù)字符模型的參數(shù)估計(jì)采用的是嵌入式Baum-Welch重估算法，解碼識(shí)別采用的是符標(biāo)通行算法(toke