CN104504385B - 手写粘连数字串的识别方法 - Google Patents
手写粘连数字串的识别方法 Download PDFInfo
- Publication number
- CN104504385B CN104504385B CN201410749989.6A CN201410749989A CN104504385B CN 104504385 B CN104504385 B CN 104504385B CN 201410749989 A CN201410749989 A CN 201410749989A CN 104504385 B CN104504385 B CN 104504385B
- Authority
- CN
- China
- Prior art keywords
- stroke
- numeric string
- cut zone
- hand
- adhesion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/226—Character recognition characterised by the type of writing of cursive writing
- G06V30/2268—Character recognition characterised by the type of writing of cursive writing using stroke segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种手写粘连数字串的识别方法,包括了以下几个主要步骤:(a)联机手写输入数字串,获取该数字串的笔画数目m、每个笔画所对应的轨迹坐标和该数字串的图像;(b)计算每个笔画各自的中心横坐标;(c)将步骤a所得数字串的图像进行初次分割;(d)将m个笔画分类至M个区域;(e.f.g.h.i)对M个初分割区域进行判断,满足条件直接识别;不满足条件分段识别;(j)返回最终结果。与现有方法相比,本发明可以实现连续手写数字字符串的识别,大大提高手写数字的录入效率。同时,本发明有很强的通用性,对于不同的粘连情况都有好的效果。
Description
技术领域
本发明属于手写体数字串的识别方法,特别是一种手写粘连数字串的识别方法。
背景技术
光学字符识别(OCR)技术已经成为人们录入文字信息的关键技术,一个OCR***可以实现将影像中的文字信息转化成相应的计算机文字,大大减少了影像资料的存储空间。同时,提取出的计算机文字信息可以直接用于分析、传输、处理等。因此,OCR技术在各个领域都得到了广泛的应用。现有的OCR技术中,单个手写数字的识别已经广泛使用。但是,这些OCR技术都是基于单个字符的逐个识别,其识别效率太低,不能满足对字符串识别的要求,尤其是字符串粘连时,其识别率就更低。
中国专利2012100769575公开了一种连笔手写字符的识别方法,该方法包括下述步骤:(1)对输入图像进行降噪处理,消除数字噪声;(2)通过基于边缘的字数估计算法计算字数;(3)通过最小代价切分算法计算最佳字符分割方案;(4)通过基于笔画的笔迹跟踪算法确定是否存在需要再切分的块,如果存在需要再切分的块,则返回步骤(2)重新计算、分割;如果不存在,则进行下一步骤;(5)对分割后的字符图像进行OCR识别,转化为计算机文字。该方法能够实现连笔字符的精确分割,提高对连笔字符识别的正确率。但是,该方法仅能够对粘连较少的数字串进行识别,对于粘连较大的数字串的识别,还不能满足实际要求。而且,对于手写粘连数字串识别的通用性差,只能对于一些特定的粘连情况有好的效果。
发明内容
本发明的目的在于克服现有技术中存在的缺陷,提供一种手写粘连数字串的识别方法。
为达到上述目的,本发明采用如下技术方案:
一种手写粘连数字串的识别方法,其特征在于包括以下步骤:
a. 联机手写输入数字串,获取该数字串的笔画数目m、每个笔画所对应的轨迹坐标和该数字串的图像;
b. 根据步骤a所得的每个笔画所对应的轨迹坐标,计算每个笔画各自的中心横坐标,得到这m个笔画的中心横坐标数组avgX[i],i=1,……,m;
c. 将步骤a所得数字串的图像进行初次分割,得到M个初分割区域,并记录该M个初分割区域的左右边界值(Lx[j],Rx[j]),j=1,……,M;
d. 将m个笔画所对应的轨迹坐标的中心横坐标avgX[i],i=1,……,m与M个初分割区域的左右边界值(Lx[j],Rx[j]),j=1,……,M进行对比,若Lx[j]<avgX[i]<Rx[j],则将第i个笔画划归为初分割区域j,得到数组count[j],j=1,……,M,其中count[j]的值表示第j个初分割区域中包含的笔画个数;得到笔画数组V[j][count[j]],保存第j个初分割区域对应不同笔画i的数值;
e.读取步骤d所得数组V[j][count[j]] ,j=1,……,M,判断第j个初分割区域中的笔画个数count[j]是否为1,若是则转入步骤h;否则转入步骤f;
f. 若第j个初分割区域的笔画个数count[j]>1,且该初分割区域的宽高比小于1,即初分割区域的宽度与初分割区域高度的比值小于1,若是则转入步骤h;否则转入步骤g;
g. 数字串的分段识别:读取前2个笔画,采用神经网络算法进行识别,若成功识别则删除这2个笔画,返回识别结果;若不能识别,则读取前1个笔画,采用神经网络算法进行识别,并删除这个已识别的笔画,同时返回识别结果,重复步骤g直至该初分割区域的笔画全部识别完毕,转入步骤i;
h. 采用神经网络算法进行识别,并返回识别结果;
i. 读取笔画数组中的下一个数值V[j+1][count[j+1]],重复步骤e;直至笔画数组中的所有数值均处理完毕;
j. 返回最终识别结果,得到手写粘连数字串所表示的数值。
上述的步骤a的具体步骤为:
a-1. 检测手写数字之间的提笔和落笔,记录字符串的笔画数目m;
a-2. 获取m个笔画相对应的轨迹坐标:笔画的轨迹坐标用(Xn,Yn)点坐标序列表示:(X1,Y1),(X2,Y2),…,(Xn,Yn),其中n是笔画的采样点数。
a-3. 得到轨迹坐标数组Datapoint[m][n],m就是字符串的笔画数目;Datapoint[i][n]保存第i个笔画的轨迹坐标,i=1,2,3…,m。
上述的步骤c的具体步骤为:
c-1. 图像的灰度化,图像的灰度化采用加权平均的方法,公式如下:
Colorpoint = 0.30*R +0.59*G +0.11*B (1.1)
c-2. 图像的二值化,二值化时选取特定阈值A,A的取值范围50~200;当某个点的灰度值大于A时,设该点为白色,否则为黑色;
c-3. 图像的初次分割:检测字符之间的白色像素列来确定初分割区域的边界,分别记录M个初分割区域的左右边界值(Lx[M],Rx[M])。
本发明通过获取录入字符串的笔画信息,经过预处理、粗分割区域笔画信息判断、粗分割区域识别和未识别区域的分段依次识别,能够实现对粘连较大数字串的识别。同时,本发明有很强的通用性,对于不同的粘连情况都有好的效果。
附图说明
图1是本发明手写粘连数字串识别方法的总的流程示意图;
图2是本发明方法中数字识别的识别流程图。
图3为本发明方法中分段识别的识别流程图。
图4是本发明实施例中的手写粘连数字串图像。
图5是本发明实施例中得到的初分割区域。
具体实施方式:
为了使本领域中的技术人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请的技术方案进行更加清楚、完整的表述。本发明的优选实例详述如下:
实施例一:
参见图1,一种手写粘连数字串的识别方法,包括以下几个主要步骤:
a. 联机手写输入数字串,获取该数字串的笔画数目m、每个笔画所对应的轨迹坐标和该数字串的图像;
步骤a的具体步骤为:
a-1. 检测手写数字之间的提笔和落笔,记录字符串的笔画数目m;
a-2. 获取m个笔画相对应的轨迹坐标:笔画的轨迹坐标用(Xn,Yn)点坐标序列表示:(X1,Y1),(X2,Y2),…,(Xn,Yn),其中n是笔画的采样点数。
a-3. 得到轨迹坐标数组Datapoint[m][n],m就是字符串的笔画数目;Datapoint[i][n]保存第i个笔画的轨迹坐标,i=1,2,3…,m。
参见图4,本实施例中手写粘连数字串的笔画数目m为7,取n为50。
b. 根据步骤a所得的每个笔画所对应的轨迹坐标,计算每个笔画各自的中心横坐标,得到这7个笔画的中心横坐标数组avgX[i],i=1,……,7;
c. 将步骤a所得数字串的图像进行初次分割,得到M个初分割区域,并记录该M个初分割区域的左右边界值(Lx[j],Rx[j]),j=1,……,M;
步骤c的具体步骤为:
c-1. 图像的灰度化,图像的灰度化采用加权平均的方法,公式如下:
Colorpoint = 0.30*R +0.59*G +0.11*B (1.1)
c-2. 图像的二值化,二值化时选取特定阈值A,A的取值范围50~200;当某个点的灰度值大于A时,设该点为白色,否则为黑色;
c-3. 图像的初次分割:检测字符之间的白色像素列来确定初分割区域的边界,分别记录M个初分割区域的左右边界值(Lx[M],Rx[M])。
参见图5,本实施例中初分割区域的数目M为3。
d. 将7个笔画所对应的轨迹坐标的中心横坐标avgX[7],i=1,……,7与3个初分割区域的左右边界值(Lx[j],Rx[j]),j=1,2,3进行对比,若Lx[j]<avgX[i]<Rx[j],则将第i个笔画划归为初分割区域j,得到数组count[j],j=1,……,M,其中count[j]的值表示第j个初分割区域中包含的笔画个数;得到笔画数组V[j][count[j]],保存第j个初分割区域对应不同笔画i的数值;
e. f. g. h. i. 对3个初分割区域进行判断,满足条件直接识别;不满足条件分段识别法识别;
j. 返回最终识别结果,得到手写粘连数字串所表示的数值。
实施例二:
参见图2,数字串的识别方法,包括以下几个主要步骤:
e.读取步骤d所得数组V[j][count[j]] ,j=1,2,3,判断第j个初分割区域中的笔画个数count[j]是否为1,若是则转入步骤h;否则转入步骤f;
f. 若第j个初分割区域的笔画个数count[j]>1,且该初分割区域的宽高比小于1,即初分割区域的宽度与初分割区域高度的比值小于1,若是则转入步骤h;否则转入步骤g;
g. 数字串的分段识别,转入步骤i;
h. 采用神经网络算法进行识别,并返回识别结果;
i. 读取笔画数组中的下一个数值V[j+1][count[j+1]],重复步骤e;直至笔画数组中的所有数值均处理完毕;
j. 返回最终识别结果,得到手写粘连数字串所表示的数值。
实施例三:
参见图3,分段识别方法,步骤如下:
读取前2个笔画,采用神经网络算法进行识别,若成功识别则删除这2个笔画,返回识别结果;若不能识别,则读取前1个笔画,采用神经网络算法进行识别,并删除这个已识别的笔画,同时返回识别结果,重复步骤g直至该初分割区域的笔画全部识别完毕。
Claims (3)
1.一种手写粘连数字串的识别方法,其特征在于包括以下步骤:
a. 联机手写输入数字串,获取该数字串的笔画数目m、每个笔画所对应的轨迹坐标和该数字串的图像;
b. 根据步骤a所得的每个笔画所对应的轨迹坐标,计算每个笔画各自的中心横坐标,得到这m个笔画的中心横坐标数组avgX[i],i=1,……,m;
c. 将步骤a所得数字串的图像进行初次分割,得到M个初分割区域,并记录该M个初分割区域的左右边界值(Lx[j],Rx[j]),j=1,……,M;
d. 将m个笔画所对应的轨迹坐标的中心横坐标avgX[i],i=1,……,m与M个初分割区域的左右边界值(Lx[j],Rx[j]),j=1,……,M进行对比,若Lx[j]<avgX[i]<Rx[j],则将第i个笔画划归为初分割区域j,得到数组count[j],j=1,……,M,其中count[j]的值表示第j个初分割区域中包含的笔画个数;得到笔画数组V[j][count[j]],保存第j个初分割区域对应不同笔画i的数值;
e. 数字串的识别:读取步骤d所得数组V[j][count[j]] ,j=1,……,M,判断第j个初分割区域中的笔画个数count[j]是否为1,若是则转入步骤h;否则转入步骤f;
f. 若第j个初分割区域的笔画个数count[j]>1,且该初分割区域的宽高比小于1,即初分割区域的宽度与初分割区域高度的比值小于1,若是则转入步骤h;否则转入步骤g;
g. 数字串的分段识别:读取前2个笔画,采用神经网络算法进行识别,若成功识别则删除这2个笔画,返回识别结果;若不能识别,则读取前1个笔画,采用神经网络算法进行识别,并删除这个已识别的笔画,同时返回识别结果,重复步骤g直至该初分割区域的笔画全部识别完毕,转入步骤i;
h. 采用神经网络算法进行识别,并返回识别结果;
i. 读取笔画数组中的下一个数值V[j+1][count[j+1]],重复步骤e;直至笔画数组中的所有数值均处理完毕;
j. 返回最终识别结果,得到手写粘连数字串所表示的数值。
2.根据权利要求1所述的手写粘连数字串的识别方法,其特征在于所述的步骤a的具体步骤为:
a-1. 检测手写数字之间的提笔和落笔,记录字符串的笔画数目m;
a-2. 获取m个笔画相对应的轨迹坐标:笔画的轨迹坐标用(Xn,Yn)点坐标序列表示:(X1,Y1),(X2,Y2),…,(Xn,Yn),其中n是笔画的采样点数;
a-3. 得到轨迹坐标数组Datapoint[m][n],m就是字符串的笔画数目;Datapoint[i][n]保存第i个笔画的轨迹坐标,i=1,2,3…,m。
3.根据权利要求1所述的手写粘连数字串的识别方法,其特征在于所述的步骤c的具体步骤为:
c-1. 图像的灰度化,图像的灰度化采用加权平均的方法,公式如下:
Colorpoint = 0.30*R +0.59*G +0.11*B (1.1)
c-2. 图像的二值化,二值化时选取特定阈值A,A的取值范围50~200;当某个点的灰度值大于A时,设该点为白色,否则为黑色;
c-3. 图像的初次分割:检测字符之间的白色像素列来确定初分割区域的边界,分别记录M个初分割区域的左右边界值(Lx[M],Rx[M])。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410749989.6A CN104504385B (zh) | 2014-12-10 | 2014-12-10 | 手写粘连数字串的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410749989.6A CN104504385B (zh) | 2014-12-10 | 2014-12-10 | 手写粘连数字串的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504385A CN104504385A (zh) | 2015-04-08 |
CN104504385B true CN104504385B (zh) | 2017-12-22 |
Family
ID=52945781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410749989.6A Expired - Fee Related CN104504385B (zh) | 2014-12-10 | 2014-12-10 | 手写粘连数字串的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504385B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341429B (zh) * | 2016-04-28 | 2020-09-01 | 富士通株式会社 | 手写粘连字符串的切分方法、切分装置和电子设备 |
CN110659645B (zh) * | 2019-08-05 | 2023-01-31 | 沈阳工业大学 | 一种数字仪表字符识别方法 |
CN116824597B (zh) * | 2023-07-03 | 2024-05-24 | 金陵科技学院 | 动态图像分割及并行学习手写身份证数字及身份识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314252A (zh) * | 2010-06-30 | 2012-01-11 | 汉王科技股份有限公司 | 一种手写字符串的字符切分方法和装置 |
CN102663378A (zh) * | 2012-03-22 | 2012-09-12 | 杭州新锐信息技术有限公司 | 连笔手写字符的识别方法 |
CN103605973A (zh) * | 2013-10-25 | 2014-02-26 | 四川长虹电器股份有限公司 | 一种图像字符检测鉴别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007188512A (ja) * | 2000-09-29 | 2007-07-26 | Japan Science & Technology Agency | 文字認識方法、文字認識プログラム及び文字認識プログラムを記録したコンピュータ読み取り可能な記録媒体 |
-
2014
- 2014-12-10 CN CN201410749989.6A patent/CN104504385B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314252A (zh) * | 2010-06-30 | 2012-01-11 | 汉王科技股份有限公司 | 一种手写字符串的字符切分方法和装置 |
CN102663378A (zh) * | 2012-03-22 | 2012-09-12 | 杭州新锐信息技术有限公司 | 连笔手写字符的识别方法 |
CN103605973A (zh) * | 2013-10-25 | 2014-02-26 | 四川长虹电器股份有限公司 | 一种图像字符检测鉴别方法 |
Non-Patent Citations (1)
Title |
---|
包含小数点的手写数字串切分与识别;刘聪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140815(第08期);第四章 * |
Also Published As
Publication number | Publication date |
---|---|
CN104504385A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Text-independent writer identification via CNN features and joint Bayesian | |
CN105184292B (zh) | 自然场景图像中手写体数学公式结构分析与识别方法 | |
US8494273B2 (en) | Adaptive optical character recognition on a document with distorted characters | |
Kumar et al. | Segmentation of isolated and touching characters in offline handwritten Gurmukhi script recognition | |
CN102663378B (zh) | 连笔手写字符的识别方法 | |
CN101719142B (zh) | 基于分类字典的稀疏表示图片文字检测方法 | |
Dave | Segmentation methods for hand written character recognition | |
CN104778470B (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN104809481A (zh) | 一种基于自适应色彩聚类的自然场景文本检测的方法 | |
CN102073870A (zh) | 一种触摸屏汉字笔迹识别方法 | |
JP2009037621A (ja) | 低品質文字の識別方法及び装置 | |
Al-Dmour et al. | Segmenting Arabic handwritten documents into text lines and words | |
CN104392229A (zh) | 基于笔画片段方向分布特征的笔迹识别方法 | |
Alrehali et al. | Historical Arabic manuscripts text recognition using convolutional neural network | |
Roy et al. | Date-field retrieval in scene image and video frames using text enhancement and shape coding | |
CN104239910B (zh) | 一种联机手写汉字笔画续笔的识别方法 | |
CN104504385B (zh) | 手写粘连数字串的识别方法 | |
CN110516673A (zh) | 基于连通分量和回归式字切分的彝文古籍字符检测方法 | |
Verma et al. | Removal of obstacles in Devanagari script for efficient optical character recognition | |
De Stefano et al. | Layout measures for writer identification in mediaeval documents | |
CN107292255B (zh) | 基于特征矩阵相似度分析的手写数字识别方法 | |
Saabni | Efficient recognition of machine printed Arabic text using partial segmentation and Hausdorff distance | |
Lue et al. | A novel character segmentation method for text images captured by cameras | |
Li | An effective approach to offline arabic handwriting recognition | |
CN107066997A (zh) | 一种基于图像识别的电气元件报价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171222 Termination date: 20201210 |
|
CF01 | Termination of patent right due to non-payment of annual fee |