趙棟材

(西藏大學(xué)藏文信息技術(shù)研究中心，拉薩850000)

1 引言

藏文自公元7世紀(jì)創(chuàng)制以來，迄今已有一千三百多年的歷史，目前仍是記錄書寫藏語的文字系統(tǒng)。無論作為傳承藏民族傳統(tǒng)文化的主要工具，還是作為我國藏族地區(qū)傳播現(xiàn)代科技知識(shí)的主要工具，有其獨(dú)特的人類文化價(jià)值，在藏族地區(qū)所發(fā)揮的巨大作用是不可估量的。千年來記載了各類歷史記載、佛教經(jīng)典編譯，以及各種民間神話傳說等。浩如煙海的藏文文獻(xiàn)內(nèi)容廣泛，是我國除漢文之外，歷史最悠久、文獻(xiàn)最豐富的語言文化遺產(chǎn)。正是由于這樣的原因，歷史文化遺產(chǎn)的數(shù)字化，迫在眉睫。通過手工錄入去保留這些文化遺產(chǎn)幾乎是不可能的，而文字識(shí)別技術(shù)正是最好的選擇。

大量的藏文經(jīng)典主要以裝幀的形式，一般文獻(xiàn)呈現(xiàn)長條體，橫向是書的寬度，縱向是書的高度，書頁以活頁方式構(gòu)成，如圖1所示。誦經(jīng)閱讀時(shí)，縱向往上翻起。

木刻藏文經(jīng)書是雕刻的文字，在不同模板上樣式相同，書寫規(guī)則與標(biāo)準(zhǔn)藏文字完全相同，書寫方向是從左向右，采用縱向疊加的輔音加上元音進(jìn)行組合。但是木刻藏文經(jīng)書大多為人工篆刻，人為因素干擾嚴(yán)重(見圖2)，再通過特殊的藏紙印刷，加上油墨的干擾，導(dǎo)致木刻藏文經(jīng)書文中出現(xiàn)字符間粘連、斷裂、遮擋現(xiàn)象，為識(shí)別帶來極大的困難。

由于木刻藏文經(jīng)書的特殊性，僅依靠字符切分、特征提取等方法已不能滿足對(duì)木刻藏文經(jīng)書的識(shí)別需要。通過研究發(fā)現(xiàn)，增加基于BP網(wǎng)絡(luò)的訓(xùn)練方法，有助于提高木刻藏文經(jīng)書的文字識(shí)別正確率。

圖1 木刻經(jīng)文樣式

圖2 干擾嚴(yán)重的經(jīng)文字

2 BP網(wǎng)絡(luò)算法描述

2.1 木刻經(jīng)文文字識(shí)別的系統(tǒng)流程

木刻經(jīng)文文字識(shí)別的整體設(shè)計(jì)流程為如圖3所示。

圖3 木刻藏文經(jīng)書文字識(shí)別流程

整體識(shí)別中主要算法有二值化、去除噪音、切分、歸一化、特征提取、人工神經(jīng)網(wǎng)絡(luò)算法。特征提取與人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練相同，區(qū)別在于:

(1)當(dāng)識(shí)別結(jié)果與用戶實(shí)際選擇的結(jié)果不同時(shí)，調(diào)用人工神經(jīng)網(wǎng)絡(luò)算法，進(jìn)行訓(xùn)練，收斂結(jié)果，然后修正保存的數(shù)據(jù)，以實(shí)現(xiàn)下步識(shí)別再遇到這個(gè)經(jīng)文單元時(shí)，能夠正確識(shí)別，提高識(shí)別率。

(2)識(shí)別處理采用一種加權(quán)誤差均衡距離，定義兩個(gè)特征矢量X，Y的距離函數(shù)為:

σ是方差，ε為10，α為8。序列中距離f最小的結(jié)果為最后識(shí)別出的結(jié)果字符。

2.2 BP網(wǎng)絡(luò)訓(xùn)練

木刻經(jīng)文樣式、種類繁多，在進(jìn)行特征提取過程中會(huì)對(duì)同一個(gè)字在不同印版的經(jīng)書中提取不同的樣本，這樣每個(gè)經(jīng)文字就對(duì)應(yīng)了不同的經(jīng)文樣本，如圖4所示兩個(gè)一樣的經(jīng)文字，但其樣式不同。

圖4 2個(gè)木刻藏文樣本字

在采用彈性網(wǎng)格特征提取后，每個(gè)樣本形成了308維的特征數(shù)據(jù)，共計(jì)308×2=616維數(shù)據(jù)，如果全部保存并參與運(yùn)算，則會(huì)導(dǎo)致整體識(shí)別的運(yùn)算效率大大降低，也不能真正應(yīng)用到實(shí)際識(shí)別過程中。這樣就需要一套訓(xùn)練算法對(duì)這些數(shù)據(jù)進(jìn)行訓(xùn)練，整合所有樣本，獲取多種樣本共性的數(shù)據(jù)，更好的提高系統(tǒng)的魯棒性。本項(xiàng)目通過研究各種參考資料，最后確定采用基于人工神經(jīng)網(wǎng)絡(luò)的改進(jìn)的BP算法對(duì)整個(gè)樣本進(jìn)行訓(xùn)練，以便得出魯棒性更強(qiáng)的、服務(wù)于識(shí)別的矢量數(shù)據(jù)。

人工神經(jīng)網(wǎng)絡(luò)具有良好的容錯(cuò)能力和自我學(xué)習(xí)能力，較傳統(tǒng)識(shí)別技術(shù)有一定的優(yōu)勢(shì)，對(duì)于干擾復(fù)雜、識(shí)別難度大的經(jīng)文識(shí)別系統(tǒng)，其應(yīng)用會(huì)有效提高識(shí)別率和識(shí)別效率。

BP算法是神經(jīng)網(wǎng)絡(luò)技術(shù)中的典型算法，即向前計(jì)算-誤差反向傳播算法，采用廣義的δ學(xué)習(xí)規(guī)則，是一種有導(dǎo)師的學(xué)習(xí)算法。其工作過程分兩個(gè)階段:

第一階段正向傳播階段，將樣本導(dǎo)入輸入層，計(jì)算權(quán)重，然后將信息傳到隱含層(可以多層)繼續(xù)計(jì)算輸出值和期望值，最后傳入輸出層。

第二階段反向傳播階段，將網(wǎng)絡(luò)的實(shí)際輸出與期望輸出相比較，如果誤差不滿足要求，將誤差向后傳播，即從輸出層到輸入層逐層求其誤差(實(shí)際上是等效誤差)，然后相應(yīng)地修改權(quán)值。

其算法的執(zhí)行如下:

設(shè) X1，X2，...，Xn是神經(jīng)元的輸入，θi是 Xi的閥值，Wij是Xi的權(quán)系數(shù);Yi是Xi的輸出，f是激發(fā)函數(shù)，e是誤差函數(shù);

(1)輸入一個(gè)樣本集，并進(jìn)行編碼，同時(shí)給定理想的輸出信號(hào)Ti;

(2)設(shè)定權(quán)系數(shù)Wij，對(duì)各層的權(quán)系數(shù)置一個(gè)較小的非零隨機(jī)數(shù);

(3)計(jì)算各層的輸出;

對(duì)于任意節(jié)點(diǎn)j，輸出計(jì)算步驟為:

其中Uj是加權(quán)后的輸入與節(jié)點(diǎn)閾值的總和;θj是節(jié)點(diǎn)j的閾值;網(wǎng)絡(luò)中節(jié)點(diǎn)非線性的傳輸關(guān)系采用Sigmoid函數(shù)。

(4)求各層的學(xué)習(xí)誤差:

(5)誤差反向傳播，修正權(quán)值和閾值，從輸出節(jié)點(diǎn)開始逐步向前遞推，直到第一層，基于梯度下降法得:

至此樣本計(jì)算完成。BP算法雖然可以很精確地實(shí)現(xiàn)函數(shù)的逼近和模式的分類，但是從本質(zhì)上講，BP算法仍然是一種梯度算法，不可避免地存在一定問題，改變精度要求 ，將影響B(tài)P算法的計(jì)算次數(shù)，降低運(yùn)算效率，不同樣本有的收斂快，有的運(yùn)算量大，不同學(xué)習(xí)速率也會(huì)影響運(yùn)算效率等，因此在處理過程中需要對(duì)算法進(jìn)行改進(jìn)。

2.2.1 隱層單元數(shù)的選擇

隱層單元數(shù)目k是應(yīng)用BP算法的關(guān)鍵因素之一，k過小不能很好的收斂，過大則降低運(yùn)算效率，也會(huì)產(chǎn)生多余特征，減低容錯(cuò)率。經(jīng)過試驗(yàn)測(cè)試，BP算法隱層設(shè)定為兩個(gè)隱層，隱層單元數(shù)采用兩種數(shù)據(jù)處理，先取較大的k訓(xùn)練，然后取較小k，比對(duì)后去掉不起作用的隱層單元，具體表達(dá)式為:

2.2.2 平滑更新權(quán)值

系統(tǒng)經(jīng)過訓(xùn)練之后，得到新的經(jīng)文單元數(shù)據(jù)，數(shù)據(jù)格式為:

保存所有單元數(shù)據(jù)，用于為識(shí)別系統(tǒng)提供數(shù)據(jù)基礎(chǔ)。

經(jīng)文字的神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果如圖5，其下方數(shù)據(jù)圖6為其對(duì)應(yīng)藏經(jīng)文字的特征提取數(shù)據(jù)中的288維網(wǎng)格數(shù)據(jù)。圖7為提取后與原數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練后更新的288維網(wǎng)格數(shù)據(jù)。

3 實(shí)驗(yàn)結(jié)果

木刻藏文經(jīng)書文字識(shí)別界面如圖8所示。實(shí)驗(yàn)共收集經(jīng)書單個(gè)單元樣本1643個(gè)，訓(xùn)練1643，通過批量樣本測(cè)試程序測(cè)試，正常干擾情況下識(shí)別率為92.45%，嚴(yán)重干擾情況下識(shí)別率71.23%。

4 結(jié)束語

在字符切分、特征提取等文字識(shí)別方法基礎(chǔ)上，提出基于BP網(wǎng)絡(luò)訓(xùn)練方法的木刻藏文經(jīng)書文字識(shí)別解決方案，基本實(shí)現(xiàn)了普通干擾情況下木刻經(jīng)文識(shí)別率90%以上。當(dāng)然，木刻經(jīng)文由于干擾嚴(yán)重、印版斷裂、字符粘連等情況導(dǎo)致識(shí)別難度特別大，現(xiàn)有的國際國內(nèi)相關(guān)產(chǎn)品和資料都沒有很好的方法予以解決，需要進(jìn)一步的研究和試驗(yàn)，以更好的提高木刻藏文經(jīng)書的文字識(shí)別率。

［1］ 范立南，韓曉微.圖像處理與模式識(shí)別［M］.北京:科學(xué)出版社，2007.

［2］ 吳佑壽，丁曉青.漢字識(shí)別-原理方法與實(shí)現(xiàn)［M］.北京:高等教育出版社，1993.

［3］ 李弼程，邵美珍，黃潔.模式識(shí)別原理與應(yīng)用［M］.西安:西安電子科技大學(xué)出版社，2008.

［4］ 王勇，鄭輝，胡德文.圖像和視頻中的文字獲取技術(shù)［J］.中國圖像圖形學(xué)報(bào)，2004，9(5):532-538.

［5］ 馮宇平，戴明.一種基于角點(diǎn)特征的圖像拼接融合算法［J］.微電子與計(jì)算機(jī)，2009，26(7):21-28.

［6］ 普次仁.多種印刷字體藏文字符的特征提取方法研究［J］.西藏大學(xué)學(xué)報(bào)，2008，23(1):25-28.

［7］ 王維蘭.藏文基本字符識(shí)別算法研究［J］.西北民族學(xué)院學(xué)報(bào)，1999，20(3):20-23.

［8］ 王浩軍，趙南元，鄧鋼鐵.藏文識(shí)別的預(yù)處理［J］.計(jì)算機(jī)工程，2001，27(9):93-96.

［9］ 王維蘭，丁曉青，祁坤鈺.藏文識(shí)別中相似字丁的區(qū)分研究［J］.中文信息學(xué)報(bào)，2002，16(4):60-65.

［10］ 李永忠，王玉雷，劉真真.藏文印刷體字符識(shí)別技術(shù)研究［J］.南京大學(xué)學(xué)報(bào)，2012，48(1):55-62.

［11］ Ngodrup，ZHAO Dong cai.Research on wooden blocked Tibetan character segmentation based on drop penetration algorithm［C］.CCPR 2010 Proceedings.IEEE Computer Society.2010:84-88.

［12］ Ngodrup，ZHAO Dong cai，Putsren，Daluosanglangjie，LIU Fang，Bianbawangdui.Study on printed Tibetan character recognition［C］.AICI 2010 Proceedings.IEEE Computer Society.2010:280-285.