一、基于矩和Gabor变换的手写体汉字识别方法（论文文献综述）
肖正欣[1]（2021）在《基于深度学习的离线手写汉字识别算法研究与实现》文中认为随着我国社会智能化进程的不断推进,人工智能被应用到越来越多的领域和应用场景,同时由于自动化识别需求的提升,手写汉字图像的自动化识别成为了当下计算机视觉领域的研究聚焦点。本论文针对手写汉字由于字符疏密不同和连笔交叠导致的检测定位困难问题,完成了基于深度学习的离线手写汉字检测算法的构建;同时由于汉字数量过于庞大,且手写字形复杂多变导致的识别分类困难问题,完成了基于深度学习的离线手写汉字识别算法的构建;最后搭建了基于上述两个模块级联的离线手写汉字识别系统,实现了手写汉字图像的自动化识别。主要研究内容如下:（1）离线手写汉字检测算法:本论文首先阐述了传统手写汉字分割方法的不足,分析了基于深度学习的SSD算法的优劣。针对汉字字符间的连笔、不规则排列等情况,结合手写汉字图形的特性,通过重构特征提取网络、增强特征融合、优化预选框、优化损失函数四方面对SSD算法模型进行优化改进,并在自主构建的手写汉字检测数据集上进行网络训练和测试。实验结果表明,优化网络的m AP相比SSD网络的m AP,提升了6.04%。（2）离线手写汉字识别算法:本论文根据汉字的书写笔画、字形结构等属性构建了书写等级规范,并对HCL2000数据集和CASIA-HWDB1.1数据集进行了分析、解码以及汉字书写等级评定。为了解决手写汉字字形复杂多变和汉字数量过于庞大导致的识别难度大、网络臃肿问题,以识别分类精度和网络量级为双抓手进行优化。由于手写汉字书写自由度差异过大,因此本论文建立了汉字书写规范等级标准,针对不同书写等级（Ⅱ级、Ⅲ级）的离线手写汉字,分别构建了融合Gabor的离线手写汉字识别网络和基于残差结构、分组卷积和通道重排的离线手写汉字识别网络,并在对应数据集上分别进行两个优化网络的训练和测试。两组实验结果表明,相较于VGG16基础网络,优化后网络均在保持或提升TOP-1分类识别精度的情况下,实现了模型轻量化的优化目标。（3）针对离线手写汉字识别系统部分:本论文搭建了基于Kivy的离线手写汉字识别系统,完成了从底层数据到高层应用的打通,通过离线手写汉字检测和离线手写汉字识别两个模块的功能级联,实现了离线手写汉字图像的自动化识别。
张东东[2]（2020）在《基于生成对抗网络的手写体汉字生成》文中研究表明汉字伴随着中华文化源远流长,是中华文化辉煌的象征。在过去三千年间,世界上超过四分之一的人在使用汉字,汉字一直是中国乃至东亚地区教育,就业,沟通和日常交流的基本工具之一。除此之外,汉字不仅是作为一种语言被使用,从古至今,诸多书法家留下了他们的佳作,中国书法不仅是一种语言表达,更是一种视觉艺术。随着数字信息时代来临,手写体汉字的应用场景和需求逐渐增加,利用标准印刷字体生成手写字体变的尤为重要。传统的字体生成方法集中在汉字的笔画分解并建立层级关系,并没有把研究的重心放在汉字整体风格上。生成对抗网络（Generative Adversarial Networks,GAN）为此开创了新的思路,GAN能够“学习”到已知的真实数据的样本分布,进而模仿该样本并生成真假难辨的数据。对于手写体汉字生成而言,不仅要生成笔画准确的汉字,还要学习到汉字的书写风格,一般的GAN无法完成这样的任务。为了更好的完成手写体汉字生成任务,本文提出改进的Cycle GAN进行手写汉字生成。Cycle GAN是近年来GAN的衍生模型之一。本文通过改进Cycle GAN生成器中传输模块的网络结构,将原结构中的深度残差网络（Res Net）用密集级联网络（Dense Net）替换,由于密集级联网络更优的性能,改进的Cycle GAN能“学习”到更多汉字图像的细节特征,进而生成更好的手写汉字图像。图像预处理和特征提取是图像识别的重要手段。本文将生成对抗网络生成的汉字图像作为手写汉字识别实验的数据集,从汉字识别的正确率衡量本文算法的有效性,实验结果表明,本文算法生成的汉字图像在不同特征下的识别率都比原方法生成的汉字图像高,同时基于最直观的人眼视觉评价,本文生成的汉字图像汉字结构更加完整,轮廓更加清晰,更为美观。
袁柱[3]（2020）在《基于深度学习的脱机手写汉字识别的研究与应用》文中进行了进一步梳理手写汉字识别是人机交互的一种重要形式,在票据处理、文件录入等领域具有很高的实用价值。但因汉字的字符数量众多、每个人书写风格各异等原因,手写汉字识别的准确率一直不高。近年来,深度学习在图像识别、目标检测等领域取得了突破性的进展,逐渐成为了模式识别问题中常用的方法。本文基于深度学习的方法,综合利用特征提取技术对脱机手写汉字的识别进行了研究,使其识别准确率得到提升。主要的研究工作如下:（1）结合CASIA-HWDB1.1数据集的具体情况,基于Alex Net、VGGNet和Goog Le Net构建多个不同结构的卷积神经网络（CNN）模型,研究不同结构的CNN模型对脱机手写汉字的识别效果。实验结果表明,基于VGG-11结构的端到端CNN模型的识别准确率最高,能够达到94.5%。（2）在VGGNet结构的基础上,设计了多个不同深度的卷积神经网络模型,研究卷积神经网络的深度对识别准确率的影响。实验结果表明,在模型小于11层的情况下,模型结构越深,识别准确率越高。（3）提出了Gabor特征和HOG特征融合CNN模型的识别方法。虽然端到端的CNN模型能够取得不错的结果,但是作为一个黑盒子,CNN在接受原始图像输入的时候,会忽略一些特定领域的信息。本文利用传统图像处理领域的Gabor特征提取和HOG特征提取技术,综合改进对训练数据集进行特征提取,并将提取到的特征图与原训练数据集融合在一起作为CNN的训练数据。实验表明,Gabor特征图和HOG特征图对CNN模型的识别准确率分别提高了0.8%和0.6%。（4）对于CNN模型训练速度慢和不易收敛等问题,研究了基于迁移学习的微调技术和批量归一化算法对模型训练的加速效果,分析了不同Dropout概率对模型识别准确率的影响。最后选择实验结果较好的模型与参数,基于Tensor Flow框架实现一个对脱机手写汉字图像进行识别的测试系统。
罗伟珂[4]（2019）在《基于深度学习的中文手写汉字分析》文中研究表明中文手写汉字识别已经有很长的研究历史。基于其极高的应用价值被广泛地被应用在邮件信息检索、手写文档识别以及电子设备输入等各个场景之中。近年来,以深度学习为主的机器学习方法被大量应用在图像处理等相关领域,也为手写汉字识别等问题带来了革命性的突破与发展。相较于传统方法,高识别率以及端到端封闭式的处理方式使得基于深度学习的算法已经成为本领域的主流研究方法。但现目前已经提出的深度学习模型主要以应用相关图像领域现有的成熟网络结构为主,并未针对汉字特有的结构特征与信息加以利用。因此,对于中文手写汉字的深度学习仍然需要进一步的研究。在本论文中,我们从中文汉字的构字特点出发,对手写汉字中的偏旁部首特征提取方式进行深层次的探究。通过对偏旁部首区域性特点的分析,提出了一种改进的卷积神经网络结构框架来提高对于中文手写字符的识别率。与现有的特征提取方式相区别的是,通过将全连接层更改为相对应的整字级别的模块和偏旁部首区域级别的模块,新提出的方法能够包含更多的偏旁部首级别的特征。在此基础上,考虑到神经网络在训练中与训练数据库大小的紧密联系,我们提出了一种新的训练数据增强方法。由于在大多数汉字中的偏旁部首拥有不同的书写风格,我们将数据库中的样本根据每一类汉字的分割成不同偏旁部首的子图之后,随机地从候选的子图中重新组合成新的训练样本。除此之外,为了在训练之中有效地减少网络的输出在特征空间中的类内距离,在训练之中加入了center loss损失函数进行联合训练。考虑到偏旁部首在通常在词组中的汉字具有紧密的联系,我们还将其作为新的特征提取器对偏旁部首信息在脱机手写中文文本行识别中的应用进行了探究。在利用的卷积神经网络的输出之中,保留了偏旁部首的特征信息,使得相邻汉字中根据相关偏旁部首出现的条件概率对文本行中的字符的识别能够拥有更多的信息。在利用滑动窗对文本行的内容转化成图片序列之后,在双向长短记忆单元模型中对输入的序列进行识别。为了验证测试论文中所设计模型以及训练算法的有效性,我们分别使用CASIAHWDB数据集中的手写字符以及文本行数据库进行了测试。实验结果证明所提出的算法在脱机手写中文字符识别的识别率能够达到97.91%,能够在一定程度上提升模型识别的准确率。同时,利用此卷积神经网络作为特征提取器的双向长短记忆单元模型能够进一步提升脱机手写中文文本行的识别率,在无语言模型进行后处理的情况下,对文本行的识别准确率可以达到90.78%。
陈擎国[5]（2018）在《计算机技术在手写体汉字识别方面的应用及发展趋势》文中研究指明随着计算机技术以及大数据时代的到来,大众将在越来越多的方面需要手写体汉字识别技术产品。这意味着手写体汉字识别技术的市场空间将变得更加广阔。手写体汉字识别技术主要分为联机手写体汉字识别技术与脱机手写体汉字识别技术。其中,联机手写体汉字识别技术已较为成熟。文章对手写体汉字识别技术发展历程、基本原理、脱机手写体汉字识别技术识别准确率较低、反应时间长等问题,以及手写体汉字识别技术的未来发展方向做了研究及展望。
王艳美[6]（2018）在《基于卷积神经网络的脱机手写体汉字识别框架设计》文中研究表明手写体汉字识别在邮件分拣、办公自动化和智能录入等方面有着广泛的应用前景。然而,由于汉字笔画相比其他常见的字符如英文字母和阿拉伯数字更加复杂,又因个人书写风格和习惯不同,所以汉字的种类变得格外繁多,这也使得手写体汉字识别更加困难。因此手写体汉字识别一直是研究热点也是难点。本文以脱机手写体汉字的单个汉字为研究对象,根据脱机手写体汉字识别目前存在的问题及其特定领域知识和卷积神经网络的特性展开研究,主要工作如下:1.针对脱机手写汉字因个人书写风格和习惯的不同而产生笔画扭曲形变的问题,引入了一种新的反向合成空间变换网络,将其与卷积神经网络结合,提出一种新型手写体汉字识别框架。反向合成空间变换网络基于反向合成图像对齐算法来对输入的图片学习,得到了对应的单应性变换矩阵中的参数。因此它可以对各种书写风格和产生形变笔画的手写汉字进行对齐、纠正。本文通过TensorFlow深度学习框架在CASIA-HWDB数据库上对所提出的网络框架进行了仿真实现,仿真结果验证了反向合成空间变换网络对手写汉字的纠正效果,并表明整个网络框架在识别性能上有所提升。2.卷积神经网络对图像的识别和分类有显着的效果,因此本文对卷积神经网络的结构及优化进行了大量实验研究,其中包括卷积神经网络的网络深度、学习率的设置、正则化技术（L2正则化和Dropout技术）以及BN层等优化算法。虽然卷积神经网络有较强的学习特征的能力,但是卷积神经网络像一个黑盒子,忽略了一些本身不能习得却是特定领域的有效先验信息。于是文中利用传统的特征提取算法Gabor和Sobel来提取数据样本的八方向特征作为一种先验知识,并将提取的八方向特征图与原数据样本融合作为本文优化的卷积神经网络的输入。同时八方向特征图与原数据集融合在一定程度上扩充了训练数据集,并有助于解决无约束数据样本不足的问题。最后仿真结果表明传统算法结合卷积神经网络能够进一步的提高脱机手写体汉字分类正确率。
杨洪磊[7]（2018）在《基于CNN的有遮挡脱机手写体汉字识别》文中研究说明文字是中国文化的起源,是中华民族独特的文化,随着科学技术与信息技术的高速发展,手写体汉字识别在票据识别、邮件识别、自动化教学等领域得到了广泛的应用,已成为计算机视觉中一个重要的课题。手写体汉字具有数量庞大、笔画复杂、组合多样、相似度高、笔记潦草、风格迥异等特点,成为其识别准确率难以有效提升的原因,对于在古籍资料、手写稿件中常常会出现的文字破损、文字被污迹遮挡等情况,其识别难度进一步增大。本文研究有遮挡的手写体汉字识别,主要工作内容及创新成果如下:（1）将卷积神经网络用于有遮挡手写体汉字的识别,分别考察了卷积核的个数、卷积核的大小、学习率、批量样本训练个数等因素对识别准确率的影响,实验结果表明,将卷积核个数依次设置为64、128、256,卷积核大小为5×5,学习率设定为0.1,批量训练样本为64时识别效果最好。此外增加卷积网络层数可以提高准确率。同时,将卷积神经网络作为特征提取器与传统的机器学习分类器如支持向量机、决策树、朴素贝叶斯等分类器相结合,进一步提升了识别的准确率,其中,支持向量机分类器的识别效果最好,达到92.17%。（2）引入模型融合的方法,进一步提升了识别准确率。本文采用3种形式模型融合方法:基于输出层特征的并行融合、基于全连接层特征的串行融合以及基于输出层特征的串行融合,通过实验对比3种融合方法实验结果准确率都有明显的提升,其中基于输出层特征的串行融合方法效果最佳。（3）引入稀疏编码器作为有遮挡手写体汉字的特征提取器,分别考察了隐藏层个数、各个隐藏层不同神经元个数对识别准确率的影响,实验结果表明增加各层神经元的个数、增加隐藏层个数可以提高有遮挡手写体汉字识别率。同时,与传统图像特征方法Gabor、Sobel进行对比,结果稀疏编码器效果最好。本文将深度学习技术与传统方法相结合,应用到有遮挡手写体汉字数据集中,识别准确率有了显着的提升。
刘雪景[8]（2018）在《基于变精度反馈结构的脱机手写体汉字智能认知方法研究》文中研究表明脱机手写体汉字图像认知由于其汉字字形种类繁多、相似字的存在、书写习惯因人而异等特点,是模式识别方向的热点,也是难题之一。本文基于变精度粗糙集模型,构建了脱机手写体汉字认知决策信息系统,研究了该模型中认知精度与分类效果之间的关系,提出了一种变精度反馈智能认知机制,以降低脱机手写体汉字认知系统的复杂度并提高认知准确率。本文的主要工作如下:1.探索了一种脱机手写体汉字认知决策信息系统的构建方法。分析汉字各种特征模式,基于变精度粗糙集理论,建立了有限论域以及有监督学习方式的脱机手写体汉字认知决策信息系统,给出了多特征信息组合时认知知识充分性判据,构建了有限论域下认知信息充分性表征的脱机手写体汉字认知决策信息系统。2.建立了一种基于变精度粗糙集的脱机手写体汉字特征属性约简方法。定义了基于信息量重要度和近似依赖度重要加权的特征分类能力性能指标,并给出了基于该特征分类能力的汉字特征属性约简算法,获取不同认知精度下的简约特征集合。3.提出了一种脱机手写体汉字变精度反馈认知机制。建立了基于熵测度的汉字认知结果评价指标,定义了汉字认知结果误差熵,并给出了基于结果评价的认知精度变换规则,获取脱机手写体汉字认知过程中最优简约特征集,从而降低认知系统复杂度及提高认知准确率。4.探索了一种脱机手写体汉字认知规则融合方法。针对脱机手写体汉字认知过程中的不确定性,对于没有规则完全匹配的样本拒识问题,设计了一种具有两层分类器的分类器组对认知规则进行融合,获取汉字真实属性,降低拒识率。为了验证提出方法的可行性和有效性,采用了 GB23122-80中文字符库中的手写体汉字图像样本数据库进行验证,采用Matlab仿真表明,该方法有效地提高了脱机手写体汉字认知准确率。
翟吉祥[9]（2017）在《汉字书写美观度评价算法研究》文中进行了进一步梳理随着图像采集和视觉计算技术的蓬勃发展,各种信息和数据蜂拥而来,图像因其直观性和生动性,更是成为人们普遍使用的信息表达形式。计算机辅助的美观评价是人工智能领域最热门的话题之一,而对汉字图像进行自动美观评价的研究相对较少。在中小学生的语文教育中,汉字科目也开始进入中考大纲。本文在广泛查阅现有文献的基础上,重点研究了汉字书写的美观度评价方法,论文主要工作如下:（1）研究了汉字图像的预处理,提出了使用边缘保持滤波法进行去噪,通过实验证明,该方法既可以有效的去除脉冲噪声,又不会造成汉字图像的边缘模糊。在二值化过程中提出使用OTSU自适应方法既简单有效,又可以避免不同汉字样本阈值选取的偶然性。（2）研究了基于部首特征的汉字书写美观度评价方法,重点对汉字的凸盒、最小包围盒等全局特征进行定量分析,使用BP算法进行训练,按照一定的规则计算出每个汉字样本的机器打分,并将其与人工打分结果进行对比,验证该方法的可行性。（3）提出了基于PCA和SVM的汉字书写美观度评价方法。首先使用PCA对汉字图像进行主特征提取,得到白化矩阵和重构图像;其次使用SVM对汉字图像进行“优、良、中、差”四个评价等级的多分类,分析比较了各种SVM多值分类器的优缺点,选取“一对一”的构造方法。接着,对不同模型和不同核函数的SVM进行分组实验对比,证明了引入RBF核函数的C-SVM模型在本文方法中的有效性。（4）结合汉字笔画纹理明显的特点以及Gabor变换对局部纹理特征提取存在优势的理论,提出了基于Gabor变换和SVM的汉字书写美观度评价方法。首先,研究了 Gabor滤波器不同参数的选择和意义,结合汉字以“横、竖、撇、捺”为主要笔画的特点,选取适当的方向参数对汉字进行Gabor纹理特征提取;其次,使用PCA对Gabor滤波后的汉字图像提取主特征以达到降维目标;最后,选取不同的训练样本组数,使用带有RBF核函数的C-SVM模型对样本做评级分类,并通过对比验证其对本文实验性能的影响。实验结果表明加入Gabor方法后对本文的美观度评价更为有效。本文使用传统方法针对汉字书写研究的新问题进行实验和探讨,同时也成为了这个领域的特色和创新之处。
高灿[10]（2017）在《基于卷积神经网络的脱机手写汉字识别系统研究》文中研究表明脱机手写体汉字识别在模式识别的应用领域内是非常重要的分支,同时其也是计算机智能接口实现过程中的关键性技术。由于脱机手写体汉字类别庞大、字体结构复杂、相似汉字多、书写随意性大以及书写风格差异强等特点,其在模式识别领域中始终得到广泛的关注与研究,是众多学者研究的热点与难点。随着深度学习在机器学习领域中逐渐并快速发展,同时在模式识别部分方面也已取得了优秀的识别性能。深度学习中卷积神经网络的优势在于其可以自动获取学习样本的特征,能够避免手写汉字特征提取的难题,但其在训练样本时较为困难。本文结合卷积神经网络在脱机手写体汉字识别系统进行了相关的研究,针对训练样本困难问题进行了优化与改进,论文主要研究工作为:（1）通过研究和分析学习脱机手写汉字识别的相关技术与卷积神经网络的理论,验证了卷积神经网络在脱机手写汉字识别过程中的可行性;（2）通过HCL2000与CSAIA-HWDB两类型脱机手写体汉字数据库的比较,并对系统的硬件部分进行GPU架构设计,实现了GPU、CPU与SSD硬盘三者之间的数据信息交互的过程,结合Caffe软件平台的设计,实现了基于卷积神经网络的脱机手写汉字识别系统;（3）在实现的脱机手写汉字识别系统中,通过对卷积神经网络的结构优化,本文从卷积神经网络的激活函数、Dropout方法以及数据样本图像的弹性形变等方面提出四种改进的网络模型,并通过相应的实验研究表明,改进后的CNN4卷积神经网络在脱机手写汉字识别过程中,其汉字识别准确率上提升了2.5%。由实验研究发现,本文改进后的卷积神经网络在脱机手写识别过程中,提升了网络模型的泛化能力、收敛速度以及识别准确率。
二、基于矩和Gabor变换的手写体汉字识别方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于矩和Gabor变换的手写体汉字识别方法（论文提纲范文）
（1）基于深度学习的离线手写汉字识别算法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 文字检测研究现状 |
| 1.2.2 汉字识别研究现状 |
| 1.3 主要内容与章节安排 |
| 第二章 相关技术概论 |
| 2.1 传统的手写汉字识别算法 |
| 2.1.1 汉字特征提取 |
| 2.1.2 汉字识别分类 |
| 2.2 深度学习相关技术 |
| 2.2.1 深度学习基础 |
| 2.2.2 经典网络架构 |
| 2.3 本章小结 |
| 第三章 离线手写汉字检测 |
| 3.1 离线手写汉字检测算法 |
| 3.1.1 基于投影的汉字检测算法 |
| 3.1.2 基于SSD的汉字检测算法 |
| 3.2 基于SSD改进的离线手写汉字检测算法 |
| 3.2.1 基于密集连接的特征提取网络 |
| 3.2.2 特征融合增强 |
| 3.2.3 预选框优化 |
| 3.2.4 损失函数的优化 |
| 3.3 实验及结果分析 |
| 3.3.1 数据集构建 |
| 3.3.2 网络训练 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 离线手写汉字识别 |
| 4.1 手写汉字标准与数据集 |
| 4.1.1 汉字书写规范等级标准 |
| 4.1.2 数据集 |
| 4.2 离线手写汉字识别算法设计 |
| 4.2.1 基于VGG16 的离线手写汉字识别算法 |
| 4.2.2 融合Gabor特征优化的离线手写汉字识别算法 |
| 4.2.3 基于残差结构优化的离线手写汉字识别算法 |
| 4.3 实验及结果分析 |
| 4.3.1 网络训练 |
| 4.3.2 对比实验与分析 |
| 4.4 本章小结 |
| 第五章 离线手写汉字识别系统实现 |
| 5.1 需求分析 |
| 5.1.1 系统需求概述 |
| 5.1.2 系统功能需求 |
| 5.2 系统设计 |
| 5.2.1 系统框架与流程 |
| 5.2.2 数据集扩增 |
| 5.2.3 系统功能设计 |
| 5.3 实验与结果分析 |
| 5.3.1 实验环境 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
（2）基于生成对抗网络的手写体汉字生成（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 研究现状 |
| 1.3 本文重难点 |
| 1.4 本文的组织结构 |
| 第2章 汉字图像特征提取与特征分析 |
| 2.1 汉字图像预处理 |
| 2.1.1 汉字图像二值化 |
| 2.1.2 汉字图像平滑处理 |
| 2.1.3 汉字图像归一化 |
| 2.2 汉字图像特征提取 |
| 2.2.1 简单的手写汉字图像特征提取 |
| 2.2.2 基于Gabor函数的特征提取 |
| 2.3 汉字图像特征分析 |
| 2.3.1 汉字笔画特征 |
| 2.3.2 汉字拓扑结构特征 |
| 2.3.3 汉字书写顺序特征 |
| 2.3.4 汉字特征表征 |
| 2.4 本章小结 |
| 第3章 基于密集级联的生成对抗网络 |
| 3.1 生成对抗网络 |
| 3.1.1 生成对抗网络原理 |
| 3.1.2 生成对抗网络的学习算法 |
| 3.1.3 经典的生成对抗网络模型 |
| 3.2 手写体汉字生成方法 |
| 3.2.1 传统生成方法 |
| 3.2.2 基于深度学习的生成方法 |
| 3.3 基于改进的Cycle GAN的手写体汉字生成 |
| 3.3.1 基于GAN生成手写体汉字的思想 |
| 3.3.2 改进的生成对抗网络 |
| 3.4 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 手写体汉字生成实验 |
| 4.1.1 实验数据及环境 |
| 4.1.2 实验参数设置和过程 |
| 4.2 手写汉字生成实验结果评价 |
| 4.2.1 基于视觉的主观评价 |
| 4.2.2 基于汉字识别的客观评价 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的科研成果 |
（3）基于深度学习的脱机手写汉字识别的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 手写汉字识别的研究现状 |
| 1.2.2 深度学习在图像识别上的研究现状 |
| 1.2.3 手写汉字识别的研究难点 |
| 1.3 本文的研究内容和贡献 |
| 1.4 本文章节安排 |
| 第二章 深度学习的相关理论 |
| 2.1 引言 |
| 2.2 传统前馈神经网络模型 |
| 2.2.1 神经元 |
| 2.2.2 前馈神经网络 |
| 2.2.3 反向传播 |
| 2.2.4 前馈神经网络存在的问题 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 卷积神经网络的特点 |
| 2.3.3 卷积神经网络的反向传播 |
| 2.4 Dropout |
| 2.5 批量归一化 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的手写汉字识别 |
| 3.1 引言 |
| 3.2 数据集与数据预处理 |
| 3.2.1 数据集 |
| 3.2.2 数据预处理 |
| 3.3 模型结构 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 模型的训练 |
| 3.4.3 实验的结果 |
| 3.4.4 结果的分析 |
| 3.5 本章小结 |
| 第四章 特征提取融合卷积神经网络的识别方法 |
| 4.1 引言 |
| 4.2 特征提取 |
| 4.2.1 Gabor特征 |
| 4.2.2 方向梯度直方图 |
| 4.3 实验的优化与对比 |
| 4.3.1 统计特征对识别准确率的影响 |
| 4.3.2 Dropout对实验的影响 |
| 4.3.3 BN对模型训练的影响 |
| 4.4 脱机手写汉字识别系统的实现 |
| 4.5 本章小结 |
| 总结和展望 |
| 本文工作的总结 |
| 对未来的展望 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 致谢 |
（4）基于深度学习的中文手写汉字分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 脱机手写汉字识别现存问题 |
| 1.3 本文的主要研究思路 |
| 1.4 论文主要内容与章节安排 |
| 第二章 脱机中文手写汉字识别及深度学习方法综述 |
| 2.1 深度学习的发展现状 |
| 2.1.1 卷积神经网络常用模型 |
| 2.1.2 循环神经网络模型简介 |
| 2.2 脱机手写中文字符识别的现状 |
| 2.2.1 基于传统方法的脱机手写中文字符识别 |
| 2.2.2 基于深度学习的脱机手写中文字符识别 |
| 2.3 脱机手写文本行识别的研究现状 |
| 2.3.1 基分割的中文手写文本行识别 |
| 2.3.2 基于无分割的中文手写文本行识别 |
| 2.4 脱机手写汉字的数据库以及性能评估方法 |
| 2.4.1 脱机手写中文字符的数据库 |
| 2.4.2 脱机中文手写文本行数据库 |
| 2.4.3 脱机手写汉字的性能评估方法 |
| 2.5 本章小结 |
| 第三章 基于偏旁部首区域的脱机手写中文字符识别 |
| 3.1 汉字的偏旁部首区域 |
| 3.2 基于偏旁部首区域的卷积神经网络模型 |
| 3.2.1 多通道神经网络在偏旁部首区域特征提取中的应用 |
| 3.2.2 基于高维特征图的偏旁部首区域卷积神经网络模型 |
| 3.2.3 预分类下的基于高维特征图的偏旁部首区域的神经网络模型 |
| 3.3 实验结果与对比分析 |
| 3.3.1 基于偏旁部首区域的卷积神经网络对识别性能的影响 |
| 3.3.2 基于高维特征图偏旁部首区域的卷积神经网络对识别性能的影响 |
| 3.3.3 预分类下的基于高维特征图的偏旁部首区域的神经网络模型对识别性能的影响 |
| 3.4 本章小节 |
| 第四章 基于偏旁部首区域的神经网络训练方法 |
| 4.1 汉字的偏旁部首区域的数据增强方法 |
| 4.2 基于Center Loss的损失函数训练枉法 |
| 4.3 基于方向特征图的输入特征 |
| 4.4 实验结果与对比分析 |
| 4.5 本章小结 |
| 第五章 基于偏旁部首区域的脱机中文手写文本行识别 |
| 5.1 循环神经网络在序列识别中的应用 |
| 5.2 基于偏旁部首信息的双向LSTM网络模型 |
| 5.2.1 文本行图像预处理 |
| 5.2.2 偏旁部首信息在双向LSTM网络中的应用 |
| 5.3 实验结果与对比分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（5）计算机技术在手写体汉字识别方面的应用及发展趋势（论文提纲范文）
| 1 手写体汉字识别技术的发展历程 |
| 1.1 理论探索期 (20世纪60年代—70年代) |
| 1.2 快速发展期 (20世纪80年代至21世纪初) |
| 1.3 深入探索期 (21世纪初至今) |
| 2 手写体汉字识别基本原理 |
| 2.1 样本输入 |
| 2.2 预处理 |
| 2.3 特征提取 |
| 2.4 分类识别 |
| 2.5 末处理 |
| 3 手写体汉字识别技术的短板及发展趋势 |
| 3.1 识别准确率较低 |
| 3.2 反应时间长, 对计算机硬件要求高 |
| 3.3 分类识别方法的适应性较差 |
| 4 结论 |
（6）基于卷积神经网络的脱机手写体汉字识别框架设计（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 脱机手写体汉字识别研究现状 |
| 1.2.2 卷积神经网络研究现状 |
| 1.3 现阶段研究工作中存在的问题 |
| 1.4 主要研究内容和章节安排 |
| 第2章 图像处理和卷积神经网络基础理论 |
| 2.1 图像预处理 |
| 2.1.1 二值化 |
| 2.1.2 图像平滑 |
| 2.1.3 归一化 |
| 2.2 图像的空间变换 |
| 2.2.1 单应性变换 |
| 2.2.2 仿射变换 |
| 2.2.3 图像插值 |
| 2.3 卷积神经网络理论 |
| 2.3.1 卷积神经网络结构 |
| 2.3.2 卷积神经网络前向传播 |
| 2.3.3 卷积神经网络反向传播 |
| 2.4 本章小结 |
| 第3章 基于ICSTN和CNN的脱机手写体汉字识别框架设计 |
| 3.1 引言 |
| 3.2 脱机手写体汉字识别的网络设计 |
| 3.2.1 ICSTN网络理论推导 |
| 3.2.2 ICSTN网络设计 |
| 3.2.3 CNN网络设计 |
| 3.3 脱机手写汉字识别框架的仿真 |
| 3.3.1 实验数据库与平台 |
| 3.3.2 脱机手写汉字识别框架仿真与结果分析 |
| 3.4 本章小结 |
| 第4章 基于方向特征和CNN的手写体汉字识别框架设计 |
| 4.1 引言 |
| 4.2 方向特征提取 |
| 4.2.1 八方向Gabor特征提取 |
| 4.2.2 八方向梯度特征提取 |
| 4.3 CNN网络设计及优化 |
| 4.3.1 网络深度研究 |
| 4.3.2 学习率的设置 |
| 4.3.3 正则化技术 |
| 4.3.4 批量归一化层 |
| 4.4 实验仿真与结果分析 |
| 4.4.1 优化算法对识别性能的影响 |
| 4.4.2 方向特征对识别性能的影响 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来研究方向 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于CNN的有遮挡脱机手写体汉字识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 手写体汉字识别的发展与研究现状 |
| 1.3 论文的主要工作和内容安排 |
| 第二章 深度学习与机器学习关键技术 |
| 2.1 神经网络 |
| 2.1.1 神经元 |
| 2.1.2 学习算法 |
| 2.1.3 梯度下降算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 Softmax层 |
| 2.2.4 Dropout层 |
| 2.3 机器学习分类算法 |
| 2.3.1 支持向量机 |
| 2.3.2 决策树 |
| 2.3.3 AdaBoost |
| 2.4 本章小结 |
| 第三章 有遮挡手写体汉字实验数据集构建 |
| 3.1 手写体汉字预处理 |
| 3.1.1 灰度化及二值化 |
| 3.1.2 图像特征归一化 |
| 3.1.3 白化 |
| 3.1.4 图像平滑 |
| 3.2 有遮挡手写体汉字数据集的构建 |
| 3.3 本章小结 |
| 第四章 基于卷积神经网络的有遮挡手写体汉字识别 |
| 4.1 卷积神经网络模型构建 |
| 4.2有遮挡手写体汉字识别实验 |
| 4.2.1 不同卷积核大小对有遮挡手写体汉字识别的影响 |
| 4.2.2 卷积核的个数对有遮挡手写体汉字识别率的影响 |
| 4.2.3 不同批量训练样本个数对有遮挡手写体汉字识别率的影响 |
| 4.2.4 学习率大小对有遮挡手写体汉字识别率的影响 |
| 4.2.5 和传统分类器相结合 |
| 4.3 基于模型融合的有遮挡手写体汉字识别 |
| 4.4 本章小结 |
| 第五章 基于稀疏编码器的有遮挡手写体汉字识别 |
| 5.1 稀疏编码器 |
| 5.2 基于稀疏编码器有遮挡手写体汉字识别 |
| 5.2.1 单隐藏层稀疏编码器 |
| 5.2.2 多隐藏层稀疏编码器 |
| 5.2.3 稀疏编码器与传统特征提取方法进行比较 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作小结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间所取得的相关研究成果 |
| 致谢 |
（8）基于变精度反馈结构的脱机手写体汉字智能认知方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 脱机手写体汉字识别的研究背景与意义 |
| 1.2 脱机手写体汉字识别研究的现状 |
| 1.3 脱机手写体汉字识别研究的难点与发展趋势 |
| 1.4 本文的主要研究内容与安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的安排 |
| 第二章 基于粗糙集的脱机手写体汉字认知决策信息系统构建 |
| 2.1 脱机手写体汉字图像特征分析 |
| 2.1.1 脱机手写体汉字图像结构特征 |
| 2.1.2 脱机手写体汉字图像统计特征 |
| 2.1.3 脱机手写体汉字图像结构特征与统计特征融合 |
| 2.2 脱机手写体汉字认知决策系统的构建 |
| 2.2.1 基于有监督学习的脱机手写体汉字认知决策信息系统 |
| 2.2.2 多特征信息组合与认知信息充分性判据 |
| 2.3 本章小结 |
| 第三章 基于变精度粗糙集的脱机手写体汉字特征属性约简 |
| 3.1 脱机手写体汉字特征属性约简性能指标的定义 |
| 3.1.1 变精度粗糙集模型下脱机手写体汉字特征约简集的定义 |
| 3.1.2 脱机手写体汉字图像特征分类能力性能指标的定义 |
| 3.2 基于特征分类能力的脱机手写体汉字特征属性约简算法 |
| 3.3 本章小结 |
| 第四章 基于变精度反馈结构的脱机手写体汉字智能认知机制 |
| 4.1 基于变精度反馈结构的脱机手写体汉字智能认知模型及运行机制 |
| 4.1.1 基于变精度反馈结构的脱机手写体汉字智能认知模型 |
| 4.1.2 基于变精度反馈结构的脱机手写体汉字智能认知模型运行机制 |
| 4.2 基于熵测度的认知结果评价指标建立 |
| 4.2.1 脱机手写体汉字认知结果误差信息系统构建 |
| 4.2.2 脱机手写体汉字认知结果误差α熵定义 |
| 4.3 基于变精度认知模式的反馈调节机制建立 |
| 4.4 脱机手写体汉字认知决策信息系统中规则融合及其认知 |
| 4.4.1 脱机手写体汉字认知过程中的不确定性分析 |
| 4.4.2 脱机手写体汉字认知决策信息系统决策规则融合 |
| 4.4.3 脱机手写体汉字变精度反馈智能认知流程 |
| 4.5 基于变精度反馈结构的脱机手写体汉字智能认知算法 |
| 4.6 本章小结 |
| 第五章 实验与结果分析 |
| 5.1 实验条件 |
| 5.2 实验内容 |
| 5.3 实验结果分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（9）汉字书写美观度评价算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 课题研究背景与意义 |
| 1.3 国内外研究现状 |
| 1.4 汉字书写美观度评价算法介绍 |
| 1.4.1 算法流程 |
| 1.4.2 课题研究面临的挑战 |
| 1.5 论文主要工作及章节安排 |
| 1.5.1 本文主要工作 |
| 1.5.2 本文章节安排 |
| 2 汉字图像预处理 |
| 2.1 图像去噪 |
| 2.1.1 图像噪声的概念及分类 |
| 2.1.2 图像噪声的特点 |
| 2.1.3 经典的去噪方法及实验结果对比 |
| 2.2 图像的灰度化 |
| 2.3 图像的二值化 |
| 2.3.1 基于图像灰度分布的阈值法 |
| 2.3.2 最大类间方差法 |
| 2.4 图像归一化 |
| 2.5 本章小结 |
| 3 基于部首特征和BP算法的汉字书写美观度评价方法 |
| 3.1 部首特征的描述 |
| 3.1.1 全局特征 |
| 3.1.2 组件布局特征 |
| 3.2 CHAED字库介绍 |
| 3.3 BP神经网络 |
| 3.4 实验设计及分析 |
| 3.5 本章小结 |
| 4 基于PCA和SVM的汉字书写美观度评价方法 |
| 4.1 PCA方法介绍 |
| 4.1.1 K-L变换的基本原理 |
| 4.1.2 汉字特征提取的难点 |
| 4.2 SVM方法介绍 |
| 4.2.1 SVM的基本原理 |
| 4.2.2 SVM多分类方法 |
| 4.3 基于PCA和SVM的汉字书写美观度评价方法 |
| 4.3.1 算法描述 |
| 4.3.2 基于PCA的特征提取 |
| 4.3.3 基于SVM的分类器构造 |
| 4.3.4 实验结果及分析 |
| 4.4 本章小结 |
| 5 基于Gabor变换和SVM的汉字书写美观度评价方法 |
| 5.1 Gabor方法介绍 |
| 5.1.1 Gabor的产生和特点 |
| 5.1.2 Gabor变换 |
| 5.2 Gabor滤波器组参数的选择和意义 |
| 5.3 基于Gabor变换和SVM的汉字书写美观度评价方法 |
| 5.3.1 算法描述 |
| 5.3.2 基于Gabor的汉字纹理特征提取 |
| 5.3.3 实验对比及分析 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于卷积神经网络的脱机手写汉字识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容与章节安排 |
| 1.4 本章小结 |
| 2 脱机手写汉字识别技术的简介 |
| 2.1 图像预处理方法 |
| 2.1.1 二值化处理 |
| 2.1.2 图像平滑去噪 |
| 2.1.3 归一化处理 |
| 2.2 特征提取方法 |
| 2.2.1 方向线素特征 |
| 2.2.2 Gabor特征 |
| 2.2.3 弹性网格特征 |
| 2.3 分类识别方法 |
| 2.3.1 决策树算法 |
| 2.3.2 Adaboost算法 |
| 2.3.3 支持向量机算法 |
| 2.4 本章小结 |
| 3 卷积神经网络 |
| 3.1 卷积神经网络的概述 |
| 3.2 卷积神经网络的结构 |
| 3.3 卷积神经网络的传播 |
| 3.3.1 前向传播 |
| 3.3.2 反馈传播 |
| 3.4 本章小结 |
| 4 实验环境平台的搭建 |
| 4.1 脱机手写汉字数据库 |
| 4.1.1 HCL2000数据库 |
| 4.1.2 CSAIA-HWDB数据库 |
| 4.2 硬件设计 |
| 4.2.1 GPU架构设计 |
| 4.2.2 数据交互 |
| 4.3 软件设计 |
| 4.3.1 Caffe简介 |
| 4.3.2 Caffe平台搭建 |
| 4.4 本章小结 |
| 5 系统的实验研究分析 |
| 5.1 系统总体设计 |
| 5.1.1 系统框图 |
| 5.1.2 系统流程图 |
| 5.1.3 系统实验环境 |
| 5.2 系统网络模型优化 |
| 5.2.1 文中采用的CNN网络模型 |
| 5.2.2 CNN_1网络模型 |
| 5.2.3 CNN_2网络模型 |
| 5.2.4 CNN_3网络模型 |
| 5.2.5 CNN_4网络模型 |
| 5.3 实验结果分析 |
| 5.3.1 实验一CNN_1与CNN性能比较 |
| 5.3.2 实验二CNN_2与CNN性能比较 |
| 5.3.3 实验三CNN_3与CNN性能比较 |
| 5.3.4 实验四CNN_4与CNN性能比较 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 致谢 |
四、基于矩和Gabor变换的手写体汉字识别方法（论文参考文献）
- [1]基于深度学习的离线手写汉字识别算法研究与实现[D]. 肖正欣. 电子科技大学, 2021(01)
- [2]基于生成对抗网络的手写体汉字生成[D]. 张东东. 黑龙江大学, 2020(04)
- [3]基于深度学习的脱机手写汉字识别的研究与应用[D]. 袁柱. 广东工业大学, 2020(02)
- [4]基于深度学习的中文手写汉字分析[D]. 罗伟珂. 上海交通大学, 2019(06)
- [5]计算机技术在手写体汉字识别方面的应用及发展趋势[J]. 陈擎国. 科技传播, 2018(19)
- [6]基于卷积神经网络的脱机手写体汉字识别框架设计[D]. 王艳美. 重庆邮电大学, 2018(01)
- [7]基于CNN的有遮挡脱机手写体汉字识别[D]. 杨洪磊. 河北工业大学, 2018(07)
- [8]基于变精度反馈结构的脱机手写体汉字智能认知方法研究[D]. 刘雪景. 合肥工业大学, 2018(01)
- [9]汉字书写美观度评价算法研究[D]. 翟吉祥. 西安理工大学, 2017(01)
- [10]基于卷积神经网络的脱机手写汉字识别系统研究[D]. 高灿. 安徽理工大学, 2017(10)