张 飞

(安徽广播电视大学 计算机系，安徽 阜阳 236000)

长期以来手写字体识别技术是图像处理领域的研究重点，不仅在交通运输、刑侦、智能农业上有着广泛的应用，在学习网络、机器学习等模式识别领域也占据着十分重要的地位[1].手写字体识别技术有很多，包括卷积神经网络、机器视觉、深度学习、BP算法等[2-5].罗麟等人利用精简化网络层次的卷积神经网络对低质量笔迹图像进行特征识别，避免了神经网络受制于原图学习模式的限制问题[2].陈施硕通过机器视觉技术对手写字体轮廓边缘特征进行提取识别，与传统试卷手写字体分数识别方法相比更省时省力，但对于小字体或模糊字体的轮廓特征提取精准度较低[4].陈子宁借助BP算法(人工神经网络)对手写脱机字符进行模式识别，通过log-sigmoid函数设计隐含层神经元能够准确对手写字母进行分类识别，但是汉字数量大，分类和识别效果不好[5].目前仍没有一套很完善的识别算法，真正的无限制手写体字符识别的研究还有待进一步加强.同时，类似于神经网络、BP算法、主成分分析等深层次算法尽管可以获取高精度的图像识别效果，但对于编程和软件具有较强的依赖性因而限制其发展[6-8].而类别聚类算法的识别技术是通过数据集的相似性样本进行归类的识别算法，利用距离标准化处理消除特征之间量纲差异从而实现字体的识别[9].本文依据聚类寻找标准模式，建立基于试探的未知类……