随着模式识别技术的不断发展,藏文字符图像的理解日益成为人们研究的热点,脱机手写藏文字符的识别也随之吸引了许多学者的目光。目前,关于脱机手写藏文字符识别的研究成果甚少,在此,笔者对其进行了进一步的研究。本文样本选自数据库THCDB,且样本已经进行了预处理,所以本文的研究重点是藏文字符的特征提取和分类器设计。特征提取就是保留对识别有用的信息,去除噪音及冗余信息,尽可能提高特征的有效性,使其更加简洁化。本文首先提出了藏文字符的局部二元模式(LBP)直方图特征。这种特征的识别率较好,但不足之处是其特征空间的维数较大,识别速度较慢。所以,对局部二元模式(LBP)直方图特征进行主成分分析(PCA)来对特征空间进行降维,利用降维后的特征向量作为藏文字符的特征。实验表明:当新特征空间的维数为196维时,藏文字符的识别率最优。分类器设计是建立识别系统不可或缺的一部分,K-近邻(KNN)是一种原理简单、易于操作的分类器,所以脱机手写藏文字符识别中,首先采用了KNN分类器对藏文字符进行识别。在对30个藏文辅音字母的识别实验中,识别率达到了96.04%。为了继续提高藏文字符的识别率,本文进一步采用支持向量机(SVM)分类器对藏文字符进行分类,支持向量机分类器中不同的核函数影响着藏文字符的识别效果,实验表明:当分类器采用径向基支持向量机(RbfSVM)时,藏文字符的识别率最高为97.93%。总之,本文采用融合了局部二元模式(LBP)直方图和主成分分析(PCA)的特征提取方法,并使用RbfSVM分类器对脱机手写藏文字符进行识别,达到了较好的识别效果。