專利名稱：一種基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的自適應(yīng)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于利用計算機處理設(shè)備識別手寫文字圖像的技術(shù)領(lǐng)域，特別是涉及一種基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的書寫者自適應(yīng)方法。
背景技術(shù)：
手寫漢字識別一般是指用戶通過手寫輸入設(shè)備(比如手寫板、觸摸屏、鼠標(biāo)等)書寫漢字，同時計算機將手寫輸入設(shè)備采集到的漢字書寫軌跡轉(zhuǎn)換為相應(yīng)的漢字機器內(nèi)碼的識別技術(shù)。傳統(tǒng)的手寫識別技術(shù)通常所采用的輸入方式為單字符識別，即書寫一個漢字識別一個漢字。使用的識別引擎與用戶無關(guān)，即識別引擎事先通過大量的訓(xùn)練樣本訓(xùn)練出來， 對于不同用戶，識別引擎使用的模型及參數(shù)都是一樣的，事先由開發(fā)人員訓(xùn)練并設(shè)置好。由于采用了大數(shù)據(jù)量的訓(xùn)練樣本，所以識別引擎能滿足書寫規(guī)范的用戶的識別準(zhǔn)確率要求。 但是不同用戶的書寫風(fēng)格差異很大，每個用戶書寫風(fēng)格除了存在共性外，往往還包括自己個性化的地方，與用戶無關(guān)的識別引擎針對這類用戶時書寫漢字時，識別準(zhǔn)確率往往不盡人意，有待改進(jìn)。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服傳統(tǒng)的識別引擎無法適應(yīng)特定用戶的書寫風(fēng)格的不足，提供一種讓識別引擎能動態(tài)適應(yīng)特定用戶書寫風(fēng)格從而提高識別率的方法。本發(fā)明采用的技術(shù)方案為
一種基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的書寫者自適應(yīng)方法，其步驟如下
(1)、選取少量的特定用戶的增量樣本；
(2)、對增量樣本提取特征，并利用增量線性鑒別分析(ILDA)技術(shù)對原始的線性鑒別分析(LDA)模型進(jìn)行更新生成新的線性鑒別分析(LDA)模型；
(3)、利用增量樣本并結(jié)合加權(quán)的增量二次鑒別函數(shù)(WIMQDF)算法，動態(tài)更新每個類別在新的線性鑒別分析(LDA)特征空間中基于加權(quán)的均值向量和協(xié)方差矩陣；
(4)、采用更新后的在新的線性鑒別分析(LDA)特征空間中基于加權(quán)的每個類的均值向量和協(xié)方差矩陣，更新改進(jìn)的二次鑒別函數(shù)分類器；
所述步驟(1)為選擇用戶少量的樣本，用于更新模板及識別引擎。用戶樣本的選擇應(yīng)能充分體現(xiàn)用戶的書寫風(fēng)格。設(shè)原始樣本為I 二 (i=l,…，對，#為樣本數(shù)，并設(shè)其類別數(shù)是I;設(shè)增量樣本為/ 二 {yj …，Z入Z為增量樣本數(shù)，并設(shè)其類別數(shù)是凡則合并后的總的樣本可表示為^iiT 二 {zj …，Z^V入樣本總數(shù)為Ζ+Λ/，類別總數(shù)為C， 且C夕I、C夕凡不失一般性，我們假設(shè)對于合并后的總樣本中的第i (i=l,…，C)槃,免別在原始樣本#和增量樣本Z中有/和厶個樣本。因此，對于合并后新的樣本，屬于第i (i=l,…，C)類的樣本數(shù)為尸/ ΖΛ。所述步驟(2)對增量樣本提取特征，并利用增量線性鑒別分析(ILDA)技術(shù)對原始的線性鑒別分析(LDA)模型進(jìn)行更新生成新的線性鑒別分析(LDA)模型，其步驟包括
(A)、增量樣本特征提取，對于每一個增量樣本，都采用八方向特征提取方法提取其方向特征；
(B)、令原始線性鑒別分析變換(LDA)矩陣為
，設(shè)經(jīng)過八方向特征提取后，增量樣本中類別i「i 二人...，C)的特征向量為η,則可根據(jù)增量線性鑒別分析(ILDA)技術(shù)并結(jié)合全部增量樣本的特征向量將原始線性鑒別分析變換矩陣更新為《Lite。 所述步驟(3)利用增量樣本并結(jié)合加權(quán)的增量二次鑒別函數(shù)(WIMQDF)算法，動態(tài)更新每個類別在新的線性鑒別分析(LDA)特征空間中基于加權(quán)的均值向量和協(xié)方差矩陣， 其步驟包括
(A)、設(shè)增量樣本中類別iG二人…，C)經(jīng)過八方向特征提取后的均值向量為力，樣本個數(shù)力則通過以下公式求得力
權(quán)利要求
1.一種基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的自適應(yīng)方法，其特征在于包括如下步驟(1)、選取用戶的增量樣本，用于更新模板及識別引擎；(2)、對增量樣本進(jìn)行特征提取，并利用增量線性鑒別分析方法對原始的線性鑒別分析模型進(jìn)行更新，以生成新的線性鑒別分析模型；(3)、利用增量樣本并結(jié)合加權(quán)的增量二次鑒別函數(shù)算法，動態(tài)更新每個類別在新的線性鑒別分析特征空間中基于加權(quán)的均值向量和協(xié)方差矩陣；(4)、采用更新后的新的線性鑒別分析特征空間中基于加權(quán)的每個類的均值向量和協(xié)方差矩陣，更新改進(jìn)的二次鑒別函數(shù)分類器。
2.根據(jù)權(quán)利要求1所述的基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的自適應(yīng)方法，其特征在于所述步驟(1)具體操作如下設(shè)定原始樣本為I 二 (i=l,…，對，#為樣本數(shù)，并設(shè)其類別數(shù)是#;設(shè)增量樣本為/ 二 {yj 二人…，Z入Z為增量樣本數(shù)，并設(shè)其類別數(shù)是Λ則合并后的總的樣本表示為Ζ=χ Y = {zj (k=l,…入樣本總數(shù)為“見類別總數(shù)為C，且C^K彡Λ對于合并后的總樣本中的第i (i=l，...，C)類，分別在原始樣本#和增量樣本Z中有巧和人.個樣本，合并后新的樣本，屬于第i (i=l，…，C)類的樣本數(shù)為尸/。
3.根據(jù)權(quán)利要求2所述的基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的書寫者方法，其特征在于所述步驟(2)具體更新步驟如下(21)、增量樣本特征提取，對于每一個增量樣本，都采用八方向特征提取方法提取其方向特征；(22)、令原始線性鑒別分析變換矩陣為,經(jīng)過八方向特征提取后，增量樣本中類別i(i=l，…，C)的特征向量力、則根據(jù)增量線性鑒別分析技術(shù)并結(jié)合全部增量樣本的特征向量將原始線性鑒別分析變換矩陣巧_ 更新為h。
4.根據(jù)權(quán)利要求3所述的基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的書寫者方法，其特征在于所述步驟(3)具體更新步驟如下(31)、設(shè)定增量樣本中類別i「i二人...，C)經(jīng)過八方向特征提取后的均值向量為力，樣本個數(shù)為Ii，則通過以下公式求得Λ (32)、設(shè)定增量樣本中類別i「i二人...，C)在新的線性鑒別分析特征空間中的均值向 ，C)在新的線性鑒別分析特征空間中基于加權(quán)的均值向量與—致，通過以下公式求得y-i-inclde
5.根據(jù)權(quán)利要求4所述的基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的自適應(yīng)方法，其特征在于所述步驟(4)具體更新步驟如下(51)、設(shè)定Ci代表第i個類別(i=l，…，以，。和、分別表示根據(jù)步驟(3)得到的合并后總樣本在新的線性鑒別分析特征空間中基于加權(quán)的每個類的均值向量和協(xié)方差矩陣，并設(shè)每個類別的先驗概率相等，則原始的二次鑒別函數(shù)由以下公式求得
全文摘要
本發(fā)明提供一種基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)的自適應(yīng)方法，其利用具有特定用戶書寫風(fēng)格的增量樣本動態(tài)更新二次鑒別函數(shù)(MQDF)識別模型，使更新后的MQDF識別模型能適應(yīng)特定用戶的書寫風(fēng)格，從而達(dá)到提高該特定用戶的識別率的效果。本發(fā)明創(chuàng)新性的將一種加權(quán)的增量學(xué)習(xí)機制與漢字識別中的MQDF分類算法以及ILDA算法相結(jié)合提出了一種基于加權(quán)鑒別子空間的增量二次鑒別函數(shù)(WILDAIMQDF)算法，并把WILDAIMQDF應(yīng)用于基于手寫漢字識別的書寫者自適應(yīng)領(lǐng)域，解決了手寫漢字識別引擎對特定用戶識別率不高的問題。利用本發(fā)明提供的方法，手寫漢字識別引擎能自適應(yīng)特定用戶的手寫風(fēng)格，提高識別準(zhǔn)確度。
文檔編號G06K9/68GK102184424SQ201110108770
公開日2011年9月14日 申請日期2011年4月28日 優(yōu)先權(quán)日2011年4月28日
發(fā)明者丁凱, 劉崗, 金連文 申請人:華南理工大學(xué)