用于重叠草体手写字符非线性分割的神经网络集成方法

精确的字符分割是提高光学字符识别（OCR）准确率的唯一途径。在草体书写中，重叠字符是字符分割过程中的严重问题，因为使用传统的线性分割策略会使字符失去其判别性部分。因此，非线性分割是避免字符部分丢失并提升字符/书写识别准确率的迫切需求。本文提出一种改进方法，用于手写罗马字草体书写中重叠字符的非线性分割。所提技术由一系列基于字符几何特征的启发式规则组成，以在草体书写词中定位可能的非线性字符边界。然而，为提升效率，启发式方法集成了训练的神经网络集成验证策略，用于字符边界的核验。据此，基于神经网络集成的投票保留正确边界并移除错误边界。最终，基于经验证的有效分割点，对字符进行非线性分割。为公平比较，实验采用CEDAR基准数据库。实验结果远优于现有文献中报道的传统线性字符分割技术。与单个神经网络相比，神经网络集成在提升字符分割准确率方面发挥了至关重要的作用。