[发明专利]基于稀疏表示的手写字符识别方法

说明书

技术领域

本发明涉及一种模式识别技术，特别涉及一种基于稀疏表示的手写字符识别方法。

背景技术

手写字符识别，通常缩写为HCR（Handwritten Character Recognition）。在模式识别领域中,HCR一直是最重要和具有挑战性的研究。 它有助于极大地提高自动化过程，强化人与机器之间的各种交互应用。 一些研究工作一直专注于新的技术和方法，将减少的处理时间，同时提供较高的识别准确。

目前， 应用广泛的手写识别方法准确率不够高，且抗噪声能力较弱。并且需要提取字符图像的特征，再进行特征匹配，这增加了工作复杂度，降低了工作效率。现有主要识别方法如下：

（1）    几何特征的手写字符识别方法：

几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系，如相互之间的距离。

优点：这些算法识别速度快，需要的内存小。

缺点：识别率较低。 

（2）    基于特征脸（PCA）的手写字符识别方法：

特征脸方法是基于KL变换的手写字符识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设手写字符在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。

缺点：这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。

（3）    神经网络的手写字符识别方法：

神经网络的输入可以是降低分辨率的手写字符图像、局部区域的自相关函数、局部纹理的二阶矩等。

缺点：这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

（4）    线段Hausdorff 距离(LHD) 的手写字符识别方法：

心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是基于从手写字符灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。优点：实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，

缺点：但是它在大表情的情况下识别效果不好。

（5）    支持向量机(SVM) 的手写字符识别方法：近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。

优点：通常的实验结果表明SVM有较好的识别率。

缺点：它需要大量的训练样本（每类300个），这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

发明内容

本发明是针对现有的手写字符识别准确率不够高，抗噪声能力低和工作效率低的问题，提出一种基于稀疏表示的手写字符识别方法，克服现有技术存在的问题。相对于传统的提取图像特征,再设计好的分类器进行识别的方法,，而稀疏表示只需要通过训练样本字典，根据凸优化所求得的系数解，能够准确地识别测试图像。

本发明的技术方案为：一种基于稀疏表示的手写字符识别方法，具体包括如下步骤：

1）图像预处理：获取字符灰度图像，把获取的待识别字符图像进行二值化，再做取反操作，最后获得预处理后的图像，每个字符图像分辨率大小为                                                ，每个图像作为M（）维空间的一个向量；

2）将待识别字符表达为基于训练集合的稀疏表示：

A:定义第i类字符有n_i个样本图片，测试图像向量v_i,1, v_i,2，…，v_i,ni，向量构成第i个字符类的线性空间，输入第i（i∈[1,k]）类测试图像y，，y在该类的线性空间里表示为：

   

其中是实标量；