印刷体蒙古文字符识别方法

摘要

印刷体蒙古文字符识别方法属于字符识别领域，其特征在于，提取蒙古文字符集中字符独特的字符形式信息和字符区域信息进行预分类，确定输入字符所属的字符类别子集，然后抽取能很好反映字符笔划构成信息的方向特征，在此基础上采用两个步骤进行特征优化处理：1.特征整形；2.由LDA(线性鉴别分析)进行特征变换，最后运用MQDF(改进的二次鉴别函数)统计分类器实现分类判决。本发明在多字体多字号印刷体蒙古文字符测试集上的识别正确率达到99.35％。

主权项

1.印刷体蒙古文字符识别方法，其特征在于，它在对字符对象进行必要预处理后，首先对输入的单个字符进行预分类，将其划分到恰当的字符类别子集中去，然后提取能很好反映字符结构特点的方向特征，在此基础上，利用特征整形、LDA变换提取最具鉴别性的优化特征，把该特征送入MQDF分类器判定字符所属类别；在由图像采集设备和计算机组成的系统中，它依次含有以下步骤：训练阶段：第1步：在计算机中设定以下参数：字符类别总数c；归一化后字符高度M、字符宽度N；基本特征平面分块参数u₀、v₀、u₁、v₁，其中u₀为基本特征平面中子区域的高度，v₀为基本特征平面中子区域的宽度，u₁为基本特征平面中子区域与相邻子区域之间在垂直方向上重合的象素个数，v₁为基本特征平面中子区域与相邻子区域之间在水平方向上重合的象素个数；原始特征向量经特征整形形成更符合高斯分布的新特征向量时采用的整形参数α∈(0，1)；特征变换时LDA截取维数r；第2步：字符样本的采集第2.1步：用图像采集设备扫描输入多字体多字号的印刷体蒙古文的文本，利用已有算法进行去噪声、二值化等必要的预处理；第2.2步：对文本图像依次进行行切分、连体字符段切分、单字切分处理以分离单个字符，再对每个字符的图像标定其对应的正确的字符内码，然后把相同字符类别对应的原始字符图像提取出来，保存为用以训练和测试的单字样本集；第2.3步：定义并标定每个字符类别的空间区域信息、字符形式信息和字符组成部件信息，保存标定结果，形成字符类别预分类信息集；它依次含有以下步骤：第2.3.1步：形成字符空间区域信息，用ZI表示：用文本行的基线将字符所占据的空间区域在水平方向上分为三个区，从左到右依次为：基线左方的左侧区域、基线所在的基准区域、基线右方的右侧区域；检测输入字符χ在三个空间区域中的分布情况，根据χ占据的区域，给ZI赋值如下：若χ仅占据左侧区域和基准区域，则ZI＝0；若χ同时占据左侧区域、基准区域和右侧区域，则ZI＝1；第2.3.2步：形成字符形式信息，用FI表示：蒙古文字符集中的基本字母在实际文本中表现为4种字符形式：首写形式、中间形式、尾写形式、单写形式；输入字符χ必定为这4种字符形式中的一种，依据χ与其左右字符的连接关系判断它的形式信息：若χ在其上侧和下侧均不与其它字符直接相连，则χ为单写形式字符，令FI＝0；若χ在其上侧不与其它字符直接相连，而在其下侧与其它字符直接相连，则χ为首写形式字符，令FI＝1；若χ在其上侧和下侧均与其它字符直接相连，则χ为中间形式字符，令FI＝2；若χ在其上侧与其它字符直接相连，而在其下侧不与其它字符直接相连，则χ为尾写形式字符，令FI＝3；第2.3.3步：依据同一字符类别的不同单字样本的预分类信息相一致的准则对属于各字符类别的单字样本的预分类信息进行检查纠错后保存起来，形成字符类别预分类信息集；第3步：字符类别子集的划分设待处理字符全集为Ω＝{ω₁，ω₂，…，ω_c}；将第2.3步得到的字符类别预分类信息，用一个向量$I_{\mathrm{PC}}^{{\omega }_m}={[\mathrm{ZI},\mathrm{FI}]}^T$表示，m＝1，2，…，c；依据将Ω划分成2×4个字符类别子集Ω_k，k＝1，2，…，8，Ω_k包含的字符类别数为c_k，使m≠n，$\Omega =\underset{k=1}{\overset{8}{\cup }}{\Omega }_k,$$\underset{k=1}{\overset{8}{\Sigma }}{c}_k=c;$其中表示空集；由以上划分得$\forall {\omega }_l,{\omega }_n\in {\Omega }_k,$$I_{\mathrm{PC}}^{{\omega }_l}\equiv I_{\mathrm{PC}}^{{\omega }_n},$若用表示Ω_k中各字符类别子集的共同的预分类信息向量，则Ω_k表示为：${\Omega }_k=\left\{{\omega }_m\right|{\omega }_m\in \Omega ,I_{\mathrm{PC}}^{{\omega }_m}=I_{\mathrm{PC}}^{{\Omega }_k}\},k=\mathrm{1,2},...,8$第4步：特征提取第4.1步：象素特征分配，它依次含有以下步骤：第4.1.1步：设原始二值字符图像为：${\left[B(i,j)\right]}_{H\times W}=\left[\begin{array}{cccc}B\left(\mathrm{0,0}\right),& B\left(\mathrm{0,1}\right),& ...,& B(0,W-1)\\ B\left(\mathrm{1,0}\right),& B\left(\mathrm{1,1}\right),& ...,& B(1,W-1)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ B(H-\mathrm{1,0}),& B(H-\mathrm{1,1}),& ...,& B(H-1,W-1)\end{array}\right],$其中W为原始二值字符图像宽度，H为原始二值字符图像高度，B(i，j)为图像位于第i行、第j列的象素点的值，i＝0，1，…，H-1，j＝0，1，…，W-1；用双线性插值方法对[B(i，j)]_H×W进行归一化处理得到高度为M、宽度为N的归一化字符点阵图像：${\left[G(i,j)\right]}_{M\times N}=\left[\begin{array}{cccc}G\left(\mathrm{0,0}\right),& G\left(\mathrm{0,1}\right),& ...,& G(0,N-1)\\ G\left(\mathrm{1,0}\right),& G\left(\mathrm{1,1}\right),& ...,& G(1,N-1)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ G(M-\mathrm{1,0}),& G(M-\mathrm{1,1}),& ...,& G(M-1,N-1)\end{array}\right];$第4.1.2步：设字符图像其笔划所对应的点为黑象素点，用“1”表示、背景所对应的点为白象素点，用“0”表示，即：$G(i,j)=\left\{\begin{array}{cc}1,& (i,j)\in {\delta }_{\mathrm{stroke}}\\ 0,& (i,j)\in {\delta }_{\mathrm{background}}\end{array}\right.,i=\mathrm{0,1},...,M-1,j=\mathrm{0,1},...,N-1,$其中δ_stroke表示图像中由字符笔划对应的点所组成的点的集合，δ_background表示图像中由背景点所组成的点的集合；设定16种大小均为5×5的基本方向特征元模板[R^(k)(i，j)]_5×5，k＝1，2，…，16：${\left[R^{\left(1\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}-1,& -1,& -1,& -1,& -1\\ 0,& 0,& 0,& 0,& 0\\ 1,& 1,& 1,& 1,& 1\\ 0,& 0,& 0,& 0,& 0\\ 0,& 0,& 0,& 0,& 0\end{array}\right],$${\left[R^{\left(2\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& 0,& 0,& 0,& 0\\ 0,& 0,& 0,& 0,& 0\\ 1,& 1,& 1,& 1,& 1\\ 0,& 0,& 0,& 0,& 0\\ -1,& -1,& -1,& -1,& -1\end{array}\right],$${\left[R^{\left(3\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}-1,& 0,& 1,& 0,& 0\\ -1,& 0,& 1,& 0,& 0\\ -1,& 0,& 1,& 0,& 0\\ -1,& 0,& 1,& 0,& 0\\ -1,& 0,& 1,& 0,& 0\end{array}\right],$${\left[R^{\left(4\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& 0,& 1,& 0,& -1\\ 0,& 0,& 1,& 0,& -1\\ 0,& 0,& 1,& 0,& -1\\ 0,& 0,& 1,& 0,& -1\\ 0,& 0,& 1,& 0,& -1\end{array}\right],$${\left[R^{\left(5\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& 0,& -2,& 0,& 1\\ 0,& -1,& 0,& 1,& 0\\ -2,& 0,& 1,& 0,& 0\\ 0,& 1,& 0,& 0,& 0\\ 1,& 0,& 0,& 0,& 0\end{array}\right],$${\left[R^{\left(6\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& 0,& 0,& 0,& 1\\ 0,& 0,& 0,& 1,& 0\\ 0,& 0,& 1,& 0,& -2\\ 0,& 1,& 0,& -1,& 0\\ -1,& 0,& -2,& 0,& 0\end{array}\right],$${\left[R^{\left(7\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}1,& 0,& 0,& 0,& 0\\ 0,& 1,& 0,& 0,& 0\\ -2,& 0,& 1,& 0,& 0\\ 0,& -1,& 0,& 1,& 0\\ 0,& 0,& -2,& 0,& 1\end{array}\right],$${\left[R^{\left(8\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}1,& 0,& -2,& 0,& 0\\ 0,& 1,& 0,& -1,& 0\\ 0,& 0,& 1,& 0,& -2\\ 0,& 0,& 0,& 1,& 0\\ 0,& 0,& 0,& 0,& 1\end{array}\right],$${\left[R^{\left(9\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& -8,& -8,& -8,& 0\\ -1,& 0,& 2,& 0,& -1\\ -1,& 0,& 2,& 0,& -1\\ -1,& 0,& 2,& 0,& -1\\ -1,& 0,& 2,& 0,& -1\end{array}\right],$${\left[R^{\left(10\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}-1,& 0,& 2,& 0,& -1\\ -1,& 0,& 2,& 0,& -1\\ -1,& 0,& 2,& 0,& -1\\ -1,& 0,& 2,& 0,& -1\\ 0,& -8,& -8,& -8,& 0\end{array}\right],$${\left[R^{\left(11\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& -1,& -1,& -1,& -1\\ -8,& 0,& 0,& 0,& 0\\ -8,& 2,& 2,& 2,& 2\\ -8,& 0,& 0,& 0,& 0\\ 0,& -1,& -1,& -1,& -1\end{array}\right],$${\left[R^{\left(12\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}-1,& -1,& -1,& -1,& 0\\ 0,& 0,& 0,& 0,& -8\\ 2,& 2,& 2,& 2,& -8\\ 0,& 0,& 0,& 0,& -8\\ -1,& -1,& -1,& -1,& 0\end{array}\right],$${\left[R^{\left(13\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& 0,& -1,& -8,& -8\\ 0,& -1,& 0,& 2,& -8\\ -2,& 0,& 2,& 0,& -1\\ 0,& 2,& 0,& -1,& 0\\ 2,& 0,& -2,& 0,& 0\end{array}\right],$${\left[R^{\left(14\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}0,& 0,& -2,& 0,& 2\\ 0,& -1,& 0,& 2,& 0\\ -1,& 0,& 2,& 0,& -2\\ -8,& 2,& 0,& -1,& 0\\ -8,& -8,& -1,& 0,& 0\end{array}\right],$${\left[R^{\left(15\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}-8,& -8,& -1,& 0,& 0\\ -8,& 2,& 0,& -1,& 0\\ -1,& 0,& 2,& 0,& -2\\ 0,& -1,& 0,& 2,& 0\\ 0,& 0,& -2,& 0,& 2\end{array}\right],$${\left[R^{\left(16\right)}(i,j)\right]}_{5\times 5}=\left[\begin{array}{ccccc}2,& 0,& -2,& 0,& 0\\ 0,& 2,& 0,& -1,& 0\\ -2,& 0,& 2,& 0,& -1\\ 0,& -1,& 0,& 2,& -8\\ 0,& 0,& -1,& -8,& -8\end{array}\right];$将上述16种模板分别作用于字符图像[G(i，j)]_M×N，得到字符的16个基本特征平面：${\left[P^{\left(k\right)}(i,j)\right]}_{M\times N}=\left[\begin{array}{cccc}{P}^{\left(k\right)}\left(\mathrm{0,0}\right),& P^{\left(k\right)}\left(\mathrm{0,1}\right),& ...,& P^{\left(k\right)}(0,N-1)\\ P^{\left(k\right)}\left(\mathrm{1,0}\right),& P^{\left(k\right)}\left(\mathrm{1,1}\right),& ...,& P^{\left(k\right)}(1,N-1)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ P^{\left(k\right)}(M-\mathrm{1,0}),& P^{\left(k\right)}(M-\mathrm{1,1}),& ...,& P^{\left(k\right)}(M-1,N-1)\end{array}\right],k=\mathrm{1,2},...,16,$其中[P^(k)(i，j)]_M×N中的各元素P^(k)(i，j)，i＝0，1，…，M-1，j＝0，1，…，N-1，为：$P^{\left(k\right)}(i,j)=\left\{\begin{array}{cc}256,& {\rho }^{\left(k\right)}(i,j)>256\\ 0,& {\rho }^{\left(k\right)}(i,j)<0\\ {\rho }^{\left(k\right)}(i,j),& \mathrm{otherwise}\end{array}\right.,$而${\rho }^{\left(k\right)}(i,j)=\underset{m=0}{\overset{m=4}{\Sigma }}\underset{n=0}{\overset{n=4}{\Sigma }}{R}^{\left(k\right)}(m,n)Q(i+m-1,j+n-1),$而$Q(i,j)=\left\{\begin{array}{cc}G(i,j),& i=\mathrm{0,1},...,M-1,j=\mathrm{0,1},...,N-1\\ 0,& \mathrm{otherwise}\end{array}\right.,$第4.2步：分块压缩将每个大小为M×N的基本特征平面[P^(k)(i，j)]_M×N，k＝1，2，…，16，均匀划分成高为u₀、宽为v₀的子区域，每个子区域跟相邻的子区域之间在垂直方向有u₁个象素的重合、在水平方向上有v₁个象素的重合；由每个M×N基本特征平面得到M′×N′个子区域，其中$M^{\prime }=(\frac{M-u_0}{u_0-u_1}+1),$$N^{\prime }=(\frac{N-v_0}{v_0-v_1}+1);$将每个基本特征平面中每一个大小为u₀×v₀的子区域映射成大小为M′×N′的平面上的一个点，形成压缩特征平面：${\left[E^{\left(k\right)}(i,j)\right]}_{M^{\prime }\times N^{\prime }}=\left[\begin{array}{cccc}{E}^{\left(k\right)}\left(\mathrm{0,0}\right),& E^{\left(k\right)}\left(\mathrm{0,1}\right),& ...,& E^{\left(k\right)}(0,N^{\prime }-1)\\ E^{\left(k\right)}\left(\mathrm{1,0}\right),& E^{\left(k\right)}\left(\mathrm{1,1}\right),& ...,& E^{\left(k\right)}(1,N^{\prime }-1)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ E^{\left(k\right)}(M^{\prime }-\mathrm{1,0}),& E^{\left(k\right)}(M^{\prime }-\mathrm{1,1}),& ...,& E^{\left(k\right)}(M^{\prime }-1,N^{\prime }-1)\end{array}\right],k=\mathrm{1,2},...,16,$其中[E^(k)(i，j)]_M′×N′中各元素的值为：$E^{\left(k\right)}(i,j)=\underset{m=0}{\overset{u_0-1}{\Sigma }}\underset{n=0}{\overset{v_0-1}{\Sigma }}{\Theta }^{\left(k\right)}(m,n)P^{\left(k\right)}((u_0-u_1)i+m,(v_0-v_1)j+n),$而Θ^(k)(m，n)，0≤m＜u₀，0≤n＜v₀为加权系数：${\Theta }^{\left(k\right)}(m,n)=\frac{1}{2\pi {\sigma }_1{\sigma }_2}\exp (-\frac{{(m-\frac{u_0}{2})}^2}{2{{\sigma }_1}^2}-\frac{{(n-\frac{v_0}{2})}^2}{2{{\sigma }_2}^2}),$其中${\sigma }_1=\frac{\sqrt{2}}{\pi }{u}_1,$${\sigma }_2=\frac{\sqrt{2}}{\pi }{v}_1;$第4.3步：特征向量形成将压缩特征平面[E^(k)(i，j)]_M′×N′，k＝1，2，…，16，中的各元素按照顺序排列成一个维数为d＝16×M′×N′的矢量X＝[x₀，x₁，…，x_d-1]^T得到了表示输入字符的d维原始方向特征向量：其中$x_t=E^{\left(k_t\right)}(i_t,j_t),t=\mathrm{0,1},...,d-1;$而i_t，j_t，k_t与t之间的关系为：$\left\{\begin{array}{c}{k}_t=\mathrm{INT}\left(\frac{t}{M^{\prime }{N}^{\prime }}\right)\\ i_t=\mathrm{INT}\left(\frac{t-k_t{M}^{\prime }{N}^{\prime }}{N^{\prime }}\right)\\ j_t=t-(k_t{M}^{\prime }+i_t)N^{\prime }\end{array}\right.,$INT(·)表示向下取整函数；第5步：特征优化第5.1步：特征整形对原始特征向量X＝[x₀，x₁，…，x_d-1]^T进行整形，得到新的特征向量Y＝[y₀，y₁，…，y_d-1]^T，y_t与x_t之间的关系为：$y_t=\frac{{x_t}^{\alpha }-1}{\alpha },t=\mathrm{0,1},...,d-1,$其中α∈(0，1)为整形常数；第5.2步：特征变换第5.2.1步：获取字符类别的特征向量集合如“第3步：字符类别子集的划分”所述，待处理字符集为Ω＝{ω₁，ω₂，…，ω_c}，c为集Ω中字符类别数，通过预分类处理被划分为8个字符类别子集Ω_k，k＝1，2，…，8，c_k为字符类别子集Ω_k中字符类别的数量；设第m类字符ω_m的训练样本数为，m＝1，2，…，c，对该字符类别的训练样本采用“第4步：特征提取”所述方法提取特征得到的d维原始特征向量集合为$\{X_1^{{\omega }_m},X_2^{{\omega }_m},...,X_{O_{{\omega }_m}}^{{\omega }_m}\};$则经“第5.1步：特征整形”后，得到的d维特征向量集合为$\{Y_1^{{\omega }_m},Y_2^{{\omega }_m},...,Y_{O_{{\omega }_m}}^{{\omega }_m}\};$第5.2.2步：统计量计算计算每个字符类ω_m特征向量的中心和类内散度矩阵${\mu }_{{\omega }_m}=\frac{1}{O_{{\omega }_m}}\underset{l=1}{\overset{O_{{\omega }_m}}{\Sigma }}{Y}_l^{{\omega }_m},m=\mathrm{1,2},...,c,$$S_{{\omega }_m}=\frac{1}{O_{{\omega }_m}}\underset{l=1}{\overset{O_{{\omega }_m}}{\Sigma }}(Y_l^{{\omega }_m}-{\mu }_{{\omega }_m}){(Y_l^{{\omega }_m}-{\mu }_{{\omega }_m})}^T,m=\mathrm{1,2},...,c;$计算各子集中所有字符类的特征向量的中心${\mu }^{\left({\Omega }_k\right)}=\frac{1}{c_k}\underset{1\le m\le c}{\underset{{\omega }_m\in {\Omega }_k}{\Sigma }}{\mu }_{{\omega }_m},k=\mathrm{1,2},...,8;$计算各子集的类间散度矩阵和平均类内散度矩阵$S_b^{\left({\Omega }_k\right)}=\frac{1}{c_k}\underset{1\le m\le c}{\underset{{\omega }_m\in {\Omega }_k}{\Sigma }}({\mu }_{{\omega }_m}-{\mu }^{\left({\Omega }_k\right)}){({\mu }_{{\omega }_m}-{\mu }^{\left({\Omega }_k\right)})}^T,k=\mathrm{1,2},...,8,$$S_w^{\left({\Omega }_k\right)}=\frac{1}{c_k}\underset{1\le m\le c}{\underset{{\omega }_m\in {\Omega }_k}{\Sigma }}\frac{1}{O_{{\omega }_m}}\underset{l=1}{\overset{O_{{\omega }_m}}{\Sigma }}(Y_l^{{\omega }_m}-{\mu }_{{\omega }_m}){(Y_l^{{\omega }_m}-{\mu }_{{\omega }_m})}^T=\frac{1}{c_k}\underset{1\le m\le c}{\underset{{\omega }_m\in {\Omega }_k}{\Sigma }}{S}_{{\omega }_m},k=\mathrm{1,2},...,8,$$S_t^{\left({\Omega }_k\right)}=S_w^{\left({\Omega }_k\right)}+S_b^{\left({\Omega }_k\right)},k=\mathrm{1,2},...,8;$第5.2.3步：LDA变换矩阵生成，它依次含有以下步骤：第5.2.3.1步：用矩阵计算工具计算矩阵的本征值，…，k＝1，2，…，8和与各本征值相对应的本征向量，k＝1，2，…，8，使得下列方程成立：第5.2.3.2步：将的本征值按从大到小的顺序排列，使${\xi }_0^{\left({\Omega }_k\right)}\ge {\xi }_1^{\left({\Omega }_k\right)}\ge ...\ge {\xi }_{d-1}^{\left({\Omega }_k\right)},$同时，的顺序也作相应的调整，使得它们保持与${\xi }_0^{\left({\Omega }_k\right)},{\xi }_1^{\left({\Omega }_k\right)},...,{\xi }_{d-1}^{\left({\Omega }_k\right)},$的对应关系；第5.2.3.3步：取的前r个非零本征值对应的本征向量构成LDA变换矩阵k＝1，2，…，8；r的有效值可根据需要选取为小于或等于矩阵的秩$\mathrm{rank}\left((S_w^{\left({\Omega }_k\right)}{)}^{-1}{S}_t^{\left({\Omega }_k\right)}\right)=\underset{1\le m\le c}{\underset{{\omega }_m\in {\Omega }_k}{\max }}(O_{{\omega }_m}-1)$的正整数第5.2.4步：变换特征的形成将整形后的d维特征Y＝[y₀，y₁，…，y_d-1]^T经过变换得到r维优化特征Z＝[z₀，z₁，…，z_r-1]^T，变换的过程为：$Z={\left({\Phi }^{\left({\Omega }_k\right)}\right)}^{T}Y$形成最终送入分类器作为字符类型判决依据的字符特征向量Z；将，k＝1，2，…，8，存入文件，形成优化参数库；第6步：设计分类器对于每个字符子集Ω_k，计算包含在Ω_k中的各字符类别的优化特征的均值向量和协方差矩阵${\bar{Z}}^{{\omega }_m}={\left({\Phi }^{\left({\Omega }_k\right)}\right)}^T{\mu }_{{\omega }_m},{\omega }_m\in {\Omega }_k$${\Sigma }_{{\omega }_m}={\left({\Phi }^{\left({\Omega }_k\right)}\right)}^T{S}_{{\omega }_m}{\Phi }^{\left({\Omega }_k\right)},{\omega }_m\in {\Omega }_k$利用矩阵计算工具求取的本征值和对应的本征向量，l＝0，1，…，r-1，通过实验确定MQDF分类器的相关参数K、h²；将、K、h²、存入文件中；对所有的Ω_k，k＝1，2，…，8，依次进行如上操作，得到了用于分类判决的字符特征库；识别阶段：第1步：预分类，即对输入的未知字符，判定其所属的字符类别子集；它依次包含以下步骤：第1.1步：获取字符预分类信息依照“训练阶段第2.3步”所述的方法，分别检测输入未知字符χ的空间区域信息ZI和字符形式信息FI，形成χ的预分类信息向量$I_{\mathrm{PC}}^{\chi }={[\mathrm{ZI},\mathrm{FI}]}^T;$第1.2步：确定输入字符所属子集设χ所属的字符类别子集为，则由下式给出：${\Omega }_{k_{\chi }}=\arg \underset{\underset{1\le k\le 8}{{\Omega }_k}}{\min }\left|\right|I_{\mathrm{PC}}^{{\Omega }_k}-I_{\mathrm{PC}}^{\chi }\left|\right|,$其中||·||表示欧氏距离，为字符子集Ω_k的预分类信息；得到后，完成了对χ的预分类；第2步：特征提取按照“训练阶段第4步”所述的方法，提取输入未知字符χ的d维原始方向特征向量$X^{\chi }={[x_0^{\chi },x_1^{\chi },...,x_{d-1}^{\chi }]}^T;$第3步：特征优化第3.1步：特征整形以“训练部分第1步”所设定的整形参数α对原始方向特征向量$X^{\chi }={[x_0^{\chi },x_1^{\chi },...,x_{d-1}^{\chi }]}^T$进行整形，得到整形特征$Y^{\chi }={[y_0^{\chi },y_1^{\chi },...,y_{d-1}^{\chi }]}^T,$其中：$y_t^{\chi }=\frac{{\left(x_t^{\chi }\right)}^{\alpha }-1}{\alpha },t=\mathrm{0,1},...,d-1;$第3.2步：特征变换从“训练阶段第5.2.4步”所生成的优化参数库文件中读取对应于输入字符χ所属字符类别子集的LDA和K-L混合变换矩阵，将d维整形方向特征向量$Y^{\chi }={[y_0^{\chi },y_1^{\chi },...,y_{d-1}^{\chi }]}^T$变换成r维变换特征向量$Z^{\chi }={[z_0^{\chi },z_1^{\chi },...,z_{r-1}^{\chi }]}^T,$变换的过程为：$Z^{\chi }={\left({\Phi }^{\left({\Omega }_{k_{\chi }}\right)}\right)}^T{Y}^{\chi };$第4步：分类判决，即将未知类别的字符的特征向量与识别库中已有的数据进行比较，以确定输入字符对应的正确的字符代码；它依次含有以下步骤：第4.1步：从“训练阶段第6步”所生成的字符特征库文件中读取输入字符χ所属字符类别子集中的所有字符类别的均值向量${\bar{Z}}^{{\omega }_m}={[{\bar{z}}_0^{{\omega }_m},{\bar{z}}_1^{{\omega }_m},...,{\bar{z}}_{r-1}^{{\omega }_m}]}^T,$${\omega }_m\in {\Omega }_{k_{\chi }},$和相应的分类参数；第4.2步：分别计算Z^χ到中各字符类别的MQDF鉴别距离：$g^{\left({\Omega }_{k_{\chi }}\right)}(Z^{\chi },{\bar{Z}}^{{\omega }_m})=\underset{l=0}{\overset{r-1}{\Sigma }}\frac{{(z_l^{\chi }-{\bar{z}}_l^{{\omega }_m})}^2}{h^2}-\underset{l=0}{\overset{K-1}{\Sigma }}\frac{{\lambda }_l^{{\omega }_m}-h^2}{h^2{\lambda }_l^{{\omega }_m}}{\left[{(Z^{\chi }-{\bar{Z}}^{{\omega }_m})}^T{\phi }_l^{{\omega }_m}\right]}^2+\ln \left(h^{2(r-K)}\underset{l=0}{\overset{K-1}{\Pi }}{\lambda }_l^{{\omega }_m}\right),{\omega }_m\in {\Omega }_{k_{\chi }};$若$g^{\left({\Omega }_{k_{\chi }}\right)}(Z^{\chi },{\bar{Z}}^{{\omega }_{\tau }})=\underset{{\omega }_m\in {\Omega }_{k_{\chi }}}{\min }{g}^{\left({\Omega }_{k_{\chi }}\right)}(Z^{\chi },{\bar{Z}}^{{\omega }_m}),$则判定该输入字符χ属于字符类别ω_τ，即${\omega }_{\tau }=\arg \underset{{\omega }_m\in {\Omega }_{k_{\chi }}}{\min }{g}^{\left({\Omega }_{k_{\chi }}\right)}(Z^{\chi },{\bar{Z}}^{{\omega }_m}).$