基于多特征集成分類器的脫機滿文識別方法

魏 巍，郭 晨

（1.大連民族學院 計算機科學與工程學院，遼寧 大連116600；2.大連海事大學 航海學院，遼寧 大連116026）

0 引 言

近年來國內外針對漢字印刷體和手寫體的識別技術開展了很多研究，取得了一定的成果，但對我國少數民族文字的識別，特別是對滿文識別的研究卻相對較少。事實上，自清太祖努爾哈赤仿照蒙文字母創制滿族文字以來，在近300余年的時間里，滿文作為一種官方文字清晰的記錄了大量的滿清時期我國政治、軍事、歷史、氣象等具有很高史料價值的資料，然而這些資料如今散落在各地的博物館中，信息利用率較低［1］。運用現代化的識別技術，充分挖掘這些寶貴的檔案資料，對于研究滿清歷史文化，保護和傳承我國非物質文化遺產有著十分重要的意義。

1 滿文識別系統的架構

滿文屬于阿爾泰語系滿－通古斯語族語支，其書寫形式通常帶有圈點，故又稱為 “圈點滿文”。滿文識別技術的研究對其它阿爾泰語系文字，特別是對錫伯文和蒙古文的掃描識別研究有重要的借鑒作用。由于大部分滿文資料均為手書體，因此本文研究的目標是規范書寫的圈點滿文手寫體。

滿文存在字符變形的情況，為了更好的識別滿文，針對滿文字元開展識別研究。所謂滿文字元是組成滿文單詞的基本單元，通過一系列處理操作獲得。首先將掃描成圖像的手寫圈點滿文數字化為二維像素點坐標序列，其次進行二值化、去噪、傾斜校正、行列劃分等預處理操作，最后依據一定的算法切分出滿文字元。針對字元提取其投影特征、鏈碼特征以及端點和交叉點特征，并組合3組特征進行基于BP神經網絡的集成分類識別，將識別得到的結果作為后處理部件的輸入進行處理，采用隱馬爾科夫模型（HMM）校正識別過程中出現的錯判和拒判情況，進一步提高系統的識別率。脫機手寫體滿文文本識別系統的架構如圖1所示。

圖1 脫機手寫體滿文文本識別系統架構

2 識別預處理

預處理是識別系統中重要的一個環節，通過二值化、去噪等操作來消除原始圖像中一些與統計類別無關的因素，以此提高統計的精度。

2.1 二值化原始滿文圖像

由于滿文文檔存放年代久遠，書寫的紙張存在不同程度的腐蝕和老化，因此在原始滿文圖像中，背景色的對比度并不總是相同的。為此，設計了動態閾值識別算法來區別圖像像素中文本信息和背景信息，并以此二值化圖像。求取動態閾值算法如下：

（1）設置128作為圖像二值化的初始閾值；

（2）高于128的像素點均作為背景色，低于128的作為前景色；

（3）求出（2）中背景色和前景色的均值，并將兩者的平均作為新閾值；

（4）重復操作（2）～（4）直到新閾值與上次閾值變化在2%以內。

2.2 去 噪

手書的滿文序列受書寫快慢和筆畫抖動等因素的影響，通常帶有較大的噪聲，這對識別將會產生一定的影響，這里采用高斯濾波算法［2］，對滿文圖像進行濾波去噪處理，如下所示

2.3 傾斜校正

滿文的書寫方式非常獨特，與漢字和英文等文字有很大區別。滿文書寫一般按照從左至右，由上至下豎寫完成，每個單詞中所有的字符綴連在一個豎直的主干線上，然而由于書寫風格不同，部分滿文字體存在偏離主干線的情況，因此有必要對滿文進行傾斜校正。本文采用Hough變換［3］獲得實際滿文的主干線，它與垂直線的夾角即為偏離正常主線的角度，將樣本旋轉相應的角度即可校正傾斜的樣本，如圖2所示。

圖2 滿文 “閣”字的校正

2.4 滿文的切分

滿文字符拼寫復雜，同一個字符根據所在單詞位置的不同具有不同的顯現形式，如滿文元音字母a就有獨立形、詞首形、詞中形和詞尾形等不同的顯示形式，這為正確識別滿文帶來很大的困難。為了更好的識別滿文，在識別前需要對滿文圖像進行行列切分，以獲取滿文字元。如圖3所示，左邊為正常書寫的滿文單詞，右邊為切分得到的滿文單詞字元。

考慮到滿文單詞中存在圈點的形式，由于圈點并沒有和文字主干相連，可以直接通過掃描法判斷它們的存在并得到具體的位置所在，因此在以下切分和文字識別算法中沒有考慮圈點的情況。對掃描的滿文文本采用分層切分的方式，首先切分出圖像中滿文文本的列，再切分出每列中不同的單詞，再對每個滿文單詞進行進一步的切分，得到識別用的字元［2，4］。具體切分算法如下：

圖3 滿文單詞 “哲理”字元切分

（1）滿文列切分：列切分就是將圖像中的每一列滿文提取出來。考慮到滿文的書寫特點，對滿文圖像進行垂直投影，由于兩列滿文之間存在一定的空隙，因此在投影圖像中必然存在投影的空白區域，由左至右搜索投影圖像中空白區域，將空白區域與投影區域的交界作為滿文列切分的左右邊界，從而切分出滿文列；

（2）滿文詞切分：滿文在行文中詞與詞之間存在一定的空隙，因此針對切分出的滿文列在水平方向進行投影，由上至下搜索投影圖像中空白區域，將空白區域與投影區域的交界作為單詞之間的上下邊界，進而切分出滿文單詞；

（3）滿文字元切分：由滿文的字形可知，單詞中軸匯聚了最多的像素點，中軸的左側和右側為滿文單詞的分支筆畫，統計大量的滿文單詞可知，中軸左右兩側的有效像素信息一般為中軸像素信息的3倍寬度，因此可采用以下算法切分滿文字元：

1）對滿文單詞進行垂直投影，像素點最多的投影區域被確定為單詞的中軸邊界，計算出滿文中軸邊界長度，并以此為基準分別向左右擴展3倍中軸邊界寬度，重點考察這一區域的滿文像素分布情況；

2）對考察區域內的滿文單詞進行水平投影，分布在中軸左右兩側的筆畫信息所投得影像將高于單純的中軸水平投影，因此將高于中軸投影的像素累積與中軸投影的像素累積的交界點作為滿文字元的切分點，依此算法共切分出36個滿文字元；

3）通過仿射變換對切分出的滿文字元歸一化為100＊100像素尺寸，同時使用形態學操作來平滑字符圖像的邊界。

3 特征提取

針對切分的滿文字元，通過三類特征集合進行描述，分別是投影特征、邊界鏈碼特征和端點交叉點特征。陰影特征從歸一化的字符圖像中統計獲得；邊界鏈碼特征通過對圖像進行邊界追蹤從而獲得邊界點的鏈碼信息；端點交叉點特征從細化為一個像素寬的滿文字元骨架中獲取。

3.1 投影特征

這里的投影特征是將滿文字元向某一方向做垂直映射，所獲得的映射陰影長度作為特征集合中的元素進行保存［5］。如圖4所示，考察滿文字符a的獨立形，把封閉滿文字元的矩形分為8個象限，將位于不同象限中的字元向垂直邊界和對角線上分別做3個方向上的投影計算，以此獲得24個投影特征。

圖4 滿文字元投影特征的提取

3.2 邊界鏈碼特征

使用鏈碼表示圖像邊界最早是由Freeman提出的。所謂鏈碼可被看作由一系列具有固定方向和長度的小直線段組成。Freeman鏈碼具有兩種表現形式，8方向鏈碼和4方向鏈碼［6－7］，如圖5和圖6所示。根據邊界跟蹤，每個邊界像素點被分配不同的碼值用來表示下一個邊界像素的鏈碼方向，邊界跟蹤可以按順時針方向進行也可按逆時針方向。滿文字元的字符邊界判斷方法如圖7所示，考慮一個3＊3的像素點陣，如果目標點P的4個鄰接點中有1個是背景像素點，則稱目標點P為邊界點。將字元邊界圖像劃分為5＊5網格的形式，為了避免因起始點確定的不同而導致鏈碼統計的多樣性，這里約定以每個網格中的左下角為基準開始掃描，將遇到的第一個邊界點作為本網格內邊界像素鏈碼統計的起始點，逆時針方向統計網格內邊界像素的4方向和8方向鏈碼值，分別累計獲得100個和200個鏈碼特征信息。

3.3 端點和交叉特征

為了提取滿文字元的端點和交叉點特征，需要將滿文字元細化為一像素寬度，重點考察滿文字元的骨架信息，使用Hilditch算法將滿文字元細化為一像素寬度。將細化的圖像劃分為4＊4的網格形式，每一網格的像素尺寸為25＊25。統計每個網格中存在的字元骨架的端點和交叉點的特征個數。實際上所謂的端點像素特征是在8方向鄰接像素內僅有一個像素點與之相連［8］，即（Effect（｛p｝）＝1）∩（Effect（｛Next8（p）｝）＝1）。其中p是當前像素點，函數Effect（｛p1，p2，…，pn｝）表示返回集合 ｛p1，p2，…，pn｝中的有效像素點個數，Next8（p）表示像素點p的8鄰域像素。

像素交叉點特征的確定算法是：設當前黑色像素點為參考點P，考察P點的8方向鄰域，確定黑色像素點的個數記為C，從中任選兩個不相鄰的黑色像素點M和N，分別考察其4方向鄰域，確定其與P點相鄰的黑色像素點個數，記為C1和C2。若C－C1－C2≥3，則參考點P為像素交叉點。不難發現，若P為交叉點，則在其8方向鄰域像素內至少存在3個像素點與之相連，即（Effect（｛p｝）＝1）∩（Effect（｛Next8（p）｝）≥3）是當前像素P為交叉點的必要條件。

統計滿文字元的端點和交叉點特征如圖8所示，考慮到滿文字符的整體結構集中在單詞中軸附近，因此僅考察網格4－11，對于其它網格的舍棄，并不影響滿文特征的識別效果。統計由端點和交叉點特征組成16個特征值，其中前8個特征為每個網格中的字元端點個數，后8個特征為網格中交叉點的個數，圖8所示的端點和交叉點特征為01001110 01000100。

圖8 滿文字元骨架網格分布

4 分類器的設計

神經網絡是對人腦或自然神經網絡若干基本特性的抽象和模擬，是一種基于連接學說構造的智能仿生模型，是由大量神經元組成的非線性動力系統。將神經網絡用于文字分類識別的出發點是因為神經網絡的優點主要是抗干擾能力很強［9］。傳統的神經網絡模型有BP網絡，Hopfield網絡，Hamming網絡等。本文使用BP網絡對提取的滿文字元不同特征進行識別分類。通過求得權值空間中下降梯度來使訓練樣本的方差和最小，以此對滿文字元進行分類，其中激勵函數采用S型函數，同時為了提高網絡的運算效率避免求解限于局部最優，在修正權值ω（k）時，引入了動量項和變學習率的算法，因此權值修改公式如下

式中：η——動量項因子，取值在 ［0，1）之間；D（k）、D（k－1）——k、k－1時刻的負梯度；α——學習率，取值在 ［0，1］之間，α越大，對網絡權值的修改越大，網絡學習速度越快，權值在學習過程中易產生振蕩，α過小，對權值修改難趨穩定，收斂過慢［10］。采用變學習率算法，在BP網絡進化初期快速收斂，隨著學習過程的進行，學習率不斷減小，網絡趨于穩定。變學習率計算公式如下

式中：αmax、αmin——最大、最小學習率，tmax——最大迭代次數，t——當前迭代次數。

針對上述提取的滿文字元特征，設置BP網絡輸入層的神經元個數分別為24、100、200和16。通過實驗效果的對比，投影、4方向鏈碼、8方向鏈碼以及端點和交叉點特征的隱含層神經元個數分別6、16、18、4時，單個特征識別效果最優。輸出層為所分類的字元類別數目，這里為36個類別。BP網絡采用簡單最大響應策略對滿文字元進行分類。

5 分類器的集成

多分類器的集成往往較單分類器的識別能獲取更好的識別效果。一般來講，物體的某一特征僅反映了其某一方面的特性，而從物體提取的多個特征向量，往往具有一定的互補性；另一方面，在當前維度中不好區分的特征，可能在另一種特征空間中很容易區分。因此，考慮采用多分類器的集成對物體的多個特征進行識別，進而達到提高識別率的目的。多分類器集成有3種基本的結構形式，串聯型、并聯型和混聯型［11］，分別如圖9所示。

圖9 多分類器集成結構

本文采用并聯結構設計分類器集成，該集成分類器基于候選字加權多數表決原理對滿文字元的3組特征識別結果進行集成判斷。集成分類器由C1，C2，…Ck個子分類器組成，待識別滿文字元M經過分類器Ck識別后產生n個候選輸出ck1，ck2，…，ckn，每個候選輸出對應的加權因子為pk1，pk2，…pkn，對應的相似度為sk1，sk2，…，skn。若分類器Ck決定將一個未知的滿文字元分類到第i個類，1≤i≤n，n為分類的個數，則其置信度可表示為

式中：ωk——分類器的加權因子，dk——單獨采用一種特征進行分類識別時所獲得的識別率。最終系統的集成判據根據置信度最大原則如下

6 識別效果

為了測試集成分類器的識別效果，本文構建了滿文字體識別系統，對滿文詞典中的800個單詞進行學習并構建滿文的投影、鏈碼以及端點和交叉點特征庫，其中每個滿文單詞選取3種方式書寫進行訓練。測試樣本從 《高宗實錄第一卷》中隨機抽取600字并分為3部分，每部分200個測試字。所有測試樣本經過光學掃描、預處理、歸一化等操作轉換為標準的100＊100二值化像素點陣圖像。

實驗首先分別單獨測試采用投影、鏈碼以及端點和交叉點作為特征的滿文識別率。使用3倍交叉驗證的方式，將第一和第二部分共400字作為特征訓練樣本對單系統開展訓練，用第三部分的200字對系統進行陰影特征識別測試；將第一和第三部分作為特征訓練樣本，第二部分進行鏈碼特征識別測試；將第一和第二部分作為特征訓練樣本，第三部分進行端點和交叉點特征識別測試。測試結果如表1所示。

表1 滿文字元不同特征識別率

實驗其次對兩類單獨的特征和三類特征進行集成識別，結果見表2。

表2 多分類器集成識別率

綜合表1和表2的數據可知，8方向鏈碼的特征組合識別率要高于4方向鏈碼，集成分類器的識別率要高于單個特征的識別率，同時集成分類器中類別越多，識別效果越好。

7 識別后處理

滿文識別后處理的過程就是利用單詞識別已獲得的滿文識別信息，結合滿文的構詞規則及其統計特性來檢測、糾正單詞識別輸出的拒識詞和錯識詞，以此來提高系統的識別率［12－13］。隱馬爾科夫模型（HMM）可以將自然語言和圖像觀測這兩個隨機過程有機結合起來，在完成對大量滿文單詞樣本集的識別分析基礎上，可以精確地統計出候選詞的后驗概率，進而提高系統的滿文字符識別率。

一個典型的識別后處理架構如圖10所示。識別后處理系統由兩個部件組成，前端為單詞識別器（SCR），后端為語言編碼器［14－15］。設滿文識別系統從前端部件輸入的符號串為A（a1，a2，…ai），識別輸出對應于每個ai的候選字集B（bi1，bi2，…bij），后端部件以待定字集B為輸入，考慮可能對應的所有滿文序列C（c1，c2，…ci），并對每一字串進行概率賦值，選擇最優的結果。即設A（a1，a2…an）為待識別的有確定邊界的滿文序列，C為識別結果，現欲使得C獲得最優結果，可表示為P（C｜A）＝max ｛P（B｜A）｝。根據Bayes公式可知max ｛P（B｜A）｝＝max ｛P（B）P（A｜B）/P（A）｝，其中P（A），P（A｜B）為已知項，因此P（C｜A）＝max ｛P（B｜A）｝可轉換為求得max ｛P（B）｝。視滿文輸入為隱馬爾科夫源，采用一階隱馬爾科夫模型，識別結果C可表示為bi－1），其中p（bi｜bi－1）為狀態轉移概率，可通過大規模滿文語料庫的統計獲得。為了避免狀態轉移概率中出現概率為0的情況而影響最終的分類效果，識別結果C可近似表示為經統計，使用隱馬爾科夫模型對滿文單詞識別結果進行后處理，系統的識別率可提高3%。

圖10 典型識別后處理

8 結束語

滿文作為近代中國的主要文字之一，記錄了大量寶貴的歷史文化信息，具有很高的應用研究價值。研究滿族文字的識別方法對保護我國少數民族非物質文化遺產，促進民族地區的科技發展有重要的意義。本文根據滿族文字的特點，將模式識別和圖像處理等技術結合在一起，提出了基于投影、鏈碼以及端點和交叉點特征的多分類器集成識別方法，取得了比較滿意的識別效果。采用隱馬爾科夫模型對識別結果進行后處理，進一步提高了滿文的識別率。由于滿文手寫字體的標準樣庫還沒有建立，測試數據相對不足，需要在以后的工作中進一步完善。就目前的測試結果看，本文提出的基于多特征集成識別方法在滿文的識別中是比較有效的，這對識別其它少數民族文字也有一定的借鑒意義。

［1］WEI Wei，GUO Chen，ZHAO Jing－ying.Implement of manchu script input method in mobile terminal ［J］.Journal of Dalian Maritime University，2011，37（1）：113－117（in Chinese）. ［魏巍，郭晨，趙晶瑩.移動終端滿文輸入的實現［J］.大連海事大學學報，2011，37（1）：113－117.］

［2］BAI Wen－rong.Research of the technology of online handwriting Mongolia words recognition ［D］.Hohhot：Inner Mongolia University，2007：27－28（in Chinese）.［白文榮.聯機手寫蒙古文字識別技術的研究 ［D］.呼和浩特：內蒙古大學，2007：27－28.］

［3］WANG Hui，MU Hong－xin，WANG Jia－mei，et al.An approach to document skew detection and correction ［J］.Journal of Yunnan University of Nationalities（Natural Sciences Edition），2010，19（3）：232－234（in Chinese）. ［王輝，牟宏鑫，王嘉梅，等.一種文本圖像傾斜校正的方法 ［J］.云南民族大學學報（自然科學版），2010，19（3）：232－234.］

［4］WEI Hong－xi，GAO Guang－lai.Feature selection of Mongolian characters in the recognition of printed mongolian characters［J］.Journal of Inner Mongolia University（Acta Scientiarum Naturalium Universitatis NeiMongol），2006，37（6）：694－697（in Chinese）.［魏宏喜，高光來.印刷體蒙古文字識別中蒙古文字特征的選擇 ［J］.內蒙古大學學報（自然科學版），2006，37（6）：694－697.］

［5］Nibaran Das，Brindaban Das，Ram Sarkar，et al.Handwritten Bangla basic and compound character recognition Using MLP and SVM ［J］.Journal of Computing，2010，2（2）：109－115.

［6］LIU Yongkui，WEI Wei，WANG Pengjie，et al.Compressed vertex chain codes ［J］.Pattern Recognition，2007，40（11）：2908－2913.

［7］LIU Yong－kui，WEI Wei，GUO He.Research on compressed chain code ［J］.Chinese Journal of Computers，2007，30（2）：281－287（in Chinese）.［劉勇奎，魏巍，郭禾.壓縮鏈碼的研究 ［J］.計算機學報，2007，30（2）：281－287.］

［8］ZHANG Guang－yuan，LI Jing－jiao，WANG Ai－xia.Separation and recognition method for off－line handwritten manchu character strokes ［J］.Computer Engineering，2007，33（22）：200－202（in Chinese）.［張廣淵，李晶皎，王愛俠.脫機手寫滿文筆畫基元的提取和識別 ［J］.計算機工程，2007，33（22）：200－202.］

［9］ZHAO Dong－xiang.A recognition research of off－line handwritten WuMei Tibetan based on BP network ［D］.Xining：Qinghai Normal University，2009：17－22（in Chinese）. ［趙冬香.基于BP網絡的脫機手寫吾美藏文識別技術研究 ［D］.西寧：青海師范大學，2009：17－22.］

［10］ WANG Geng.The research of off－line handwritten Chinese character recognition based on BP neutral network ［D］.Tianjin：Tianjin Normal University，2009：35－37（in Chinese）.［王賡.基于BP神經網絡的脫機手寫漢字識別研究［D］.天津：天津師范大學，2009：35－37.］

［11］ZHU Long－hua， WANG Jia－mei.Off－Line handwritten Yi character recognition based on the multi－classifier ensemble with combination features ［J］.Journal of Yunnan University of Nationalities（Natural Sciences Edition），2010，19（5）：329－333（in Chinese）. ［朱龍華，王嘉梅.基于組合特征的多分類器集成的脫機手寫體彝文字識別 ［J］.云南民族大學學報（自然科學版），2010，19（5）：329－333.］

［12］ZHAO Ji，LI Jing－jiao，WANG Li－jun，et al.Research on the post－processing of Manchu character recognition based on hidden Markov model ［J］.Journal of Chinese Information Processing，2006，20（4）：63－66（in Chinese）. ［趙驥，李晶皎，王麗君，等.基于HMM的滿文文本識別后處理的研究 ［J］.中文信息學報，2006，20（4）：63－66.］

［13］ZHAO Ji，LI Jing－jiao，ZHANG Guang－yuan，et al.Design and implement of off－line handwritten document recognition system of Manchu manuscript ［J］.Pattern Recognition and Artificial Intelligence，2006，19（6）：801－805（in Chinese）.［趙驥，李晶皎，張廣淵，等.脫機手寫體滿文文本識別系統的設計與實現 ［J］.模式識別與人工智能，2006，19（6）：801－805.］

［14］ZHANG Guang－yuan，LI Jing－jiao，WANG Ai－xia.Manchu Handwritten character recognition post－processing based on knowledge base ［J］.Computer Aided Engineering，2006，15（3）：69－71（in Chinese）. ［張廣淵，李晶皎，王愛俠.基于知識的滿文識別后處理 ［J］.計算機輔助工程，2006，15（3）：69－71.］

［15］BAI Wen－rong，SHOU Zhen－kun.Research of the technology of Mongolia feature information selection ［J］.Journal of Inner Mongolia Agricultural University，2010，31（1）：241－244（in Chinese）.［白文榮，壽震坤.蒙古文字特征信息選取技術的研究［J］.內蒙古農業大學學報，2010，31（1）：241－244.］