导读:本文包含了笔划特征论文开题报告文献综述及选题提纲参考文献，主要关键词:签名识别,深度特征,叁维图像处理,特征提取
笔划特征论文文献综述
吴坤帅,魏仲慧,何昕,李佩君[1]（2019）在《基于笔划叁维深度特征的签名识别》一文中研究指出针对熟练伪造签名识别正确率较低的问题,提出了基于笔划叁维深度特征的个人签名识别方案。首先采集不同书写者的真实签名及他人的套摹签名,用高精度的体式显微镜分别对签名笔划进行扫描,获取签名笔划的表面叁维点云数据。然后通过高斯滤波器滤掉叁维点云数据中的噪声,计算签名笔划的平均深度、沿笔划方向深度标准差以及熵等统计特征。之后,对数据集进行数据增强,增加签名数据的数量。最后,将签名数据分为训练集和测试集,在不同训练比例下使用分类器(包括SVM、KNN、ANN)进行分类。实验结果显示,本文算法在本地签名数据集上的最佳识别正确率为98.69%,优于大多数传统算法,满足实际应用的要求。(本文来源于《液晶与显示》期刊2019年10期）
田荣菲[2]（2014）在《历组一类甲骨文书刻笔划特征浅析》一文中研究指出"历组一类"甲骨文的时代大致属于商王武丁晚期,根据书写特征及卜事的不同,分为"历一甲类"和"历一乙类"。"历一甲类"字形稍小,笔画间多用弯笔和弧笔,用刀细致柔润,书法温婉含蓄;"历一乙类"字形偏长且稍大,结构方正硬朗,笔画间使用直笔和折笔较多。我们在书写时,应注意掌握类别间的微妙差异,表现出历组一类甲骨文书法笔划的不同形态,汇聚甲骨文书法的精、气、神,写出属于自己的历组甲骨文书风。(本文来源于《美与时代(上)》期刊2014年12期）
宁博[3]（2013）在《手写体汉字识别实验平台及笔划网格特征提取方法的研究》一文中研究指出脱机手写体汉字识别研究是一个涉及多种学科的课题。手写体汉字的数量巨大、类别繁多、结构复杂、以及书写风格差异性等特点，使其在模式识别广阔的研究领域中，成为一个极其富有挑战性的课题。建立一个统一的脱机手写体汉字识别实验平台是对手写体汉字识别研究方法进行客观分析、评价的重要方式和手段。本文设计和构建了一个脱机手写体汉字识别实验平台。并在实验平台基础上对汉字识别相关算法进行了深入的研究。研究的主要内容如下：1.手写体汉字识别的实验平台。首先对手写体汉字样本库进行了研究，介绍了样张的设计和采集，样本库构建流程以及样本信息的组织方式，构建了一个标准的手写体汉字样本字库。接着介绍了汉字常用的预处理技术。最后重点介绍了本文手写体汉字识别实验平台的系统架构，实验平台功能模块的设计。2.手写体汉字的特征提取。汉字的特征提取方法主要可以分为两类：基于统计特征、基于结构特征的提取方法。本文主要研究并在实验平台上编程实现了汉字识别中几种常用的特征提取算法。在此基础上，将笔划密度函数的定义扩展到对角方向上，构成对角方向网格，提出了一种新的基于笔划密度函数的双弹性网格方法，此方法不仅考虑到汉字的笔划结构中“撇”、“捺”笔划的书写特性，而且通过构造对角弹性网格技术弥补了纵横网格技术的不足之处。3.手写体汉字的分类识别。首先介绍了汉字分类中的一些典型的分类方法，如最近邻（KNN）分类法、贝叶斯(Bayes)判别分类法、支持向量机(SVM)和BP神经网络分类方法。同时介绍了AdaBoost算法的相关知识。接着，深入研究了用于手写体汉字分类的基于BP神经网络的AdaBoost方法。最后，在汉字实验平台的基础之上，对比了不同分类器的实验结果，验证了该方法的有效性。4.汉字识别实验平台的系统实现和识别实验结果及分析。首先介绍了汉字实验平台的系统实现。接着，对手写体汉字实验平台的性能进行测试，对比了构造样本集所用的时间，验证了本文构造的脱机手写体汉字识别实验平台的实用性和高效性。然后基于实验平台，对多种特征提取方法和分类识别方法，进行汉字识别实验并分析实验结果。验证了本文提出的基于笔划密度函数的双弹性网格算法的合理性和有效性。(本文来源于《河北工业大学》期刊2013-12-01）
梁方[4]（2013）在《一种基于笔划特征的笔迹鉴别方法》一文中研究指出笔划特征是笔迹鉴别的一个重要依据,借鉴前人利用笔划局部特征统计特性的方法,提出一种用笔划局部特征建立特征矩阵来鉴别笔迹的方法。该方法需要的预处理少、计算简单、时间复杂度低、特征矩阵的大小调节方便,在现有的数据上取得了较高鉴别率。(本文来源于《中国科技信息》期刊2013年17期）
甘恒[5]（2013）在《基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究》一文中研究指出脱机手写体汉字识别技术是模式识别领域的一个研究课题，具有广泛的应用前景。脱机手写体汉字不仅具有字符集庞大、字体类别多、字型变化多、相似字多的共性，还具有书写风格众多、书写不规范和随意性较大等特点。本文在对脱机手写体汉字笔划密度特征分析研究的基础上，研究了一种基于汉字笔划密度特征的二叉树SVM的脱机手写体汉字多级粗分类与“一对多”SVM细分类相结合的汉字识别方法，论文的主要研究工作如下：1、在研究汉字结构特征与统计特征的基础上，定义了脱机手写体汉字整体笔划密度特征和细节笔划（横、竖、斜）密度特征，用作脱机手写体汉字多级粗分类依据。2、在统计分析脱机手写体汉字像素密度特征分布的基础上，建立了汉字粗分类类别；根据粗分类类别的划分，构造不同粗分类策略的二叉树结构形式，并对二叉树SVM进行训练；给出了用于剪枝二叉树SVM粗分类的相似度定义和粗分类算法，仿真实验表明，脱机手写体汉字多级粗分类达到了预期效果。3、在粗分类的基础上，提取脱机手写体汉字的外围轮廓特征和小波多网格特征作为SVM细分类识别的输入，研究了用于脱机手写体汉字识别的SVM“一对多”算法。仿真实验表明，具有良好的识别结果。论文选用SCUT-IRAC HCCLIB中手写体汉字作为实验样本，以MATLAB R2011a为仿真平台，对本文提出的基于像素密度二叉树SVM分类识别的方法进行了实验验证，结果表明本文方法是可行的。(本文来源于《合肥工业大学》期刊2013-04-01）
訾兴建,王建平[6]（2012）在《基于小波变换的图像汉字笔划特征提取方法》一文中研究指出借鉴仿生模式识别的认知观点,从汉字的构造机理和人类认识汉字的习惯角度出发,提出一种基于小波变换的图像汉字识别方法。制定了图像汉字笔划特征提取的具体规则,采用小波变换的方法对图像汉字边缘和笔划轮廓进行检测,通过有效提取图像汉字笔段信息,进行笔段合成,生成汉字或汉字的基本笔划。仿真实验结果表明,这种方法提高了图像汉字笔划特征提取的准确率和稳定性,对于印刷体和书写较规范的手写体图像汉字具有极高的识别率。(本文来源于《计算机工程与应用》期刊2012年12期）
易云,李文博,张杰,罗代升[7]（2011）在《网格笔划密度特征的OPCCR错误自动检测》一文中研究指出现有的光学印刷体汉字识别(OPCCR)系统中,汉字识别率虽然已经高达98%以上,但仍然会发生错误识别的情况.通常,这些错误的识别还不能被自动检测,采用人工检测,费时费力,大大降低了实际应用系统的自动化和智能化程度.为此,本论文提出了基于网格笔划密度特征的0PCCR错误的自动检测算法.本算法首先建立标准汉字的网格笔划密度特征的特征库.然后,在OPCCR错误的自动检测时,对光学印刷体汉字图像进行预处理、行分割、列分割得到单个汉字图像,提取单个汉字图像的网格笔划密度特征.再把特征和相应的识别出的汉字的特征库中的特征进行相关匹配.于是,根据特征匹配自动检测OPCCR的错误.(本文来源于《四川大学学报(自然科学版)》期刊2011年06期）
柏宏飞,金城[8]（2010）在《基于分层块过滤和笔划特征的场景文字提取方法》一文中研究指出场景文字包含了重要的场景图像的语义信息。因此将场景图像中出现的文字抽取出来,将会对场景图像的内容分析、检索和浏览提供有益的帮助。提出的场景文字提取方法,是在边缘检测的基础上,使用分层块过滤的方法在不同尺度上过滤背景,产生场景文字区域,然后对聚合出来的文字区域根据笔划颜色和笔划宽度方面的特征进行二值化分割得到二值化文字图像,这些二值化后的文字区域图像可以作为OCR引擎的输入进行识别,从而达到提取场景图像语义信息的目的。分层块过滤的方法能较好地过滤背景聚合产生文字区域,利用文字的笔划特征也能有效地分割出文字笔划像素。实验结果也证明了方法的有效性。(本文来源于《计算机应用与软件》期刊2010年05期）
孙晓红,张学东[9]（2008）在《基于邻域特征的笔划交叉点提取算法的研究》一文中研究指出介绍了一种基于细化的手写体汉字笔划交叉点提取的方法。在众多笔迹算法中,大部分把笔划作为对象进行研究,而要得到准确的笔划特征,难点在于能够准确地确定其交叉点,在交叉点提取过程中,经常会丢失重要的交叉点和产生伪交叉点,提出的新的基于邻域特征的交叉点提取算法可以避免这种现象,实验结果证明了该算法的有效性。(本文来源于《计算机工程与设计》期刊2008年19期）
聂玖星,李建华,王宏[10]（2008）在《基于笔划类型的汉字特征点提取算法研究》一文中研究指出提出了一种基于笔划类型的特征点提取算法。该算法通过分析特征点周围区域的笔划分布,精确地得到特征点类别、数目和位置等属性,并且能够重画敏感区域的笔划。它有效地克服了特征点敏感区域笔划畸变带来的影响。这对利用特征点属性做统计和结构特征的有效性和后续识别进程都是很有利的。(本文来源于《2008通信理论与技术新发展——第十叁届全国青年通信学术会议论文集（下）》期刊2008-10-01）
笔划特征论文开题报告
（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：
"历组一类"甲骨文的时代大致属于商王武丁晚期,根据书写特征及卜事的不同,分为"历一甲类"和"历一乙类"。"历一甲类"字形稍小,笔画间多用弯笔和弧笔,用刀细致柔润,书法温婉含蓄;"历一乙类"字形偏长且稍大,结构方正硬朗,笔画间使用直笔和折笔较多。我们在书写时,应注意掌握类别间的微妙差异,表现出历组一类甲骨文书法笔划的不同形态,汇聚甲骨文书法的精、气、神,写出属于自己的历组甲骨文书风。
（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。
笔划特征论文参考文献
[1].吴坤帅,魏仲慧,何昕,李佩君.基于笔划叁维深度特征的签名识别[J].液晶与显示.2019
[2].田荣菲.历组一类甲骨文书刻笔划特征浅析[J].美与时代(上).2014
[3].宁博.手写体汉字识别实验平台及笔划网格特征提取方法的研究[D].河北工业大学.2013
[4].梁方.一种基于笔划特征的笔迹鉴别方法[J].中国科技信息.2013
[5].甘恒.基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究[D].合肥工业大学.2013
[6].訾兴建,王建平.基于小波变换的图像汉字笔划特征提取方法[J].计算机工程与应用.2012
[7].易云,李文博,张杰,罗代升.网格笔划密度特征的OPCCR错误自动检测[J].四川大学学报(自然科学版).2011
[8].柏宏飞,金城.基于分层块过滤和笔划特征的场景文字提取方法[J].计算机应用与软件.2010
[9].孙晓红,张学东.基于邻域特征的笔划交叉点提取算法的研究[J].计算机工程与设计.2008
[10].聂玖星,李建华,王宏.基于笔划类型的汉字特征点提取算法研究[C].2008通信理论与技术新发展——第十叁届全国青年通信学术会议论文集（下）.2008