一、一种新颖的汉字笔划提取算法（论文文献综述）
甘吉[1]（2021）在《手写文字识别及相关问题算法研究》文中认为作为信息表达和交流的重要工具,文字被广泛地应用于人们的日常生活和工作中。同时,手写也是每个人在社会中赖以生存的技能。随着计算机的发展和普及,手写文字识别作为一种高级的人机交互方式在近几十年来引起了人们的广泛关注。虽然研究者们在手写识别领域已经取得了大量突破性的进展,但是基于深度学习的手写识别算法仍然有很大的改进空间,因此如何设计更为准确高效的手写识别算法是本文的核心研究内容。另外,随着传感技术的发展,一种新型人机交互方式下的空中手写被提出,即用户可以直接使用手或手指在三维空间中自由地书写。然而,目前的空中手写识别研究仍然处于起步阶段,特别是针对空中手写中文文本识别的研究还处于一片空白。因此,空中手写识别也是本文的主要研究目标之一。本文主要的贡献总结如下:1.本文从一个全新的角度提出了一种基于一维卷积网络的联机手写汉字识别算法,即使用一维卷积网络直接对手写汉字轨迹的时序结构进行建模。本文提出的方法完全不同于目前主流的手写识别算法（包括基于二维卷积网络或循环神经网络的识别算法）,并且具有显着的优势:（1）相比于二维卷积网络,提出的方法避免了经验化的领域知识来提取复杂的方向特征图,同时我们的模型参数更少且识别精度更高;（2）相比于循环神经网络,提出的方法能够并行地处理时序数据,其对于长序列手写轨迹的识别速度更快。2.本文提出了一种基于注意力机制的手写英文单词识别算法,该方法采用了编码-解码的架构并通过结合注意力机制迭代地输出目标字符串。同时,本文使用以下策略来进一步改进模型,包括:（1）我们使用一维卷积网络替代循环神经网络编码手写轨迹,显着地提升了模型的编码速度;（2）我们采用了词典约束的解码算法,显着地提升了模型的识别准确率。另外,我们构建了首个大规模的空中手写英文单词数据集IAHEW-UCAS2016用于促进后续的空中手写英文单词识别研究。最后,本文搭建了一个实用的空中手写英文单词识别系统。3.为了有效地识别联机手写中文文本,本文提出了一种新颖的时序卷积循环神经网络,其相比于现有的识别算法更具优势:（1）相比于主流的循环神经网络,提出的方法具有更快的计算速度和更高的识别准确率;（2）相比于最先进的全卷积循环网络,提出的方法避免了经验化的领域知识来提取复杂的特征图,同时模型的训练效率更高（包括更低的计算复杂度,更少的内存消耗,更快的收敛速度）且模型参数更少。为了进一步探究新型的空中手写,本文搭建了世界上首个三维空中手写中文文本识别系统。据我们所知,目前学术界还没有任何针对空中手写中文文本识别的研究。为此,我们构建并公开了首个大规模的空中手写中文文本数据集IAHCT-UCAS2018,从而促进后续的空中手写中文文本识别研究。4.本文提出了一种新颖的基于生成对抗网络的手写文本生成算法。现有的手写生成方法还没有完全地解决手写文本生成任务,因为它们都局限于生成较短的手写单词或者随机风格的手写文本图片。相反,本文提出的模型能够根据给定的任意文本生成任意长度的手写图片,其不局限于事先定义好的语料库或任何词汇表外的单词。同时,我们的模型能够从给定的参考样本中准确地提取出书写风格,从而进一步模仿生成具有相似风格的其它手写文本。实验分析表明本文提出的模型针对手写文本生成具有很好的泛化性,而不是单纯地记忆训练集中的真实手写样本。5.针对基于卷积神经网络的手写汉字识别模型,本文提出了新颖的一体化网络压缩算法。本文提出的压缩算法结合了通道裁剪和参数量化两种策略,能够在保证识别精度的前提下最大限度地压缩识别模型。具体地,在通道裁剪阶段,我们采用了粗细粒度相结合的裁剪策略来迭代地裁剪掉卷积网络中冗余的通道;在参数量化阶段,我们引入了权值丢弃和迭代式量化策略来最大限度地量化模型参数。在公开手写数据集（包括ICDAR-2013,IAHCC-UCAS2016,以及MNIST）上的实验结果表明提出的方法能够显着地压缩基于卷积神经网络的手写汉字识别模型。
黄磊[2]（2020）在《3D画笔建模及虚拟触觉绘制过程控制方法研究》文中研究指明无论从企业层面还是从普通消费者的层面来讲,产品外观设计在现代工业零部件或消费类产品概念设计阶段均占有越来越重要的作用。产品外观概念设计,包括产品总体外形设计以及该产品外表面的美观装饰,通常主要借助计算机辅助工业设计（简称CAID）的方法来完成。对于设计师来讲,CAID技术已成为一种能快速完成各种工业产品零部件外观创新设计和展示产品功能的有效方法。传统的CAID技术采用全局纹理映射方法实现从二维图形到三维模型外表面的转换,借以实现3D产品外表面的美观装饰。然而,从2D图形到3D物体复杂外表面的纹理映射过程很容易引起原有2D图形不可控扭曲、走样,且纹理映射施加过程既繁琐又易耗用过多的计算机内存资源。在产品外观创新设计中,设计师瞬间灵感扮演着非常重要的作用,而纹理映射技术需要映射二维图形到虚拟三维物体外表面,其过程僵硬,妨碍了设计师去自由随意捕捉设计灵感。伴随着绘画、书法等一系列带有特定风格化的虚拟绘制技术深入发展,直接在三维表面进行绘制和装饰的技术开始得到越来越多的关注。针对以上问题,本文提出了一种新型的变刚度3D画笔仿真模型及三维物体模型表面触觉绘制过程控制方法,主要研究内容如下:（1）深入分析了实际绘制过程中力对画笔工具弯曲变形的影响机理,综合研究了画笔笔杆的施加弯矩、绘制表面摩擦力、笔头湿度与3D画笔实时变形的内在关系,提出了一种新型的基于变刚度与弹塑性3D画笔力反馈仿真模型。首先采用弹塑性弯曲虚拟弹簧振子模型构建画笔力学模型,仿真画笔受力与画笔弯曲挠度位移、转角之间的关系。根据待绘制物体表面实际材质特性确定对应的动态摩擦系数,结合弯曲变形微分方程求解得到绘制表面对画笔笔头的反力,实时计算3D画笔与虚拟物体表面间的动态摩擦力。基于笔杆受力、绘制表面摩擦力、运笔速度、笔头湿度等物理量构建画笔笔头分叉的仿真模型。通过分解画笔为中心骨架与蒙皮的三角网格表面构建了 3D画笔几何模型。基于画笔所受弯矩、绘制表面摩擦力,利用改进的基于均值骨架驱动的三维网格变形技术实时模拟了画笔中心骨架弯曲变形及相应的笔头表面变形,实现了力对画笔弯曲变形的动态控制。（2）虚拟二维笔道绘制控制方法研究。首先,根据运笔过程中画笔受力与画笔变形的关系,建立了单次采样时刻弯曲变形的虚拟3D画笔与虚拟绘制平面相交时的空间几何关系模型,并结合真实绘制中的笔触图样,运用有理B样条技术拟合出类似“雨滴”的笔触形状。用户使用力反馈设备的铁笔控制绘制系统中虚拟画笔行为,画笔笔触沿着运笔方向顺次叠加生成各种风格的二维笔道效果。（3）特殊笔道效果绘制控制方法研究。①触觉绘制过程笔道颜色控制方法。基于KM颜色光学理论提出了一种虚拟绘制过程中笔道水墨颜料颜色控制方法。采用KM光学理论基本微分方程推导得到任意颜料厚度为D时的相应反射系数与透射系数计算公式。以颜料的两个关键光学参数（反射系数与透射系数）为切入点,依次构建了单一颜料颜色仿真算法、多种颜料混合下的“调色”仿真算法、多层颜料叠加时的“罩色”仿真算法。建立了宣纸上所绘制颜料的反射率与颜料颜色亮度值（R,G,B）转换的计算方法,实现了对绘制笔道着色效果的实时存储。②触觉绘制过程笔道水墨扩散效果控制方法。提出了一种新颖的三维绘制水墨颜料传输与扩散行为控制模型。首先,研究了二维表面水墨颜料扩散机理,以此建立了一种基于纸元的宣纸纤维结构模型;建立了画笔与宣纸表面间的水墨颜料传输过程仿真模型,基于非稳态扩散第二定律建立了宣纸表面水墨混合液中水粒子扩散运动微分方程,仿真了水粒子在宣纸表面的实时扩散行为;通过引入动态扩散系数,建立了颜料粒子对流扩散微分方程,仿真了颜料粒子在宣纸表面水墨混合液中的扩散行为;建立了笔头及宣纸表面的水蒸发微分方程,实现了有效的蒸发过程模拟。提出了颜料粒子“沉积率”的概念,并给出了沉积率计算的半经验公式,仿真了颜料粒子在宣纸纤维中沉积及固化后的“粒状”现象。（4）研究了虚拟物体表面三维笔道实时触觉绘制控制方法。通过采用优化的混合八叉树层次包围盒技术与多线程动态任务分配并行计算技术保证了虚拟画笔与虚拟物体表面的实时、高效、精确的碰撞检测。利用一种“加权的平均距离”算法,实现了笔头与虚拟物体表面间的触觉力模拟,仿真了绘制过程中笔头碰触3D表面时的触感。研究了一种球扩展操作算法建立了弯曲画笔的最小包围球。基于最小包围球计算得到了虚拟投影平面的平均法矢及空间位置。研究了一种局部实时映射技术,可将虚拟平面上的2D笔触实时映射到虚拟三维物体表面,得到虚拟三维笔触。通过控制画笔受力,沿着绘制方向将每个采样时刻得到的不同大小、形状的三维笔触叠加便得到虚拟三维笔道。虚拟绘制中,艺术家通过实时触觉与视觉反馈,“有意”控制虚拟绘制行为,创作出满足艺术要求的三维模型表面笔道绘制效果,提高了三维表面绘制过程自由度和真实感。（5）三维触觉交互绘制系统实时性优化研究。为保证虚拟绘制过程中系统的实时性性能,开展了触觉绘制系统实时性优化研究。首先深入分析并给出了触觉绘制中力反馈响应频率的合理设定规则。然后考虑了画笔动态采样时间对绘制系统运行过程实时性性能的影响,通过实时优化虚拟画笔动态采样时间Δt,并集成多线程并行处理技术,有效提高了触觉绘制系统运行时的总体流畅性、实时性。
张红蕊[3]（2020）在《基于生成式对抗网络的汉字生成方法研究》文中研究指明汉字作为信息传播的重要媒介之一,是世界上四分之一的人口持续使用数千年的文字,对人们日常工作、生活、学习、交流、工业化生产等均起到了不可磨灭的重要作用。使用信息化技术处理汉字信息已经成为模式识别领域的重要研究分支,它涉及了汉字生成技术、字体转换问题以及深度神经网络等,是一项十分综合性的研究课题。与英文字库的26个字母不同,汉字常用字符集GB2312共由6763个字符组成,数目庞大且笔划部首种类多样。而手写汉字相比于印刷体汉字,则表现出笔划结构更为复杂、笔划部件大小以及相对位置形变较大等特点;其次,手写体汉字易受到书写人书写风格的影响,笔划粗细长短不均匀、笔划简写、笔划丢失等现象屡见不鲜,这极大地增加了汉字生成任务的难度。本文研究了一种基于生成式对抗网络（Generative Adversarial Networks,GAN）的汉字生成方法,它将编码器-解码器思想融合于GAN生成器结构,并采用了增加跳跃连接的U-Net网络作为生成器网络架构。该方法旨在为汉字生成问题的解决提供一个具有普遍性的算法,具体工作如下:（1）本文提出了一种基于HCCG-GAN的书写人风格汉字生成方法,实现了由印刷体到手写体的汉字生成任务。该方法以生成不同书写风格的汉字图像为目标,结合迁移学习思想,采用两阶段训练方法。首先通过训练一个大型的印刷体到手写体的字体转换模型,用于寻找不同字体间的特征转换关系,之后采用部分少量由特定书写人撰写的汉字样本用于微调网络模型,最终生成具有相同书写风格的汉字图像。本方法融合字体风格损失、编码一致损失、L1距离损失等,用于衡量生成的汉字图像样本与目标字体图像在字符书写结构和字体风格上的差异,并在汉字数据集CASIA-HWDB1.0上进行实验,采用图像像素和图像风格两种差异性作为评估指标评价生成结果。相较于其他相关汉字生成方法,HCCGGAN方法能够生成逼真的书写人风格汉字图像。（2）本文提出了一种基于PCCG-GAN的手写体汉字规范化方法,实现了由手写体到印刷体的汉字生成任务。该方法从汉字识别的角度出发,着眼于传统方法中的预处理步骤,将字体风格转换的汉字生成结果视为手写汉字规范化的最优状态,旨在为手写汉字识别提供新的可能性思路。本方法采用对称的网络提取手写汉字多尺度信息并进行特征融合,以减少输入输出之间共享的大量低级别信息以及下采样过程中的信息丢失。其次,本方法设计了集成损失函数,用于衡量生成结果与真实数据之间的差异性,并在汉字数据集CASIA和CASIA-HWDB1.1上进行实验,并采用图像像素差异性和文字识别准确率作为评估指标。实验结果表明,PCCG-GAN方法在CASIA-HWDB1.1数据集上进行字体转换后的汉字识别准确率比转换前高0.86%。（3）基于本文提出的汉字生成方法,设计并搭建了可视化的实验系统。该系统以手写体汉字和印刷体汉字两个方面的汉字图像生成为主,主要展示了实验系统的可视化界面功能,实现了书写人风格汉字生成的手写体目标转换以及手写汉字规范化的印刷体目标转换。该实验系统的良好运行验证了本文方法的可应用性与可行性。
李小璐[4]（2019）在《基于优化分割与提取的西夏古籍文字识别研究》文中研究指明随着信息技术的飞速发展,人工智能的理论及技术日益成熟,应用领域也在不断扩大。本文将人工智能技术应用于古籍文献的保护,使其在古籍文献保护中发挥出应有的作用。计算机字符识别（OCR）是人工智能识别西夏文字的常用方法,其基于人工智能算法来识别文字符号的数字影像,将其转换为数字文本,达到可识别的目的。本文以西夏文字古籍金光明最胜王经卷一为例,研究应用先进人工智能领域的热点算法实现对研究对象的自动识别。西夏文字是仿照汉字制造而成,其字形相比汉字更为相近且笔画繁多,以会意字居多,象形字很少。在识别过程中,存在的难点有:1.西夏文字的字符集较大、结构复杂、字符之间相似度极高;2.手写的西夏文字粘连严重,图像分割更加困难。在研究过程中,借鉴了汉字的识别方法不断提高基于人工智能技术的西夏文字识别的识别率。本文所做具体工作有:1、介绍了西夏文字的研究背景、古籍信息化保护的意义以及国内外研究现状;2、对古籍图像作预处理及古籍图像分割,其中包括:古籍图像二值化、数学形态学处理,以及边缘检测和连通域分析算法相结合的古籍图像分割;3、对分割后的西夏字符采用三线性插值算法作方向梯度直方图的特征提取;4、基于三类分类器（SVM、RF、K-NN）的西夏文字直方图特征的识别作比较,得出本文实验识别率最高的算法。
黄树东[5]（2013）在《数字笔迹书法风格生成技术研究及实现》文中研究指明近几年来，智能手机、平板电脑等触摸屏移动终端设备的快速发展和普及渐渐地改变着人们的生活方式。触摸屏的广泛使用，衍生出许多新颖的人机交互方式，而手写交互无疑是最便捷、最自然的交互方式之一。然而单调的手写轨迹往往让人感到厌烦，人们希望手写轨迹能呈现出书法的风格，具有书法的美感和表现力，使得在触摸屏书写能获得真实笔在纸上书写的体验。数字笔迹书法生成技术在国内外已有较多的研究探索，但远远没有成熟，无论从实用性、普适性还是效果上都还不能让人十分满意。如何利用有限的信息（无压感）还原出丰富的笔迹是一个非常具有挑战性的研究方向。本文结合移动终端的发展，总结前人在数字墨水等相关领域的研究成果，从实用性与普适性的角度出发，围绕数字笔迹书法生成及其编码进行研究探索，主要内容包括：1、提出一种基于笔刷与速度模型的手写数字笔迹实时书法生成方法，利用速度模型控制笔划宽度变化，并通过突变抑制算法进行笔划平滑和笔锋生成，同时利用改进的贝塞尔插值方法来平滑笔划并确保了实时性。2、分析本文的实时书法生成的不足，本文提出基于非实时笔划重构的方法，结合汉字书法的特征，分析笔划的类型，并结合书写者个性化的特征，在实时书法生成的基础上对笔划起笔和收笔笔划进行重新调整，获得良好的效果。3、针对在线手写书法字体渲染速度慢的缺点，本文提出了基于距离最大法对在线手写书法字体进行轮廓提取的方法，利用笔划轮廓进行渲染来提高速度。该方法速度快而且效果较好。同时本文还利用贝塞尔曲线对笔划轮廓进行拟合编码以节省存储空间。4、本文还设计了基于Android平台的手写笔迹书法生成与编辑系统，完成了手写书法生成、手写编辑、用户界面等功能的设计实现，同时针对终端屏幕碎片化的问题对本文提出的美化算法进行终端适配，使得不同终端上获得同样的体验。实验表明，本文提出的数字笔迹书法风格生成方法速度快，效果较理想并且适合移动终端设备，可应用于手写记事本、字库生成、即时通讯的手写功能、书法创作与练习等。
赵琪[6]（2010）在《书法碑帖文字的笔划提取技术及其实现》文中提出对中国书法创作进行计算机模拟的研究,不仅对于继承和发展中国传统文化有非常重要的意义,而且有利于书法艺术的推广和计算机艺术的发展。本文就计算机书法模拟和创作中,关于碑帖书法汉字笔划提取的几个关键问题：预处理、单字图像分割、笔划提取,轮廓恢复等作了介绍,并提出了相应的解决办法。为了获取清晰完整的碑帖书法图像,本文首先介绍了图像预处理的方法,主要包括：图像去噪,单字图像分割、图像平滑、骨架和轮廓提取等。经过处理,碑帖图像中书法文字信息被以骨架和轮廓图像的方式表达出来。其次,通过分析书法汉字轮廓的特点,给出了一种基于书法笔划特征的,书法碑帖汉字笔划提取技术。然后,针对笔划提取过程中遇到的轮廓缺失问题,提出了一种通过学习相似笔划轮廓、对笔划轮廓的缺失部分进行合理估计的笔划轮廓恢复方法。实验表明,本方法可以有效的获取书法文字笔划信息。但由于笔划提取算法较为简单,在某些复杂情况下笔划提取过程仍然需要人工干预。最后,集成对书法碑帖图像进行笔划提取处理的相关软件工具,设计和实现了一个书法笔划提取系统。本文的工作是初步的,需要在友好的人际交互环境下获得更丰富的实例,为后续研究提供支撑。
苏哲文[7]（2009）在《手写汉字图像动态信息恢复方法研究》文中研究说明手写汉字图像动态信息恢复是指从脱机静态字符图像中恢复书写者在书写过程产生的时序信息,将一个二维的静态图像转换为多个一维的动态时间序列的过程。对手写汉字图像进行动态信息恢复不仅可以实现对大量非结构化的静态文本图像的有效管理,使其方便地在计算机上进行存储和检索,而且可以在脱机和联机的应用处理方法之间构建桥梁,应用目前现有的联机处理方法来处理脱机图像,提高脱机处理的性能,满足越来越广泛和深入的手写汉字信息化管理与应用的需求。围绕手写汉字动态信息恢复中的基于结构分析和基于模型匹配两类问题,开展了5个方面的研究工作:基于模糊区域检测的手写汉字笔划提取、汉字的结构化建模表示、基于结构模型的动态信息恢复,手写汉字图像的骨架修正以及基于模型匹配的动态信息恢复技术。针对手写汉字笔划提取的重点和难点——模糊区域的识别和解析,提出了一种新的基于模糊区域检测的手写汉字笔划提取算法,提高基于结构分析的动态信息恢复的预处理效果。首先,由骨架特征点来确定模糊区域的近似中心点;接着,利用近似中心点和其周围的轮廓信息进行模糊区域检测;然后,利用图模型来对子笔划和模糊区域进行建模,构造贝叶斯分类器来分析子笔划对的连续性,并且相应地给出了约束条件和判断准则,分别用于笔划路径的搜索和处理多描绘子笔划;最后,进行B样条插值来提取细化后的笔划。该算法不仅能够有效地用于模糊区域检测和笔划提取,而且能够避免笔划在模糊区域内的形状畸变。在笔划提取的基础上,分析汉字的层次结构,提出了一种脱机手写汉字动态信息恢复模型。将汉字依次分为4个层次:整字、部件、子部件和笔划,利用4种拆分操作将整字拆分为部件,部件拆分为子部件,并由此形成了子部件间的5种拆分关系。通过定义一组拆分关系与子部件偏序关系之间的对应规则,得到子部件的全序关系。而子部件作为最基本的恢复单位,其书写顺序通过对笔划和交叉笔划对进行分类来得到。该方法对于具有完整层次结构的手写汉字的书写顺序恢复,具有较好的准确率和处理速度。针对现存的大多数的骨架提取算法会产生伪段或形状扭曲这个不可避免的问题,提出了一种通过识别和修正不可靠段来改进手写图像骨架的方法。首先,给出了一种新颖的特征——迭代次数,将骨架的不可靠段看做是迭代次数异常的点的集合,并且采用无向图对字符骨架进行建模,将图中的节点对应为骨架上的特征点及其周围具有异常迭代次数的像素点;其次,为了避免骨架分枝长度对不可靠段识别的影响,又给出了一种基于迭代次数的节点距离度量方法,用于对图中的边进行加权。于是,不可靠段识别的问题就转换成将该无向图分解为一个子图集合的问题,并可通过一种有效的聚类质量估算函数对该图进行聚类来解决。最后,在骨架修正阶段,利用最佳匹配的方法来得到可靠段之间的连续性,而对不可靠段的修正则是通过对其相连可靠段的采样点进行B样条插值来进行。该方法不仅可以修正汉字的骨架,而且对于英文的骨架也具有较高的修正效果。在基于模型匹配的动态信息恢复的研究中,采用序列匹配的方法找出输入字符的骨架和动态模型序列之间的对应关系,以达到动态信息恢复的目的。首先,采用形状上下文来定义输入图像和模型图像对应点之间的匹配代价:然后,通过建模对字符骨架进行分段,并采用基于DTW距离的子序列匹配来找出骨架各分段的最佳序列匹配;为了避免搜索整条序列,针对骨架分段的特点,设计一种具有较低计算代价的子序列匹配算法;最后,通过子图映射和子图恢复来找出最佳的全局匹配路径,并分析了输入图像的子图集合到模型序列的映射方法,以及子图内部的书写顺序恢复的路径约束。该方法对于形状和位置的变化以及笔划的缺省和连笔具有一定的鲁棒性和较高的恢复性能。
刘利娜[8]（2009）在《手写体字符识别的研究与应用》文中研究说明手写体字符识别是图象处理和模式识别领域中的研究课题之一。字符识别系统一般由图像采集、信号预处理、特征提取、分类识别等几个部分组成。识别系统的识别方式可分为联机手写体字符识别、脱机印刷体字符识别和脱机手写体字符识别等,其中脱机手写体字符由于书写者的因素,使其字符图像的随意性很大,例如:笔划的粗细、字体的大小、手写体的倾斜度、字符笔划的局部扭曲变形、字体灰度的差异等都直接影响到字符的最终识别效果,因此手写体字符识别是模式识别领域内最具挑战性的课题。本文旨在研究手写体字符识别过程中某个阶段的处理方法及其有待改进的算法。文中描述了手写体字符识别方法的研究背景和发展状况,并且描述了几种目前比较有代表性的字符细化算法、手写体字符识别算法和模型,讨论了这些算法目前存在的不足,通过对这几种方法的进一步研究,文中提出了比较实用的修复方法:提高手写体数字细化效果的改进算法和基于轮廓笔划的手写体字符识别法。目前,细化算法的基本方法主要有:Hilditch算法、Pavlidis细化算法和Rosenfeld细化算法。对手写的数字来说,当墨水的扩散或字体过小,有时会造成数字图像中出现宽度远大于正常笔道宽度的疙瘩,当细化时该疙瘩会被细化为一条线或一个点,这将严重影响识别效果。为解决此问题,对原Hilditch细化算法进行了改进,实验结果表明它的细化效果比原Hilditch算法有和Rosenfeld算法等有一定的提高。非线性PCA神经网络算法是一种能识别字母,数字的有效手写体字符识别方法,但此算法要经过大量的迭代和训练,本文提出的基于轮廓笔划的字符识别法在字母识别率上虽没有此算法高,但是在数字识别率上比此算法高,实验结果表明此算法有一定的可行性。
王颖[9]（2008）在《手写体汉字的合成方法研究》文中提出手写体汉字识别和生成一直是模式识别领域的一大难题,对手写体汉字识别的研究有助于提出解决模式识别一些基本问题的方法,手写体汉字生成的研究则有助于手写体识别的研究。用生成的手写体字符可以为机器学习、模式识别提供大量的训练样本,还可以用合成的字符生成个性化文档。现有的关于字符生成的算法大部分都是关于英文字符,但这些算法都不适合汉字的生成。本文通过两个方面对汉字合成进行分析,一是用英文字符的方法即形状统计的方法进行汉字合成,具体包括了三个方面:汉字形状的变化表示、汉字笔划的形状表示和笔划、部首的空间结构统计。另一方面是基于汉字层次模型的合成方法,通过汉字的三层等级表示将汉字分解为基本的部件。这些基本部件形成笔划和部首数据集合。在合成过程,我们运用基于小波变换的特征提取方法选取合适的笔划和部首作为候选。并且我们从汉字的结构特征出发提出了一些汉字的“美学约束”。在组合过程中我们运用遗传算法来搜索符合“美学约束”的最优结果。具体内容包括四个方面:汉字的三层等级表示模型、汉字的“美学约束”定义、基于小波分解的特征提取、基于遗传算法的最优搜索。具体为:（1）汉字的三层等级表示模型大部分得汉字是由一些基本的笔划和部首组成,本文将汉字分解成“汉字→部首→笔画”三层模型。（2）汉字的部件之间的关系从汉字的结构性质出发,我们定义了一些符合汉字特性的“美学约束”,并将这些“约束”量法。并在搜索过程中搜索符合这些“约束”的汉字。（3）基于小波分解的特征提取本文引入小波变换,并利用小波变换的多尺度特性抽取汉字更为有用的“轮廓”信息。以此来选择候选的基本笔划和基本部首。（4）基于遗传算法的最优组合由候选笔划和部首组合得到的字符数量庞大,为了得到其中最符合“美学约束”的汉字,一个蛮干的方法就是穷举所有的汉字,但是效率太低。我们利用遗传算法来进行近似的最优搜索。
龙腾[10]（2008）在《旋转方向无关的无约束手写中文词组识别》文中研究说明本文致力于研究旋转方向无关的无约束中文手写词组识别技术,这种技术能让用户在没有字符框约束的书写区域内自然、流畅地以任意角度书写汉字词组。然而,这项研究面临着多项技术难题,包括:书写词组的旋转方向矫正问题,词组字符间笔画的粘连与重叠所带来的切分问题,汉字结构复杂与书写风格多变的问题,以及汉字词组词汇量庞大等问题。本文围绕着这些难点对中文手写词组的识别技术展开了一系列研究,主要工作包括:1.针对手写词组的倾斜矫正,提出了一种基于重心平衡的中文手写词组方向检测方法。实验结果表明,该方法能较好地将用户以任意倾斜角度（0°360°）书写的中文词组矫正到水平位置,从而使得本文提出的手写词组识别方法成为一种旋转方向无关的手写词组识别方法。2.用户在快速书写的过程中,字与字之间容易产生连笔的现象,而且用户如果书写的词组字间距很小,字与字之间也容易产生笔画粘连甚至部分笔画重叠等问题,针对这些问题,本文提出了一种基于笔段提取与启发式笔段拆分的过切分方法。实验结果表明,该方法能较好地将连笔、粘连笔画或部分重叠笔画切分开来,从而为后面的切分组合路径搜索打好了基础。3.对手写单字识别进行了深入研究,提出两种不同的识别方案,一种基于笔画矢量方向特征和动态时间规整（DTW）技术的联机汉字识别方法,另一种则基于两级LDA粗分类器和一级MQDF细分类器的多级脱机汉字识别方法,并将两种识别方案进行了集成。实验结果表明,联机与脱机识别技术有着较好的互补性,两者的集成大幅提高了手写汉字的识别效果。另外,针对汉字书写可能出现不同的书写风格,本文也对手写汉字的多模板建模进行了研究,为了提高多模板的代表性,提出一种基于简化引力模型的聚类方法,实验结果表明,该聚类方法能生成比传统K-Means聚类更优的多模板,即使通过最小分类错误率（MCE）训练方法对多模板进行训练调整,调整后的模板也要优于经过同样MCE训练调整后的K-Means聚类模板。4.针对手写词组的字符切分,提出一种基于识别的字符切分验证模型,并同时用到词典的信息对切分结果进行进一步确认,由于对切分出来的部分进行单字识别输出的是识别候选字序列,因此在切分路径的搜索过程中,只要每个切分部分的正确的结果位于该部分的识别候选字序列内,即使不是第一识别候选,也能在后续的基于词典信息的切分验证模型中将其找出组成正确的词组输出。另外,针对中文词组词汇量大的问题,本文采用了一种哈希词典技术,使词典搜索验证的时间复杂度为常数O（1）。实验结果表明,通过这种验证模型进行词组识别,由于利用了词组中单字间的上下文信息,识别率由单字识别的84.58%提高到91.67%,而错误率则由15.42%下降到5.23%,大幅下降了66.9%,从而显示出本文提出的中文手写词组识别方法的有效性,5.传统的高准确率MQDF分类器由于其参数存储量巨大,无法被应用于存储空间受限的手持设备如手机或掌上电脑上,为了使其能得到应用,让人们体验到这种技术带来的识别率的大幅提升,本文研究提出了一种基于子空间共享的矢量量化压缩技术,该技术能以牺牲较小的识别性能来换取大幅降低的识别引擎字典存储空间。本文将其应用在传统的LDA与MQDF分类器上,使得整体分类器字典的容量从76.4MB降到了2.06MB,大幅压缩了97.3%,而识别率则仅仅下降0.88%,仍然维持在97%以上的水平。通过这种技术,使得传统的高识别率MQDF分类器被移植到手机等手持设备上成为可能。总之,多字词的手写识别由于包含了上下文信息,只要切分问题能得以很好的解决,则对其的识别效果将优于单字的手写识别,而且多字词的连续输入相对于单个字符逐个逐框地输入更显得自然和人性化,这些特点都表明了多字词连续手写识别技术将是汉字手写识别技术未来的发展方向。
二、一种新颖的汉字笔划提取算法（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、一种新颖的汉字笔划提取算法（论文提纲范文）
（1）手写文字识别及相关问题算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 手写识别发展现状 |
| 1.2.2 相关问题的发展现状 |
| 1.3 主要研究内容及创新点 |
| 1.4 论文组织结构 |
| 第2章 基于一维卷积的联机手写汉字识别 |
| 2.1 引言 |
| 2.2 基于一维卷积的联机手写汉字识别算法 |
| 2.2.1 手写轨迹预处理 |
| 2.2.2 基于1D-CNN的手写识别架构 |
| 2.3 实验结果 |
| 2.3.1 数据集设置 |
| 2.3.2 不同配置下1D-CNN的识别结果 |
| 2.3.3 1D-CNN与RNN之间的比较 |
| 2.3.4 各种策略的消融实验分析 |
| 2.3.5 在公开数据集上的最终性能比较 |
| 2.4 结论 |
| 第3章 基于注意力机制的空中手写英文单词识别 |
| 3.1 引言 |
| 3.2 空中手写英文单词数据集 |
| 3.2.1 空中手写英文单词的样本采集 |
| 3.2.2 空中手写英文单词的特点 |
| 3.3 基于注意力机制的手写单词识别算法 |
| 3.3.1 空中手写英文单词预处理 |
| 3.3.2 基于注意力机制的编码-解码识别架构 |
| 3.4 实验结果 |
| 3.4.1 实验配置细节 |
| 3.4.2 词典约束解码策略的性能分析 |
| 3.4.3 注意力机制的可视化分析 |
| 3.4.4 用户独立性实验分析 |
| 3.4.5 识别模型的消融实验分析 |
| 3.4.6 与其它空中手写英文单词识别工作的比较 |
| 3.4.7 不同方法的最终识别准确率比较 |
| 3.4.8 识别案例分析 |
| 3.5 结论 |
| 第4章 基于时序卷积循序网络的空中手写中文文本识别 |
| 4.1 引言 |
| 4.2 空中手写中文文本数据集 |
| 4.2.1 空中手写中文文本的样本采集 |
| 4.2.2 空中手写中文文本的特点 |
| 4.3 基于时序卷积循环网络的手写文本识别算法 |
| 4.3.1 空中手写中文文本预处理 |
| 4.3.2 基于时序卷积循环网络的识别架构 |
| 4.4 实验结果 |
| 4.4.1 实验配置细节 |
| 4.4.2 模型的整体性能评估 |
| 4.4.3 消融实验分析 |
| 4.4.4 与基于神经网络的主流识别方法比较 |
| 4.4.5 不同方法在公开数据集上的最终性能比较 |
| 4.4.6 错误案例分析 |
| 4.5 结论 |
| 第5章 基于生成对抗网络的手写文本生成 |
| 5.1 引言 |
| 5.2 基于生成对抗网络的手写文本生成算法 |
| 5.2.1 HiGAN的框架 |
| 5.2.2 训练损失函数 |
| 5.3 实验结果 |
| 5.3.1 实验配置细节 |
| 5.3.2 手写文本生成效果 |
| 5.3.3 模型的鲁棒性分析 |
| 5.3.4 与现有的GAN方法比较 |
| 5.3.5 使用GAN提升手写识别性能 |
| 5.4 结论 |
| 第6章 基于卷积神经网络的手写汉字识别模型压缩 |
| 6.1 引言 |
| 6.2 基于卷积神经网络的手写汉字识别模型压缩算法 |
| 6.2.1 相关知识介绍 |
| 6.2.2 二维卷积神经网络的一体化压缩方法 |
| 6.2.3 提出方法与前人工作的比较优势 |
| 6.3 实验结果 |
| 6.3.1 实验配置细节 |
| 6.3.2 通道裁剪性能评估 |
| 6.3.3 参数量化性能评估 |
| 6.3.4 整体压缩算法性能 |
| 6.3.5 错误案例分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）3D画笔建模及虚拟触觉绘制过程控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 虚拟画笔建模技术研究现状 |
| 1.2.2 虚拟绘制及控制技术研究现状 |
| 1.2.2.1 二维笔道绘制过程控制及仿真方法研究现状 |
| 1.2.2.2 虚拟三维绘制及控制技术研究现状 |
| 1.2.2.3 特殊笔道绘制效果控制技术研究现状 |
| 1.2.3 力觉反馈技术研究现状 |
| 1.2.4 碰撞检测技术研究现状 |
| 1.3 课题来源与论文主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 本论文主要研究内容 |
| 2 基于变刚度的虚拟3D画笔力反馈仿真模型 |
| 2.1 画笔的基本结构与绘制过程绘制行为分析 |
| 2.2 虚拟3D画笔几何模型构建 |
| 2.3 虚拟3D画笔变刚度弯曲力学模型构建 |
| 2.3.1 画笔骨架弯曲变形的基本方程 |
| 2.3.2 弯曲骨架的弹塑性弯曲分析 |
| 2.3.3 力反馈仿真分析 |
| 2.3.4 画笔轮廓控制截面扁曲变形 |
| 2.4 基于骨架驱动的虚拟3D画笔网格表面变形算法 |
| 2.4.1 网格变形骨架均值子空间算法步骤 |
| 2.4.2 骨架子空间模型的改进 |
| 2.4.3 变形能量约束函数 |
| 2.5 虚拟3D画笔画笔笔头分叉建模 |
| 2.6 本章小结 |
| 3 虚拟触觉二维笔道绘制过程控制方法研究 |
| 3.1 虚拟二维笔道触觉绘制及控制方法 |
| 3.2 触觉绘制中特殊笔道绘制效果生成控制方法 |
| 3.2.1 触觉绘制中笔道颜色建模及控制 |
| 3.2.1.1 笔道颜色建模研究基础 |
| 3.2.1.2 KM颜料光学模型基本微分方程 |
| 3.2.1.3 笔道中单一颜料颜色绘制效果控制 |
| 3.2.1.4 笔道中多种颜料混合绘制效果控制 |
| 3.2.1.5 笔道中多层颜料叠加绘制效果控制 |
| 3.2.1.6 笔道颜色存储方法 |
| 3.2.2 触觉绘制中“水墨传输、扩散”效果建模及控制 |
| 3.2.2.1 宣纸建模 |
| 3.2.2.2 笔道初始区和扩散区分析 |
| 3.2.2.3 触觉绘制中画笔与宣纸表面间的水墨颜料传输过程控制 |
| 3.2.2.4 宣纸表面水粒子扩散过程控制 |
| 3.2.2.5 宣纸表面颜料粒子扩散过程控制 |
| 3.2.2.6 画笔笔头上颜料扩散过程控制 |
| 3.2.2.7 虚拟绘制中蒸发过程控制 |
| 3.2.2.8 颜料粒子在宣纸纤维中沉积过程控制 |
| 3.3 二维触觉绘制实验 |
| 3.3.1 虚拟二维笔道效果控制仿真实验 |
| 3.3.2 特殊笔道绘制效果控制仿真实验 |
| 3.4 本章小结 |
| 4 虚拟三维笔道触觉绘制控制技术 |
| 4.1 虚拟油泥造型技术 |
| 4.1.1 虚拟油泥造型方法 |
| 4.1.2 基于压缩体素形式的虚拟油泥模型表面信息提取与存储 |
| 4.2 虚拟画笔与虚拟三维物体之间的碰撞检测算法及接触力模拟 |
| 4.3 虚拟触觉绘制过程三维笔道的生成 |
| 4.3.1 最小包围球与投影平面的建立 |
| 4.3.2 虚拟三维绘制笔道生成算法 |
| 4.4 三维触觉绘制实验 |
| 4.5 本章小结 |
| 5 虚拟触觉绘制系统运行实时性优化研究 |
| 5.1 触觉绘制过程力反馈响应频率的确定 |
| 5.2 虚拟画笔动态采样时间优化 |
| 5.3 触觉绘制过程并行处理技术 |
| 5.4 本章小结 |
| 6 虚拟三维物体表面触觉绘制原型系统实现 |
| 6.1 虚拟触觉绘制系统开发平台 |
| 6.2 触觉交互设备工作原理 |
| 6.2.1 力反馈交互设备 |
| 6.2.2 三维鼠标设备 |
| 6.3 虚拟触觉绘制系统工作流程与运行界面 |
| 6.3.1 虚拟触觉绘制系统主要工作流程 |
| 6.3.2 虚拟触觉绘制系统三维渲染的openinventor场景图 |
| 6.3.3 虚拟触觉绘制系统主要运行界面效果 |
| 6.4 虚拟触觉三维绘制过程综合仿真实验 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 读博期间的科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（3）基于生成式对抗网络的汉字生成方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究综述 |
| 1.2.1 图像转换与风格迁移研究综述 |
| 1.2.2 生成式对抗网络研究综述 |
| 1.2.3 汉字生成与字体转换研究综述 |
| 1.2.4 汉字识别与规范化方法研究综述 |
| 1.3 本文研究内容及组织结构 |
| 第二章 基于HCCG-GAN的书写人风格汉字生成 |
| 2.1 本章概述 |
| 2.2 书写人风格汉字生成方法 |
| 2.2.1 方法流程 |
| 2.2.2 跳跃连接(Skip connection) |
| 2.2.3 损失函数 |
| 2.3 实验结果分析 |
| 2.3.1 汉字数据集 |
| 2.3.2 实验细节与参数设置 |
| 2.3.3 实验结果与分析 |
| 2.3.4 错误分析 |
| 2.4 实验评估 |
| 2.4.1 图像像素差异性评估 |
| 2.4.2 图像风格差异性评估 |
| 2.5 本章小结 |
| 第三章 基于PCCG-GAN的手写体汉字规范化 |
| 3.1 本章概述 |
| 3.2 手写汉字规范化方法 |
| 3.2.1 方法流程 |
| 3.2.2 网络结构 |
| 3.2.3 损失函数 |
| 3.2.4 拟采用数据集 |
| 3.3 实验结果分析 |
| 3.3.1 汉字数据集 |
| 3.3.2 训练细节与参数设置 |
| 3.3.3 实验结果与分析 |
| 3.3.4 错误分析 |
| 3.4 实验评估 |
| 3.4.1 图像像素差异性评估 |
| 3.4.2 文字识别准确率评估 |
| 3.5 本章小结 |
| 第四章 汉字生成系统设计与实现 |
| 4.1 本章概述 |
| 4.2 系统设计 |
| 4.3 结果展示 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
（4）基于优化分割与提取的西夏古籍文字识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要内容及设计 |
| 第二章 西夏文字字形特征分析 |
| 2.1 西夏文字的简介 |
| 2.2 西夏文字的四角号码 |
| 2.3 西夏文字研究的难点分析 |
| 2.4 本章小结 |
| 第三章 古籍图像预处理与分割 |
| 3.1 图像二值化 |
| 3.2 数学形态学 |
| 3.2.1 形态学算子 |
| 3.3 基于连通域分析算法的古籍图像分割 |
| 3.3.1 连通域 |
| 3.3.2 连通区域分析算法 |
| 3.4 边缘检测 |
| 3.4.1 概述 |
| 3.4.2 实验 |
| 3.5 本章小结 |
| 第四章 特征提取 |
| 4.1 方向梯度直方图(HOG)简介 |
| 4.2 方向梯度直方图HOG算法实现 |
| 4.2.1 颜色空间归一化 |
| 4.2.2 梯度计算 |
| 4.2.3 特征向量归一化 |
| 4.3 三线性插值 |
| 4.3.1 概述 |
| 4.3.2 算法的由来 |
| 4.3.3 实验 |
| 4.4 本章小结 |
| 第五章 基于三种分类器的识别对比 |
| 5.1 机器学习 |
| 5.1.1 机器学习的简述 |
| 5.1.2 机器学习的分类 |
| 5.1.3 机器学习的发展 |
| 5.2 支持向量机 |
| 5.2.1 支持向量机简介 |
| 5.2.2 支持向量机的数学推导 |
| 5.2.4 基于SVM的西夏文字识别 |
| 5.3 Random Forests算法 |
| 5.3.1 Random Forests算法简介 |
| 5.3.2 随机森林算法原理 |
| 5.3.3 基于随机森林的西夏文字识别 |
| 5.4 K Nearest Neighbor算法 |
| 5.4.1 K Nearest Neighbor算法简介 |
| 5.4.2 K-NN算法之球树实现原理 |
| 5.4.3 K-NN算法小结 |
| 5.4.4 基于KNN的西夏文字识别 |
| 5.5 实验结果及分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结及创新点分析 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（5）数字笔迹书法风格生成技术研究及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 手写与书法的特点 |
| 1.2 相关领域研究及其现状 |
| 1.2.1 数字墨水技术 |
| 1.2.2 虚拟毛笔模型仿真 |
| 1.2.3 书法生成技术 |
| 1.2.4 基于轨迹分析的手写美化技术 |
| 1.3 本文主要研究内容 |
| 1.4 本文结构 |
| 第二章 基于笔刷与速度模型的书法生成技术 |
| 2.1 笔刷与速度模型基本思想 |
| 2.2 书法实时生成方法 |
| 2.2.1 提取轨迹特征 |
| 2.2.2 基于速度的笔划模拟 |
| 2.2.3 突变抑制 |
| 2.2.4 笔锋生成 |
| 2.2.5 贝塞尔插值 |
| 2.2.6 手写笔迹的渲染 |
| 2.3 非实时书法模拟 |
| 2.3.1 基本思想 |
| 2.3.2 拐点检测 |
| 2.3.3 笔划类型识别及其宽度重构 |
| 2.4 实验与结果 |
| 2.4.1 不同笔刷渲染实验 |
| 2.4.2 不同参数仿真效果 |
| 2.4.3 实时渲染与非实时渲染对比 |
| 2.4.4 仿真耗时实验 |
| 2.4.5 书法整体效果实验 |
| 2.4.6 书法效果对比实验 |
| 2.5 本章小结 |
| 第三章 在线手写书法字体轮廓提取与编码 |
| 3.1 基本思想 |
| 3.2 轮廓提取 |
| 3.2.1 笔刷外轮廓点的提取 |
| 3.2.2 在线书法字体外轮廓提取 |
| 3.2.3 笔划拆分 |
| 3.3 轮廓曲线的贝塞尔编码 |
| 3.4 实验与结果 |
| 3.4.1 轮廓提取实验 |
| 3.4.2 不同形状笔刷轮廓提取实验 |
| 3.4.3 贝塞尔编码实验 |
| 3.4.4 性能测试实验 |
| 3.5 本章小结 |
| 第四章 基于 Android 平台的手写书法生成与编辑系统设计 |
| 4.1 Android 平台简介 |
| 4.2 书法模拟系统设计与实现 |
| 4.2.1 系统功能及其架构 |
| 4.2.2 基本数据结构模型 |
| 4.2.3 手写书法模拟模块 |
| 4.2.4 手写编辑模块 |
| 4.2.5 数据存储与文件管理 |
| 4.3 终端适配 |
| 4.4 系统界面与功能 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）书法碑帖文字的笔划提取技术及其实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 中国书法艺术及其仿真意义 |
| 1.2 计算机书法 |
| 1.3 书法笔划提取的意义 |
| 1.4 本文的主要工作和组织结构 |
| 第二章 书法笔划提取的相关工作 |
| 2.1 书法图像预处理 |
| 2.1.1 常见去除图像噪声的方法 |
| 2.1.2 书法碑帖图像的预处理方法 |
| 2.2 骨架提取 |
| 2.2.1 图像细化算法分析 |
| 2.2.2 适合于中国碑帖书法图像的细化算法 |
| 2.3 边缘检测和轮廓提取 |
| 2.4 单字切分 |
| 2.4.1 汉字切分方法分类 |
| 2.4.2 书法作品单字图像分割 |
| 2.5 本章小结 |
| 第三章 基于书法字体结构知识的笔划提取方法 |
| 3.1 相关的研究 |
| 3.1.1 基于字体细化的笔划提取方法 |
| 3.1.2 基于轮廓的笔划提取方法 |
| 3.1.3 基于笔划段分割和组合的笔划提取方法 |
| 3.2 笔划提取 |
| 3.2.1 特征的获取和提取方法定制 |
| 3.2.2 算法的设计和实现 |
| 3.3 本章小结 |
| 第四章 书法笔划轮廓恢复 |
| 4.1 相关研究 |
| 4.2 定义 |
| 4.3 笔划建模 |
| 4.4 统计模型的建立 |
| 4.5 统计模型的求解 |
| 4.6 实验结果 |
| 4.7 本章小结 |
| 第五章 中国碑帖书法文字笔划提取系统 |
| 5.1 系统的功能及结构 |
| 5.2 系统的实现 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 进一步工作展望 |
| 附录 |
| 参考文献 |
| 致谢 |
（7）手写汉字图像动态信息恢复方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.2 国内外研究概况 |
| 1.3 本论文的工作 |
| 2 手写汉字的动态信息恢复技术分析 |
| 2.1 引言 |
| 2.2 手写汉字信息化管理技术分析 |
| 2.3 动态信息恢复的关键技术分析 |
| 2.4 本章小结 |
| 3 手写汉字图像的骨架修正算法 |
| 3.1 引言 |
| 3.2 基于迭代次数的不可靠段识别 |
| 3.3 骨架修正 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 4 基于模糊区域检测的笔划提取算法 |
| 4.1 引言 |
| 4.2 模糊区域的检测 |
| 4.3 笔划提取 |
| 4.4 实验与分析 |
| 4.5 本章小结 |
| 5 基于结构分析的动态信息恢复模型 |
| 5.1 引言 |
| 5.2 汉字的层次模型 |
| 5.3 拆分操作 |
| 5.4 汉字的拆分 |
| 5.5 书写顺序恢复 |
| 5.6 实验与分析 |
| 5.7 本章小结 |
| 6 基于模型匹配的动态信息恢复 |
| 6.1 引言 |
| 6.2 建模表示 |
| 6.3 点匹配 |
| 6.4 子序列匹配 |
| 6.5 模型映射 |
| 6.6 实验与分析 |
| 6.7 本章小结 |
| 7 全文总结和研究展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表论文 |
| 附录2 本文中相关概念和定义 |
（8）手写体字符识别的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 研究的背景和意义 |
| 1.3 手写体识别的发展 |
| 1.3.1 手写体数字的特点 |
| 1.3.2 手写体汉字的特点 |
| 1.3.3 手写体汉字识别难的原因 |
| 1.4 主要工作与论文结构 |
| 1.4.1 本文的主要工作 |
| 1.4.2 本文结构 |
| 第二章 模式识别理论分析 |
| 2.1 模式识别系统介绍 |
| 2.1.1 图像信息获取 |
| 2.1.2 预处理 |
| 2.1.3 特征提取和选择 |
| 2.1.4 分类器设计与决策方法 |
| 2.2 统计模式识别 |
| 2.2.1 主分量分析(PCA)法 |
| 2.3 图像匹配方法分析 |
| 2.3.1 国内外现有的匹配算法 |
| 2.3.2 特征提取与匹配方法 |
| 2.4 本章小结 |
| 第三章 提高手写体数字细化效果的改进算法 |
| 3.1 典型细化方法概述 |
| 3.2 基本概念 |
| 3.3 细化算法思想描述 |
| 3.4 图像细化的基本流程 |
| 3.5 数字细化的理论分析与改进算法 |
| 3.5.1 理论分析 |
| 3.5.2 算法改进 |
| 3.6 实验步骤 |
| 3.7 实验结果与分析 |
| 3.8 本章小结 |
| 第四章 基于轮廓笔划的手写体字符识别法 |
| 4.1 轮廓笔划识别法 |
| 4.1.1 特征点的提取方法 |
| 4.1.2 本文算法及其描述 |
| 4.2 实验步骤 |
| 4.3 实验结果与分析 |
| 4.3.1 实验结果 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 第五章 总结和未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录：作者在攻读硕士学位期间发表的论文 |
（9）手写体汉字的合成方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 计算机汉字书法的发展 |
| 1.3 汉字识别的发展 |
| 1.4 手写体合成的发展 |
| 1.5 本文研究内容及安排 |
| 第二章 汉字的形状统计生成模型 |
| 2.1 形状的表示 |
| 2.2 形状变化的表示 |
| 2.2.1 主成份分析 |
| 2.2.2 主成份分析在高维数据中的处理 |
| 2.2.3 基于主成份分析的形状统计模型 |
| 2.3 汉字生成研究 |
| 2.3.1 笔划的统计和生成 |
| 2.3.2 笔划生成部首 |
| 2.3.3 部首的统计 |
| 2.3.4 单字的生成 |
| 2.4 实验结果 |
| 2.5 本章小结 |
| 第三章 基于层次模型的汉字合成方法 |
| 3.1 汉字的特性和层次表示模型 |
| 3.2 汉字各种特性的表示建模 |
| 3.2.1 空间布局模型 |
| 3.2.2 部件之间的关系模型 |
| 3.2.3 笔划粗细的计算 |
| 3.3 基于小波特征的笔划、部首选取 |
| 3.3.1 小波分析的背景知识 |
| 3.3.2 多分辨率分析 |
| 3.3.3 小波特征提取 |
| 3.4 基于遗传算法的最优组合 |
| 3.4.1 遗传算法的背景知识 |
| 3.4.2 遗传算法的基本概念 |
| 3.4.3 遗传算法的一般过程 |
| 3.4.4 字符合成中遗传算法的基本过程 |
| 3.4.5 构造遗传算法进行最优组合 |
| 3.5 实验结果 |
| 3.6 本章小结 |
| 第四章 总结与展望 |
| 4.1 内容总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间论文发表情况 |
（10）旋转方向无关的无约束手写中文词组识别（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 手写词组识别技术的研究现状 |
| 2.1 手写词组识别的主要技术 |
| 2.1.1 预处理技术 |
| 2.1.2 切分技术 |
| 2.1.3 识别技术 |
| 2.1.4 后处理技术 |
| 2.2 中文手写词组识别的现状和难点 |
| 2.3 本章小结 |
| 第三章 多种手写汉字识别方法及其集成的研究 |
| 3.1 基于DTW的联机汉字识别 |
| 3.1.1 联机方向特征提取 |
| 3.1.2 联机位置特征提取 |
| 3.1.3 结合方向特征与位置特征的DTW匹配 |
| 3.2 基于统计学习的脱机汉字识别 |
| 3.2.1 基于弹性网格的特征提取 |
| 3.2.2 梯度特征提取 |
| 3.2.3 8 方向特征提取 |
| 3.2.4 LDA分类器 |
| 3.2.5 MQDF分类器 |
| 3.2.6 简化引力聚类模型用于最小分类错误率（MCE）的多模板训练 |
| 3.3 联机与脱机识别方法的集成 |
| 3.4 实验结果 |
| 3.4.1 脱机与联机识别方法的集成 |
| 3.4.2 不同的脱机分类器比较结果 |
| 3.4.3 多模板训练实验 |
| 3.5 本章小结 |
| 第四章 基于识别与词典信息的手写词组识别方法 |
| 4.1 基于方向拐点检测的笔段提取 |
| 4.2 启发式连笔笔段的拆分 |
| 4.3 基于几何位置关系的启发式笔段合并 |
| 4.4 基于识别信息与词典信息的切分识别 |
| 4.5 实验结果 |
| 4.5.1 用于实验的手写样本数据 |
| 4.5.2 词典的选取与建立 |
| 4.5.3 单字识别分类器 |
| 4.5.4 连笔笔段拆分的有效性 |
| 4.5.5 词组识别 |
| 4.6 本章小结 |
| 第五章 旋转方向无关的手写词组识别 |
| 5.1 传统的方向检测方法 |
| 5.2 用于矩形倾斜矫正的重心平衡法 |
| 5.3 重心平衡法的数学证明 |
| 5.4 重心平衡法在手写词组方向检测上的应用 |
| 5.5 与几种常用方向检测方法的对比实验 |
| 5.6 本章小结 |
| 第六章 基于子空间分布共享的矢量量化压缩技术 |
| 6.1 手写单字识别MQDF分类器模板参数的压缩构建 |
| 6.1.1 基于LDA的降维分析 |
| 6.1.2 基于子空间分布共享的矢量量化压缩 |
| 6.1.3 存储空间与识别率折中关系曲线分析 |
| 6.2 实验结果 |
| 6.2.1 实验条件 |
| 6.2.2 MQDF分类器的识别速度优化 |
| 6.2.3 未经压缩的存储量与识别率折中关系曲线 |
| 6.2.4 主特征矢量的降维压缩 |
| 6.2.5 不同的矢量量化效果对比 |
| 6.2.6 错误率与拒绝率的折中关系曲线 |
| 6.2.7 在整理过的手写样本数据库上的实验结果 |
| 6.2.8 识别时间特性分析 |
| 6.3 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 |
四、一种新颖的汉字笔划提取算法（论文参考文献）
- [1]手写文字识别及相关问题算法研究[D]. 甘吉. 中国科学院大学(中国科学院计算机科学与技术学院), 2021(01)
- [2]3D画笔建模及虚拟触觉绘制过程控制方法研究[D]. 黄磊. 大连理工大学, 2020(01)
- [3]基于生成式对抗网络的汉字生成方法研究[D]. 张红蕊. 天津师范大学, 2020(08)
- [4]基于优化分割与提取的西夏古籍文字识别研究[D]. 李小璐. 宁夏大学, 2019(02)
- [5]数字笔迹书法风格生成技术研究及实现[D]. 黄树东. 华南理工大学, 2013(01)
- [6]书法碑帖文字的笔划提取技术及其实现[D]. 赵琪. 华东师范大学, 2010(03)
- [7]手写汉字图像动态信息恢复方法研究[D]. 苏哲文. 华中科技大学, 2009(11)
- [8]手写体字符识别的研究与应用[D]. 刘利娜. 江南大学, 2009(05)
- [9]手写体汉字的合成方法研究[D]. 王颖. 南京航空航天大学, 2008(06)
- [10]旋转方向无关的无约束手写中文词组识别[D]. 龙腾. 华南理工大学, 2008(11)