[发明专利]一种基于密度峰值聚类特征选择的三维手写字符识别方法

权利要求书

1.一种基于密度峰值聚类特征选择的三维手写字符识别方法，其特征在于：步骤一、建立数据集，数据集包括m个手写字符的三维离散点集；

步骤二、将m个三维离散点集各自依序连接，得到m个手写字符的三维轨迹；

步骤三、对m个三维离散点集分别进行预处理；

步骤四、对预处理后的三维离散点集提取特征，特征分成三大类，分别是书写方向，曲率，坐标差，共计16个特征，具体如下：

4.1、三维离散点集中任意点的书写方向对应三个特征，分别为其相邻两点的连线与x轴、y轴、z轴夹角的余弦值；

4.2、三维离散点集中任意点的书写方向对应十个特征，分别为该点与相邻两点所成圆的圆心坐标、半径、圆心到相邻两点连线中点的向量坐标、圆心到该点与下一点连线中点的向量坐标；

4.3、三维离散点集中任意点的曲率特征对应三个特征，分别为其相邻两点的x轴、y轴、z轴的坐标差值；

步骤五、计算任意两个特征间的对称不确定性；第i个特征X_i与第j个特征X_j之间的对称不确定性SU(X_i,X_j)的表达式如式(4)所示；i＝1,2,…,16；j＝1,2,…,16；

式(4)中，H(X_i)、H(X_j)分别是特征X_i、X_j的信息熵，其表达式如式(5)所示；IG(X_i,X_j)表示特征X_i与特征X_j的信息增益，其表达式如式(6)所示；

H(X_i)＝-∑p(x_ik)log₂(p(x_ik))           式(5)

式(5)中，p(x_ik)表示特征X_i第k个取值x_ik对应的概率；

IG(X_i,X_j)＝H(X_i)-H(X_i|X_j)           式(6)

式(6)中，H(X_i|X_j)是条件熵，其表达式如式(7)所示；

H(X_i|X_j)＝-∑p(x_jl)∑p(x_ik|x_jl)log₂(p(x_ik|x_jl))         式(7)

式(7)中，p(x_ik|x_jl)表示特征X_j取第l个值x_jl时，特征X_i取第k个值x_ik的概率；

步骤六、计算第i个特征的局部密度；第i个特征的局部密度ρ_i的表达式如式(8)所示；i＝1,2,…,16；

式(8)中，1/SU_ij是特征X_i和特征X_j的称为距离，即对称不确定性的倒数，d_c是截断距离；χ(x)是逻辑判断函数，其表达式如式(9)所示；

步骤七、分别计算各个特征对应的高密度特征距离

对16个特征按照局部密度的大小以升序重新排序；除局部密度最大的特征外，任意一个特征X_i的高密度特征距离(δ_i)_1≤i≤15表示特征X_i与局部密度高于特征X_i的各个特征中局部密度最小的特征X_j之间的距离，其表达式如式(10)所示；i＝1,2,…,15；

局部密度最大的特征X_i的高密度特征距离(δ_i)_i＝16表示该特征X_i与其他各特征的距离的最大值，其表达式如式(11)所示；

步骤八、计算各特征的加权后的局部密度ρ_i与加权后的高密度特征距离δ_i的乘积，作为该特征的中心指标γ_i，具体表达式如式(12)所示；

γ_i＝ρ_i^ω·(δ_i)^(1-ω)              式(12)

式(12)中，ω为局部密度对应的权重；

步骤九、将各个特征按照中心指标γ_i的大小进行降序排列；选择前a个特征为聚类中心；a为识别特征数；

步骤十、使用者进行三维手写字符采集，得到三维点集；对所得的三维点集进行特征提取，提取出与步骤九所得a个聚类中心相对应的特征值；根据该a个特征值，通过决策树模型识别出被测三维手写字符。