对手写字符图像进行分类的分类器、分类装置和分类方法

对手写字符图像进行分类的分类器、分类装置和分类方法
【专利摘要】本发明实施例提供一种对手写字符图像进行分类的分类器、分类装置和分类方法，该分类器包括：训练部，其根据训练样本的分类输出与所述训练样本类别的误差，以及所述训练样本的特征提取输出或重构输出与所述训练样本所对应的标准字符图像的误差，来确定特征提取参数和分类参数；分类部，其根据所述训练部所确定的所述特征提取参数和分类参数，对输入的手写字符图像进行分类。根据本发明的实施例，在确定特征提取参数和分类参数时，考虑到了训练样本所对应的标准字符图像的特性，因此，能够得到进一步优化的特征提取参数和分类参数，提高了分类的准确性。
【专利说明】
对手写字符图像进行分类的分类器、分类装置和分类方法
技术领域
[0001] 本发明设及图像分类技术领域，尤其设及一种对手写字符图像进行分类的分类 器、分类装置和分类方法。
【背景技术】
[0002] 近年来，基于深度神经网络值eep化ural化twork，DNN)的分类方法在手写字符 分类领域取得了巨大的成功。传统的D順是一种层级模型，图1为传统的D順结构示意图， 如图1所不，传统的D順由一个输入层101、若干个隐含层102和一个输出层103组成。其 中，输入层101 -般为待处理的数据；隐含层102的类型可W包括卷积层、池化层或全连 接层等；对于分类问题而言，输出层103可W是分类器，例如softmax分类器或支持向量机 (Suppo;rt Vector Machine, SVM)等。
[0003] 传统的D順在进行训练时，w分类误差最小化作为优化目标，优化方法为后向传 播算法，其过程如图2所示。首先，训练样本输入到输入层101，并且信息随着D順网络做 前向传播，经由各隐含层传播到输出层，输出层所输出的值与训练样本的类别的真值进行 比较，得到一个误差；然后，该误差逐层回传，从而修正输出层103、隐含层102、W及输入层 101中每一层的参数。重复进行上述步骤，直到误差满足一定的收敛条件，则认为达到了 D順的优化目标。
[0004] 应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、 完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为运些方案在本发明的
【背景技术】部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

【发明内容】
阳0化]本申请的发明人认为，现有的基于D順的手写字符分类算法大都是基于输出层的 输出结果与训练样本类别之间的误差对各层的参数进行优化，并没有考虑手写字符所对应 的标准字符图像的特性，因此，各层的参数还有进一步优化的空间；并且，最近的研究结果 表明，将任务领域的先验信息和传统的D順结合，可W提高传统的D順模型的性能。
[0006] 本申请实施例提供一种对手写字符图像进行分类的分类器、分类装置和分类方 法，该方法将标准字符图像作为本领域的先验信息引入传统的D順中，在训练阶段同时考 虑分类输出与训练样本类别的误差，W及特征提取输出或重构输出与训练样本所对应的标 准字符图像的误差，从而提高DNN的分类性能。
[0007] 根据本发明实施例的第一方面，提供一种对手写字符图像进行分类的分类器，包 括：
[0008] 训练部，其根据训练样本的分类输出与所述训练样本类别的误差，W及所述训练 样本的特征提取输出或重构输出与所述训练样本所对应的标准字符图像的误差，来确定特 征提取参数和分类参数；
[0009] 分类部，其根据所述训练部所确定的所述特征提取参数和分类参数，对输入的手 写字符图像进行分类。
[0010] 根据本发明实施例的第二方面，提供一种对手写字符图像进行分类的分类装置， 所述分类装置具有合成部和至少2个分类部，该至少2个分类部可W通过如上述实施例第 一方面所述的分类器中的分类部来实现，并且，所述合成部将所述至少2个分类部对输入 的手写字符图像分类的输出进行合成，W作为该分类装置的输出，
[0011] 其中，每个所述分类部所对应的标准字符图像的字体不同。
[0012] 根据本发明实施例的第Ξ方面，提供一种对手写字符图像进行分类的方法，包 括：
[0013] 根据训练样本的分类输出与所述训练样本类别的误差，W及所述训练样本的特征 提取输出或重构输出与所述训练样本所对应的标准字符图像的误差，来确定特征提取参数 和分类参数；
[0014] 根据所述特征提取参数和分类参数，对输入的手写字符图像进行分类。
[0015] 本发明的有益效果在于：根据本实施例，在确定特征提取参数和分类参数时，考虑 到了训练样本所对应的标准字符图像的特性，因此，能够得到进一步优化的特征提取参数 和分类参数，提高了分类的准确性。
[0016] 参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原 理可W被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附 权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。
[0017] 针对一种实施方式描述和/或示出的特征可相同或类似的方式在一个或更 多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特 征。
[0018] 应该强调，术语"包括/包含"在本文使用时指特征、整件、步骤或组件的存在，但 并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
【附图说明】
[0019] 所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部 分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。显而易见地，下 面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创 造性劳动性的前提下，还可W根据运些附图获得其他的附图。在附图中：
[0020] 图1为传统的D順结构示意图；
[0021] 图2为基于传统的D順结构的优化方法示意图；
[0022] 图3是本实施例的对手写字符图像进行分类的方法的一个流程示意图；
[0023] 图4是手写字符图像与标准字符图像的示意图；
[0024] 图5是本实施例的D順结构模型示意图；
[00巧]图6是本实施例的确定该特征提取参数的方法的一个流程示意图；
[00%]图7是本实施例的确定该特征提取参数的方法的另一个流程示意图；
[0027] 图8是本实施例的确定该分类参数的方法的一个流程示意图；
[0028] 图9是本实施例的确定该特征提取参数和分类参数的方法的一个流程示意图；
[0029] 图10是本实施例的确定该特征提取参数和分类参数的方法的另一个流程示意 图；
[0030] 图llA是本申请实施例的对手写字符图像进行分类的分类器的组成示意图；
[0031] 图11B是本申请实施例的训练部的一个组成示意图；
[0032] 图12是本实施例的特征提取参数训练部的一个组成示意图；
[0033] 图13是本实施例的特征提取参数训练部的另一个组成示意图；
[0034] 图14是本实施例的分类参数训练部的一个组成示意图；
[0035] 图15是本实施例的训练部的另一个组成示意图；
[0036] 图16是本实施例的训练部的另一个组成示意图；
[0037] 图17是本申请实施例的对手写字符图像进行分类的分类装置的组成示意图。
【具体实施方式】
[0038] 参照附图，通过下面的说明书，本发明的前述W及其它特征将变得明显。在说明书 和附图中，具体公开了本发明的特定实施方式，其表明了其中可W采用本发明的原则的部 分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权 利要求的范围内的全部修改、变型W及等同物。 阳〇例 实施例1
[0040] 图3是本实施例1的对手写字符图像进行分类的方法的一个流程示意图，如图3 所示，该方法可W包括：
[0041] S301，根据训练样本的分类输出与该训练样本类别的误差，W及该训练样本的特 征提取输出或重构输出与该训练样本所对应的标准字符图像的误差，来确定特征提取参数 和分类参数；
[0042] S302,根据该特征提取参数和分类参数，对输入的手写字符图像进行分类。
[0043] 根据本实施例，在确定特征提取参数和分类参数时，考虑到了训练样本所对应的 标准字符图像的特性，因此，能够得到进一步优化的特征提取参数和分类参数，提高了分类 的准确性。
[0044] 在本实施例中，标准字符图像是用程序生成的字符图像，与对应的手写字符图像 具有相同含义。图4是手写字符图像与标准字符图像的示意图，如图4所示，手写字符图像 401与标准字符图像402对应，并且，一幅标准字符图像可W对应于属于同一类的多个手写 字符图像，例如，如果多个手写字符图像的类别都为"1"，那么运多个手写字符图像可W都 对应于图4的标准字符图像402a。此外，在本实施例中，标准字符图像可W有不同的字体， 例如，可W是宋体或黑体等。
[0045] 在本实施例中，可W基于图5所示的结构模型来实现本实施例的该分类方法。 如图5所示，该D順结构模型500可W包括输入层501、特征提取模块502、分类模块503和 分类输出层504等。
[0046] 其中，输入层501可W接收训练样本和输入的手写字符图像，用于为其它结构 模型提供待处理的数据；特征提取模块502可W由至少一个隐含层组成，主要作用是提取 输入层501所提供的数据的特征，供分类模块503等使用；分类模块503可W由至少一个隐 含层组成，主要作用是对特征提取模块的特征提取输出进行进一步的处理，使之更适合分 类；分类输出层504可W具有传统的分类单元，例如softmax分类器或支持向量机SVM等， 用于对分类模块503的输出进行分类，并且，该分类输出层504还可W具有计算层，用于计 算分类输出与待处理的数据之间的误差。
[0047] 在本实施例中，如图5所示，该D順结构模型还可W具有重构模块505和重构输出 层506等。
[0048] 其中，该重构模块505可W由至少一个隐含层组成，用于对特征提取模块502提取 的特征进行进一步的处理，使之更适合重构出标准字符图像；重构输出层506,可W包括一 个全连接层和计算部，其中，全连接层用于对重构模块505的输出进行重构，并且，计算层 用于计算重构输出与待处理的数据所对应的标准字符图像之间的误差。 W例下面，W图5所示的D順结构模型500为例，结合附图，对图3所示的分类方法进 行说明。需要说明的是，本实施例并不限于图5所示的D順结构模型，还可W基于其它模型 来实现本实施例的分类的方法。
[0050] 在本实施例中，对于图3的步骤S301，可W如图6-图8所示，先通过迭代确定该特 征提取参数，再通过迭代确定该分类参数，也可W如图9和图10所示，通过迭代同时确定该 特征提取参数和该分类参数。
[0051] 图6是本实施例的确定该特征提取参数的方法的一个流程示意图。如图6所示， 该方法可W包括：
[0052] S601，利用第一特征提取参数对训练样本进行特征提取；
[0053] S602,计算特征提取输出与训练样本所对应的标准字符图像的第一误差化1 ;
[0054] S603,在第一误差Erl不满足预设的第一收敛条件时，根据第一误差Erl调整第一 特征提取参数，然后回到S601，W重复上述特征提取和计算； 阳化5] S604,在第一误差Erl满足预设的第一收敛条件时，将第一特征提取参数确定为 该特征提取参数。
[0056] 在S601中，可由特征提取模块502对输入层接收的训练样本进行特征提取，并且， 在S601中，该特征提取模块502中各隐含层的参数可W统称为第一特征提取参数，该第一 特征提取参数的初始值可W被随机给定，然后根据上述迭代处理过程进行调整。
[0057] 在S602中，可W将特征提取模块502的特征提取输出与该训练样本所对应的标准 字符图像进行比较，W计算二者之间的第一误差化1。在本实施例中，计算第一误差化1的 方式可W是公知的，本实施例不再寶述。
[0058] 在S603中，当Erl不满足预设的第一收敛条件时，调整第一特征提取参数，并重复 S601和S602,直到Erl满足预设的第一收敛条件，并在S604中，将Erl满足预设的第一收 敛条件时的第一特征提取参数确定为该特征提取参数。
[0059] 在本实施例中，该第一收敛条件例如可W是Erl《T1，其中，T1可W是预设的阔 值，并且，T1可W根据优化目标来确定。当然，该第一收敛条件还可W是其它的条件，可W 参考现有技术，本实施例不再寶述。
[0060] 在本实施例中，调整第一特征提取参数的方法例如可W是后向传播算法，根据该 算法，该第一特征提取参数能够被调整为使第一误差Erl逐渐变小。关于后向传播算法的 详细说明，可W参考现有技术，本实施例不再寶述。
[0061] 在本实施例中，如图6所示，还可W包括步骤S605 :判断第一误差Erl是否满足预 设的第一收敛条件，判断为"是"，则执行S604,判断为"否"，则执行S603。
[0062] 图7是本实施例的确定该特征提取参数的方法的另一个流程示意图。如图7所示， 该方法可W包括：
[0063] S701，利用第二特征提取参数对该训练样本进行特征提取；
[0064] S702,利用重构参数对特征提取输出进行重构； 阳0化]S703,计算重构输出与该训练样本所对应的标准字符图像的第二误差化2 ;
[0066] S704,在该第二误差Er2不满足预设的第二收敛条件时，根据该第二误差Er2调整 该第二特征提取参数，W及该重构参数，然后回到S701 W重复上述特征提取、重构和计算；
[0067] S705,在该第二误差Er2满足该预设的第二收敛条件时，将该第二特征提取参数 确定为该特征提取参数。
[0068] 在S701中，可W由特征提取模块502对输入层接收的训练样本进行特征提取，并 且，在S701中，该特征提取模块502中各隐含层的参数可W统称为第二特征提取参数，该第 二特征提取参数的初始值可W被随机给定，然后根据上述迭代处理过程进行调整。
[0069] 在S702和S703中，可W由重构模块505和重构输出层506对S701的特征提取输 出进行重构，并计算重构输出与训练样本所对应的标准字符图像的第二误差化2 ;并且，重 构模块505中的各层和重构输出层506中全连接层的参数可W统称为重构参数，该重构参 数的初始值可W被随机给定，然后根据上述迭代处理过程进行调整。在本实施例中，计算第 二误差化2的方式可W是公知的，本实施例不再寶述。
[0070] 在S704中，当化不满足预设的第二收敛条件时，可W调整第二特征提取参数和重 构参数，并重复S701和S702,直到化满足预设的第二收敛条件，并在S705中，将Er2满足 预设的第二收敛条件时的第二特征提取参数确定为该特征提取参数。
[0071] 在本实施例中，关于该第二收敛条件的说明可W参考上述对于第一收敛条件的说 明，此处不再寶述。
[0072] 在本实施例中，对于调整该第二特征提取参数和重构参数的方法可W参考上述调 整第一特征提取参数的方法，本实施例不再寶述。
[0073] 在本实施例中，如图7所示，还可W包括步骤S706 :判断第二误差Er2是否满足预 设的第二收敛条件，判断为"是"，则执行S705,判断为"否"，则执行S704。
[0074] 在本实施例中，在根据图6或图7的方法确定了特征提取参数后，可W进一步确定 分类参数。
[00巧]图8是本实施例的确定该分类参数的方法的一个流程示意图。如图8所示，该方 法可W包括：
[0076] S801，利用该特征提取参数对该训练样本进行特征提取；
[0077] S802,利用第一分类参数对特征提取输出进行分类；
[0078] S803,计算分类输出与该训练样本类别的第Ξ误差Ec3 ;
[0079] S804,在该第Ξ误差Ec3不满足预设的第Ξ收敛条件时，根据该第Ξ误差Ec3调整 该第一分类参数，然后回到步骤S801，W重复该特征提取、该分类和该计算；
[0080] S805,在该第Ξ误差Ec3满足该预设的第Ξ收敛条件时，将该第一分类参数确定 为该分类参数。
[0081] 在S801中，可由特征提取模块502对输入层接收的训练样本进行特征提取，并且， 在S801中，该特征提取模块502中各隐含层的参数可W是由上述步骤S604或步骤S705所 确定的该特征提取参数，并且，在随后的迭代过程中，该特征提取参数不改变。
[0082] 在S802和S803中，可W由分类模块503和分类输出层504对S801的特征提取输 出进行分类，并计算分类输出与训练样本类别之间的第Ξ误差Ec3 ;并且，分类模块503中 各隐含层和分类输出层504中分类单元的参数可W统称为第一分类参数，该第一分类参数 的初始值可W被随机给定，然后根据上述迭代处理过程进行调整。在本实施例中，计算第Ξ 误差Ec3的方式可W是公知的，本实施例不再寶述。
[0083] 在S804中，当Ec3不满足预设的第Ξ收敛条件时，调整第一分类参数，并重复 S80US802和S803,直到Ec3满足预设的第Ξ收敛条件，并在S805中，将Ec3满足预设的第 Ξ收敛条件时的第一分类参数确定为该分类参数。
[0084] 在本实施例中，该第Ξ收敛条件例如可W是Ec3《T3,其中，T3可W是预设的第Ξ 阔值，并且，T3可W根据优化目标来确定。当然，该第立收敛条件还可W是其它的条件，可 W参考现有技术，本实施例不再寶述。
[00化]在本实施例中，调整第一分类参数的方法例如可W是后向传播算法，根据该算法， 该第一分类参数能够被调整为使该第Ξ误差Ec3逐渐变小。关于后向传播算法的详细说 明，可W参考现有技术，本实施例不再寶述。
[0086] 在本实施例中，如图8所示，还可W包括步骤S806 :判断第Ξ误差Ec3是否满足预 设的第Ξ收敛条件，判断为"是"，则执行S805,判断为"否"，则执行S804。
[0087] 在上述的图6-图8中，先确定特征提取参数，再确定分类参数，但是，本实施例并 不限于此，也可W如下图9-10所示，通过迭代同时确定该特征提取参数和该分类参数。
[0088] 图9是本实施例的确定该特征提取参数和分类参数的方法的一个流程示意图。如 图9所示，该方法可W包括：
[0089] S901，利用第四特征提取参数对训练样本进行特征提取，
[0090] S902,利用第二分类参数对特征提取输出进行分类，
[0091] S903,计算该特征提取输出与该训练样本所对应的标准字符图像的第四误差化4， W及分类输出与该训练样本类别的第五误差Ec5，
[0092] S904,在第四误差化和第五误差Ec不满足预设的第四收敛条件时，根据第四误差 Er4和第五误差Ec5调整第四特征提取参数，W及第二分类参数，并回到S901，W重复该特 征提取、该分类和该计算；
[0093] S905,在第四误差Er4和第五误差Ec5满足该预设的第四收敛条件时，将该第四特 征提取参数确定为该特征提取参数，并将该第二分类参数确定为该分类参数。
[0094] 在本实施例中，可W基于图5的D順结构模型中的输入层501、特征提取模块502、 分类模块503和分类输出层504等来实现上述图9所示的方法。 阳0巧]在S901中，可由特征提取模块502对输入层接收的训练样本进行特征提取，并且， 在S901中，该特征提取模块502中各隐含层的参数可W统称为第四特征提取参数，该第四 特征提取参数的初始值可W被随机给定，然后在迭代过程中进行调整。
[0096] 在S902和S903中，可W由分类模块503和分类输出层504对S901的特征提取输 出进行分类，并计算分类输出与训练样本类别之间的第五误差Ec5 ;并且，分类模块503中 各隐含层和分类输出层504中分类单元的参数可W统称为第二分类参数，该第二分类参数 的初始值可W被随机给定，然后在迭代过程中进行调整。
[0097] 在S903中，还可W将特征提取模块502的特征提取输出与训练样本所对应的标准 字符图像进行比较，W计算二者之间的第四误差化4。
[0098] 在S904中，当S903中计算出的Ec5与Er4不满足预设的第四收敛条件时，调整第 四特征提取参数和第二分类参数，并重复S901、S902和S903,直到Ec5和Er4满足预设的 第四收敛条件，并在S905中，将Ec5和Er4满足预设的第四收敛条件时的第二分类参数和 第四特征提取参数分别确定为该分类参数和该特征提取参数。
[0099] 在本实施例中，该第四收敛条件例如可W是下式（1)，
[0100] Ε,5+λΕ,4 (1)
[0101] 其中，λ是平衡因子。 阳102] 在本实施例中，平衡因子λ可W满足如下的式（2)，
[0103]
狂） 阳104] 其中，
[0105] λ °是平衡因子λ的初始值；
[0106] t是S901中进行特征提取的次数，即迭代的次数，并且，在第t。次特征提取之后， 本次特征提取对应的第四误差与4与前次特征提取对应的第四误差的差的绝对值小于 阔值； 阳107] a是实数，且a e (0, 1)。
[0108] 在本实施例中，上述第四收敛条件的说明只是举例，该第四收敛条件还可W是其 它的条件，可W参考现有技术，本实施例不再寶述。
[0109] 在本实施例中，在S904中调整第四特征提取参数和第二分类参数的方法例如可 W是后向传播算法，根据该算法，该第四特征提取参数和第二分类参数能够被调整为使化4 和Ec5逐渐靠近上式（1)的条件。关于后向传播算法的详细说明，可W参考现有技术，本实 施例不再寶述。 阳110] 在本实施例中，如图9所示，还可W包括步骤S906 :判断误差Ec5、Er4是否满足预 设的第四收敛条件，判断为"是"，则执行S905,判断为"否"，则执行S904。 阳111] 图10是本实施例的确定该特征提取参数和分类参数的方法的另一个流程示意 图。如图10所示，该方法可W包括：
[0112] S1001，利用第五特征提取参数对该训练样本进行特征提取；
[0113] S1002,利用第Ξ分类参数对特征提取输出进行分类；
[0114] S1003,利用第二重构参数对该特征提取输出进行重构；
[0115] S1004,计算重构输出与该训练样本所对应的标准字符图像的第六误差化6, W及 该分类输出与该训练样本类别的第屯误差Ec7，
[0116] S1005,在Er6与防7不满足预设的第五收敛条件时，根据该第六误差Er6和该第 屯误差防7调整该第五特征提取参数、第Ξ分类参数、W及该第二重构参数，并回到步骤 S1001，W重复该特征提取、该分类、该重构和该计算；
[0117] S1006,在Er6与防7满足预设的第五收敛条件时，将第五特征提取参数确定为该 特征提取参数，并将该第Ξ分类参数确定为该分类参数。
[0118] 在本实施例中，可W基于图5的D順结构模型中的输入层501、特征提取模块502、 分类模块503、分类输出层504、重构模块505和重构输出层506等来实现上述图10所示的 方法。
[0119] 在本实施例中，S1001、S1002和S1004中计算第屯误差Ec7的步骤可W参考对图 9的S901、S902和S903的说明，此处不再寶述。 阳120] 在S1003和S1004中，可W由重构模块505和重构输出层506对S1001的特征提 取输出进行重构，并计算重构输出与训练样本所对应的标准字符图像之间的第六误差化6; 并且，重构模块505中各隐含层和重构输出层504中全连接层的参数可W统称为第二重构 参数，该第二重构参数的初始值可W被随机给定，然后在上述迭代处理过程中进行调整。 阳121] 在本实施例中，该预设的第五收敛条件例如也可W与上式（1)类似，并且其中的 平衡因子λ的含义也可W与上述的式（2)类似，在第五收敛条件中，上式（1)中的Ec5和 Er4被替换为防7和化6,上述的式（2)中的巧4和被替换为每6和巧6-1。
[0122] 在本实施例中，在S1005中调整第五特征提取参数、第Ξ分类参数、W及第二重构 参数的方法例如可W是后向传播算法，即，根据Er6调整重构模块505和重构输出层506中 的参数，根据防7调整分类模块503和分类输出层504中的参数，并且，根据防7和Er6调 整特征提取模块502中的参数。
[0123] 根据上述算法，该第五特征提取参数、第Ξ分类参数、W及第二重构参数能够被调 整为使Er6和防7逐渐接近上式（1)的条件。关于后向传播算法的详细说明，可W参考现 有技术，本实施例不再寶述。
[0124] 在本实施例中，如图10所示，还可W包括步骤S1007 :判断误差Ec7、Er6是否满足 预设的第五收敛条件，判断为"是"，则执行S1006,判断为"否"，则执行S1005。
[01巧]在本实施例中，在根据上述图6-图10的方法确定了特征提取参数和分类参数W 后，在图1的步骤S302中，可W根据该特征提取参数和分类参数对输入的手写字符图像进 行分类。 阳1%] 在本实施例中，可W基于图5的D順结构模型中的输入层501、特征提取模块502、 分类模块503和分类输出层504等来实现上述步骤S302。
[0127] 例如，该特征提取模块502可W采用该特征提取参数对输入层501接收的输入的 手写字符图像进行特征提取，分类模块503中的各隐含层和分类输出层504中的分类单元 根据采用该分类参数作为各自的参数，对特征提取模块502的特征提出输出进行分类，并 输出分类结果。具体可W参考现有技术，此处不再寶述。
[0128] 根据本实施例，在确定特征提取参数和分类参数时，考虑到了训练样本所对应的 标准字符图像的特性，因此，能够得到更为优化的特征提取参数和分类参数，从而能够提高 对输入的手写字符图像进行分类的准确性。 阳129] 实施例2
[0130] 本实施例提供一种对手写字符图像进行分类的分类器，与实施例1的分类方法对 应。图11A是本申请实施例的对手写字符图像进行分类的分类器的组成示意图，如图11A 所示，该分类器1100包括训练部1101和分类部1102。 阳131] 其中，训练部1101根据训练样本的分类输出与训练样本类别的误差，W及训练样 本的特征提取输出或重构输出与训练样本所对应的标准字符图像的误差，来确定特征提取 参数和分类参数；分类部1102根据训练部1101所确定的特征提取参数和分类参数，对输入 的手写字符图像进行分类。
[0132] 根据本实施例，在确定特征提取参数和分类参数时，考虑到了训练样本所对应的 标准字符图像的特性，因此，能够得到进一步优化的特征提取参数和分类参数，提高了分类 器的性能。 阳133] 在本实施例的一个实施方式中，训练部可W分别训练并确定特征提取参数和分类 参数。如图11B所示，训练部1101可W包括特征提取参数训练部1101A和分类参数训练 部1101B，其中，特征提取参数训练部1101A可W用于确定特征提取参数，分类参数训练部 1101B可W用于确定分类参数。
[0134] 图12是本实施例的特征提取参数训练部的一个组成示意图，如图12所示，该特征 提取参数训练部1200可W包括第一特征提取单元1201、第一计算单元1202和第一控制单 元 1203。
[0135] 其中，该第一特征提取单元1201利用第一特征提取参数对训练样本进行特征提 取；第一误差计算单元1202计算第一特征提取部的特征提取输出与训练样本所对应的标 准字符图像的第一误差化1 ;第一控制单元503在第一误差Erl不满足预设的第一收敛条 件时，根据第一误差Erl调整第一特征提取参数，并使第一特征提取单元1201和第一误差 计算单元1202重复特征提取和计算，直到第一误差化1满足预设的第一收敛条件；并且，在 第一误差Erl满足预设的第一收敛条件时，第一控制单元1203将第一特征提取参数确定为 分类部1102所使用的该特征提取参数。
[0136] 图13是本实施例的特征提取参数训练部的另一个组成示意图，如图13所示，该特 征提取参数训练部1300可W包括第二特征提取单元1301、第一重构单元1302、第二计算单 元1303和第二控制单元1304。
[0137] 其中，第二特征提取单元1301利用第二特征提取参数对该训练样本进行特征提 取；第一重构单元1302利用重构参数对该第二特征提取单元的特征提取输出进行重构；第 二计算单元1303用于计算该第一重构单元的重构输出与该训练样本所对应的标准字符图 像的第二误差化2 ;第二控制单元1304,其在该第二误差Er2不满足预设的第二收敛条件 时，根据该第二误差Er2调整该第二特征提取参数W及该重构参数，并使该第二特征提取 单元、第一重构单元和该第二计算单元重复该特征提取、该重构和该计算，直到该第二误差 Er2满足该预设的第二收敛条件；并且，在该第二误差Er2满足该预设的第二收敛条件时， 第二控制单元1304将该第二特征提取参数确定为该特征提取参数。
[0138] 图14是本实施例的分类参数训练部的一个组成示意图，如图14所示，该分类参数 训练部1400可W包括第Ξ特征提取单元1401、第一分类单元1402、第Ξ计算单元1403和 第Ξ控制单元1404。
[0139] 其中，第Ξ特征提取单元1401利用该特征提取参数对该训练样本进行特征提取； 第一分类单元1402利用第一分类参数对该第Ξ特征提取单元的特征提取输出进行分类； 第Ξ计算单元1403用于计算该第一分类单元的分类输出与该训练样本类别的第Ξ误差 Ec3 ;第Ξ控制单元1404,在该第Ξ误差Ec3不满足预设的第Ξ收敛条件时，根据该第Ξ误 差Ec3调整该第一分类参数，并使该第Ξ特征提取单元、该第一分类单元和该第Ξ计算单 元重复该特征提取、该分类和该计算，直到该第二误差Ec3满足该预设的第Ξ收敛条件；并 且，在该第Ξ误差Ec3满足该预设的第Ξ收敛条件时，该第Ξ控制单元1404将该第一分类 参数确定为该分类参数。
[0140] 在本实施例的另一个实施方式中，训练部可W同时训练并确定特征提取参数和 分类参数。如图15所示，该训练部1500可W包括第四特征提取单元1501、第二分类单元 1502、第四计算单元1503和第四控制单元。 阳141] 其中，第四特征提取单元1501利用第四特征提取参数对该训练样本进行特征提 取；第二分类单元1502利用第二分类参数对该第四特征提取单元的特征提取输出进行分 类；第四计算单元1503计算该特征提取输出与该训练样本所对应的标准字符图像的第四 误差化4, W及该第二分类单元的分类输出与该训练样本类别的第五误差Ec5 ;第四控制单 元1504,其在化和Ec不满足预设的第四收敛条件时，根据该第四误差Er4和该第五误差 Ec5调整该第四特征提取参数W及该第二分类参数，并使该第四特征提取单元、该第二分类 单元和该第四计算单元重复该特征提取、该分类和该计算，直到Er4和Ec5满足该预设的第 四收敛条件；并且，在Er4和Ec5满足预设的第四收敛条件时，该第四控制单元将该第四特 征提取参数确定为该特征提取参数，并将该第二分类参数确定为该分类参数。 阳142] 在本实施例的另一个实施方式中，如图16所示，该训练部1600可W包括第五特征 提取单元1601、第Ξ分类单元1602、第二重构单元1603、第五计算单元1604和第五控制单 元 1605。
[0143] 其中，第五特征提取单元1601利用第五特征提取参数对该训练样本进行特征提 取；第Ξ分类单元1602利用第Ξ分类参数对该第五特征提取单元的特征提取输出进行分 类；第二重构单元1603利用第二重构参数对该特征提取输出进行重构；第五计算单元1604 计算该第二重构单元的重构输出与该训练样本所对应的标准字符图像的第六误差化6, W 及该第Ξ分类单元的分类输出与该训练样本类别的第屯误差Ec7 ;第五控制单元1605,其 在Ec和化不满足预设的第五收敛条件时，根据该第六误差Er6和该第屯误差E(：7调整该第 五特征提取参数、第Ξ分类参数、W及该第二重构参数，并使该第五特征提取单元、该第Ξ 分类单元、该第二重构单元和该第五计算单元重复该特征提取、该分类、该重构和该计算， 直到E(：7和Er6满足该预设的第五收敛条件；并且，在E(：7和Er6满足该预设的第五收敛条 件时，该第五控制单元将该第五特征提取参数确定为该特征提取参数，并将该第Ξ分类参 数确定为该分类参数。
[0144] 由于该分类器解决问题的原理与实施例1的方法相同，关于上述各单元的实施， 可参考实施例1中各步骤的实施，其内容被合并于此，本实施例不再寶述。
[0145] 根据本实施例，在确定特征提取参数和分类参数时，考虑到了训练样本所对应的 标准字符图像的特性，因此，能够得到更为优化的特征提取参数和分类参数，从而能够提高 对输入的手写字符图像进行分类的准确性。 阳146] 实施例3 阳147]本实施例提供一种对手写字符图像进行分类的分类装置。图17是本申请实施例 的对手写字符图像进行分类的分类装置的组成示意图，如图17所示，该分类装置1700包括 合成部1701和至少2个分类部1702,该分类部1702可W全部通过实施例2所述的分类器 中的分类部1102来实现，也可W-部分通过实施例2所述的分类器中的分类部1102来实 现，另一部分通过现有的其它类型的分类部来实现。
[0148] 在本实施例中，合成部1701将各个分类部1102和1702对输入的手写字符图像进 行分类的输出进行合成，W作为该分类装置1700的输出。该合成部1701的合成方式例如 可W是对各个分类部1102和1702的输出进行投票，将投票结果进行输出。但是，本实施并 不限于此，合成部还可W采用其他的合成方式，可W参照现有技术。
[0149] 在本实施例中，该至少2个分类部1102中的每一个分类部所对应的标准字符图像 的字体可W不同，由此，可W使该分类装置容易识别不同字体的手写字符图像，从而提高分 类的准确性。
[0150] 本发明实施例还提供一种计算机可读程序，其中当在信息处理装置或用户设备中 执行所述程序时，所述程序使得计算机在所述信息处理装置或用户设备中执行实施例1所 述的分类的方法。 阳151]本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可 读程序使得计算机在信息处理装置或用户设备中执行实施例1所述的分类方法。 阳152] 本发明实施例还提供一种计算机可读程序，其中当在信息处理装置或基站中执行 所述程序时，所述程序使得计算机在所述信息处理装置或基站中执行实施例1所述的分类 的方法。
[0153] 本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可 读程序使得计算机在信息处理装置或基站中执行实施例1所述的分类的方法。
[0154] 本发明W上的装置和方法可W由硬件实现，也可W由硬件结合软件实现。本发明 设及运样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文 所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还设及 用于存储W上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
[0155] W上结合具体的实施方式对本发明进行了描述，但本领域技术人员应该清楚，运 些描述都是示例性的，并不是对本发明保护范围的限制。本领域技术人员可W根据本发明 的精神和原理对本发明做出各种变型和修改，运些变型和修改也在本发明的范围内。 阳156] 关于包括W上实施例的实施方式，还公开下述的附记： 阳157] 附记1、一种对手写字符图像进行分类的分类器，包括：
[0158] 训练部，其根据训练样本的分类输出与所述训练样本类别的误差，W及所述训练 样本的特征提取输出或重构输出与所述训练样本所对应的标准字符图像的误差，来确定特 征提取参数和分类参数；
[0159] 分类部，其根据所述训练部所确定的所述特征提取参数和分类参数，对输入的手 写字符图像进行分类。 阳160] 附记2、如附记1所述的分类器，其中，所述训练部包括： 阳161] 第一特征提取单元，其利用第一特征提取参数对所述训练样本进行特征提取； 阳162] 第一计算单元，其计算所述第一特征提取单元的特征提取输出与所述训练样本所 对应的标准字符图像的第一误差化；
[0163] 第一控制单元，其在所述第一误差化不满足预设的第一收敛条件时，根据所述第 一误差化调整所述第一特征提取参数，并使所述第一特征提取单元和所述第一误差计算 单元重复所述特征提取和所述计算，直到所述第一误差化满足所述预设的第一收敛条件；
[0164] 并且，在所述第一误差化满足所述预设的第一收敛条件时，所述第一控制单元将 所述第一特征提取参数确定为所述特征提取参数。 阳1化]附记3、如附记1所述的分类器，其中，所述训练部包括： 阳166] 第二特征提取单元，其利用第二特征提取参数对所述训练样本进行特征提取； 阳167] 第一重构单元，其利用重构参数对所述第二特征提取单元的特征提取输出进行重 构；
[0168] 第二计算单元，其用于计算所述第一重构单元的重构输出与所述训练样本所对应 的标准字符图像的第二误差化，
[0169] 第二控制单元，其在所述第二误差化不满足预设的第二收敛条件时，根据所述第 二误差化调整所述第二特征提取参数W及所述重构参数，并使所述第二特征提取单元、第 一重构单元和所述第二计算单元重复所述特征提取、所述重构和所述计算，直到所述第二 误差化满足所述预设的第二收敛条件；
[0170] 并且，在所述第二误差化满足所述预设的第二收敛条件时，所述第二控制单元将 所述第二特征提取参数确定为所述特征提取参数。 阳171] 附记4、如附记2或3所述的分类器，其中，所述训练部还包括： 阳172] 第Ξ特征提取单元，其利用所述特征提取参数对所述训练样本进行特征提取；
[0173] 第一分类单元，其利用第一分类参数对所述第Ξ特征提取单元的特征提取输出进 行分类；
[0174] 第Ξ计算单元，其用于计算所述第一分类单元的分类输出与所述训练样本类别的 第二误差Eg,
[0175] 第Ξ控制单元，其在所述第Ξ误差Ec不满足预设的第Ξ收敛条件时，根据所述第 Ξ误差Ec调整所述第一分类参数，并使所述第Ξ特征提取单元、所述第一分类单元和所述 第Ξ计算单元重复所述特征提取、所述分类和所述计算，直到所述第二误差Ec满足所述预 设的第Ξ收敛条件；
[0176] 并且，在所述第Ξ误差Ec满足所述预设的第Ξ收敛条件时，所述第Ξ控制单元将 所述第一分类参数确定为所述分类参数。 阳177] 附记5、如附记1所述的分类器，其中，所述训练部包括：
[0178] 第四特征提取单元，其利用第四特征提取参数对所述训练样本进行特征提取，
[0179] 第二分类单元，其利用第二分类参数对所述第四特征提取单元的特征提取输出进 行分类，
[0180] 第四计算单元，其计算所述特征提取输出与所述训练样本所对应的标准字符图像 的第四误差化，W及所述第二分类单元的分类输出与所述训练样本类别的第五误差Ec， 阳181] 第四控制单元，其在下式（1)不满足预设的第四收敛条件时，根据所述第四误差 化和所述第五误差Ec调整所述第四特征提取参数W及所述第二分类参数，并使所述第四 特征提取单元、所述第二分类单元和所述第四计算单元重复所述特征提取、所述分类和所 述计算，直到下式（1)满足所述预设的第四收敛条件；
[0182] 并且，在下式（1)满足所述预设的第四收敛条件时，所述第四控制单元将所述第 四特征提取参数确定为所述特征提取参数，并将所述第二分类参数确定为所述分类参数， 阳 18引 Ec+入 Ef (1)， 阳184] 其中，λ是平衡系数。
[0185] 附记6、如附记1所述的分类器，其中，所述训练部包括： 阳186] 第五特征提取单元，其利用第五特征提取参数对所述训练样本进行特征提取；
[0187] 第Ξ分类单元，其利用第Ξ分类参数对所述第五特征提取单元的特征提取输出进 行分类； 阳18引第二重构单元，其利用第二重构参数对所述特征提取输出进行重构； 阳189] 第五计算单元，其计算所述第二重构单元的重构输出与所述训练样本所对应的标 准字符图像的第六误差Er，W及所述第Ξ分类单元的分类输出与所述训练样本类别的第屯 误差Ec，
[0190] 第五控制单元，其在下式（1)不满足预设的第五收敛条件时，根据所述第六误差 化和所述第屯误差Ec调整所述第五特征提取参数、第Ξ分类参数、W及所述第二重构参 数，并使所述第五特征提取单元、所述第Ξ分类单元、所述第二重构单元和所述第五计算单 元重复所述特征提取、所述分类、所述重构和所述计算，直到下式（1)满足所述预设的第五 收敛条件； 阳191] 并且，在下式（1)满足所述预设的第五收敛条件时，所述第五控制单元将所述第 五特征提取参数确定为所述特征提取参数，并将所述第Ξ分类参数确定为所述分类参数， 阳 192] Ec+AEr (1)， 阳193] 其中，λ是平衡系数。
[0194] 附记7、如附记5或6所述的分类器，其中，所述平衡系数λ满足如下的式似 阳1巧]
(2) 阳196] 其中，
[0197] λ °是平衡系数λ的初始值，
[0198] t是所述特征提取或重构的次数，并且，在第t。次特征提取或重构之后，本次特征 提取或重构对应的第四误差6'或第六误差巧与前次特征提取或重构对应的第四误差巧 或第六误差巧的差的绝对值小于阔值， 阳199] a是实数，且a e (0, 1)。 阳200] 附记8、一种对手写字符图像进行分类的分类装置，所述分类装置具有合成部和至 少2个如附记1-7中的任一项所述的分类器的分类部，并且，所述合成部将所述至少2个分 类部对输入的手写字符图像分类的输出进行合成，W作为该分类装置的输出， 阳201] 其中，每个所述分类部所对应的标准字符图像的字体不同。 阳202] 附记9、一种对手写字符图像进行分类的方法，包括： 阳203] 根据训练样本的分类输出与所述训练样本类别的误差，W及所述训练样本的特征 提取输出或重构输出与所述训练样本所对应的标准字符图像的误差，来确定特征提取参数 和分类参数； 阳204] 根据所述特征提取参数和分类参数，对输入的手写字符图像进行分类。 阳205] 附记10、如附记9所述的方法，其中，确定所述特征提取参数包括： 阳206] 利用第一特征提取参数对所述训练样本进行特征提取； 阳207] 计算特征提取输出与所述训练样本所对应的标准字符图像的第一误差化； 阳20引在所述第一误差化不满足预设的第一收敛条件时，根据所述第一误差化调整所 述第一特征提取参数，W重复所述特征提取和所述计算； 阳209] 在所述第一误差化满足所述预设的第一收敛条件时，将所述第一特征提取参数 确定为所述特征提取参数。
[0210] 附记11、如附记9所述的方法，其中，确定所述特征提取参数包括： 阳211] 利用第二特征提取参数对所述训练样本进行特征提取；
[0212] 利用重构参数对特征提取输出进行重构；
[0213] 计算重构输出与所述训练样本所对应的标准字符图像的第二误差化，
[0214] 在所述第二误差化不满足预设的第二收敛条件时，根据所述第二误差化调整所 述第二特征提取参数，W及所述重构参数，W重复所述特征提取、所述重构和所述计算；
[0215] 在所述第二误差化满足所述预设的第二收敛条件时，将所述第二特征提取参数 确定为所述特征提取参数。
[0216] 附记12、如附记10或11所述的方法，其中，确定所述分类参数包括：
[0217] 利用所述特征提取参数对所述训练样本进行特征提取；
[0218] 利用第一分类参数对特征提取输出进行分类；
[0219] 计算分类输出与所述训练样本类别的第Ξ误差Ec， 阳220] 在所述第Ξ误差Ec不满足预设的第Ξ收敛条件时，根据所述第Ξ误差Ec调整所 述第一分类参数，W重复所述特征提取、所述分类和所述计算； 阳221] 在所述第Ξ误差Ec满足所述预设的第Ξ收敛条件时，将所述第一分类参数确定 为所述分类参数。 阳222] 附记13、如附记9所述的方法，其中，确定所述特征提取参数和所述分类参数包 括： 阳223] 利用第四特征提取参数对所述训练样本进行特征提取，
[0224] 利用第二分类参数对特征提取输出进行分类，
[02巧]计算所述特征提取输出与所述训练样本所对应的标准字符图像的第四误差化，W 及分类输出与所述训练样本类别的第五误差Ec， 阳226] 在下式（1)不满足预设的第四收敛条件时，根据所述第四误差化和所述第五误差 Ec调整所述第四特征提取参数，W及所述第二分类参数，W重复所述特征提取、所述分类和 所述计算； 阳227] 在下式（1)满足所述预设的第四收敛条件时，将所述第四特征提取参数确定为所 述特征提取参数，并将所述第二分类参数确定为所述分类参数，
[0228] E,+ λ Ε, (1)， 阳229] 其中，λ是平衡系数。 阳230] 附记14、如附记9所述的方法，其中，确定所述特征提取参数和所述分类参数包 括： 阳231] 利用第五特征提取参数对所述训练样本进行特征提取； 阳232] 利用第Ξ分类参数对特征提取输出进行分类； 阳233] 利用第二重构参数对所述特征提取输出进行重构；
[0234] 计算重构输出与所述训练样本所对应的标准字符图像的第六误差化，W及所述分 类输出与所述训练样本类别的第屯误差Ec，
[0235] 在下式（1)不满足预设的第五收敛条件时，根据所述第六误差化和所述第屯误差 Ec调整所述第五特征提取参数、第Ξ分类参数、W及所述第二重构参数，W重复所述特征提 取、所述分类、所述重构和所述计算； 阳236] 在下式（1)满足所述预设的第五收敛条件时，将所述第五特征提取参数确定为所 述特征提取参数，并将所述第Ξ分类参数确定为所述分类参数， 阳237] Ec+AEr (1)， 阳23引其中，λ是平衡系数。
[0239] 附记15、如附记13或14所述的方法，其中，所述平衡系数λ满足如下的式似
[0240]
记) 阳241] 其中， 阳242] λ °是平衡系数λ的初始值， 阳243] t是所述特征提取或重构的次数，并且，在第t。次特征提取或重构之后，本次特征 提取或重构对应的第四误差或第六误差巧与前次特征提取或重构对应的第四误差巧-1 或第六误差驾^的差的绝对值小于阔值， 阳244] a是实数，且a e (0, 1)。
【主权项】
1. 一种对手写字符图像进行分类的分类器，包括： 训练部，其根据训练样本的分类输出与所述训练样本类别的误差，W及所述训练样本 的特征提取输出或重构输出与所述训练样本所对应的标准字符图像的误差，来确定特征提 取参数和分类参数； 分类部，其根据所述训练部所确定的所述特征提取参数和分类参数，对输入的手写字 符图像进行分类。2. 如权利要求1所述的分类器，其中，所述训练部包括： 第一特征提取单元，其利用第一特征提取参数对所述训练样本进行特征提取； 第一计算单元，其计算所述第一特征提取单元的特征提取输出与所述训练样本所对应 的标准字符图像的第一误差； 第一控制单元，其在所述第一误差不满足预设的第一收敛条件时，根据所述第一误差 调整所述第一特征提取参数，并使所述第一特征提取单元和所述第一误差计算单元重复所 述特征提取和所述计算，直到所述第一误差满足所述预设的第一收敛条件； 并且，在所述第一误差满足所述预设的第一收敛条件时，所述第一控制单元将所述第 一特征提取参数确定为所述特征提取参数。3. 如权利要求1所述的分类器，其中，所述训练部包括： 第二特征提取单元，其利用第二特征提取参数对所述训练样本进行特征提取； 第一重构单元，其利用重构参数对所述第二特征提取单元的特征提取输出进行重构； 第二计算单元，其用于计算所述第一重构单元的重构输出与所述训练样本所对应的标 准字符图像的第二误差， 第二控制单元，其在所述第二误差不满足预设的第二收敛条件时，根据所述第二误差 调整所述第二特征提取参数W及所述重构参数，并使所述第二特征提取单元、第一重构单 元和所述第二计算单元重复所述特征提取、所述重构和所述计算，直到所述第二误差满足 所述预设的第二收敛条件； 并且，在所述第二误差满足所述预设的第二收敛条件时，所述第二控制单元将所述第 二特征提取参数确定为所述特征提取参数。4. 如权利要求2或3所述的分类器，其中，所述训练部还包括： 第=特征提取单元，其利用所述特征提取参数对所述训练样本进行特征提取； 第一分类单元，其利用第一分类参数对所述第=特征提取单元的特征提取输出进行分 类； 第=计算单元，其用于计算所述第一分类单元的分类输出与所述训练样本类别的第= 误差， 第=控制单元，其在所述第=误差不满足预设的第=收敛条件时，根据所述第=误差 调整所述第一分类参数，并使所述第=特征提取单元、所述第一分类单元和所述第=计算 单元重复所述特征提取、所述分类和所述计算，直到所述第二误差满足所述预设的第=收 敛条件； 并且，在所述第=误差满足所述预设的第=收敛条件时，所述第=控制单元将所述第 一分类参数确定为所述分类参数。5. 如权利要求1所述的分类器，其中，所述训练部包括： 第四特征提取单元，其利用第四特征提取参数对所述训练样本进行特征提取， 第二分类单元，其利用第二分类参数对所述第四特征提取单元的特征提取输出进行分 类， 第四计算单元，其计算所述特征提取输出与所述训练样本所对应的标准字符图像的第 四误差化，W及所述第二分类单元的分类输出与所述训练样本类别的第五误差Ec, 第四控制单元，其在下式（1)不满足预设的第四收敛条件时，根据所述第四误差化和 所述第五误差Ec调整所述第四特征提取参数W及所述第二分类参数，并使所述第四特征 提取单元、所述第二分类单元和所述第四计算单元重复所述特征提取、所述分类和所述计 算，直到下式（1)满足所述预设的第四收敛条件； 并且，在下式（1)满足所述预设的第四收敛条件时，所述第四控制单元将所述第四特 征提取参数确定为所述特征提取参数，并将所述第二分类参数确定为所述分类参数， Ec+A Er (1)， 其中，A是平衡系数。6. 如权利要求1所述的分类器，其中，所述训练部包括： 第五特征提取单元，其利用第五特征提取参数对所述训练样本进行特征提取； 第=分类单元，其利用第=分类参数对所述第五特征提取单元的特征提取输出进行分 类； 第二重构单元，其利用第二重构参数对所述特征提取输出进行重构； 第五计算单元，其计算所述第二重构单元的重构输出与所述训练样本所对应的标准字 符图像的第六误差化，W及所述第=分类单元的分类输出与所述训练样本类别的第屯误差 Ec, 第五控制单元，其在下式（1)不满足预设的第五收敛条件时，根据所述第六误差化和 所述第屯误差Ec调整所述第五特征提取参数、第=分类参数、W及所述第二重构参数，并 使所述第五特征提取单元、所述第=分类单元、所述第二重构单元和所述第五计算单元重 复所述特征提取、所述分类、所述重构和所述计算，直到下式（1)满足所述预设的第五收敛 条件； 并且，在下式（1)满足所述预设的第五收敛条件时，所述第五控制单元将所述第五特 征提取参数确定为所述特征提取参数，并将所述第=分类参数确定为所述分类参数， Ec+A Er (1)， 其中，A是平衡系数。7. 如权利要求5或6所述的分类器，其中，所述平衡系数A满足如下的式（2)(2) 其中， A °是平衡系数A的初始值， t是所述特征提取或重构的次数，并且，在第t。次特征提取或重构之后，本次特征提取 或重构对应的第四误差或第六误差与前次特征提取或重构对应的第四误差或第六误差的 差的绝对值小于阔值， a是实数，且aG (0，1)。8. -种对手写字符图像进行分类的分类装置，所述分类装置具有合成部和至少2个如 权利要求1-7中的任一项所述的分类器的分类部，并且，所述合成部将所述至少2个分类部 对输入的手写字符图像分类的输出进行合成，W作为该分类装置的输出， 其中，每个所述分类部所对应的标准字符图像的字体不同。9. 一种对手写字符图像进行分类的方法，包括： 根据训练样本的分类输出与所述训练样本类别的误差，W及所述训练样本的特征提取 输出或重构输出与所述训练样本所对应的标准字符图像的误差，来确定特征提取参数和分 类参数； 根据所述特征提取参数和分类参数，对输入的手写字符图像进行分类。10. 如权利要求9所述的方法，其中，确定所述特征提取参数包括： 利用第一特征提取参数对所述训练样本进行特征提取； 计算特征提取输出与所述训练样本所对应的标准字符图像的第一误差； 在所述第一误差不满足预设的第一收敛条件时，根据所述第一误差调整所述第一特征 提取参数，W重复所述特征提取和所述计算； 在所述第一误差满足所述预设的第一收敛条件时，将所述第一特征提取参数确定为所 述特征提取参数。
【文档编号】G06K9/68GK105989375SQ201510050185
【公开日】2016年10月5日
【申请日】2015年1月30日
【发明人】陈理, 王淞, 范伟, 孙俊, 直井聪
【申请人】富士通株式会社