[发明专利]一种基于分类器集成的手写维文字符识别方法

权利要求书

1.一种基于分类器集成的手写维文字符识别方法，其特征在于：识别过程包括：

步骤1对采集到的手写维文字符进行预处理，去除采集维文字符过程中附加的噪声，得到规范化的维文字符；

步骤2提取维文字符的特征向量，将规范化的维文字符从对象空间映射到特征空间，得到维文字符的方向线素，即维文字符的特征向量；

步骤3分别使用MQDF分类器和BP神经网络分类器对维文字符特征向量分类识别，得到分类识别结果，MQDF分类器的分类结果是置信值集1和BP神经网络分类器的分类结果是置信值集2；

步骤4对两种分类识别的结果置信值集1和置信值集2进行集成，计算128个维文字符中每个候选字符的两个置信值的加权和，选择最大的加权和值作为最终的分类识别结果。

2.根据权利要求1所述的基于分类器集成的手写维文字符识别方法，其特征在于：

维文字符预处理过程包括：

1.1裁剪手写维文字符图像，去除维文字符图像中不包含文字轨迹点的区域，留下包含文字轨迹点的区域；

1.2对裁剪后的维文字符进行归一化处理，将大小不同的维文字符图像归一化为大小相同的图像；

1.3对归一化后的维文字符图像进行轨迹点重采样，每隔几个点进行采样，若原图像中存在象素点比较紧密而归一化处理后象素点比较稀疏的地方则补象素点；

1.4对重采样后的维文字符图像进行滤波，得到规范化的维文字符。

3.根据权利要求2所述的基于分类器集成的手写维文字符识别方法，其特征在于：

维文字符特征向量提取的过程包括：

2.1使用弹性网格对规范化的维文字符图像进行划分；

2.2计算每个网格内的象素点的方向线素，并计算出每个网格的方向象素；

2.3将维文字符的网格降维，并计算出降维后的维文字符每个网格的方向象素；

2.4对所有网格的方向线素进行合并，用合并后的方向线素表示维文字符的方向线素，即维文字符的特征向量。

4.根据权利要求3所述的基于分类器集成的手写维文字符识别方法，其特征在于：

使用MQDF分类器和BP神经网络分类器进行分类的过程包括：

3.1对115套的128类维文字符库进行划分，将其中的60套作为训练样本库，剩余的55套作为识别样本库，115套128类手写维文字符库是基于移动终端即手机平台采集的由维吾尔族人手写的字符库；

3.2使用MQDF分类器对60套训练样本库训练，得到128类维文字符的平均MQDF确信度；

3.3将待识别维文字符的特征向量应用于MQDF分类器，得到对应的候选字符集1，候选字符集1有128个候选字符；

3.4对待识别维文字符的MQDF候选字符集1进行概率处理，转化为候选字符集1对应的后验概率，就是候选的置信值集1，置信值集1有128个置信值；

3.5使用BP神经网络分类器对115套的128类维文字符库进行划分，对其中的60套训练样本库训练，得到神经网络分类器的系数；

3.6将待识别维文字的特征向量应用于BP神经网络分类器，得到对应的候选字符集2，候选字符集2有128个候选字符；

3.7对待识别维文字符的BP神经网络候选字符集2进行概率处理，转化为候选集对应的后验概率，就是候选的置信值集2，置信值集2有128个置信值。

5.根据权利要求4所述的基于分类器集成的手写维文字符识别方法，其特征在于：

对分类识别结果集成的过程包括：

4.1通过实验确定128个维文字符中每个候选字符的两个置信值(即MQDF的置信值和BP神经网络的置信值)的加权和的权重系数γ_k；

4.2根据得到的加权和的权重系数γ_k，计算128个维文字符中每个候选字符的两个置信值(MQDF的置信值和BP神经网络的置信值)的加权和g_i(x)＝γ₁p₁(w_i/x)+γ₂p₂(w_i/x)，得到每个字符最终的置信值，128个维文字符的置信值形成最终的置信值集，式中p₁(w_i/x)表示MQDF分类器对特征向量x所属类别w_i的概率估计，p₂(w_i/x)表示BP神经网络对特征向量x所属类别w_i的概率估计；

4.3根据最终置信值集中128个置信值大小，选定最大的置信值对应的字符，确定为待识别字符的识别结果。