一、联机手绘图形识别的自适应HMM方法（论文文献综述）
范道尔吉[1]（2020）在《蒙古文脱机手写识别研究》文中研究说明手写识别一直是模式识别的一个重要研究领域,得到了学术界的广泛研究和关注。热门语言（如汉文、英文、日文）的手写识别研究已经从简单的孤立词识别发展到文本行识别、无约束手写识别、文档识别和场景文字识别等领域。然而,蒙古文脱机手写识别起步较晚、相关研究较少,且蒙古文具有词汇量巨大、书写自由、字符变形严重等特点,这些都给蒙古文脱机手写识别带来了巨大挑战。因此,本文将传统蒙古文作为对象,开展脱机手写识别研究。针对蒙古文缺乏手写数据集的现状,本文收集并整理了蒙古文词典数据,选取了手写词汇集,组织大批人员抄写了样本,通过人工核对、校正和预处理,形成了脱机手写蒙古文单词数据集,并在此基础上开展了蒙古文脱机手写识别研究,具体研究内容包括:（1）针对蒙古文百万级词汇量的特点,本文根据蒙古文构词、编码、语法等知识,选取了“十二字头”、“变形显现字符”和“字素码”等三种单词分割单元,通过对比实验,选定“字素码”为蒙古文单词的分割单位,并提出了基于字素建模的蒙古文大词汇量手写识别方法。该方法以蒙古文字素作为建模单元,通过字素的线性串联实现单词建模,以解决大词汇量识别问题。（2）针对蒙古文手写单词具有序列数据特点以及变形严重问题,本文提出了隐马尔可夫模型（Hidden Markov Model,HMM）与深度神经网络（Deep Neural Networks,DNN）相结合的混合识别方法,实现了蒙古文脱机手写识别。将每个蒙古文脱机手写单词都看作沿书写方向的一个一维随机序列,通过隐马尔可夫模型描述该序列的生成过程,深度神经网络用于描述序列的概率分布,将语音识别相关方法成功移植到蒙古文脱机手写识别任务中,取得了较好效果。（3）针对蒙古文手写单词相邻字符间关联严重的问题,本文提出了一种基于长短期记忆网络（Long Short-Term Memory,LSTM）+连接时序分类器（Connectionist Temporal Classification,CTC）相结合的字符关联建模方法。由于图像本质是二维序列,因此采用二维LSTM,从四个方向依次扫描图像可获得多个序列信息,解决了图像二维序列到字素码的映射问题,进一步提高了蒙古文脱机手写识别准确率。（4）针对集外词（Out-of-Vocabulary,OOV）问题,本文提出了CTC与子词语言模型相结合的方法,可在一定程度上解决蒙古文集外词识别问题。虽然二维LSTM有较好的建模能力,但网络本身并无有效的解码方案。针对蒙古文词干加后缀的构词特点,可通过加权有限状态转换机（Weighted Finite-State Transducers,WFST）来组织蒙古文单词,有效降低了解码的时间复杂度。实验结果表明,基于CTC与子词语言模型的解码方案对集外词有一定的识别能力,同时对集内词有较高的识别准确率。综上所述,本文通过以上四个方面的研究,使得蒙古文脱机手写识别的性能达到了较高水平,可为开发相关应用系统提供技术支撑。同时,本文的研究成果也能为蒙古文手写文档识别提供技术支持,这对挖掘和利用蒙古文手写文献资源,传承和发展少数民族文化具有重要意义。
刘振国[2]（2018）在《基于Kinect的手写输入系统的研究与设计》文中认为字符输入是人机交互的重要方式,人类可以通过字符输入的方式将信息准确高效的传递给计算机设备。目前,主流的字符输入系统仍需要依赖一定的接触式设备,如键盘、手写板、触摸屏等。这些机械的输入方式将用户局限较小的空间内,无法满足人们对人机交互快捷、方便、高度自由的需求。本文将联机手写汉字识别技术和计算机视觉技术相结合,实现了一种基于Kinect的手写输入系统,区别于传统的手写输入系统,它具备了非接触式的优点,能够做到实时响应,对使用场景要求比较宽松。在使用过程中,用户可以将指尖作为笔锋,实现汉字的输入。本文的主要工作和贡献有:设计并实现了基于Kinect的手写输入系统。它是一种非接触式的虚拟手写系统,主要由手势识别模块和手写轨迹识别模块组成。实现了一种基于深度模型和肤色模型的混合手部分割方法,该方法可以处理传统分割方法的技术难题,如肤色混淆、手脸重合、光线变化等,实现手部图像的精确分割。实现了基于Hu不变矩、周长面积比和二值图像的手势识别,定义相关的手势命令,提取特征向量,以SVM作为分类器,通过识别手势命令实现对系统的操控。采用双模式的方法进行指尖定位,该方法能够有效的解决手指不可见问题,可以适应手写过程中丰富多样的手部姿态。本文实现了了基于DTW和笔段数的连笔字识别,训练了手写汉字字符库,实现了对手写连笔汉字的精确识别。最后的实验表明,本文的手写输入系统,在四个候选字范围内,输入的汉字、英文字母、数字都能达到93%以上的识别度,控制手势的识别能达到95%以上,系统处理速度20帧以上,能够基本满足日常的使用需求。
李玲[3]（2017）在《基于手写识别的运动学过程模拟方法研究》文中研究指明随着智能电子设备的普及,通过计算机辅助进行教学已经成为最常用的教学方式,可以有效地帮助学生更好地学习理解书本上的文字知识。在物理课程教学中,课程理论知识抽象、示意图联想困难等问题,导致示意图不能有效地帮助学生学习。通过计算机对物理过程进行正确模拟,对物理学习具有积极意义。论文对运动学教学中常见机构进行分析总结后,在对构件示意图进行识别及分析构件间约束关系的基础上,实现了对手写运动学机构示意图的识别及其运动过程模拟。论文对构件示意图的组成图元进行分类,分为直线、折线、圆、点、圆弧、矩形及三角形7种。所提出的构件识别算法是在基于图元的笔画识别的基础上,结合图元笔画间的位置、连接关系,对手写构件示意图进行识别,16种构件的识别准确率达到93.25%。论文在对用户绘制示意图的习惯分析的基础上,建立符合用户意图的约束关系,并对机构示意图中的构件进行位置矫正,然后基于二维物理引擎实现机构的运动过程模拟。实验结果表明,该方法可在对手写运动学构件符号以及构件间的约束关系进行正确的识别和矫正的基础上,实现对整个运动机构的识别,以及对机构运动过程的模拟。
辛愿[4]（2016）在《简笔画识别算法研究及系统移植》文中提出近几年来,随着触屏手机与平板电脑的广泛使用,手写输入逐渐成为最为流行的人机交互方式之一,尤其是在幼儿及青少年教育领域受到了特别的青睐。手写输入简笔画以其生动形象的特点能够自然的表达人类的思想,特别是在幼儿早期教育方面,绘制简笔画可以提升儿童的想象力,增强幼儿的表达能力。因此,手写输入简笔画识别算法等相关工作越来越受到人们的关注,并且逐渐成为了如今图形图像领域新的研究热点。本文提出了一种结合视觉词袋（Bag of Features）技术和感知哈希（Perceptual Hashing）技术的二级简笔画识别方法。为了克服简笔画手写输入过程中的绘画随意性和自由度较大等干扰因素,论文充分考虑了简笔画的全局特征和局部特征。视觉词袋技术用于表示简笔画的局部特征,同时利用支持向量机技术实现第一级简笔画识别。感知哈希技术用于提取简笔画的全局特性,从而结合简笔画的全局特性对第一级识别所获得的结果进行优化。此外,鉴于本文实验对象是具有固定结构特征（9种）的简笔画,算法通过对简笔画全局结构特征进行分析判别,进一步提高简笔画的识别准确率。论文实现了对150种简笔画的识别,识别准确率Top1为92.9%,Top5为100%。实验结果表明,本文提出的简笔画识别方法具有较好的识别稳定性和较高的识别准确率。此外,论文在识别算法研究的基础上,设计实现了具有可移动触屏终端的简笔动画系统。该系统可接受用户在可移动触屏终端上的手写输入,并利用识别算法进行简笔画识别,确定简笔对象属性,从而实现动画效果。系统以触屏终端作为输入设备,人机交互方式更为自然,提高了简笔动画系统的实用性。
许亚美[5]（2014）在《手写维吾尔文字识别若干关键技术研究》文中认为相比拉丁字母、汉字等文字，目前对自然草体文字如阿拉伯文、维吾尔文的手写识别研究相对较少。本文研究脱机和联机手写维吾尔文字识别方法，包括字符识别、字符分割和单词识别等几个关键性技术。针对维吾尔128类字符,提出基于部件分解和融合的手写字符识别算法。首先构建手写维吾尔部件库和字符的部件字典，将字符分解为主体、附加和点三类部件，并结合连笔分析获得较鲁棒性的部件描述；其次，针对各类部件的不同特点设计相应的特征抽取和分类器，通过部件匹配来检测和辨识相似字间的微小差异；为减轻手写字符拓扑变形造成的干扰，对联机部件提取一种统计特征即时分方向特征；最后，对多个部件的分类输出进行融合，获得字符识别结果。提出字符识别的多部件自适应融合策略。提出一种实时的融合系数计算方法，利用部件匹配测度分布来估计其权重，以实现部件的自适应融合。提出基于加权和、基于朴素贝叶斯模型、以及基于改进D-S证据理论的部件融合算法。对比实验证实，基于改进D-S证据理论的融合算法能够克服加权和融合鉴别能力较弱、以及贝叶斯融合对噪声过于敏感等缺点，有效提升了字符识别算法的识别率和稳定性。针对维吾尔词书写粘连和手写笔画漂移等问题，提出基于多信息加权融合路径寻优的字符分割算法。首先，提出基于主体切分和附加聚类的字段过分割算法，并通过字段模糊匹配获得鲁棒的字根序列描述；然后，建立匹配位置高斯模型来估算字段匹配信息，以抑制笔画漂移造成的干扰；最后，构建字符序列二阶Markov语言模型，并基于Bayes准则提出单词后验概率的多信息加权融合计算方法，综合字段匹配、字符识别和语义信息，对字段匹配及字根合并的路径进行寻优，以最佳分割路径得到字符分割结果。提出一个结合反馈结构和字段分析的手写维吾尔单词识别系统。为克服顺序结构中的错误累积问题，该系统构建反馈结构，通过对字段形态错误、字符识别错误和单词匹配错误三种反馈信息的估计和响应，来控制字符分割和单词识别的结果。首先，过分割单词图像得到主体和附加字段序列；其次，根据反馈信息设计字段合并策略，以获得最优的字符分割序列；然后，利用字符分割时所获取的结构信息，设计多级混合维吾尔字符分类算法，以提升字符识别准确性；最后，提出双层动态时间规整算法，通过字符序列匹配获得单词识别结果。
高岩[6]（2013）在《基于大规模无约束数据的书写者自适应的中文手写识别系统研究》文中研究表明中文手写文字识别一直以来都是模式识别领域的一个热点研究方向。同时，无约束的中文手写识别由于其用户书写风格的多样性及手写样本的多变性，长期成为模式识别领域的一大难题。虽然规范的有约束的中文手写识别技术已经取得了非常大的发展，识别率已经达到98%以上，然而无约束的中文手写识别的识别率却远远低于规范的有约束的中文手写识别，识别率仅能达到93%左右。因此，使无约束的中文手写识别达到令人满意的识别性能就是一个急需解决的重要问题。现如今，诸如智能手机，个人掌上电脑，电纸书和平板电脑等带有触摸屏幕的手持电子设备非常流行和普及，这使得在这些电子设备上手写输入方法变得越来越重要。然而由于在实验室采集的手写数据非常有限而不能涵盖所有书写风格，导致在实际应用中手写识别率并不能达到令人满意的效果。尤其是对于某些特定用户，由于其特殊的书写风格，导致对这些用户的识别性能是难以接受的。针对以上的问题，本文致力于研究基于大规模无约束手写数据的书写者自适应的中文手写识别技术，这种技术采用大规模的无约束的手写数据来训练分类器，保证了训练样本中含有尽可能多的书写风格，进而满足大部分书写者的书写体验。同时，本文提出的用户自适应算法可以对特定用户的书写风格进行自适应学习，从而提高该用户的识别率，使该用户获得“越写越准”的用户体验。然而这项研究工作面临许多技术难题，包括，汉字书写风格多变的问题，汉字结构复杂并具有许多难以区分的相似字的问题，数据库的采集与整理的问题，增量学习中原始分类器词典的压缩问题，增量学习中对普通用户的识别率有所降低的问题，以及在鉴别特征空间（Discriminative Feature Space）进行增量学习的问题。本文围绕着这些难点对基于大规模无约束手写数据的书写者自适应的中文手写识别技术展开了一系列的研究，主要工作包括：1.针对中文手写单字识别技术进行了介绍和分析研究。包括手写文字的预处理、特征提取和分类器结合的算法设计等。在此基础上，本文提出了快速的手写识别系统和精确的手写识别系统。实验结果表明，本文提出的快速的手写识别系统的分类器词典大小仅为2Mb，而识别速度达到1.7ms/字。而精确的手写识别系统则可以明显的提高识别率，在SCUT-COUCH2009数据库上可以达到97.04%的识别率，而在CAISA-OLHWDB1数据库上则可达到93.57%。2.针对现如今公开的手写中文数据库手写样本数量有限，涵盖的书写风格和类别数太少的问题，本文采集和整理出了一套完整的无约束的手写数据库。该数据库涵盖类别非常广泛，包括简体单字、繁体单字、中文词组、汉语拼音、英文字母、阿拉伯数字、常用符号和联机文本行等手写数据。该数据库已完成了由190多人书写的完整的数据，字符总数超过3,600,000个。同时，该数据库是第一款公开的拥有大词汇量，高频中文词组和汉语拼音的联机中文手写体数据库，它为联机手写中文词组识别和手写拼音识别等研究领域提供了基础的数据。另外，我们还通过网络采集了大量真实的手写文字样本，总人数超过20万人次，而手写样本超过150,000,000个。这对中文手写识别的研究提供了有力的帮助。3.针对目前提出的增量的修正二次判决函数（Incremental Modified QuadraticDiscriminant Fuction, IMQDF）方法需要巨大的参数存储量，同时会降低对于普通用户书写的识别率的问题，本文提出了一种平滑压缩的IMQDF算法。这种平滑压缩算法可以大幅降低IMQDF算法所需的参数存储量，仅为原存储量的1/50,同时还可以相对提高对于该特定用户和其他普通用户的书写识别率。同时，本文还提出了一种基于特征子空间的IMQDF算法，这种算法可以快速的将MQDF分类器变换到新的子空间中，大大的降低了运算时间。4.针对目前许多先进的手写识别算法由于其运算复杂，存储量大等原因，无法在电子设备中应用的问题，本文提出并设计了一种基于云计算平台的手写识别系统。由于云服务器端的强大的计算能力以及足够大的存储空间，更加精确的手写分类器以及用户书写自适应系统等许多先进的手写识别算法得以应用其中。因此不仅可以提高普通用户的识别率，还可以使特定用户获得“越写越准”的用户体验。总之，基于大规模无约束手写数据的书写者自适应的中文手写识别技术的研究是一个涉及手写文字识别、机器学习、图像处理和增量学习等多个领域的综合研究项目。通过对特定用户的书写风格的增量学习，可以大大提高对该用户的书写样本的识别率，同时可以不降低对于其他普通用户的识别率，这可以让所有用户获得更人性化的用户体验。这些特点都说明用户自适应的中文手写识别技术将是中文手写识别的一个重要的发展方向。
戴笑来[7]（2012）在《基于移动平台的联机手写维吾尔文单字符及单词识别》文中研究指明文字识别是模式识别的一个重要分支，目前，汉字及英文识别已经很成熟，并成功实现了商业化，而维吾尔文的识别的研究起步较晚，成果较少。同时随着手机、PDA等移动设备的普及，手写输入已经成为了一种重要的交互方式，因此有必要对维吾尔文手写输入进行研究。本文在对维吾尔文单字符和单词特点详细介绍的基础上，从维吾尔文单字符识别和单词识别方面对联机手写维吾尔文识别技术进行了详细的研究和实验，主要内容如下：1.介绍了联机手写维吾尔文识别的背景和现状，并分析了联机手写维吾尔文识别中的难点。本文的手写维吾尔文识别包括维文单字符识别及单词识别2.详细的研究了维吾尔文单字符和单词的特征，包括维吾尔文的书写方式以及连接形式等。本文介绍了维吾尔文的基本特征，并对手写维吾尔文的一些特有的特征进行了详细的分析。3.对联机手写维吾尔文单字符识别进行了深入的研究，识别过程包括预处理、特征提取、分类器设计和分类器集成，重点是分类器的设计和集成。本文介绍了三种不同的分类器和它们之间的集成，并通过大量的实验比较不同算法的性能优劣。4.在维吾尔文单字符识别的基础上，提出了维吾尔文单词识别的方法，识别过程包括单词切分、单字符识别和后处理，重点是后处理。本文介绍了两种不同的后处理方法，并通过实验验证了方法的有效性。5.在基于Windows Moblie的手机上开发了维吾尔文单字符识别和单词识别软件。
张婷婷[8]（2011）在《道路交通事故现场图绘制系统研究》文中研究表明作为人机交互领域的重要研究课题,在线手绘草图识别技术具有较高的研究和应用价值。本课题的目的是为道路交通事故现场图的绘制研制专用的快速手绘输入系统。课题围绕系统功能的具体实现,对手绘交通现场图形识别、用户自适应手绘识别、在线手写文字识别等技术进行了一系列的探索研究。针对道路交通事故现场图形库中图形的特征,提出了手绘交通事故现场图形双层识别方法,根据外形特征将图库中的图形近似为四类基本图形。粗分类识别检测用户输入中包含的四类基本图形,并提出隐含封闭图形搜索算法用以识别用户多笔输入的封闭图形,提供相似性反馈结果捕捉用户意图;细分类识别通过计算用户输入与图库图形的相似程度,提高反馈结果的精确度。通过提取草图位置、大小、方向等参数并使用平移变换、比例变换、旋转变换实现手绘交通图形的现场识别要求。为实现用户自适应手绘识别,本文提出了基于机器学习的手绘交通图形识别方法,利用机器学习的方法识别用户自由输入的基本图形笔画,根据识别结果提供相似性反馈图形并提高相似性反馈精确度。分别建立了基于BP网络、RBF网络和SVM的用户自适应手绘识别模型,并对三种方法的结果进行了分析对比。考虑到完整道路交通事故现场图中包含文字部分,本文设计了手写文字识别子系统。系统包括字库载入、文字识别、用户自适应学习三大功能模块,利用向量绝对距离实现用户输入特征与字库的匹配计算,通过相似性反馈结果的方法提高识别正确率。实现了手写文字在交通现场图中的显示功能,并提出了基于手写汉字的交通符号简易绘制方法方便用户使用。本文提出的方法可以实现道路交通事故现场图的快速手写绘制,系统对用户无过多的技术要求,可以极大地提高交通事故处理的工作效率。
周双飞[9]（2011）在《基于大字符集脱机手写体汉字识别方法研究》文中研究表明脱机手写汉字识别在中文字符自动化处理和智能输入方面有着广泛的应用前景。由于手写汉字具有随意性、相似字多和字体形式多变等特点,使得脱机手写汉字识别成为字符识别领域的一个难点和热点。本文主要以脱机手写文本图像作为研究对象,研究了文本图像的二值化、汉字字符的分割和基于多特征多分类器融合的识别方法三个方面,寻求一个针对大字符集能较好区分相似特征的脱机手写体汉字识别方案。论文研究内容如下:（1）针对光照不均对文本图像二值化的影响,提出了一种基于边缘轮廓的自适应文档图像二值化方法。该方法基于log边缘轮廓生长的阈值化方法估计文本前景区域,有效的减少笔划丢失和断笔现象,同时解决前景估计时产生大块噪音的问题。其次,以局部区域背景灰度平均值和前景区域平均灰度值与当前位置像素的灰度差值为度量标准,引入抑制噪音的参数变量来改进阈值公式,进一步对噪音进行抑制。实验表明该方法有效地抑制了噪音,较好的保留了汉字结构的完整性。（2）针对手写体汉字中粘连或交叉字符的分割问题,本文提出一种基于最小加权分割路径的脱机手写汉字多步分割方法。该方法继承了以往粗分割和细分割相结合的思想,首先采用投影方法进行粗分割,将文本汉字分为粘连字符和非粘连字符两类;在细分割阶段,抛弃常用的串行模式分割思想,直接利用粗分割后的统计信息,来设置初始分割路径。并基于最短分割路径的思想,在初始分割路径的局部邻域内采用基于最小权值的算法搜索并修改分割路径,从而获得最佳的加权分割路径。实验证明该方法较好地解决了字符分割不足和多处粘连字符的分割问题,有效的提高了分割的准确率,且算法的时间复杂度较低。（3）为进一步提高大字符集汉字的识别率,本文将能反映上下文关系的基于词的级联隐马尔可夫训练模型用于解决相似字识别问题,并给出了一种与其相应的级联识别方法,尝试从识别分类器的角度提高相似字的识别率。然后利用不同分类器的优点,设计了一种结合词级联HMM的多特征多分类器集成方案,该方案使相似字和非相似字能自适应地选择合适的方法进行针对性识别,有效的提高了整体识别率。
赵蓉[10]（2011）在《基于神经网络的联机手写识别系统研究与实现》文中指出汉字的计算机识别是模式识别领域一个重要分支,其任务就是研究如何使计算机能够“识字”。联机手写识别系统（OLCCR）符合人的自然手写习惯,容易被人们所接受,因而具有非常广阔的应用前景。目前研究人员对此做了大量的研究工作,提出了很多识别算法,基本实现了联机手写识别,但是大多数研究都是针对一种手写模式进行识别,虽然识别系统可以达到较高的识别率,但是用户需要切换输入模式才可以进行有效识别,识别系统性能有待进一步提高。人工神经网络因其所具有的并行计算能力、容错能力、自学习能力和分类识别能力,其在模式识别领域得到了充分的重视和利用。本文选取离散Hopfield神经网络算法,对学习样本进行二值化、归一化和插值等预处理,然后提取其像素特征,建立Hopfield神经网络,最后将汉字、数字、字母等手写测试样本以及加入噪声的样本输入网络,由仿真测试结果可以看出对于信息残缺和含有噪声的测试样本,系统均可以实现识别,具有很好的容错性。仿真结果表明,本文利用Hopfield网络实现手写识别的效果相比用BP网络的效果更好,更具有优越性。
二、联机手绘图形识别的自适应HMM方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、联机手绘图形识别的自适应HMM方法（论文提纲范文）
（1）蒙古文脱机手写识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关工作研究进展 |
| 1.2.1 基于HMM的脱机手写识别研究 |
| 1.2.2 基于深度学习的脱机手写识别研究 |
| 1.2.3 蒙古文识别研究现状 |
| 1.3 研究内容与创新点 |
| 1.4 本文组织结构 |
| 第二章 蒙古文脱机手写单词数据集构建 |
| 2.1 引言 |
| 2.2 蒙古文编码及书写特点 |
| 2.3 手写数据集建立 |
| 2.3.1 单词选取 |
| 2.3.2 数据采集过程 |
| 2.3.3 数据集发布 |
| 2.4 本章小结 |
| 第三章 基于字素的蒙古文脱机手写识别研究 |
| 3.1 引言 |
| 3.2 建模单元选择 |
| 3.2.1 变形显现字符 |
| 3.2.2 十二字头分析法 |
| 3.2.3 字素码 |
| 3.2.4 蒙古文音节 |
| 3.2.5 中间码转换算法 |
| 3.3 基于HMM的单词识别原理 |
| 3.3.1 单词建模 |
| 3.3.2 模型训练 |
| 3.3.3 解码 |
| 3.4 实验结果与分析 |
| 3.4.1 序列化及特征提取 |
| 3.4.2 数据准备 |
| 3.4.3 模型训练 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于HMM-DNN的蒙古文脱机手写识别研究 |
| 4.1 引言 |
| 4.2 深度神经网络 |
| 4.2.1 DNN前向传播算法 |
| 4.2.2 DNN反向传播算法及训练 |
| 4.2.3 DNN分类模型 |
| 4.3 HMM-DNN混合结构 |
| 4.3.1 DNN的引入 |
| 4.3.2 DNN结构 |
| 4.3.3 DNN训练 |
| 4.3.4 DNN的解码 |
| 4.4 数据序列化及特征提取 |
| 4.4.1 RBM特征 |
| 4.4.2 自动编码器特征 |
| 4.4.3 统计特征 |
| 4.4.4 凹凸特征 |
| 4.4.5 局部梯度直方图特征 |
| 4.5 实验与结果分析 |
| 4.5.1 数据准备 |
| 4.5.2 HMM-GMM模型训练 |
| 4.5.3 DNN模型训练 |
| 4.5.4 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于LSTM-CTC的蒙古文脱机手写识别研究 |
| 5.1 引言 |
| 5.2 循环神经网络 |
| 5.2.1 LSTM |
| 5.2.2 2D-LSTM |
| 5.3 CTC介绍 |
| 5.4 基于RNN的识别模型 |
| 5.4.1 单向多层LSTM-CTC模型 |
| 5.4.2 双向多层LSTM-CTC模型 |
| 5.4.3 二维四方向多层LSTM-CTC模型 |
| 5.5 整词解码 |
| 5.5.1 词典受限解码 |
| 5.5.2 WFST词典受限解码 |
| 5.6 子词解码 |
| 5.6.1 CTC令牌传递算法 |
| 5.6.2 改进的令牌传递算法 |
| 5.6.3 基于子词的解码 |
| 5.7 实验结果与分析 |
| 5.7.1 数据准备 |
| 5.7.2 三种RNN模型的比较 |
| 5.7.3 RNN模型和DNN模型的比较 |
| 5.7.4 CTC令牌传递算法比较 |
| 5.7.5 子词性能比较 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研项目 |
（2）基于Kinect的手写输入系统的研究与设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 人机交互技术的发展 |
| 1.1.2 手写输入系统的研究现状 |
| 1.1.3 Kinect简介 |
| 1.2 本文的主要研究工作 |
| 1.3 本文的内容安排 |
| 第二章 计算机视觉手写输入系统的关键技术概述 |
| 2.1 手部分割技术 |
| 2.1.1 手部分割的难点 |
| 2.1.2 手部分割特征 |
| 2.1.3 手部分割算法 |
| 2.1.3.1 基于活动轮廓的手部分割 |
| 2.1.3.2 基于运动的手部分割 |
| 2.1.3.3 基于肤色信息的手部分割 |
| 2.2 指尖检测算法简介 |
| 2.2.1 轮廓曲率法 |
| 2.2.2 重心距离法 |
| 2.3 手势识别算法综述 |
| 2.3.1 手势识别的特征 |
| 2.3.2 手势识别算法简介 |
| 2.3.2.1 基于形状匹配 |
| 2.3.2.2 基于隐形马尔科夫模型(HMM) |
| 2.3.2.3 基于人工神经网络 |
| 2.4 联机手写汉字识别 |
| 2.4.1 联机手写汉字识别的技术难点 |
| 2.4.2 基于统计特征的识别方法 |
| 2.4.3 基于结构特征的识别方法 |
| 第三章 控制手势识别 |
| 3.1 控制手势识别模块简介 |
| 3.2 混合型手部分割方法 |
| 3.2.1 人体信息的提取 |
| 3.2.2 深度阈值分割 |
| 3.2.3 肤色模型分割 |
| 3.2.4 混合分割运算 |
| 3.3 手势特征的预处理 |
| 3.3.1 形态学处理 |
| 3.3.2 边缘检测与轮廓提取 |
| 3.4 基于HU矩和SVM的手势识别 |
| 3.4.1 特征向量的选取 |
| 3.4.2 Hu不变矩 |
| 3.4.3 轮廓的周长面积比 |
| 3.4.4 支持向量机 |
| 3.4.4.1 支持向量机的相关理论 |
| 3.4.4.2 支持向量机推导 |
| 3.4.4.3 核函数的选择 |
| 3.4.4.4 分类方案 |
| 第四章 手写轨迹识别 |
| 4.1 手写轨迹识别模块简介 |
| 4.2 指尖定位 |
| 4.2.1 侧指模式下的指尖定位 |
| 4.2.2 前指模式的指尖定位 |
| 4.3 轨迹识别 |
| 4.3.1 联机手写汉字识别系统结构 |
| 4.3.2 指尖轨迹预处理 |
| 4.3.3 连笔字切分 |
| 4.3.4 基于DTW的手写轨迹识别 |
| 第五章 KINECT手写输入系统的搭建与测试 |
| 5.1 KINECT手写输入系统结构设计 |
| 5.2 KINECT手写输入系统搭建 |
| 5.2.1 硬件平台搭建 |
| 5.2.2 软件平台设计 |
| 5.3 实验设计与分析 |
| 5.3.1 手部分割实验 |
| 5.3.2 手势识别实验 |
| 5.3.3 指尖定位实验 |
| 5.3.4 字符识别实验 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
（3）基于手写识别的运动学过程模拟方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1. 研究背景与意义 |
| 1.2. 主要研究内容 |
| 1.3. 论文组织结构 |
| 2. 相关工作 |
| 2.1. 手写草图识别 |
| 2.1.1. 草图识别的基本概念 |
| 2.1.2. 手写草图识别方法 |
| 2.1.3. 草图理解 |
| 2.2. 计算机辅助物理教学 |
| 3. 手写识别算法设计与实现 |
| 3.1. 算法基本思想 |
| 3.2. 基于图元的笔画识别及处理 |
| 3.2.1. 笔画识别 |
| 3.2.2. 笔画重绘 |
| 3.3. 构件识别及处理 |
| 3.3.1. 构件库的定义 |
| 3.3.2. 构件识别 |
| 3.3.3. 构件重绘 |
| 3.4. 实验结果与分析 |
| 4. 运动学机构示意图中构件的位置矫正 |
| 4.1. 运动学机构中构件的位置约束关系分析 |
| 4.2. 符合用户意图的位置矫正 |
| 5. 基于构件识别的运动过程模拟系统 |
| 5.1. 系统结构设计 |
| 5.2. 系统功能设计 |
| 5.3. 系统交互设计 |
| 5.4. 运动模拟 |
| 5.5. 实例展示 |
| 5.5.1. 实例一 |
| 5.5.2. 实例二 |
| 5.6. 实验结果与分析 |
| 6. 总结与展望 |
| 6.1. 全文工作总结 |
| 6.2. 下一步工作 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（4）简笔画识别算法研究及系统移植（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 研究背景及意义 |
| 1.2 主要研究内容 |
| 1.3 论文的组织结构 |
| 2. 相关工作 |
| 2.1 手写输入识别算法研究现状 |
| 2.1.1 基于结构特征的手写输入识别方法 |
| 2.1.2 基于数据统计模型的手写输入识别方法 |
| 2.2 图像识别的基本原理与方法 |
| 2.2.1 图像特征的提取 |
| 2.2.2 图像的识别方法 |
| 2.3 移动平台幼儿培育软件现状分析与研究 |
| 3. 简笔画识别算法的设计与实现 |
| 3.1 算法的基本思想 |
| 3.2 算法的主要步骤 |
| 3.2.1 简笔画预处理 |
| 3.2.2 基于局部特征的识别 |
| 3.2.3 基于全局特征的识别 |
| 3.2.4 结构特征分析 |
| 3.3 实验结果与分析 |
| 3.3.1 实验平台 |
| 3.3.2 数据收集 |
| 3.3.3 结果与分析 |
| 4. 基于移动平台简笔动画系统的移植 |
| 4.1 移动平台的对比与选择 |
| 4.2 系统结构与功能设计 |
| 4.2.1 系统结构设计 |
| 4.2.2 系统功能设计 |
| 4.3 系统界面设计 |
| 4.4 实验平台搭建 |
| 5 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 下一步工作 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（5）手写维吾尔文字识别若干关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展 |
| 1.2.1 阿拉伯文字识别研究现状 |
| 1.2.2 手写阿拉伯文字识别技术 |
| 1.2.3 维文识别研究现状 |
| 1.3 维文特点及识别困难 |
| 1.3.1 维吾尔文字特点 |
| 1.3.2 手写维文的识别困难 |
| 1.4 实验数据库介绍 |
| 1.5 主要内容及章节安排 |
| 1.5.1 本文主要内容 |
| 1.5.2 章节安排 |
| 第二章 预处理技术研究 |
| 2.1 引言 |
| 2.2 手写维吾尔文字预处理技术 |
| 2.2.1 倾斜校正 |
| 2.2.2 归一化 |
| 2.2.3 断笔连接 |
| 2.2.4 插值、重采样 |
| 2.2.5 细化 |
| 2.2.6 平滑 |
| 2.2.7 基线检测 |
| 2.3 实验 |
| 2.4 本章小结 |
| 第三章 基于部件的维文字符识别研究 |
| 3.1 引言 |
| 3.2 维文字符的部件分析 |
| 3.2.1 手写维文部件库构建 |
| 3.2.2 维吾尔字符的部件字典 |
| 3.3 维文字符的部件分解算法 |
| 3.3.1 脱机手写字符的部件分解算法 |
| 3.3.2 联机手写字符的部件分解算法 |
| 3.4 部件的特征提取和分类器设计 |
| 3.4.1 点部件的特征提取和分类器设计 |
| 3.4.2 脱机手写部件的特征提取 |
| 3.4.3 联机手写部件的时分方向特征 |
| 3.4.4 主体和附加部件的分类器设计 |
| 3.5 基于部件的维文字符识别算法 |
| 3.6 实验 |
| 3.6.1 不同时段数下的时分方向特征性能 |
| 3.6.2 不同部件权重下的字符识别算法性能 |
| 3.6.3 字符识别算法性能比较 |
| 3.7 本章小结 |
| 第四章 维文字符识别中的部件自适应融合方法 |
| 4.1 引言 |
| 4.2 部件匹配测度估计 |
| 4.2.1 识别置信度转换 |
| 4.2.2 向量扩张和归一化 |
| 4.3 多部件自适应融合方法 |
| 4.3.1 部件融合中的权重系数估计 |
| 4.3.2 贝叶斯融合策略 |
| 4.3.3 Dempster-Shafer 证据理论 |
| 4.3.4 基于 D-S 证据理论的部件自适应融合策略 |
| 4.4 多部件自适应融合的维文字符识别算法 |
| 4.5 阿拉伯字符的部件分析 |
| 4.6 实验 |
| 4.6.1 不同融合策略的效果分析 |
| 4.6.2 字符识别算法性能比较 |
| 4.6.3 阿拉伯字符识别算法性能测试 |
| 4.7 本章小结 |
| 第五章 基于多信息融合的维文字符分割研究 |
| 5.1 引言 |
| 5.2 手写维吾尔字段过分割 |
| 5.2.1 过分割 MSAC 算法总流程 |
| 5.2.2 脱机手写维文字段过分割算法 |
| 5.2.3 联机手写维文字段过分割算法 |
| 5.3 字段序列的模糊匹配 |
| 5.4 维文字符分割中的多信息融合路径寻优 |
| 5.4.1 字符分割算法基本流程 |
| 5.4.2 字符序列的二阶 Markov 模型 |
| 5.4.3 加权信息融合的路径寻优算法 |
| 5.5 实验 |
| 5.5.1 字段过分割算法性能比较 |
| 5.5.2 融合系数对算法性能的影响 |
| 5.5.3 字符分割算法性能比较 |
| 5.5.4 联机字符分割算法性能 |
| 5.6 本章小结 |
| 第六章 基于反馈结构的维文单词识别系统 |
| 6.1 引言 |
| 6.2 单词识别系统架构及算法模块 |
| 6.2.1 单词识别系统整体架构 |
| 6.2.2 多级混合维吾尔字符分类器 |
| 6.2.3 双层动态时间规整的单词匹配算法 |
| 6.3 错误反馈和决策处理 |
| 6.3.1 三种错误反馈 |
| 6.3.2 决策处理单元 |
| 6.4 实验 |
| 6.4.1 字符分割性能比较 |
| 6.4.2 单词识别性能比较 |
| 6.5 本章小结 |
| 第七章 总结和展望 |
| 7.1 工作总结 |
| 7.2 前景展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间的研究成果 |
（6）基于大规模无约束数据的书写者自适应的中文手写识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究的问题 |
| 1.3 本文的工作 |
| 第二章 中文手写识别及书写自适应技术的研究现状 |
| 2.1 中文手写文字识别的研究现状 |
| 2.2 书写者自适应技术的研究现状 |
| 2.3 手写文字数据库的研究现状 |
| 2.4 本章小结 |
| 第三章 多种手写识别方法及其集成技术的研究 |
| 3.1 预处理技术 |
| 3.1.1 弹性网格技术的研究 |
| 3.1.2 手写汉字的旋转纠正技术 |
| 3.1.3 联机数据的脱机变换技术 |
| 3.2 特征提取及虚拟笔画技术研究 |
| 3.2.1 梯度特征提取 |
| 3.2.2 8 方向特征提取 |
| 3.2.3 虚拟笔画技术的分析与研究 |
| 3.3 特征选择技术的研究 |
| 3.3.1 线性判别分析（Linear Discriminant Analysis, LDA） |
| 3.3.2 鉴别局部配准（Discriminative Locality Alignment,DLA） |
| 3.4 手写识别分类器技术的研究 |
| 3.4.1 最小距离分类器 |
| 3.4.2 MQDF 分类器 |
| 3.4.3 压缩的 MQDF 分类器 |
| 3.4.4 分类融合技术的研究 |
| 3.5 手写识别系统的研究 |
| 3.5.1 快速的小存储量的手写识别系统研究 |
| 3.5.2 高识别性能的手写识别系统研究 |
| 3.6 实验结果 |
| 3.6.1 实验数据库介绍 |
| 3.6.2 手写文字的旋转纠正技术实验 |
| 3.6.3 联机数据的脱机转换技术实验 |
| 3.6.4 多种特征融合实验 |
| 3.6.5 不同的手写识别系统对比实验 |
| 3.7 本章小结 |
| 第四章 SCUT-COUCH2009 联机手写数据库采集与分析 |
| 4.1 SCUT-COUCH2009 数据库介绍 |
| 4.2 SCUT-COUCH2009 数据库采集的准备工作 |
| 4.2.1 采集程序设计 |
| 4.2.2 语料素材选择 |
| 4.2.3 数据采集人员选择 |
| 4.2.4 数据采集规则 |
| 4.3 SCUT-COUCH2009 数据库的后期处理工作 |
| 4.3.1 数据检查与修正 |
| 4.3.2 数据存储的基本结构 |
| 4.3.3 数据手工切分与标定 |
| 4.4 SCUT-COUCH2009 数据库的样本分析 |
| 4.4.1 样本笔画的统计规律 |
| 4.4.2 样本的多样性分析 |
| 4.5 SCUT-COUCH2009 数据库的基准测试 |
| 4.5.1 所有子集的基准测试 |
| 4.5.2 不同子集组合的基准测试 |
| 4.5.3 三个词组子集的基准测试 |
| 4.6 gPen 大规模真实数据库的采集与分析 |
| 4.6.1 gPen 数据库介绍 |
| 4.6.2 gPen 数据库统计分析 |
| 4.6.3 gPen 数据库基准测试 |
| 4.7 本章小结 |
| 第五章 基于增量 MQDF 的中文书写自适应技术研究 |
| 5.1 ILDA 技术研究 |
| 5.2 IMQDF 技术研究 |
| 5.2.1 压缩的 IMQDF 技术研究 |
| 5.3 平滑压缩的 IMQDF 技术研究 |
| 5.4 基于 ILDA 子空间的 IMQDF 技术研究 |
| 5.5 实验结果 |
| 5.5.1 实验数据库介绍 |
| 5.5.2 几种增量 MQDF 算法的存储量需求对比 |
| 5.5.3 几种增量 MQDF 算法的计算复杂度对比 |
| 5.5.4 几种增量 MQDF 算法对于特定用户识别性能的提升对比 |
| 5.5.5 几种增量 MQDF 算法对于普通用户识别性能的影响对比 |
| 5.6 本章小结 |
| 第六章 基于云计算的手写识别系统研究 |
| 6.1 云计算介绍 |
| 6.1.1 云计算的概念 |
| 6.1.2 云计算的技术特点 |
| 6.1.3 云计算的优势 |
| 6.2 云计算手写识别系统介绍 |
| 6.2.1 云手写识别系统框架介绍 |
| 6.2.2 云手写识别系统的服务器端介绍 |
| 6.2.3 云手写识别系统的客户端介绍 |
| 6.3 实验结果 |
| 6.3.1 云手写识别系统的识别性能对比实验 |
| 6.3.2 云手写识别系统的用户书写自适应实验 |
| 6.5.3 云手写服务器的多用户并发实验 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）基于移动平台的联机手写维吾尔文单字符及单词识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 维吾尔文手写识别的研究背景及现状 |
| 1.2 联机手写维吾尔文单字符识别概述 |
| 1.3 联机手写维吾尔文单词识别概述 |
| 1.4 联机手写维吾尔文识别的难点 |
| 1.5 论文的内容及安排 |
| 第二章 维吾尔文字特征介绍 |
| 2.1 维吾尔文介绍 |
| 2.2 维吾尔文单字符特征 |
| 2.3 维吾尔文单词特征 |
| 2.4 本章小结 |
| 第三章 联机手写维吾尔文单字符识别 |
| 3.1 预处理 |
| 3.2 特征提取 |
| 3.3 分类器设计 |
| 3.3.1 欧式距离分类器 |
| 3.3.2 MQDF分类器 |
| 3.3.3 BP神经网络分类器 |
| 3.4 分类器集成 |
| 3.5 本章小结 |
| 第四章 联机手写维吾尔文单词识别 |
| 4.1 维吾尔文单词识别系统概述 |
| 4.2 维吾尔文单词切分 |
| 4.2.1 连体段间的切分 |
| 4.2.2 连体段内的切分 |
| 4.2.3 附加笔画的切分 |
| 4.3 维吾尔文单词识别 |
| 4.3.1 基于HMM后处理的单词识别 |
| 4.3.2 基于语言模型后处理的单词识别 |
| 4.4 本章小结 |
| 第五章 实验平台及结果 |
| 5.1 实验平台介绍 |
| 5.2 维吾尔文单字符识别 |
| 5.3 维吾尔文单词识别结果 |
| 第六章 工作总结及展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 在读期间研究成果 |
（8）道路交通事故现场图绘制系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 本课题研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基于手绘草图的人机交互原型系统发展 |
| 1.3.2 手绘草图识别的算法实现 |
| 1.4 本文的主要研究内容及结构 |
| 1.4.1 系统框架 |
| 1.4.2 内容安排 |
| 第2章 手绘交通图形快速识别 |
| 2.1 手绘图形数据的预处理 |
| 2.2 手绘交通事故现场图形双层识别方法 |
| 2.3 手绘图形粗分类识别 |
| 2.3.1 开口图形识别 |
| 2.3.2 封闭图形识别 |
| 2.3.3 隐含封闭图形搜索 |
| 2.4 手绘图形细分类识别 |
| 2.5 手绘图形的现场环境识别要求 |
| 2.5.1 平移变换 |
| 2.5.2 比例变换 |
| 2.5.3 旋转变换 |
| 2.5.4 复合变换 |
| 2.6 本章小结 |
| 第3章 基于机器学习的用户自适应手绘识别 |
| 3.1 用户自适应手绘识别研究现状 |
| 3.2 特征的选择与样本使用 |
| 3.3 基于BP 网络的自适应手绘识别 |
| 3.3.1 BP 网络基本原理 |
| 3.3.2 BP 网络参数选择 |
| 3.3.3 BP 网络实验结果 |
| 3.4 基于RBF 网络的自适应手绘识别 |
| 3.4.1 RBF 网络基本原理 |
| 3.4.2 RBF 网络实验结果 |
| 3.5 基于SVM 的自适应手绘识别 |
| 3.5.1 SVM 基本原理 |
| 3.5.2 SVM 实验结果 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 第4章 在线手写文字的识别 |
| 4.1 特征的选择与提取 |
| 4.1.1 全局位置特征 |
| 4.1.2 笔画走势特征 |
| 4.1.3 相邻笔画特征 |
| 4.2 手写汉字识别方案 |
| 4.2.1 字库载入 |
| 4.2.2 手写汉字识别 |
| 4.2.3 用户自适应学习 |
| 4.3 手写文字在系统中的使用 |
| 4.3.1 手写文字的显示 |
| 4.3.2 基于手写汉字的交通符号简易绘制方法 |
| 4.4 本章小结 |
| 第5章 实验结果及分析 |
| 5.1 实验环境 |
| 5.2 实验图形集说明 |
| 5.3 系统的识别效果 |
| 5.3.1 粗分类识别 |
| 5.3.2 多用户识别 |
| 5.3.3 手写文字识别 |
| 5.3.4 整体系统绘制结果 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）基于大字符集脱机手写体汉字识别方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 脱机手写体汉字识别研究背景和意义 |
| 1.2 脱机手写体汉字识别研究现状与趋势 |
| 1.2.1 预处理研究现状与趋势 |
| 1.2.2 特征提取研究现状与趋势 |
| 1.2.3 识别方法研究现状与趋势 |
| 1.3 脱机手写体汉字识别的困难和特点 |
| 1.4 本文主要研究内容和创新点 |
| 1.5 本文组织结构 |
| 第二章 基于边缘轮廓的自适应文档图像二值化 |
| 2.1 二值化原理与现状分析 |
| 2.1.1 基本原理 |
| 2.1.2 现有算法分析 |
| 2.2 BG 方法分析 |
| 2.3 基于边缘轮廓的阈值改进方法 |
| 2.3.1 基于log 算子轮廓生长的方法估计前景区域 |
| 2.3.2 阈值公式改进 |
| 2.3.3 算法步骤 |
| 2.4 实验结果与分析 |
| 2.4.1 噪音抑制效果的比较 |
| 2.4.2 笔划保留完整性的比较 |
| 2.5 本章小结 |
| 第三章 基于最小加权分割路径的脱机手写汉字切分 |
| 3.1 脱机手写汉字分割方法现状与分析 |
| 3.2 基于最小加权分割路径手写汉字多步分割算法 |
| 3.2.1 算法思想 |
| 3.2.2 基于投影直方图的粗切分 |
| 3.2.3 最小加权分割路径的细切分 |
| 3.2.4 字符串完整分割过程 |
| 3.3 实验结果与分析 |
| 3.3.1 不同情况的粘连字符细分割 |
| 3.3.2 不同分割算法的比较与分析 |
| 3.4 本章小结 |
| 第四章 结合级联HMM 训练模型的多分类器集成 |
| 4.1 HMM 概述 |
| 4.1.1 识别问题——前向和后向算法 |
| 4.1.2 训练问题——Baum-Welch 算法 |
| 4.2 结合级联HMM 训练模型集成方案的算法思想 |
| 4.3 特征提取 |
| 4.3.1 方向线素特征 |
| 4.3.2 基于投影边界链特征 |
| 4.3.3 弹性网格特征 |
| 4.4 基于WHMM 训练模型的相似字识别 |
| 4.4.1 WHMM 模型的建立 |
| 4.4.2 获取WHMM 模型重估公式 |
| 4.4.3 基于WHMM 模型训练算法 |
| 4.4.4 用于相似字识别的级联识别算法 |
| 4.5 Bayesian-MHMM-WHMM 多分类器识别方法 |
| 4.5.1 基于Bayesian 网络的粗分类 |
| 4.5.2 基于MHMM-WHMM 的细分类 |
| 4.6 实验分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 存在的不足与展望 |
| 参考文献 |
| 攻读学位期间公开发表的论文与科研项目成果 |
| 致谢 |
（10）基于神经网络的联机手写识别系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究手写识别的意义 |
| 1.2 汉字识别的研究现状 |
| 1.2.1 汉字识别的研究范围 |
| 1.2.2 汉字识别研究现状 |
| 1.3 汉字识别系统的构成和识别方法 |
| 1.4 本文的主要内容 |
| 第二章 联机手写汉字识别 |
| 2.1 联机手写汉字识别(OLCCR)概述 |
| 2.2 联机手写汉字识别发展和应用趋势 |
| 2.2.1 联机手写汉字识别的发展 |
| 2.2.2 联机手写汉字识别的应用趋势 |
| 2.3 联机手写汉字识别的困难 |
| 2.4 联机手写汉字识别的基本流程 |
| 2.4.1 相关概念 |
| 2.4.2 预处理 |
| 2.4.3 特征提取 |
| 2.4.4 特征匹配 |
| 2.5 本章小结 |
| 第三章 人工神经网络及其在汉字识别领域的应用 |
| 3.1 人工神经网络的概述 |
| 3.1.1 什么是神经网络 |
| 3.1.2 神经网络发展概述 |
| 3.1.3 神经网络的主要特点 |
| 3.1.4 神经网络的应用 |
| 3.2 人工神经网络的基本模型和结构 |
| 3.2.1 人工神经网络的基本模型 |
| 3.2.2 人工神经网络的结构 |
| 3.3 人工神经网络的工作方式 |
| 3.3.1 神经网络的学习 |
| 3.3.2 神经网络的学习规则 |
| 3.4 人工神经网络在汉字识别领域的应用 |
| 3.5 本章小结 |
| 第四章 基于Hopfield 神经网络的联机手写识别技术 |
| 4.1 Hopfield 神经网络概述 |
| 4.2 离散型Hopfield 神经网络(DHNN) |
| 4.2.1 DHNN 模型描述 |
| 4.2.2 DHNN 工作方式 |
| 4.2.3 DHNN 稳定性分析 |
| 4.2.4 DHNN 网络设计 |
| 4.3 神经网络模式识别对预处理的基本要求 |
| 4.4 基于Hopfield 神经网络的联机手写识别算法与实现 |
| 4.5 本章总结 |
| 第五章 基于Hopfield 神经网络的联机手写识别系统实现 |
| 5.1 神经网络的软件实现 |
| 5.1.1 软件运行的若干问题 |
| 5.1.2 神经网络的开发环境 |
| 5.2 基于BP 神经网络的手写识别 |
| 5.3 基于Hopfield 神经网络的手写识别 |
| 5.3.1 建立Hopfield 网络 |
| 5.3.2 运行Hopfield 网络 |
| 5.3.3 系统的性能测试 |
| 5.4 用于手写识别的Hopfield 网络与BP 网络的对比 |
| 5.4.1 网络结构的对比 |
| 5.4.2 网络建立的对比 |
| 5.4.3 网络识别效果的对比 |
| 5.5 基于Hopfield 神经网络的联机手写识别系统实现 |
| 5.6 本章小结 |
| 第六章 结论和展望 |
| 致谢 |
| 参考文献 |
四、联机手绘图形识别的自适应HMM方法（论文参考文献）
- [1]蒙古文脱机手写识别研究[D]. 范道尔吉. 内蒙古大学, 2020
- [2]基于Kinect的手写输入系统的研究与设计[D]. 刘振国. 南京航空航天大学, 2018(02)
- [3]基于手写识别的运动学过程模拟方法研究[D]. 李玲. 北京林业大学, 2017(04)
- [4]简笔画识别算法研究及系统移植[D]. 辛愿. 北京林业大学, 2016(10)
- [5]手写维吾尔文字识别若干关键技术研究[D]. 许亚美. 西安电子科技大学, 2014(01)
- [6]基于大规模无约束数据的书写者自适应的中文手写识别系统研究[D]. 高岩. 华南理工大学, 2013(11)
- [7]基于移动平台的联机手写维吾尔文单字符及单词识别[D]. 戴笑来. 西安电子科技大学, 2012(03)
- [8]道路交通事故现场图绘制系统研究[D]. 张婷婷. 哈尔滨工业大学, 2011(05)
- [9]基于大字符集脱机手写体汉字识别方法研究[D]. 周双飞. 苏州大学, 2011(06)
- [10]基于神经网络的联机手写识别系统研究与实现[D]. 赵蓉. 西安电子科技大学, 2011(07)