脫機(jī)手寫中文識(shí)別中粘連文本行的切分與提取.pdf

1、漢字作為中華民族上千年文化的結(jié)晶，在社會(huì)發(fā)展中一直起著重大的作用，實(shí)現(xiàn)手寫文檔的電子化具有非常重要的意義。文字識(shí)別是指利用計(jì)算機(jī)自動(dòng)辨別在紙或其他介質(zhì)上的文字的過(guò)程。文字識(shí)別分為脫機(jī)文字識(shí)別和聯(lián)機(jī)文字識(shí)別兩種，主要研究脫機(jī)中文手寫文字識(shí)別。中文文字識(shí)別與英文文字識(shí)別有很大的區(qū)別，并且中文文字識(shí)別的發(fā)展滯后于英文文字識(shí)別。從英文文字識(shí)別的發(fā)展歷程來(lái)看，中文手寫識(shí)別應(yīng)該從現(xiàn)有的單字識(shí)別擴(kuò)展到語(yǔ)句級(jí)識(shí)別，其中需要解決許多重要問(wèn)題。
　　

2、現(xiàn)有文本庫(kù)均為單字庫(kù)，沒(méi)有支持非單字識(shí)別的文本庫(kù)，因此建立了中文文本庫(kù)HIT-MW。此文本庫(kù)是以文本頁(yè)為基本單位的，識(shí)別之前需要將其切分為文本行，這正是本文完成的主要工作。
　　首先通過(guò)直接水平全局投影、小角度糾斜、再次水平全局投影、局部投影四步以獲得粘連文本塊數(shù)據(jù)集。之后對(duì)粘連文本塊數(shù)據(jù)集進(jìn)行了全面詳細(xì)的分析，并按照難易程度將其分為四類子數(shù)據(jù)集：兩行文字易切分文本塊、兩行文字難切分文本塊、兩行文字粘連文本塊和三行或更多行文字文本