手寫字體的識別問題研究國內(nèi)外文獻綜述1.1國外現(xiàn)狀國外學(xué)者對手寫字體識別的研究最早可追溯到1929年，在這一年里，德國學(xué)者Tausheck首次給光學(xué)字符識別（OCR）做了明確定義，并首次申請OCR專利權(quán)，若干年后，美國學(xué)者Handel提出將OCR技術(shù)和文字識別結(jié)合運用的新思路REF_Ref29831\r\h[10]。1958年，Crimsalde等人首次采用計算機進行OCR技術(shù)實現(xiàn)，運用固定模式掃描目標(biāo)字符的方法，獲得識別結(jié)果REF_Ref29880\r\h[11]。60年代初，由商業(yè)公司研發(fā)的第一代OCR產(chǎn)品面世，該產(chǎn)品能識別印刷體數(shù)字及少量符號等REF_Ref29915\r\h[12]。80年代，西方國家紛紛成立OCR技術(shù)研究所REF_Ref29955\r\h[13]，一些研究者開始產(chǎn)生將快速發(fā)展的神經(jīng)網(wǎng)絡(luò)運用到手寫字體識別的想法，并為此展開一系列實踐操作。1989年，YannLeCun與其團隊首次提出用卷積神經(jīng)網(wǎng)絡(luò)來識別分類圖像數(shù)據(jù)，但早期的卷積神經(jīng)網(wǎng)絡(luò)在文字識別上效果不如當(dāng)時SVM等算法，無法得到廣泛應(yīng)用REF_Ref29991\r\h[14]。直到2012年，Hinton及其團隊在圖像識別大賽中采用了全新的深層模型和Dropout技術(shù)，搭建AlexNet卷積神經(jīng)網(wǎng)絡(luò)奪得桂冠，大幅降低了利用卷積神經(jīng)網(wǎng)絡(luò)進行圖像識別的錯識率REF_Ref30046\r\h[15]。自此，人們對基于深度學(xué)習(xí)的圖像識別研究達到了前所未有的熱度。2014年，SzegedyC等學(xué)者在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入了Inception結(jié)構(gòu)，同時加深網(wǎng)絡(luò)結(jié)構(gòu)，搭建了GoogLeNet網(wǎng)絡(luò)模型，進一步提高識別率REF_Ref30102\r\h[16]。經(jīng)過近十年的不斷深入研究，神經(jīng)網(wǎng)絡(luò)應(yīng)用于人們生活的方方面面，并憑借其強大的識別優(yōu)勢，成為OCR技術(shù)的主流方法之一。1.2國內(nèi)現(xiàn)狀相比于美國、日本等國家，由于早期技術(shù)落后和硬件性能限制等原因，我國研究OCR技術(shù)的條件較為不足，到20世紀(jì)70年代初才開始研究數(shù)字等通用性字符識別，在經(jīng)過接近10年的研究階段后，才開始進軍漢字識別的領(lǐng)域REF_Ref29253\r\h[2]。到1986年，我國在漢字相關(guān)識別技術(shù)有所創(chuàng)新，推動了中文OCR技術(shù)的發(fā)展，對應(yīng)OCR產(chǎn)品逐漸進入人們視野。此前，許多國內(nèi)研究者就手寫字體識別技術(shù)的實現(xiàn)及提高手寫體識別率等相關(guān)內(nèi)容進行了深入探討。2017年，吉林大學(xué)的劉威在《基于動態(tài)隨機卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別》REF_Ref29354\r\h[3]一文中，指出常見卷積神經(jīng)網(wǎng)絡(luò)模型存在兩個缺點，即最大池化層忽略了圖像背景信息和網(wǎng)絡(luò)輸入數(shù)據(jù)大小存在限制性，并為此提出了隨機池化和動態(tài)池化的方法，使手寫數(shù)字識別結(jié)果能夠反映圖像的綜合特征，為卷積神經(jīng)網(wǎng)絡(luò)的進一步優(yōu)化和手寫體識別技術(shù)貢獻了研究成果。2018年，夏少杰和項鯤發(fā)表在《智能物聯(lián)技術(shù)》上的《基于BP神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別及優(yōu)化方法》REF_Ref29462\r\h[4]一文中，通過實驗仿真測試不同的激活函數(shù)、優(yōu)化器和權(quán)重初始化等方法來優(yōu)化搭建的BP神經(jīng)網(wǎng)絡(luò)模型，從影響識別效果的各個超參數(shù)出發(fā)，介紹對應(yīng)內(nèi)容，并分析實驗結(jié)果，提出改良方案，對BP神經(jīng)網(wǎng)絡(luò)處理識別問題提出了新見解。2019年，西安電子科技大學(xué)的吳翔宇在《基于殘差網(wǎng)絡(luò)的快速手寫體數(shù)字鐘識別算法》REF_Ref29520\r\h[5]一文中，借鑒了Inception-ResNet-v2中的多通道思想，提出了多通道的殘差網(wǎng)絡(luò)模型，同時采用歸一化技術(shù)和Adam優(yōu)化器，提高網(wǎng)絡(luò)識別效率，在提高網(wǎng)絡(luò)收斂速度上，為手寫字體識別的識別效率研究做出貢獻。2019年，南京郵電大學(xué)的黃佳凱在《基于ARM平臺和TensorFlow的手寫數(shù)字識別》REF_Ref29582\r\h[6]一文中，對設(shè)計搭建的卷積神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)圖像進行多技術(shù)預(yù)處理，提高了網(wǎng)絡(luò)模型對各種字符圖像的識別兼容性，具有極高的實用價值，最后將設(shè)計搭建的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用移植到ARM平臺上，取得較高的識別效果，給后續(xù)手寫體圖像特征提取和跨平臺實現(xiàn)網(wǎng)絡(luò)模型的研究做了準(zhǔn)備。2020年，涂樸和黃晨發(fā)表在《自動化技術(shù)與應(yīng)用》上的《基于TensorFlow深度學(xué)習(xí)框架的手寫體數(shù)字識別模型優(yōu)化與應(yīng)用》REF_Ref29638\r\h[7]一文中，用TensorFlow框架設(shè)計搭建全連接神經(jīng)網(wǎng)絡(luò)模型，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和選擇合適超參數(shù)，將手寫數(shù)字識別率提升到98.3%，為設(shè)計搭建并優(yōu)化神經(jīng)網(wǎng)絡(luò)提供了思路，文中最后將優(yōu)化后的網(wǎng)絡(luò)模型移植到ROS操作系統(tǒng)中應(yīng)用，實現(xiàn)了網(wǎng)絡(luò)模型的跨平臺使用，在研究神經(jīng)網(wǎng)絡(luò)兼容性方法中具有參考意義。2020年，北京郵電大學(xué)的鄭繼燕在《基于CNN的手寫數(shù)字識別與試卷管理系統(tǒng)設(shè)計》REF_Ref29703\r\h[8]一文中，設(shè)計實現(xiàn)了一個能實際應(yīng)用到試卷分?jǐn)?shù)管理的系統(tǒng)，采用一系列操作對試卷進行預(yù)處理，然后搭建卷積神經(jīng)網(wǎng)絡(luò)將試卷上的手寫批改分?jǐn)?shù)進行識別保存，結(jié)合Python語言和各種機器學(xué)習(xí)框架，用QtCreator圖形界面工具對網(wǎng)絡(luò)實際功能進行可視化處理，提供了將基于神經(jīng)網(wǎng)絡(luò)的手寫字體識別技術(shù)應(yīng)用到實際問題處理的方案，具有重要應(yīng)用價值。2021年，內(nèi)蒙古大學(xué)的付利偉在《基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)》REF_Ref29752\r\h[9]一文中，指出具有較好識別性能的卷積神經(jīng)網(wǎng)絡(luò)常常在學(xué)習(xí)訓(xùn)練過程中存在效率低下且耗能大的缺點，針對這個問題，從硬件層面的角度上對網(wǎng)絡(luò)進行優(yōu)化，在FPGA平臺上實現(xiàn)輕量化手寫數(shù)字識別，減小網(wǎng)絡(luò)訓(xùn)練時間，提高模型收斂速度。綜上所述，目前國內(nèi)采用神經(jīng)網(wǎng)絡(luò)進行手寫字體識別的研究正處于“火熱”階段，研究者們有嘗試搭建不同架構(gòu)的神經(jīng)網(wǎng)絡(luò)來進行手寫體識別，但大多都是從卷積神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的各個方面出發(fā)進行網(wǎng)絡(luò)優(yōu)化，如采用輸入圖像預(yù)處理、超參數(shù)選擇、結(jié)構(gòu)設(shè)計和池化層等技術(shù)，根據(jù)實際應(yīng)用問題，有側(cè)重點地提高網(wǎng)絡(luò)的識別效率和識別準(zhǔn)確率，不斷為基于神經(jīng)網(wǎng)絡(luò)的OCR技術(shù)提供創(chuàng)新思路，但相比于國外，國內(nèi)自行設(shè)計提出的網(wǎng)絡(luò)模型在手寫字體識別中表現(xiàn)仍不夠出眾，即缺乏在網(wǎng)絡(luò)收斂速度、字體識別精度和泛化能力上均有較好性能的網(wǎng)絡(luò)模型，進一步研究設(shè)計和優(yōu)化網(wǎng)絡(luò)性能是國內(nèi)研究者必須認(rèn)真解決和對待的難題。參考文獻劉宗凡.圖像魔術(shù)師——光學(xué)字符識別(OCR)[J].中國信息技術(shù)教育,2021(13):76-79.張慧宇.廣電視頻文字檢測與識別的研究[D].鄭州大學(xué),2020.DOI:10.27466/ki.gzzdu.2020.004287.劉威.基于動態(tài)隨機卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別方法[D].吉林大學(xué),2017.夏少杰,項鯤.基于BP神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別及優(yōu)化方法[J].智能物聯(lián)技術(shù),2018,1(01):19-22.吳翔宇.基于殘差網(wǎng)絡(luò)的快速手寫體數(shù)字識別算法[D].西安電子科技大學(xué),2019.DOI:10.27389/ki.gxadu.2019.000338.黃佳凱.基于ARM平臺和TensorFlow的手寫數(shù)字識別[D].南京郵電大學(xué),2019.DOI:10.27251/ki.gnjdc.2019.001166.涂樸,黃晨.基于Tensorflow深度學(xué)習(xí)框架的手寫體數(shù)字識別模型優(yōu)化及應(yīng)用[J].自動化技術(shù)與應(yīng)用,2020,39(12):110-114.鄭繼燕.基于CNN的手寫數(shù)字識別與試卷管理系統(tǒng)設(shè)計[D].北京郵電大學(xué),2020.DOI:10.26969/ki.gbydu.2020.001672.付利偉.基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)[D].內(nèi)蒙古大學(xué),2021.DOI:10.27224/ki.gnmdu.2021.000798.王風(fēng)盼.基于深度學(xué)習(xí)的手寫數(shù)字識別方法研究[D].重慶大學(xué),2018.郭春宇.基于機器視覺的發(fā)動機主軸承蓋檢測系統(tǒng)研究[D].長春工業(yè)大學(xué),2021.DOI:10.27805/ki.gccgy.2021.000587.孫午凡.基于OCR的過敏檢查單識別[D].西安電子科技大學(xué),2020.DOI:10.27389/ki.gxadu.2020.003462.陳科峻.票據(jù)字符識別平臺研究與實現(xiàn)[D].中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機械與物理研究所),2020.DOI:10.27522/ki.gkcgs.2020.000112.付云澤.基于深度學(xué)習(xí)的手寫數(shù)字識別方法研究[D].寧夏大學(xué),2020.DOI:10.27257/ki.gnxhc.2020.001123.KrizhevskyA,SutskeverI,HintonGE.ImagenetClassificationwithDeepConvolutionalNeuralNetworks[J].AdvancesinNeuralInformationProcessingSystems,2012,25:1097-1105.SzegedyC,LiuW,JiaY,etal.GoingDeeperWithConvolutions[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2015:1-9.劉金利,張培玲.改進LeNet-5網(wǎng)絡(luò)在圖像分類中的應(yīng)用[J].計算機工程與應(yīng)用,2019,55(15):32-37+95.劉蕾.基于Tensorflow的循環(huán)神