在智能移动设备的发展下,手写识别备受人们关注,无论是早期的 A6188 还是今天的 iPhone、Android 手机,手写输入都是其输入法的一个核心部分。手写输入方法使得手写文字这种有着悠久历史、承担着传承文化重要使命的信息传递工具,也能够成为人们与移动设备交流的一种简单、自然的方式。24103
从研究角度来说,在手写识别的开发过程中已经产生了很多相当精确的识别分类器,但被问及为什么还会在应用时降低准确率的识别,其最大原因在于这些分类器的模型参数相对比较繁杂,不管在 CPU还是内存方面,它的要求都比较严格,也是因此受到了一定的阻碍。实际上,现今人们对手写数字识别的概念理解为是光学字符识别技术的一个分支,难点在于对于同一个阿拉伯数字在不同人手写的笔迹中能供精准的识别出来。此脱机手写的字符识别也是在官学字符识别技术领域中最需要探讨和改进的技术。
到目前为止,人们在离线数字识别的有实质性领域是很大的改进余地。随着信息社会的步伐加快,越来越多的人们迫切需要运用字符识别技术,对其要求也越来越高。并期待从目前水平的需求,距离要求称心如意的计算机脱机字符识别技术还有相当大的距离。此外,除了手写计算器的使用外,我国还有也有很多数据需要被输入到计算机网络,如邮件分拣系统和税务系统等,他们都是一个个典型的统计的数字识别系统。而在当今快节奏的现代生活中,我们有机会来处理越来越多的数字,数字识别是极大量的数据报告等,这些都要求提高了很多识别的准确性和速度的挑战。
在众多学者和科研人员的研究下,这几十年来手写识别技术已逐步发展成形,人工神经网络、支持向量机、二次线性判决函数等高性能的手写识别分类器也因此产生。然而,由于智能移动设备的 CPU、内存、闪存等硬件性能受限,一些较为复杂的手写识别分类器却不能应用到这些设备上来。论文网
发展趋势
自50年代以来,一批又一批的学者就在手写识别的开发中都贡献了较为深远的研究,其结果也为手写体识别的发展具有广泛的推进意义。众所周知,手写体数字识别一直是一个研究的热门话题,同时也是一个特定的字符识别问题。
多年的研究实践表明,对于完全没有限制的手写数字,没有一种简单的方案能达到很高的识别率。通过对模板匹配、Fisher、SVM、神经网络等算法的比较,模板匹配算法的识别率较高,平均识别率在92%左右。但还是无法达到实用系统中精度至少应在95%以上的要求。
近年来,人工神经网络技术的迅速发展使其成为了对模拟图像的人的思文能力的一部分,同时,这也为模式识别开辟了一条新的道路,它已成为人工智能,模拟的一种研究方案。尤其是其信息的分布式,并行处理能力的一个重要方法和的自学习功能,而且还具有着显著的优势,引起了人们的极大兴趣。 BP神经网络是一个神经网络网络(图1为 BP神经网络识别过程),它是在1986年由一组科学家领导的鲁梅哈特和McCelland根据前训练的多层前馈网络,其识别过程可以求解提出了一种误差反向传播算法,一些相关的非线性函数逼近,长远的发展以来模式识别和数据压缩等问题都开辟了非常广泛的应用。
图1.1 神经网络识别流程
尽管古今外的学者一直在从事对手写数字的研究,并已取得了不少成果,但至今记得识别能力不能完全识别人类的认知能力,这一步等同的关系仍然是一个难以打开的问题。相比,这样进一步的研究手写数字识别出更高效,更准确的寻求如何实现更多的能量输入和手写识别自动数字化解决方案,以提高经济效率,促进社会发展具有深远的意义。 手写识别智能移动设备国内外研究现状和发展趋势:http://www.youerw.com/yanjiu/lunwen_17451.html