公开(公告)号：CN111709320A

公开(公告)日：2020-09-25

申请号：CN202010467270.9

申请日：2020-05-28

Applicant: 杭州电子科技大学

Inventor： 张钰 ,  王葵

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于密度峰值聚类特征选择的三维手写字符识别方法。现有的三维手写字符识别方法没有充分考虑冗余特征对字符识别率的影响。本发明如下：一、采集运动指尖的三维坐标并生成离散点集。二、顺序连接离散点生成三维轨迹。三、预处理。四、提取书写方向，曲率，坐标差值三大类特征。五、利用对称不确定性的倒数1/SU衡量特征间的相似性。六、利用密度峰值聚类算法的定义计算局部密度ρ。七、根据密度峰值聚类算法计算与高密度特征的距离。八、计算局部密度。九、将γ按降序排列，选取聚类中心。十、基于十折交叉验证方法和决策树算法模型，得到最终的识别率。本发明可以在特征减少，计算量降低的情况下，识别率还能提高。

公开(公告)号：CN111709320B

公开(公告)日：2023-04-18

申请号：CN202010467270.9

申请日：2020-05-28

Applicant: 杭州电子科技大学

Inventor： 张钰 ,  王葵

IPC: G06V30/32 ,  G06V10/762 ,  G06V10/764

Abstract: 本发明公开了一种基于密度峰值聚类特征选择的三维手写字符识别方法。现有的三维手写字符识别方法没有充分考虑冗余特征对字符识别率的影响。本发明如下：一、采集运动指尖的三维坐标并生成离散点集。二、顺序连接离散点生成三维轨迹。三、预处理。四、提取书写方向，曲率，坐标差值三大类特征。五、利用对称不确定性的倒数1/SU衡量特征间的相似性。六、利用密度峰值聚类算法的定义计算局部密度ρ。七、根据密度峰值聚类算法计算与高密度特征的距离。八、计算局部密度。九、将γ按降序排列，选取聚类中心。十、基于十折交叉验证方法和决策树算法模型，得到最终的识别率。本发明可以在特征减少，计算量降低的情况下，识别率还能提高。