导读:本文包含了字体识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:字体,汉字,卷积,深度,机器,神经网络,灰度。
字体识别论文文献综述
陈施硕[1]（2019）在《一种机器视觉的手写字体智能识别系统设计》一文中研究指出针对目前学校试卷手写字体分数识别统计时间长、工作量大、易出错等问题,提出了一种基于机器视觉技术的手写字体智能识别系统。通过对手写字体轮廓的提取,结合开发的轮廓边缘特征提取算法对手写字体进行识别定位,实现了对试卷分数手写字体的自动化、智能化的识别统计。通过成功的对试卷手写字体分数的识别试验,表明该系统能很好的完成对手写字体分数的智能识别,该系统具有较大的学术研究价值和应用推广价值。(本文来源于《电子制作》期刊2019年08期）
李忠海,王崇瑶,宋智钦,徐蕾[2]（2019）在《基于增强CNN模型的手写字体图像识别》一文中研究指出为了提高汉字的识别率,提出了一种改进的图像识别算法,根据偏微分方程理论,提出一种增强CNN模型识别汉字,将原有的图像用高阶差分法进行增强处理,然后在原始的LeNet-5网络结构的基础上,将前两层的激活函数改为ReLu函数,并且去掉C5层以及F6层,通过增加输出层的神经元数来增加汉字的识别率。研究结果表明:经过图像增强和增加输出神经元数的改进,对汉字进行识别,识别率达到了98.44%,相比较于其他汉字识别算法提高了3%～9%,从而证明了算法的可行性。(本文来源于《火力与指挥控制》期刊2019年04期）
赵超越[3]（2019）在《基于深度学习的汉字字体识别技术的研究与实现》一文中研究指出随着互联网的发展和深度学习技术的兴起,传统的OCR(Optical Character Recognition,光学字符识别)在版面恢复方面面临着新的挑战。我们不仅需要恢复目标图片上的文字内容,还需要识别出其汉字字体的格式。但是汉字字体存在着巨大的可变性,OCR对这种多变的差异很难取得令人信服的识别准确率。深度学习已经在图像识别、自然语言处理和语音识别方向取得了令人可喜的成就,汉字字体识别领域其实和现有的深度学习应用领域有着很多的共性,将深度学习技术应用到汉字字体识别领域,不仅能够解决汉字字体的识别问题,也能够拓宽深度学习的应用领域。本文主要利用了TensorFlow深度学习框架、VGG-Net卷积神经网络结构和Flask后台Web框架搭建了一套基于深度学习的汉字字体识别系统。本实验所采用的数据集是从ttf文件中提取的汉字字体图像,每个字体包含3500张常用字训练集图片和712张非常用字测试集图片。本文首先针对楷体和隶书两种字体搭建了汉字字体识别模型,测试其性能,总体的识别准确率达到了99.7%。相较于之前基于经验模式或者全局纹理特征的汉字字体识别技术,准确率有了很大的提升。之后将本模型迁移到楷、隶、行、草、欧、赵、魏碑、颜、柳等九种汉字字体的识别,并在测试集上取得了98.2%的识别准确率。本文同时利用已经训练好的模型搭建了一个可以对字体图片进行实时识别的Web系统,经测试该系统能够对传入的汉字字体图像进行实时的识别并将识别后的结果回传给前端页面进行展示。(本文来源于《北京邮电大学》期刊2019-01-15）
赵欢[4]（2018）在《电子出版物字体替代和字体识别方法研究》一文中研究指出字体对于文献内容的阅读理解和出版物的视觉效果来说都至关重要。随着电子出版技术的发展,字体种类日渐增多,版面效果也日益丰富,这给阅读平台带来了很大的挑战。一般的阅读平台上,由于系统的容量以及字体版权的限制,所安装的字体的数目是有限的,当无法支持出版物指定的字体时,内容或者显示为空白,或者用其他字体替代。目前为止,字体替代尚未见到理想的方法,出版物经过字体替代后,往往实际的版面效果与期望的效果大相径庭,严重影响读者的阅读感受。因此,亟待研究字体的替代算法。另一方面,出版物在阅读平台呈现时,难以从数十乃至上百种字体中准确判断所用的字体,在做出版物质量检测时,需要通过人工的方式判断显现的字体是否正确,往往费时费力,且判断效果难以准确。因此还需要研究字体的识别方法。此外,准确地识别字体也有助于更有效地实现字体替代。针对上述需求,本项研究调研了以往的中英文字体替代方法以及现有的字体识别成果,分析了以往方法的优点和不足,针对电子出版物的字体替代问题,提出了一种基于图像特征的字体替代方法;针对电子出版物的字体识别问题,提出了一种基于深度学习的字体识别方法。通过实验,验证了本文提出的字体替代方法,在替换后的视觉效果上与人眼的感知基本一致;本文提出的字体识别方法,能够在较小规模和较大规模的字体集上均达到较好的准确率,优于已有的方法。本文主要研究工作如下:1)调研已有的字体替代方法和字体识别方法,分析其优势和不足;2)提出一种基于人眼视觉的字体替代方法。从多种图像特征中发现了对字体敏感的灰度特征和纹理特征。在专家打分的基础上,通过构建多元回归预测模型,确定不同特征对人眼字体视觉的权重,进而衡量不同字体间的相似度,得到替代方案。3)提出了基于深度卷积神经网络的字体识别方法,利用GoogLeNet网络模型模拟人脑,自主学习字体图像的高维抽象特征,最后使用训练好的模型进行字体识别。4)设计实验,验证字体替代方法和字体识别方法的有效性。本文主要的创新点如下:1)提出的字体替代方法在字体替换后的视觉效果上,较已有的方法更接近人的主观视觉感受,能够最大程度地保持版面效果,带给读者良好的阅读体验。2)提出的单文字字体识别方法,既能够在较小规模的常见字体集上达到很好的识别效果,也能在较大规模的字体集上达到很好的识别效果,效果优于已有的方法。此外,单文字字体识别可以解决字体混排情况下的字体识别问题,这也是以往的研究中的弱点。本文的研究成果对于优化电子出版物的版面效果,改善读者的阅读体验,提高电子出版物的自动化测试能力等均有重要的应用价值。(本文来源于《北京信息科技大学》期刊2018-04-19）
柴伟佳,王连明[5]（2018）在《卷积神经网络的多字体汉字识别》一文中研究指出目的多字体的汉字识别在中文自动处理及智能输入等方面具有广阔的应用前景,是模式识别领域的一个重要课题。近年来,随着深度学习新技术的出现,基于深度卷积神经网络的汉字识别在方法和性能上得到了突破性的进展。然而现有方法存在样本需求量大、训练时间长、调参难度大等问题,针对大类别的汉字识别很难达到最佳效果。方法针对无遮挡的印刷及手写体汉字图像,提出了一种端对端的深度卷积神经网络模型。不考虑附加层,该网络主要由3个卷积层、2个池化层、1个全连接层和一个Softmax回归层组成。为解决样本量不足的问题,提出了综合运用波纹扭曲、平移、旋转、缩放的数据扩增方法。为了解决深度神经网络参数调整难度大、训练时间长的问题,提出了对样本进行批标准化以及采用多种优化方法相结合精调网络等策略。结果实验采用该深度模型对国标一级3 755类汉字进行识别,最终识别准确率达到98.336%。同时通过多组对比实验,验证了所提出的各种方法对改善模型最终效果的贡献。其中使用数据扩增、使用混合优化方法和使用批标准化后模型对测试样本的识别率分别提高了8.0%、0.3%和1.4%。结论与其他文献中利用手工提取特征结合卷积神经网络的方法相比,减少了人工提取特征的工作量;与经典卷积神经网络相比,该网络特征提取能力更强,识别率更高,训练时间更短。(本文来源于《中国图象图形学报》期刊2018年03期）
李刚,王显丽[6]（2017）在《汉字字体识别的灰度设计——以“上博简”字体为例》一文中研究指出以"上博简"字体为例,将字体设计与视觉识别原理作为研究的理论基础,对汉字字体设计中影响字体识别的灰度因素进行探索、总结,通过"上博简"字体与同时期简字体和现当代字体进行横纵向对比分析,得出汉字字体设计中对灰度把控的指导性规律,同时将二者结合进行实践验证,采用科学量化的实验分析灰度影响字体识别的根本因素,从而构建字体识别研究分析体系和评价体系,旨在推动汉字字体设计理论和方法论的完善。(本文来源于《设计艺术研究》期刊2017年05期）
赵欢,刘旭红,李宁[7]（2017）在《基于SVM的汉字字体识别研究》一文中研究指出在印刷体文字版面分析和格式检查过程中,针对字体识别的问题,提出一种基于支持向量机(SVM)的字体识别方法。首先基于汉字文本块图像,提取并计算每一种字体的纹理特征向量,然后使用所有字体的纹理特征向量构造有向无环图多分类SVM汉字字体识别器。与其他算法对比,采用有向无环图多分类SVM汉字字体识别算法,在大多数字体上具有更高的识别率。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2017年05期）
谭明裕[8]（2017）在《如何识别图片上文字的字体》一文中研究指出对于一个设计者来说,每一种字体都有自己的灵魂!商标文字,图文排版等每一种不同的字体——体现出设计者的不同的风格。如果只有图片文字,那么怎么查找相对应的字体呢?现在简单介绍一下,如何传图找字体?图片文字如何快速查找字体?工具/原料联网电(本文来源于《电子报》期刊2017-07-30）
刘晶[9]（2017）在《在公共空间中汉字字体识别的应用研究》一文中研究指出中国汉字的发展历史悠久,汉字在传承民族文化和民族精神等方面起着重要作用。在公共空间中研究汉字字体的识别应用有利于促进我国汉字文化的发展,有利于汉字文化传播。本文介绍了汉字字体及字体识别的基本内涵,分析了汉字字体识别的必要性,探究分析了汉字字体识别在公共空间中的应用。(本文来源于《山西青年》期刊2017年05期）
刘志伟[10]（2017）在《基于CNN网络的汉字图像字体识别》一文中研究指出在传统的OCR文字识别系统中,研究者主要关注的主要问题是文字的识别。但是由于现代印刷技术的发展与应用,对于印刷体文字版面的恢复成为当前一种重要应用需求。不仅需要识别出文字,还应该识别出文字的字体格式。目前针对汉字字体识别的研究较少,而且大部分基于特征提取方法,主要以局部特征,和全局特征为主。提出一种基于CNN的深度学习方法 ,来处理汉字字体识别。和以往的方法相比较,该方法识别率高,速度快,适用于复杂的应用环境,具有良好的实际使用价值。(本文来源于《现代计算机(专业版)》期刊2017年05期）
字体识别论文开题报告
（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：
为了提高汉字的识别率,提出了一种改进的图像识别算法,根据偏微分方程理论,提出一种增强CNN模型识别汉字,将原有的图像用高阶差分法进行增强处理,然后在原始的LeNet-5网络结构的基础上,将前两层的激活函数改为ReLu函数,并且去掉C5层以及F6层,通过增加输出层的神经元数来增加汉字的识别率。研究结果表明:经过图像增强和增加输出神经元数的改进,对汉字进行识别,识别率达到了98.44%,相比较于其他汉字识别算法提高了3%～9%,从而证明了算法的可行性。
（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。
字体识别论文参考文献
[1].陈施硕.一种机器视觉的手写字体智能识别系统设计[J].电子制作.2019
[2].李忠海,王崇瑶,宋智钦,徐蕾.基于增强CNN模型的手写字体图像识别[J].火力与指挥控制.2019
[3].赵超越.基于深度学习的汉字字体识别技术的研究与实现[D].北京邮电大学.2019
[4].赵欢.电子出版物字体替代和字体识别方法研究[D].北京信息科技大学.2018
[5].柴伟佳,王连明.卷积神经网络的多字体汉字识别[J].中国图象图形学报.2018
[6].李刚,王显丽.汉字字体识别的灰度设计——以“上博简”字体为例[J].设计艺术研究.2017
[7].赵欢,刘旭红,李宁.基于SVM的汉字字体识别研究[J].北京信息科技大学学报(自然科学版).2017
[8].谭明裕.如何识别图片上文字的字体[N].电子报.2017
[9].刘晶.在公共空间中汉字字体识别的应用研究[J].山西青年.2017
[10].刘志伟.基于CNN网络的汉字图像字体识别[J].现代计算机(专业版).2017
论文知识图
