CN103049750B

CN103049750B - 字符识别方法

Info

Publication number: CN103049750B
Application number: CN201310012073.8A
Authority: CN
Inventors: 梁添才; 王锟; 王卫锋; 刘思伟
Original assignee: Guangdian Yuntong Financial Electronic Co Ltd
Current assignee: Guangdian Yuntong Financial Electronic Co Ltd
Priority date: 2013-01-11
Filing date: 2013-01-11
Publication date: 2016-06-15
Anticipated expiration: 2033-01-11
Also published as: CN103049750A; AU2013372618A1; WO2014107945A1; US9519838B2; US20150356372A1; ZA201505388B; EP2945096A1; EP2945096A4; CL2015001952A1; AU2013372618B2

Abstract

本发明涉及一种该字符识别方法，其包括：步骤1：读入字符图像；步骤2：图像预处理；步骤3：字符切割；步骤4：边缘提取；运用边缘检测算子检测出字符的边缘点；步骤5：特征提取，每一字符的每一边缘点的特征都用该字符其他边缘点到该边缘点的距离表达，用特征向量(P_1k,P_2k…P_Mk)表示；步骤6：特征处理，将特征向量(P_1k,P_2k…P_Mk)映射到一个矩阵T中，使得所有字符的特征向量维度相同；步骤7，模板匹配识别。由于字符的每一边缘点的特征都用该字符其他边缘点到该边缘点的距离表达，从整个字符保证了特征的全局性，扩大了不同字符间特征的差异，从而提高了字符识别率。

Description

字符识别方法

技术领域

本发明属于光学字符识别领域，涉及一种光学字符识别法。

背景技术

在字符识别过程，字符特征提取是至关重要的一步。特征提取可以看作对原始字符关键信息的抽取，所以特征要尽可能的体现不同字符间的差异，换句话说，不同类字符特征之间的距离要尽可能大。如果特征选取不当，无论选择什么样的分类器也无法达到很好的识别率。

识别一个字符通常是提取字符的边缘或者提取字符的骨架，然后再在边缘或者骨架上再提取特征。现有方法在描述边缘或者骨架上的点时，仅仅是考虑到当前点本身的信息。如用(x,y,f(x,y))作为边缘或者骨架上的一点P的特征，其中x,y表示点P坐标，f(x,y)表示亮度值，这样提取出来的特征具有局部性，如果两个字符局部形态相近(如Q和O)，那么这两个字符提取出来的特征具有很大的相似性，这样就不利于区分这两个字符，导致***识别率下降。

因此，提供一种新的特征提取方法，用另外一个思路来描述字符边缘或者骨架上的点，扩大字符特征的差异，从而提高字符的识别率，非常重要。

发明内容

本发明的目的在于提供一种字符识别方法，通过扩大不同字符间特征的差异，提高字符识别率。

该字符识别方法包括：

步骤1：读入字符图像；

步骤2：图像预处理；

步骤3：字符切割；

步骤4：边缘提取；运用边缘检测算子检测出字符的边缘点；

步骤5：特征提取，每一字符的每一边缘点的特征都用该字符其他边缘点到该边缘点的距离表达，用特征向量(P_1k,P_2k…P_Mk)表示，因此每一字符的特征向量用矩阵表示；

步骤6：特征处理，将特征向量(P_1k,P_2k…P_Mk)映射到一个矩阵T中，使得所有字符的特征向量维度相同，其中

步骤7：模板匹配，假设待识别字符Θ的边缘中有X₁,X₂…X_M共M个点，一个标准字符模板Δ中有Y₁,Y₂…Y_N共N个点，点X_i与标准字符模板Δ中点Y_j的距离用如下算式计算：

D_{i j} &equiv; D (X_{i}, Y_{j}) = Σ_{m = 1}^{u} Σ_{n = 1}^{v} {(T_{i} (m, n) - T_{j} (m, n))}^{2};

记：D_iπ(i)＝minD_ij，表示标准字符模板Δ中的点Y_π(i)是点X_i的最佳匹配点；

待识别字符Θ到标准字符模板Δ的总距离为：

如果共有Γ个标准字符模板，则分别计算待识别字符Θ到每一标准字符模板的总距离，总距离最小的为待识别的结果。

优选的，步骤6中特征处理的方法进一步包括：

步骤61，设字符边缘上的任意一点的特征向量的一个分量P_ij＝(l_ij,θ_ij)，l_ij∈[0,L]，θ_ij∈[0,2π]，将区间[0,L]分为u个等份，将区间[0,2π]分为v个等份，形成一区块矩阵，根据l_ij和θ_ij的值，将任一点的特征向量里的每一个分量都投影到该区块矩阵中；

步骤62，规定T的分量t_ij为特征分量P_ij投影到第i行、第j个块中特征分量的个数，则任一点的特征向量(P_1k,P_2k…P_Mk)均转化为大小为u×v的矩阵T_i；以及

步骤63，将每一字符所有特征表示为

(\begin{matrix} T_{1} \\ T_{2} \\ . \\ . \\ . \\ T_{M} \end{matrix}),

其中每个分量T_i都是一个大小为u×v的矩阵。

优选的，该步骤2中图像预处理包括图像去噪、图像旋转纠偏和图像二值化。

优选的，该步骤3中字符切割具体是对二值化后的字符图像进行水平垂直投影，切割出每一个字符。

本发明提出字符识别方法，字符的每一边缘点的特征都用该字符其他边缘点到该边缘点的距离表达，然后将每一字符的特征向量通过映射转换成维度相同的矩阵，最后再进行模板匹配识别，从整个字符保证了特征的全局性，扩大了不同字符间特征的差异，克服了原有特征提取方法在不同字符相似区域提取到的特征相似程度高的问题，从而提高了字符识别率。

附图说明

图1是本发明较佳实施例提供的字符识别方法流程图；

图2是本发明较佳实施例中待识别字符示例；

图3是本实施例中进行特征处理时用到的一个区块矩阵图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1和图2，本实施例以识别B和P两个局部相似的字符为例，说明本发明提出的字符识别方法，该字符识别方法包括：

步骤1：读入字符图像；如钞票冠字号区域图像；

步骤2：图像预处理，包括三个部分：图像去噪，图像旋转纠偏，图像二值化；

步骤3：字符切割，对二值化后的字符图像进行水平垂直投影，切割出每一个字符；

步骤4：边缘提取，运用边缘检测算子检测出图像的边缘点；

步骤5：特征提取，将每一个字符的每一个边缘点的特征都用该字符其他边缘点到该边缘点的距离表达，用特征向量(P_1k,P_2k…P_Mk)表示，因此每一字符的特征向量用矩阵表示；

本实施例中，字符B所有的特征可以表示成

字符P所有的特征可以表示成：

其中字符B的边缘点数为M个，字符P的边缘点数为N个。

步骤6：特征处理，将每一字符的每一边缘点的特征向量(P_1k,P_2k…P_Mk)映射到一个矩阵T中，使得所有字符的特征向量维度相同，其中

由于字符个体差异，所以不同字符边缘点的个数也是不完全相同的，这样按上面方法提取特征，可能会出现在特征向量维度不同的问题，如当M≠N时，(P₂₁,P₃₁…P_M1)，(P′₂₁,P′₃₁…P′_N1)的维度不同，这样将不再适用现有的一些匹配算法进行识别。

为了解决这个问题，可以做一个映射：f:(P_1k,P_2k…P_Mk)→T_u×v

将点的特征(P_1k,P_2k…P_Mk)映射到一个矩阵中，其中

下面阐述矩阵T的分量t_ij如何计算：

由于P_ij＝(l_ij,θ_ij)，l_ij∈[0,L]，θ_ij∈[0,2π]，将区间[0,L]分为u个等份，将区间[0,2π]分为v个等份，形成一个区块矩阵，如图3所示。对于字符边缘上的一个点的特征向量，如X₁～(P₂₁,P₃₁…P_M1)里面的一个分量P₂₁＝(l₂₁,θ₂₁)，可以根据l₂₁,θ₂₁的值，将P₂₁投影到图3里的一个块中，按这种规则，点X₁的特征向量里每一个分量都可以投影到图3里的块中。

规定T的分量t_ij为特征分量P_ij投影到第i行，第j个块中特征分量的个数。这样点X₁特征(P₂₁,P₃₁…P_M1)转化为一个类似如下形式大小为u×v的整数矩阵：

所以对于一个任何维度的特征(P_1k,P_2k…P_Mk)，都可以将其映射到同一大小的矩阵T中。这样就可以解决原有特征向量维度不同的问题。按这种方式可以将一个字符所有特征表示为

(\begin{matrix} T_{1} \\ T_{2} \\ . \\ . \\ . \\ T_{M} \end{matrix}),

其中每个分量T_i都是一个大小为u×v的矩阵。

步骤7：模板匹配；

如果待识别字符Θ的边缘中有X₁,X₂…X_M共M个点，一个标准字符模板中有Y₁,Y₂…Y_N共N个点，点X_i与模板Δ中的点Y_j的距离用如下算式计算：

D_{i j} &equiv; D (X_{i}, Y_{j}) = Σ_{m = 1}^{u} Σ_{n = 1}^{v} {(T_{i} (m, n) - T_{j} (m, n))}^{2};

记：D_iπ(i)＝minD_ij，表示模板Δ中的点Y_π(i)是点X_i的最佳匹配点；

那么待识别字符Θ到模板Δ的总距离为：

如果共有Γ个模板，则分别计算待识别字符Θ到所有模板的总距离，其中距离最小的为待识别的结果。

本实施例提出字符识别方法，字符的每一边缘点的特征都用该字符其他边缘点到该边缘点的距离表达，然后将每一字符的特征向量通过映射转换成维度相同的矩阵，最后再进行模板匹配识别，从整个字符保证了特征的全局性，扩大了不同字符间特征的差异，克服了原有特征提取方法在不同字符相似区域提取到的特征相似程度高的问题，从而提高了字符识别率。

惟以上所述仅为本发明的较佳实施例，非意欲局限本发明的专利保护范围，故举凡运用本发明说明书及图式内容所为的等效变化，均同理皆包含于本发明的权利保护范围内。

Claims

1.一种字符识别方法，包括：

步骤1：读入字符图像；

步骤2：图像预处理；

步骤3：字符切割；

步骤4：边缘提取，运用边缘检测算子检测出字符的边缘点；

D_{i j} &equiv; D (X_{i}, Y_{j}) = Σ_{m = 1}^{u} Σ_{n = 1}^{v} {(T_{i} (m, n) - T_{j} (m, n))}^{2};

待识别字符Θ到标准字符模板Δ的总距离为：

如果共有Γ个标准字符模板，则分别计算待识别字符Θ到每一标准字符模板的总距离，总距离最小的为待识别的结果；

其中，所述步骤6中将特征向量(P_1k,P_2k…P_Mk)映射到一个矩阵T中的步骤具体包括：

步骤62，规定T的分量t_ij为特征分量P_ij投影到第i行、第j个块中特征分量的个数，则任一点的特征向量(P_1k,P_2k…P_Mk)均转化为大小为u×v的整数矩阵T_i；以及

步骤63，将每一字符所有特征表示为

(\begin{matrix} T_{1} \\ T_{2} \\ . \\ . \\ . \\ T_{M} \end{matrix}),

其中每个分量T_i都是一个大小为u×v的矩阵。

2.如权利要求1所述的字符识别方法，其特征在于，该步骤1中图像预处理包括三个部分：图像去噪、图像旋转纠偏和图像二值化。

3.如权利要求1所述的字符识别方法，其特征在于，该步骤2中字符切割具体是对二值化后的字符图像进行水平垂直投影，切割出每一个字符。