基于低秩稀疏分解的字符矯正方法研究.pdf

1、隨著現(xiàn)代科學(xué)技術(shù)的不斷進(jìn)步，計算機(jī)性能的不斷提升和研究者的深入研究，模式識別問題的應(yīng)用研究已經(jīng)成效顯著。例如，通過人臉識別辨別不同的人物圖像，通過不同的表情來區(qū)別不同的心情等。在應(yīng)用研究過程中，字符識別、語音識別、人臉識別已經(jīng)成為模式識別研究領(lǐng)域中較為突出的幾個方面。OCR（Optical Character Recognition，光學(xué)字符識別）作為模式識別中一個相對古老的研究領(lǐng)域，在模式識別的歷史中有重要的地位。為進(jìn)一步提高在線OC

2、R識別準(zhǔn)確率，并同時考慮字符圖像中誤差噪聲和遮擋干擾的存在，利用圖像低秩稀疏恢復(fù)方法進(jìn)行圖像預(yù)去噪和矯正是一種可行的方法。低秩矩陣恢復(fù)問題衍生于最近幾年非常流行的壓縮感知技術(shù)，是一種重要的數(shù)據(jù)分析工具，在計算機(jī)視覺、圖像處理、推薦系統(tǒng)、文本分析等領(lǐng)域已廣泛應(yīng)用。
　　本文通過對國內(nèi)外現(xiàn)狀的仔細(xì)研究，對低秩矩陣恢復(fù)問題的現(xiàn)有算法和應(yīng)用研究進(jìn)行了全面的分析與總結(jié)，指出了現(xiàn)有算法的不足。現(xiàn)有的低秩矩陣恢復(fù)方法存在計算量大、能夠處理的矩陣

3、規(guī)模較小等缺陷，使得該方法在很多情況下不能充分發(fā)揮其優(yōu)勢。
　　針對增廣拉格朗日乘子法（Augmented Lagrange Multiplier，簡稱ALM）收斂性的不足，本文提出了基于增廣拉格朗日乘子法的一種改進(jìn)算法：在每步迭代過程中，ALM算法的輸出作為一個預(yù)測值，新的迭代通過用一些修正步驟來改正這個預(yù)測值。
　　雖然已有增廣拉格朗日乘子方法提出，但低秩恢復(fù)問題算法效率仍然很慢，計算量相當(dāng)大。本文研究了一種并行分離的增

4、廣拉格朗日乘子法，將并行分離的思想與增廣拉格朗日乘子法相結(jié)合，然后通過一個凸組合步驟形成新的迭代，該算法能在保證收斂性的同時提高算法的計算速度。
　　本文將并行分離增廣拉格朗日乘子法用于OCR的字符矯正應(yīng)用，通過與文獻(xiàn)中已經(jīng)出現(xiàn)的ALM、改進(jìn)ALM算法比較，表明所提的方法在保持正確收斂的情況下，算法的效率有了很大提升。在當(dāng)前計算機(jī)和便攜終端等硬件多CPU和GPU的CUDA平臺條件下，應(yīng)用多核處理，實現(xiàn)并行分離ALM方法顯得格外有實