包装印刷网

　结构模式识别

　　汉字是一种特殊的模式，其结构虽然比较复杂，但具有相当严格的规律性。换言之，汉字图形含有丰富的结构信息，可以设法提取含有这种信息的结构特征及其组字规律，作为识别汉字的依据，这就是结构模式识别。

　　结构模式识别是早期汉字识别研究的主要方法。其主要出发点是汉字的组成结构。从汉字的构成上讲，汉字是由笔划(点横竖撇捺等)、偏旁部首构成的；还可以认为汉字是由更小的结构基元构成的。由这些结构基元及其相互关系*可以地对汉字加以描述，就像一篇文章由单字、词、短语和句子按语法规律所组成一样。所以这种方法也叫句法模式识别。识别时，利用上述结构信息及句法分析的方法进行识别，类似一个逻辑推理器。

　　用这种方法来描述汉字字形结构在理论上是比较恰当的，其主要优点在于对字体变化的适应性强，区分相似字能力强；但是，在实际应用中，面临的主要问题是抗*力差，因为在实际得到的文本图象中存在着各种干扰，如倾斜，扭曲，断裂，粘连，纸张上的污点，对比度差等等。这些因素直接影响到结构基元的提取，假如结构基元不能准确地得到，后面的推理过程就成了无源之水。此外结构模式识别的描述比较复杂，匹配过程的复杂度因而也较高。所以在印刷体汉字识别领域中，纯结构模式识别方法已经逐渐衰落，句法识别的方法正日益受到挑战。

　　统计模式识别

　　统计决策论发展较早，理论也较成熟。其要点是提取待识别模式的的一组统计特征，然后按照一定准则所确定的决策函数进行分类判决。

　　汉字的统计模式识别是将字符点阵看作一个整体，其所用的特征是从这个整体上经过大量的统计而得到的。统计特征的特点是抗干扰性强，匹配与分类的算法简单，易于实现。不足之处在于细分能力较弱，区分相似字的能力差一些。常见的统计模式识别方法有：

　　(1) 模板匹配。模板匹配并不需要特征提取过程。字符的图象直接作为特征，与字典中的模板相比，相似度zui高的模板类即为识别结果。这种方法简单易行，可以并行处理；但是一个模板只能识别同样大小、同种字体的字符，对于倾斜、笔划变粗变细均无良好的适应能力。

　　(2)利用变换特征的方法。对字符图象进行二进制变换(如Walsh, Hardama变换)或更复杂的变换(如Karhunen-Loeve, Fourier,Cosine，Slant变换等)，变换后的特征的维数大大降低。但是这些变换不是旋转不变的，因此对于倾斜变形的字符的识别会有较大的偏差。二进制变换的计算虽然简单，但变换后的特征没有明显的物理意义。K-L变换虽然从zui小均方误差角度来说是*的，但是运算量太大，难以实用。总之，变换特征的运算复杂度较高。

　　(3)投影直方图法。利用字符图象在水平及垂直方向的投影作为特征。该方法对倾斜旋转非常敏感，细分能力差。

　　(4)几何矩(Geometric Moment)特征。M. K. Hu提出利用矩不变量作为特征的想法，引起了研究矩的热潮。研究人员又确定了数十个移不变、比例不变的矩。我们都希望找到稳定可靠的、对各种干扰适应能力很强的特征，在几何矩方面的研究正反映了这一愿望。以上所涉及到的几何矩均在线性变换下保持不变。但在实际环境中，很难保证线性变换这一前提条件。

　　(5)Spline曲线近似与傅立叶描绘子(Fourier Descriptor)。两种方法都是针对字符图象轮廓的。Spline曲线近似是在轮廓上找到曲率大的折点，利用Spline曲线来近似相邻折点之间的轮廓线。而傅立叶描绘子则是利用傅立叶函数模拟封闭的轮廓线，将傅立叶函数的各个系数作为特征的。前者对于旋转很敏感。后者对于轮廓线不封闭的字符图象不适用，因此很难用于笔划断裂的字符的识别。

　　(6)笔划密度特征。笔划密度的描述有许多种，这里采用如下定义：字符图象某一特定范围的笔划密度是在该范围内，以固定扫描次数沿水平、垂直或对角线方向扫描时的穿透次数。这种特征描述了汉字的各部分笔划的疏密程度，提供了比较完整的信息。在图象质量可以保证的情况下，这种特征相当稳定。在脱机手写体的识别中也经常用到这种特征。但是在字符内部笔划粘连时误差较大。

　　(7)外围特征。汉字的轮廓包含了丰富的特征，即使在字符内部笔划粘连的情况下，轮廓部分的信息也还是比较完整的。这种特征非常适合于作为粗分类的特征。

　　(8)基于微结构特征的方法。这种方法的出发点在于，汉字是由笔划组成的，而笔划是由一定方向，一定位置关系与长宽比的矩形段组成的。这些矩形段则称为微结构。利用微结构及微结构之间的关系组成的特征对汉字进行识别，尤其是对于多体汉字的识别，获得了良好的效果。其不足之处是，在内部笔划粘连时，微结构的提取会遇到困难。

　　(9)特征点特征。早在1957年，Solatron Electronics Group公司发布了*个利用窥视孔(peephole)方法的OCR系统。其主要思想是利用字符点阵中一些有代表性的黑点(笔划)，白点(背景)作为特征来区分不同的字符。后有人又将这种方法运用到汉字识别中，对其中的黑点又增加了属性的描述，如端点、折点、交叉点等。也获得了比较好的效果。其特点是对于内部笔划粘连的字符的识别的适应性较强，直观性好，但是不易表示为矢量形式，不适合作为粗分类的特征，匹配难度大。

　　当然还有许多种不同的统计特征，诸如图描述法、包含配选法、脱壳透视法、差笔划法等，这里就不一一介绍了。

　　统计识别与结构识别的结合

　　结构模式识别与统计模式识别各有优缺点，随着我们对于两种方法认识的深入，这两种方法正在逐渐融合。网格化特征就是这种结合的产物。字符图象被均匀地或非均匀地划分为若干区域，称之为“网格”。在每一个网格内寻找各种特征，如笔划点与背景点的比例，交叉点、笔划端点的个数，细化后的笔划的长度、网格部分的笔划密度等等。特征的统计以网格为单位，即使个别点的统计有误差也不会造成大的影响，增强了特征的抗干扰性。这种方法正得到日益广泛的应用。

　　人工神经网络

　　人工神经网络(Artificial Neural Network，以下称ANN)是一种模拟人脑神经元细胞的网络结构，它是由大量简单的基本元件－神经元相互连接成的自适应非线性动态系统。虽然目前对于人脑神经元的研究还很不完善，我们无法确定ANN的工作方式是否与人脑神经元的运作方式相同，但是ANN正在吸引着越来越多的注意力。

　　ANN中的各个神经元的结构与功能较为简单，但大量的简单神经元的组合却可以非常复杂，我们从而可以通过调整神经元间的连接系数完成分类、识别等复杂的功能。ANN还具有一定的自适应的学习与组织能力，组成网络的各个“细胞”可以并行工作，并可以通过调整“细胞”间的连接系数完成分类、识别等复杂的功能。这是冯·诺依曼的计算机无法做到的。

　　ANN可以作为单纯的分类器(不包含特征提取，选择),也可以用作功能完善的分类器。在英文字母与数字的识别等类别数目较少的分类问题中，常常将字符的图象点阵直接作为神经网络的输入。不同于传统的模式识别方法，在这种情况下，神经网络所“提取”的特征并无明显的物理含义，而是储存在神经物理中各个神经元的连接之中，省去了由人来决定特征提取的方法与实现过程。从这个意义上来说，ANN提供了一种“字符自动识别”的可能性。此外，ANN分类器是一种非线性的分类器，它可以提供我们很难想象到的复杂的类间分界面，这也为复杂分类问题的解决提供了一种可能的解决方式。

　　目前，在对于象汉字识别这样超多类的分类问题，ANN的规模会很大，结构也很复杂，现在还远未达到实用的程度。其中的原因很多，主要的原因还在于我们对人脑的工作方式以及ANN本身的许多问题还没有找到的答案。