一種具有仿反饋調(diào)整機(jī)制的脫機(jī)手寫體漢字認(rèn)知方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬漢字認(rèn)知技術(shù)領(lǐng)域，具體涉及一種具有仿反饋調(diào)整機(jī)制的多認(rèn)知方法融 合的認(rèn)知方法。
【背景技術(shù)】
[0002] 漢字識別是人工智能的一個(gè)重要研究領(lǐng)域，在銀行簽名自動(dòng)識別、教學(xué)辦公自動(dòng) 化和大文本識別存儲(chǔ)等方面得以廣泛應(yīng)用。目前，對手寫體漢字的特征提取方法的研究既 有學(xué)術(shù)論文對此做了深入的理論分析，也有實(shí)際應(yīng)用的工程方法，如發(fā)明專利《一種用于手 寫體漢字識別的圖像特征提取方法》(CN101488182B)和發(fā)明專利申請《一種基于多特征融 合的車牌漢字識別方法》(CN104573707A)。
[0003] 其中于2010年12月29日授權(quán)的中國發(fā)明專利公開書《一種用于手寫體漢字識別的 圖像特征提取方法》(CN101488182B)，提供一種用于手寫漢字識別的圖像特征提取方法，將 手寫漢字圖像切分成一系列穩(wěn)定的特征提取區(qū)域，再通過尺度不變性特征變換算法對這些 區(qū)域進(jìn)行特征提取，克服了直接應(yīng)用SIFT特征點(diǎn)定位無法提取有效的適應(yīng)不同書寫風(fēng)格的 尺度不變特征的問題，結(jié)合手寫漢字圖像的特點(diǎn)，應(yīng)用彈性網(wǎng)格技術(shù)與SIFT特征，設(shè)計(jì)出基 于二次局部彈性區(qū)域的SIFT特征的手寫漢字特征提取方法。但是該發(fā)明存在著以下的不 足:認(rèn)知系統(tǒng)是基于無反饋開環(huán)模式構(gòu)建的，對不同的樣本采用相同認(rèn)知方法完成認(rèn)知對 象優(yōu)化特征空間的建立和分類認(rèn)知，并且特征空間和分類認(rèn)知準(zhǔn)則一旦建立不再更新；因 不同樣本的認(rèn)知方法適用度大不相同，對聚類中心附近的樣本區(qū)分能力強(qiáng)的認(rèn)知方法往往 不適用于分類面附近的相似樣本。
[0004] 中國發(fā)明專利申請公開說明書CN104573707A于2015年4月29日公開的《一種基于 多特征融合的車牌漢字識別方法》采用的是基于多特征融合的車牌漢字識別方法，包括待 測圖像歸一化;改進(jìn)H0G特征，獲取待測圖像的漢字邊緣特征;獲取待測圖像的漢字灰度特 征;基于LBP特征理論，獲取待測圖像的漢字紋理特征;融合待測圖像的漢字邊緣特征、灰度 特征、紋理特征，獲取待測圖像的融合特征向量;基于SVM分類器，預(yù)測分類結(jié)果等步驟。該 發(fā)明綜合利用了漢字的全局特征和局部特征，識別更加準(zhǔn)確，對于低質(zhì)量圖像和強(qiáng)干擾圖 像，具有較強(qiáng)的魯棒性。但是該發(fā)明存在著以下的不足:開環(huán)認(rèn)知系統(tǒng)對認(rèn)知對象的特征空 間和分類認(rèn)知準(zhǔn)則一旦建立不再更新;對不同特征提取方法下的特征向量只做簡單的相加 處理，容易導(dǎo)致分類器出現(xiàn)過擬合現(xiàn)象。

【發(fā)明內(nèi)容】

[0005] 為了克服現(xiàn)有技術(shù)存在的缺陷與不足，本發(fā)明提出一種具有仿反饋調(diào)整機(jī)制的脫 機(jī)手寫體漢字認(rèn)知方法，以期解決開環(huán)無反饋認(rèn)知系統(tǒng)中認(rèn)知方法固定不變、誤識率高的 問題，從而能夠仿人自由調(diào)整認(rèn)知方法進(jìn)行多層反饋認(rèn)知，準(zhǔn)確地將待認(rèn)知樣本進(jìn)行分類 認(rèn)知，顯著提高認(rèn)知精度。
[0006] 為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用如下的技術(shù)方案：
[0007]本發(fā)明一種具有仿反饋調(diào)整機(jī)制的脫機(jī)手寫體漢字認(rèn)知方法的特點(diǎn)是按如下步 驟進(jìn)行：
[0008]步驟1、認(rèn)知需求知識的分析
[0009]步驟1.1、選取規(guī)則漢字?jǐn)?shù)據(jù)樣本庫中的η個(gè)樣本作為訓(xùn)練樣本集;m個(gè)樣本作為測 試樣本集；
[0010]步驟1.2、對所述訓(xùn)練樣本集進(jìn)行象素?cái)?shù)量的粗分類，獲得所述訓(xùn)練樣本集中每個(gè) 樣本的類別，包括:簡單字、一般字和復(fù)雜字;選擇占最多比例的類別作為所述訓(xùn)練樣本集 的整體類別，記為Z1;
[0011] 步驟1.3、對所述訓(xùn)練樣本集進(jìn)行漢字結(jié)構(gòu)的粗分類，獲得所述訓(xùn)練樣本集中每個(gè) 樣本的漢字結(jié)構(gòu)，包括:上下結(jié)構(gòu)、左右結(jié)構(gòu)和整體結(jié)構(gòu);選擇占最多比例的結(jié)構(gòu)作為所述 訓(xùn)練樣本集的結(jié)構(gòu)類別，記為Z2;
[0012] 步驟1.4、對所述訓(xùn)練樣本集進(jìn)行漢字筆畫的粗分類，獲得所述訓(xùn)練樣本集中每個(gè) 樣本的漢字筆畫數(shù)量，包括:橫筆畫數(shù)量、豎筆畫數(shù)量、撇筆畫數(shù)量和捺筆畫數(shù)量;每個(gè)樣本 選擇占最多比例的漢字筆畫數(shù)量作為自身樣本的筆畫類別;選擇占最多比例的筆畫類別作 為所述訓(xùn)練樣本集的整體筆畫類別，記為Z3;
[0013] 以所述整體類別21、結(jié)構(gòu)類別22和整體筆畫類別Z3作為認(rèn)知需求知識Z=( Z1，Z2， Z3);
[0014] 步驟2、認(rèn)知方法的選擇
[0015] 步驟2.1、將提取規(guī)則網(wǎng)格的象素特征方法作為表征漢字整體復(fù)雜性的認(rèn)知方法， 記為Αι;
[0016] 將提取規(guī)則網(wǎng)格在四個(gè)方向分量上的特征方法作為兼顧漢字輪廓結(jié)構(gòu)信息和局 部細(xì)節(jié)信息的認(rèn)知方法，記為A2;
[0017] 將利用雙樹復(fù)小波變換獲得具有6種不同方向的特征系數(shù)矩陣方法作為筆畫方向 性敏感的認(rèn)知方法，記為A3 ;
[0018] 由所述表征漢字整體復(fù)雜性的認(rèn)知方法Μ、兼顧漢字輪廓結(jié)構(gòu)信息和局部細(xì)節(jié)信 息的認(rèn)知方法Α2和筆畫方向性敏感的認(rèn)知方法Α 3構(gòu)成認(rèn)知方法庫A= {Ai，Α2，Α2};
[0019] 步驟2.2、定義變量《^并初始化《^=1;
[0020] 步驟2.3、根據(jù)所述認(rèn)知需求知識Ζ，利用認(rèn)知方法選擇規(guī)則對所述認(rèn)知方法庫Α中 認(rèn)知方法進(jìn)行選取;獲得第w次認(rèn)知過程的認(rèn)知方法#、第w+1次認(rèn)知過程的認(rèn)知方法』f 1 和第w+2次認(rèn)知過程的認(rèn)知方法; j e {1，2，3};
[0021 ]步驟3、集成模式分類器的設(shè)計(jì)
[0022]步驟3.1、利用第w次認(rèn)知過程的認(rèn)知方法對所述訓(xùn)練樣本集進(jìn)行特征提取，獲 得相應(yīng)的訓(xùn)練特征向量；
[0023]步驟3.2、將相應(yīng)的訓(xùn)練特征向量作為隨機(jī)權(quán)向量函數(shù)連接網(wǎng)絡(luò)RVFL分類器的輸 入并進(jìn)行集成訓(xùn)練，得到第w次最優(yōu)RVFL模型；
[0024]步驟4、認(rèn)知結(jié)果的評價(jià)
[0025]步驟4.1、利用多個(gè)相同的隨機(jī)權(quán)向量函數(shù)連接網(wǎng)絡(luò)RVFL分類器所組成的集成模 式分類器對所述訓(xùn)練樣本集進(jìn)行分類，得到第w次認(rèn)知過程的訓(xùn)練認(rèn)知結(jié)果；
[0026] 步驟4.2、根據(jù)第w次訓(xùn)練過程所獲得的最優(yōu)RVFL模型對測試樣本進(jìn)行分類認(rèn)知得 到第w次認(rèn)知過程的測試認(rèn)知結(jié)果；
[0027] 步驟4.3、判斷w>l是否成立，若成立，則執(zhí)行步驟5;若不成立，則執(zhí)行步驟4.4;
[0028] 步驟4.4、對第w次認(rèn)知過程的測試認(rèn)知結(jié)果進(jìn)行可信性評估，若滿足閾值則將第w 次認(rèn)知過程的測試認(rèn)知結(jié)果輸出，否則，將第w次認(rèn)知過程的認(rèn)知方法為"從所述認(rèn)知方法 庫A中刪除后，將w+1賦值給w;
[0029] 步驟4.5、判斷w>3是否成立，若成立，則將第w-Ι次認(rèn)知過程的測試認(rèn)知結(jié)果作為 所述測試集的最終認(rèn)知結(jié)果;否則，返回步驟3執(zhí)行；
[0030] 步驟5、基于模糊積分的融合認(rèn)知
[0031] 基于模糊積分融合認(rèn)知方法對第w-Ι次認(rèn)知過程的測試認(rèn)知結(jié)果和第w次認(rèn)知過 程的測試認(rèn)知結(jié)果進(jìn)行融合處理，獲得的融合結(jié)果作為第w次認(rèn)知過程的測試認(rèn)知結(jié)果;并 返回步驟4.4。
[0032] 本發(fā)明所述的具有仿反饋調(diào)整機(jī)制的脫機(jī)手寫體漢字認(rèn)知方法的特點(diǎn)也在于，
[0033] 所述認(rèn)知方法選擇規(guī)則是按如下步驟進(jìn)行：
[0034] 步驟a、判斷zi 2 Z2是否成立，若成立，轉(zhuǎn)入步驟b;若不成立，轉(zhuǎn)入步驟c;
[0035] 步驟b、判斷zi 2 Z3是否成立，若成立，則選用表征漢字整體復(fù)雜性的認(rèn)知方法Αι; 若不成立，則選用對筆畫方向性敏感的認(rèn)知方法A3;
[0036] 步驟c、判斷Z2 2 Z3是否成立，若成立，則選用能兼顧漢字輪廓結(jié)構(gòu)信息和局部細(xì)節(jié) 信息的認(rèn)知方法A2;若不成立，則選用對筆畫方向性敏感的認(rèn)知方法A 3;
[0037] 所述步驟4.4中的可信性評估是按如下步驟進(jìn)行：
[0038] 步驟1、利用所述第w次認(rèn)知過程的認(rèn)知方法#對所述測試樣本集中的第t個(gè)樣本 Ct進(jìn)行特征提取，獲得相應(yīng)的測試特征向量;t=l，2,. . .，m;
[0039] 步驟2、將相應(yīng)的測試特征向量輸入所述第w次最優(yōu)RVFL模型中，獲得第w次認(rèn)知過 程的測試認(rèn)知結(jié)果；
[0040] 步驟3、利用式（1)獲得第w次反饋認(rèn)知過程的測試認(rèn)知結(jié)果中第t個(gè)樣本Ct的相似 度?。?br>[0041]
(1)
[0042] 式（1)中，P1為第t個(gè)樣本Ct的粗略認(rèn)知相似度，并由式⑵獲得，，2為第t個(gè)樣 本Ct的細(xì)微認(rèn)知相似度，并由式(3)獲得：
[0043]
(2)
[0044] 式(2)中，Ui表示第i個(gè)訓(xùn)練樣本;i = l，2, . . .，n;q表示與第t個(gè)樣本Ct的測試認(rèn)知 結(jié)果相同的訓(xùn)練樣本個(gè)數(shù);H(Ct)表示第t個(gè)樣本Ct的信息熵;H(Ui)表示第i個(gè)訓(xùn)練樣本的信 息熵;mct，^)表示第t個(gè)樣本C t與第i個(gè)訓(xùn)練樣本之間的聯(lián)合信息熵；
[0045]
(3)
[0046] 式(3)中，&表示第t個(gè)樣本Ct基于第j種認(rèn)知方法心的特征向量的第1個(gè)元素，Xhjl 表示