王汝心，马维华

（南京航空航天大学计算机科学与技术学院，南京210016）

0 引言

字符识别应用于多个领域。常用的字符识别方法包括基于模板匹配[1-2]、基于特征分析匹配[3]和基于机器学习[4-6]。字符特征有网格像素统计、正交投影法、骨架特征等方法，但这些特征提取方法各有侧重，具有局限性，当字符相似时识别效果较差。随着机器学习算法的研究进展，机器学习算法被越来越多的应用到字符识别领域。孙国栋、江亚杰等使用训练好的BP（Back Propagation，反向传播）网络对图像全局阈值进行预测并二值化，达到分离重影的目的，并采用改进LeNet-5网络完成字符识别[4]。呙润华、苏婷婷等通过总体密度、分块密度等特征表达不同字符的差别，以减少后续工作的计算量，将模板匹配方法嵌入到收敛的BP神经网络中，在提高系统的计算效率、缩短运行时间的同时提高了字符识别效率[6]。

本文将骨架提取与BP网络相结合，在细化图片、保留原字符特征的同时引入字符图片中更多的特征，优化BP网络，以提高对尺寸偏小的图片的识别准确度和精确度。

1 特征提取

1.1 骨架提取

骨架提取（image skeletonization）是实现二值图像细化（image thinning）的运算方法之一。当图像本身尺寸偏小、或者当字符图案在图片整体中所占区域过小时，进行字符分割后获得的字符图片往往像素点偏少，导致提取特征时能够提取的特征向量个数也会随之减少，因而会对字符识别结果造成影响。对图片中的字符笔画进行细化，提取字符的骨架，从而在不改变字符的轮廓特征的同时，突出字符与字符之间的细微区别