[发明专利]一种汉字字形相似度计算方法

权利要求书

1.一种汉字字形相似度计算方法，其特征在于，具体包括以下步骤：

Step0.1：提取汉字特征并建立汉字特征数据库，根据15×16像素中文点阵字库，将点阵按照从上至下，从左至右的规则划分为40个2×3像素的小矩阵，记2×3像素小矩阵中汉字所占像素数为p_i,i∈[0,40]，观察所有p_i,i∈[0,40]并生成该汉字所对应的汉字特征向量{p₁,p₂,…,p₄₀}，且将所有汉字及生成的汉字特征向量存入数据库，组建汉字特征数据库；

Step0.2：提取汉字笔画并建立汉字笔画数据库，按照汉字五笔书写顺序规则，将横、竖、撇、捺、折编码为数字的1、2、3、4、5，生成该汉字所对应的汉字笔画编码字符串str，且将所有汉字及生成的汉字笔画编码字符串存入数据库，组建汉字笔画数据库；

Step1：记X、Y为两个将要计算字形相似度的汉字，从汉字特征数据库中分别获取这两个汉字所对应的汉字特征向量X:{x₁,x₂,…,x₄₀}和Y:{y₁,y₂,…,y₄₀}，从汉字笔画数据库中分别获取这两个汉字所对应的汉字笔画编码字符串str_x和str_y；

Step2：将汉字特征向量X:{x₁,x₂,…,x₄₀}和Y:{y₁,y₂,…,y₄₀}作为输入，由余弦定理计算公式(1)求得汉字X、Y之间基于汉字特征的字形相似度Sim₁(X,Y)；

Step3：将汉字笔画编码字符串str_x和str_y作为输入，由Jaro-Winkler Distance算法求得汉字X、Y之间基于汉字笔画的字形相似度Sim₂(X,Y)；

Step3.1：获取汉字笔画编码字符串str_x和str_y的长度len_x和len_y，并生成检测矩阵

Step3.2：根据公式(2)计算匹配窗口值MW；

Step3.3：由检测矩阵及匹配窗口值MW，根据相关规则，计算匹配字符数m和匹配字符换位数n，并根据公式(3)计算汉字笔画编码字符串str_x和str_y之间的JaroDistance；

Step3.4：获取汉字笔画编码字符串str_x和str_y的最长公共子串str_xy，并得到其长度len_xy，根据公式(4)进一步计算汉字笔画编码字符串str_x和str_y之间的Jaro-WinklerDistance，Jaro-Winkler Distance即为汉字X、Y之间基于汉字笔画的字形相似度Sim₂(X,Y)；

其中，b_t为是否需要进一步计算的阈值，p为缩放因子；

Step4：设Step2、Step3步骤所计算出的相似度对应权值分别为α、β，权值α、β满足α+β＝1的要求，由相似度Sim₁(X,Y)及权值α、相似度Sim₂(X,Y)及权值β，由相似度融合算法，即公式(5)计算出汉字X、Y之间的最终字形相似度Sim(X,Y)；

Sim(X,Y)＝Sim₁(X,Y)·α+Sim₂(X,Y)·β (5)。

2.根据权利要求1所述的汉字字形相似度计算方法，其特征在于：所述步骤Step0.1中，2×3像素小矩阵中汉字所占像素数p_i,i∈[0,40]应满足0≤p_i≤6,i∈[0,40]的要求。