趙冬香　曹賢平

摘 要：文章針對部分清水江文書保管不善，破舊、污損嚴(yán)重，人工難以識別的特點，建立了基于BP神經(jīng)網(wǎng)絡(luò)的清水江文書識別系統(tǒng)，該系統(tǒng)以Matlab技術(shù)實現(xiàn)，初期所挑選的待識別漢字都是書寫較標(biāo)準(zhǔn)規(guī)范的漢字圖像，系統(tǒng)所使用的識別樣本庫是HCL2000國家脫機手寫漢字標(biāo)準(zhǔn)數(shù)據(jù)庫。測試結(jié)果表明，本系統(tǒng)對書寫規(guī)范的漢字識別率較高，能達(dá)到85%以上，而對一些錯別字、繁體字、異形字識別率較低。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；清水江文書；分類器

1 概述

清水江文書，又名錦屏文書，主要是指一些山林經(jīng)營和木材貿(mào)易方面的民間契約和交易記錄，是貴州清水江流域苗族侗族人民創(chuàng)造和保存的一種民間文獻(xiàn)遺產(chǎn)，具有多學(xué)科研究價值，2010年2月被列入《中國檔案文獻(xiàn)遺產(chǎn)名錄》。

但是，正因為其長期在民間保存，沒有很好的外部環(huán)境，導(dǎo)致很多文書破舊、污損，識別困難。一直以來，都是依靠人工識別文書，效率低下，不能及時有效的再現(xiàn)清水江文書的價值。如何快速高效的識別出文書上的字，是一直困擾研究人員的問題，本系統(tǒng)就是利用脫機手寫漢字識別技術(shù)，結(jié)合清水江文書自身特點，希望能研究出一種自動識別出清水江文書的方法。

雖然清水江文書的識別本身也屬于脫機手寫漢字的識別，但因其特殊性，即便前期進(jìn)行預(yù)處理，也比一般意義上的手寫漢字更難于識別。因此，本系統(tǒng)設(shè)計初期從清水江文書中所挑選的待識別漢字都是書寫較標(biāo)準(zhǔn)規(guī)范的漢字圖像。

2 基于BP神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò)，通常具有三層或三層以上，其左、右各層之間每一個神經(jīng)元都有連接，而上下層神經(jīng)元之間無連接。

2.1 圖片預(yù)處理

對輸入的整個文書圖像要先進(jìn)行一些必要的處理，從中正確切分出單個的手寫漢字圖像，形成單個漢字圖像陣列，以便對其進(jìn)行后期的單字識別處理。因清水江文書是采用從右向左、自上而下的豎直書寫方法，所以我們的采用的方法是先自右向左逐列對圖像進(jìn)行掃描，同時對各個掃描列的像素進(jìn)行計算，得到圖像垂直的投影，再利用文字每列之間存在的空白間隔，對其進(jìn)行列分割，最后再依據(jù)字和字之間空白間隔的投影空隙把單個的漢字圖像切分出來。

切分出的單個漢字圖像還要進(jìn)行二值化、去噪、大小歸一化與位置歸一化、細(xì)化、傾斜矯正等處理，這樣處理的是目的為了提高漢字抽取特征的準(zhǔn)確率，從而保證最終文字識別的正確率。如圖2以常見的“立、賣”兩個字為例，經(jīng)過預(yù)處理后，文字大小一致，暗陳的背景與多余的墨跡都被處理掉了。

2.2 手寫漢字的特征提取

對手寫漢字識別特征提取可以有多種方法，本系統(tǒng)中采用了模板法，即在單個待識別漢字圖形上定義一個N×N模板，將每個漢字樣本的長度和寬度N等分，平均有N×N個等份，對每一份內(nèi)的像素個數(shù)進(jìn)行統(tǒng)計，除以每一份的面積總數(shù)，即得特征初值。

雖然N值越大，特征越多，區(qū)分文字的能力越強，但同時計算量增加，計算機時間變長，所需要的樣本庫也成倍增加，一般樣本庫的個數(shù)為特征數(shù)的5-10倍，本系統(tǒng)中特征總數(shù)為5×5=25個，每一種字就需要至少125個標(biāo)準(zhǔn)樣本，如果樣本數(shù)過少，不同文字之間的區(qū)分就較難。

本文實驗所使用的是HCL2000漢字庫，所挑選的待識別漢字都是書寫標(biāo)準(zhǔn)規(guī)范的漢字。與國內(nèi)外其它的數(shù)據(jù)庫相比， 該數(shù)據(jù)庫具有樣本量大且可以實現(xiàn)漢字樣本庫和書寫者信息庫間互查的特點。

2.3 BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計

2.3.1 BP神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)設(shè)計

我們設(shè)計的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有三層：輸入層、隱含層、輸出層，其結(jié)構(gòu)圖如圖1所示。系統(tǒng)中對文字提取了5×5=25個特征作為神經(jīng)網(wǎng)絡(luò)的輸入，因此，輸入結(jié)點為25個，通常隱含層結(jié)點個數(shù)大約為輸入層結(jié)點數(shù)的兩倍，所以隱含層取50個結(jié)點，而輸出層取4個結(jié)點，這4個輸出為四位二進(jìn)制數(shù)，代表神經(jīng)網(wǎng)絡(luò)輸出的文字類型。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)調(diào)整參數(shù)Matlab實現(xiàn)方法及實現(xiàn)步驟

（1）初始化輸入、輸出矩陣p[ ]、t[ ]。p為訓(xùn)練樣品，t為訓(xùn)練樣品所屬的類別。

（2）在樣品被訓(xùn)練前，需要構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，設(shè)置參數(shù)調(diào)整方式。Matlab的newff函數(shù)具有構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的功能，為選擇不同的調(diào)整BP網(wǎng)絡(luò)參數(shù)方式，只需修改newff函數(shù)最后一個參數(shù)，該參數(shù)代表調(diào)整BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值的方法。本系統(tǒng)采用梯度下降法調(diào)整BP參數(shù)，將最后一個參數(shù)設(shè)置為′traingd′，與′traingd′有關(guān)的調(diào)整參數(shù)如表1所示：

其中，學(xué)習(xí)速率是最重要的參數(shù)，權(quán)值和閾值的調(diào)整量就是由它和負(fù)梯度的乘積決定的，學(xué)習(xí)速率越高，調(diào)整步伐越大。然而，學(xué)習(xí)速率過高，算法會變得不穩(wěn)定；但是如果學(xué)習(xí)速率過低，算法收斂的時間就會增長。訓(xùn)練過程中，只要滿足下面五個條件之一，訓(xùn)練就會停止：a.超過最大訓(xùn)練次數(shù)epochs；b.表現(xiàn)函數(shù)值小于誤差指標(biāo)

goal；c.最大失敗次數(shù)超過次數(shù)限制max_fail；d.梯度值小于要求精度min_grad；e.訓(xùn)練所用時間超過時間限制time。

（3）調(diào)用Matlab的train（bpnet，p，t）函數(shù)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。其中，bpnet為已經(jīng)建立好的BP網(wǎng)絡(luò)，p為訓(xùn)練樣品，t為訓(xùn)練樣品所屬的類別。

（4）對待測試樣品，調(diào)用Matlab的sim函數(shù)，利用已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)識別。sim函數(shù)定義為：[t，x，y]=sin（mod el，timespan，options，ut）；其中參數(shù)model表示網(wǎng)絡(luò)結(jié)構(gòu)名，timespan表示循環(huán)次數(shù)，options表示可選條件，ut表示輸入的向量，t表示網(wǎng)絡(luò)輸出向量結(jié)構(gòu)，x表示仿真狀態(tài)矩陣，y表示仿真輸出矩陣。

經(jīng)過梯度下降法訓(xùn)練后，選擇一個經(jīng)過預(yù)處理的文字圖片，用神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類，分類后再把HCL2000漢字庫作為樣本庫進(jìn)行對照，識別出該文字。實驗表明，本系統(tǒng)對于書寫較規(guī)范的漢字圖片，識別率較高，比如“立”字的識別結(jié)果如圖4所示。

3 結(jié)束語

脫機手寫體漢字的OCR識別一直是文字識別領(lǐng)域無法攻克的難題，而清水江文書更因為其誕生于民間的特殊性，其中有很多不規(guī)范的簡寫字、繁體字、異體字甚至于錯別字，使得對樣本庫的要求更高，本系統(tǒng)所使用的HCL2000數(shù)據(jù)庫基本以國家制定的標(biāo)準(zhǔn)簡體字為主，所以對清水江文書中大師出現(xiàn)的繁體字、異體字等無法準(zhǔn)確識別。

測試表明，本系統(tǒng)對書寫規(guī)范的漢字識別率較高，能達(dá)到85%以上，而對一些錯別字、繁體字、異形字識別率較低。在后續(xù)的研究中，希望能找到一種包括大量繁體字的手寫漢字庫作為樣本庫，這樣就可以解決清水江文書中繁體字沒訓(xùn)練樣本，無法識別的問題。而且，還可以考慮用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，適當(dāng)增加漢字特征，盡量提高識別率及減少識別時間。

參考文獻(xiàn)

[1]龍澤江.清水江文書研究的背景意義和價值[J].原生態(tài)民族文化學(xué)刊，2012，03：23-25.

[2]高彥宇，楊揚.脫機手寫體漢字識別研究綜述[J].計算機工程與應(yīng)用，2004，07：74-77.

[3]楊淑瑩.模式識別與智能計算-Matlab技術(shù)實現(xiàn)[M].北京：電子工業(yè)出版社，2013（01）：141-157.

[4]烏云高娃.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展[J].福建電腦，2004，04：16-17.