計算機(jī)技術(shù)在手寫體漢字識別方面的應(yīng)用及發(fā)展趨勢

1、 計算機(jī)技術(shù)在手寫體漢字識別方面的應(yīng)用及發(fā)展趨勢 陳擎國摘 要 隨著計算機(jī)技術(shù)以及大數(shù)據(jù)時代的到來，大眾將在越來越多的方面需要手寫體漢字識別技術(shù)產(chǎn)品。這意味著手寫體漢字識別技術(shù)的市場空間將變得更加廣闊。手寫體漢字識別技術(shù)主要分為聯(lián)機(jī)手寫體漢字識別技術(shù)與脫機(jī)手寫體漢字識別技術(shù)。其中，聯(lián)機(jī)手寫體漢字識別技術(shù)已較為成熟。文章對手寫體漢字識別技術(shù)發(fā)展歷程、基本原理、脫機(jī)手寫體漢字識別技術(shù)識別準(zhǔn)確率較低、反應(yīng)時間長等問題，以及手寫體漢字識別技術(shù)的未來發(fā)展方向做了研究及展望。關(guān)鍵詞 手寫漢字；漢字識別；脫機(jī)識別；光學(xué)字符識別中圖分類號 g2 文獻(xiàn)標(biāo)識碼 a 文章編號 1674-6708（2018）220-

2、0001-03隨著計算機(jī)科學(xué)技術(shù)的發(fā)展以及大數(shù)據(jù)時代的到來，傳統(tǒng)的紙質(zhì)文獻(xiàn)將越來越多地需要被轉(zhuǎn)化為電子文檔儲存在計算機(jī)中。例如：將紙質(zhì)的會議記錄拍攝成圖像，將其快速地轉(zhuǎn)化為能夠在計算機(jī)內(nèi)儲存與加工的電子文檔；將文獻(xiàn)古籍以圖片或掃描件的形式快速轉(zhuǎn)換為電子文檔進(jìn)行保存等。這將勢必需要完善目前的漢字手寫體識別方面的技術(shù)，并提升其識別的準(zhǔn)確率以及減少其對較大訓(xùn)練樣本及硬件運行內(nèi)存的依賴。1 手寫體漢字識別技術(shù)的發(fā)展歷程隨著計算機(jī)技術(shù)的發(fā)展，漢字識別技術(shù)已經(jīng)逐漸融入人們的日常生活中，并將在經(jīng)濟(jì)、教育等領(lǐng)域發(fā)揮越來越重要的作用。漢字識別技術(shù)，主要基于光學(xué)字符識別技術(shù)（optical character r

3、ecognition），以識別對象為標(biāo)準(zhǔn)，可分為印刷體漢字識別與手寫體漢字識別技術(shù)；以輸入方式為標(biāo)準(zhǔn)，可分為聯(lián)機(jī)漢字識別與脫機(jī)漢字識別。手寫體漢字識別技術(shù)，源于印刷體漢字識別技術(shù)，從20世紀(jì)六七十年代開始，大致可分為3個時期：理論探索期、快速發(fā)展期、深入發(fā)展期。1.1 理論探索期（20世紀(jì)60年代70年代）自1946年世界上第一臺電子計算機(jī)在美國出現(xiàn)后，人們除了將計算機(jī)用于復(fù)雜計算外，還將其應(yīng)用于文檔的處理與保存。由于電子文檔擁有效率高、易于儲存、容量大等特點，一經(jīng)問世便受到科學(xué)家們的廣泛重視與研究。因為英文字母數(shù)量較少、筆畫簡單，在計算機(jī)識別中遇到的困難較小。而漢字?jǐn)?shù)量大、筆畫繁雜、形近字較

4、多，給予這一時代的科學(xué)家不小的困難。在這一階段，主要是歐美大型計算機(jī)企業(yè)以及中國國內(nèi)一些高校、研究所進(jìn)行初步的理論探索。例如：在1966年，casey r與nagy g首次發(fā)表關(guān)于印刷體漢字識別的文章，提出計算機(jī)識別漢字的理論基礎(chǔ)以及需要解決的技術(shù)難題。清華大學(xué)、南開大學(xué)、北京大學(xué)等高校開始進(jìn)行對規(guī)則且有限的漢字識別進(jìn)行研究。這個時期進(jìn)行的探索，盡管較為粗淺，但其為之后印刷體及手寫體漢字識別奠定了理論基礎(chǔ)、發(fā)現(xiàn)并定位了亟待解決的問題。1.2 快速發(fā)展期（20世紀(jì)80年代至21世紀(jì)初）到了20世紀(jì)80年代，漢字識別技術(shù)有了一定發(fā)展。印刷體漢字識別技術(shù)逐漸發(fā)展并最終成熟。科學(xué)家們通過模仿人類視覺識

5、別的過程，采用統(tǒng)計模式識別方法，通過逼近取值的算法來提取漢字，解決了印刷體漢字識別中漢字結(jié)構(gòu)與筆畫提取困難的難題，也為手寫體漢字識別提供了思路與方法。在這個階段，一些實用性高、錯誤率低的印刷體漢字識別軟件問世。例如：ibm公司的ocr技術(shù)已經(jīng)趨于成熟；20世紀(jì)90年代，清華大學(xué)研發(fā)的th-ocr產(chǎn)品率先實現(xiàn)了中英文混排識別；漢王公司的漢王ocr憑借識別率高等優(yōu)勢，在2000年達(dá)到世界領(lǐng)先水平。80年代中國發(fā)布了gb 2312-80國家標(biāo)準(zhǔn)字符庫，國外計算機(jī)公司也建立了相應(yīng)字符庫。這對漢字識別的發(fā)展起到極大的推動作用。而在20世紀(jì)80年代，手寫體漢字識別技術(shù)才剛剛起步，僅作為印刷體漢字識別產(chǎn)品的

6、附加功能，識別率低，實用性不強(qiáng)。但至21世紀(jì)初，聯(lián)機(jī)手寫體漢字識別技術(shù)由于可通過筆畫的先后順序進(jìn)行識別，發(fā)展已經(jīng)較為完善，也有多種實用的聯(lián)機(jī)手寫體漢字識別產(chǎn)品面世。然而，脫機(jī)手寫體識別技術(shù)仍處于萌芽階段。1.3 深入探索期（21世紀(jì)初至今）在21世紀(jì)初期，印刷體漢字識別技術(shù)已經(jīng)完善的背景下，越來越多的學(xué)者將目光投向了脫機(jī)手寫體漢字識別技術(shù)，并構(gòu)建出基本識別流程，針對漢字分類提出了多種方法。主要分類方法分為：統(tǒng)計模式識別與結(jié)構(gòu)模式識別。這兩種方法各有利弊，但實用性尚為欠缺。近幾年隨著人工智能的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)、多分類器聚合等方法也相繼被提出。近年來，騰訊云ocr推出手寫體漢字識別服務(wù)；百度、科

7、大訊飛等互聯(lián)網(wǎng)企業(yè)也推出了手寫體漢字識別產(chǎn)品。但是，真正有效實用的脫機(jī)手寫體漢字識別技術(shù)仍然需要科學(xué)家們繼續(xù)深入探索。2 手寫體漢字識別基本原理目前，計算機(jī)對手寫體漢字進(jìn)行識別分為兩種類別：聯(lián)機(jī)手寫體漢字識別與脫機(jī)手寫體漢字識別。盡管聯(lián)機(jī)識別時有筆順可進(jìn)行輔助參考，但兩種類別的基本原理大致相同，均分為：樣本輸入、預(yù)處理、特征提取、分類識別、末處理等五大流程（參見圖1）。2.1 樣本輸入樣本輸入，指的是將所需識別的漢字通過拍攝圖片、掃描等手段，轉(zhuǎn)換為計算機(jī)所能識別的圖像。在聯(lián)機(jī)手寫體漢字識別中，不僅要將相應(yīng)的圖像信息輸入電腦，也需把對應(yīng)的筆畫順序輸入電腦，以作為分類識別時的輔助參考。由于缺少相應(yīng)

8、的筆畫順序作為輔助判斷的工具，脫機(jī)手寫體漢字識別在下列步驟中的識別速度與準(zhǔn)確率目前均不及聯(lián)機(jī)手寫體漢字識別。2.2 預(yù)處理預(yù)處理，指的是計算機(jī)對輸入的圖像通過二值化、去噪等手段，降低圖片的維度，通過扭轉(zhuǎn)校正等方法，初步規(guī)范漢字圖像，繼而對圖像進(jìn)行切分，切分出單一的漢字，以便于對漢字的特征提取并降低識別的錯誤率。其中：二值化指的是，對圖片進(jìn)行灰度處理，將圖片轉(zhuǎn)換為黑白色，并用坐標(biāo)的方式標(biāo)記各個像素點，從而簡化計算機(jī)對漢字特征提取的難度，降低出錯率。去噪指的是，對圖像中的孤立點、孤立的筆畫、污點等進(jìn)行去除，以簡化識別難度，降低對cpu的使用率，降低對計算機(jī)硬件的要求。扭轉(zhuǎn)校正是指：將歪斜扭曲的筆畫

9、變化成整齊規(guī)則的標(biāo)準(zhǔn)筆畫，或?qū)⒉煌煮w、風(fēng)格的文字統(tǒng)一轉(zhuǎn)換為標(biāo)準(zhǔn)字體，從而降低分類識別的難度。2.3 特征提取特征提取，指的是計算機(jī)對漢字中能夠體現(xiàn)出差異的特有信息進(jìn)行提取，例如：提取漢字的偏旁部首、筆畫的離散程度等。目前，特征提取方法主要分為兩種：提取結(jié)構(gòu)特征與提取統(tǒng)計模式特征。提取結(jié)構(gòu)特征是指：提取漢字結(jié)構(gòu)中的特殊結(jié)構(gòu)，如：部首、框架等，并記錄提取的信息以供分類識別使用。該方法的優(yōu)點是易識別形近字，對不同字體的識別能力較強(qiáng)。但是，此方法對預(yù)處理要求較高，若預(yù)處理的圖像中出現(xiàn)斷裂、連筆等影響因素，此方法的提取成功率將會下降。而提取統(tǒng)計模式特征指的是：對樣本的坐標(biāo)進(jìn)行數(shù)學(xué)變換，利用傅里葉變換、

10、gabor變換等數(shù)學(xué)方法，再結(jié)合正態(tài)分布等統(tǒng)計方法來提取漢字特征。這種方法對預(yù)處理要求較低，但識別形近字、不同字體漢字的能力較弱。2.4 分類識別分類識別是指：利用上一步所提取的漢字特征信息，在計算機(jī)的字符庫中進(jìn)行檢索比對，檢索出相似程度最高的漢字作為輸出結(jié)果。這種檢索比對的方法被稱為分類識別方法。目前，漢字的主流分類識別方法有基于結(jié)構(gòu)的識別方法、基于統(tǒng)計模式的識別方法、神經(jīng)網(wǎng)絡(luò)識別法、貝葉斯決策法與支持向量機(jī)法等。其中神經(jīng)網(wǎng)絡(luò)識別法與支持向量機(jī)法是時下的熱點研究方向。各種分類方法適用不同的情形，有他們各自的優(yōu)缺點，例如基于結(jié)構(gòu)的識別方法中，隱馬爾科夫模型是其中的典型，該方法成功率較高，在中小

11、字符集的識別中成功率較高，但在識別大字符集方面識別率較低。而支持向量機(jī)法，擁有識別率較高，適應(yīng)訓(xùn)練字符集較小情況等優(yōu)勢，復(fù)雜程度高，對大字符集的識別時間較長。2.5 末處理在分類識別給出結(jié)果后，需要計算機(jī)通過解析句式結(jié)構(gòu)來驗證對漢字識別的正確與否。此時，聯(lián)機(jī)手寫體漢字識別還可以通過筆畫順序來輔助驗證。若驗證通過，則輸出識別結(jié)果；若驗證未通過，如：出現(xiàn)識別亂碼或語意等嚴(yán)重不符時，則反饋給分類識別環(huán)節(jié)重新進(jìn)行識別。末處理能夠顯著降低識別的錯誤率。目前，科學(xué)家也在試圖用增加末處理的環(huán)節(jié)等手段來提高手寫體漢字識別的準(zhǔn)確率。3 手寫體漢字識別技術(shù)的短板及發(fā)展趨勢近年來，聯(lián)機(jī)手寫體漢字識別由于擁有可以運用

12、筆畫順序來輔助識別的優(yōu)勢，發(fā)展比脫機(jī)手寫體漢字識別技術(shù)較快。目前，市場上已經(jīng)有為數(shù)眾多的聯(lián)機(jī)漢字識別產(chǎn)品供大眾使用。即使目前已有脫機(jī)手寫體漢字識別技術(shù)產(chǎn)品問世，我們也無法忽視脫機(jī)手寫體漢字識別技術(shù)中仍然存在的問題。下面將大致說明脫機(jī)手寫體漢字識別技術(shù)存在的缺陷。3.1 識別準(zhǔn)確率較低脫機(jī)手寫體漢字識別技術(shù)由于只能夠通過輸入的圖像進(jìn)行分析，受字體風(fēng)格、連筆、缺損、污點、扭曲等因素影響較大，給予預(yù)處理及特征提取步驟不小的困難。這也導(dǎo)致了在一開始的兩步中極易出現(xiàn)錯誤，從而導(dǎo)致后面分類識別環(huán)節(jié)中的錯誤，降低了識別準(zhǔn)確率。3.2 反應(yīng)時間長，對計算機(jī)硬件要求高脫機(jī)手寫體漢字識別技術(shù)由于缺乏筆畫作為輔助參

13、考，一個漢字往往有幾個，甚至幾十個、上百個相似的漢字。因此在分類識別環(huán)節(jié)中，相應(yīng)的算法較為復(fù)雜，檢索比對的耗時較長，從而拖慢了整個流程的反應(yīng)時間。這也使得該技術(shù)對計算機(jī)硬件的要求較高，特別是對cpu的要求較高，并且增加能耗，浪費資源。3.3 分類識別方法的適應(yīng)性較差盡管目前某些分類識別方法在某一方面的識別準(zhǔn)確率、反應(yīng)時間表現(xiàn)均比較出色，但或多或少都存在著不足之處。例如：隱馬爾科夫模型在中小字符集的識別中成功率較高，但在識別大字符集方面識別率較低；貝葉斯決策法識別正確率較高，但其需要的樣本量較大，計算較為復(fù)雜，同時對硬件的要求也比較高；神經(jīng)網(wǎng)絡(luò)識別法在小字符集識別方面表現(xiàn)優(yōu)異，但若將大字符集拆分

14、成小字符集來識別，又會造成響應(yīng)時間過長等問題。雖然脫機(jī)手寫體漢字識別技術(shù)仍需進(jìn)一步完善，市場上產(chǎn)品較少，用戶反饋不佳。但脫機(jī)手寫體漢字識別技術(shù)依然存在著較大的應(yīng)用市場空間。隨著科學(xué)家們對相應(yīng)技術(shù)的進(jìn)一步改進(jìn)，手寫識別領(lǐng)域出現(xiàn)了許多新的發(fā)展方向。1）利用多種方法進(jìn)行漢字切分。通過運用多種方法對圖像中的漢字進(jìn)行切分，能夠有效地減少后面步驟中的反應(yīng)時間與識別錯誤率，降低對計算機(jī)硬件的需求，從而提升脫機(jī)手寫體漢字識別技術(shù)的實用性。2）將多種分類方法并行?？茖W(xué)家們認(rèn)為，如果將多種分類器并行使用、取長補(bǔ)短，將會大大提高脫機(jī)手寫體漢字識別技術(shù)的識別準(zhǔn)確率，以達(dá)到用戶滿意的程度。3）延長末處理流程。一些學(xué)者指

15、出，通過延長末處理流程，如增加利用語意等語法因素在末處理步驟中進(jìn)行查證，能夠進(jìn)一步提升脫機(jī)手寫體漢字識別技術(shù)的識別準(zhǔn)確率，同時也不會對計算機(jī)硬件提出更高的要求。4 結(jié)論文章對手寫體漢字識別技術(shù)的發(fā)展歷程、基本原理及未來發(fā)展的趨勢進(jìn)行了概述與展望。能夠看出，近年來，聯(lián)機(jī)手寫體漢字識別技術(shù)已經(jīng)逐漸完善，市場上也出現(xiàn)較多的聯(lián)機(jī)手寫體漢字識別產(chǎn)品。脫機(jī)手寫體漢字識別技術(shù)從無到有?；驹硪草^為清晰。但是，脫機(jī)手寫體漢字識別技術(shù)仍不完善，存在著識別準(zhǔn)確率較低、反應(yīng)時間長、計算復(fù)雜、對硬件要求高等缺陷，制成的產(chǎn)品詬病頗多。在不斷研究的同時，科學(xué)家們開始嘗試運用多種方法對漢字進(jìn)行切分、將多種分類方法并行、增加末處理環(huán)節(jié)流程等方法，從而使這項技術(shù)能夠