基于纹理的文本依存的离线笔迹鉴别

针对文本依存的离线笔迹鉴别,提出一种基于纹理的算法.该算法采用Gabor变换对纹理进行分析,选取4个频率8个相位,通过变换,选取32维变换系数的方差作为笔迹特征,在分类时使用欧氏距离作为分类器,并且提出一种新的阈值获取方法,针对该算法进行实验得出,正确接受率为89.3%,正确拒绝率为80.0%.     

基于改进多数规则的笔迹鉴定信息融合

针对传统笔迹鉴定信息融合算法的不足,提出了改进多数规则信息融合算法。在笔迹鉴定过程中,分别用文本依存的距离变换法、几何矩算法和多通道分解与匹配算法三种特征提取算法进行特征提取,三种算法的提取结果采用基于改进多数规则的笔迹鉴定信息融合算法进行融合。在融合的同时,单独对每种笔迹鉴定方法在相同的条件下进行了实验,并且设计相应分类器,估计分类器的错误率。实验结果表明,运用本文的融合算法,在融合后笔迹鉴定准确率有大幅度的提高。     

一种多特征组合与多神经网络分类器集成的手写数字识别新方法

提出了一种多特征组合与多神经网络分类器集成的手写体数字字符识别方法。新方法对结构简单、书写规范的数字字符使用高效的结构分类器实现快速分类;对结构分类器不能准确分类的字符,首先通过提取多个特征,构造不同结构和类型的多个神经网络分类器,然后对多个分类器的识别结果,通过多专家集成方案对手写数字进行最终判决。实验结果表明,提出的方法能有效降低识别错误率,提高识别系统的可靠性。     

基于统计纹理特征的打印文档认证

为了解决计算机打印文档的自动鉴别,提出了一种基于中文汉字显微放大图像灰度共生矩阵统计纹理特征的打印文档鉴别算法.首先,从理论模型上分析了激光打印机传动系统对打印字符潜影的影响;接着对字符图像的22维灰度共生矩阵统计纹理特征进行计算,并利用ReliefF特征选择算法进行特征选择;最后提取显微字符图像激光扫描方向和纸张行进方向的灰度共生矩阵纹理特征并进行融合,利用最近邻和支持向量机2种分类器进行分类鉴别.在两种样本集上的实验结果表明:特征融合后的鉴别性能有所提高;支持向量机的分类鉴别性能优于最近邻分类器,在相同字无重复样本集上的分类准确率和平均召回率分别为96.5%和96.64%,在相同字有重复样本集上分类准确率和平均召回率分别为98%和98.18%;激光打印机品牌分类准确率为98%.上述的实验结果显示该方法具有良好的打印文档分类鉴别性能.     

试论笔迹鉴定差异的分析与判断

个人书写习惯的形成,会在笔迹中体现出一定的差异,而不同个体所表现出的书写差异,在差异当中又存有一定共性。因此,利用已知笔迹与未知笔迹的校验、对比等方式,能够判断笔迹的差异,以保证鉴定意见更加科学严谨。在常规笔迹鉴定中,差一点分析及其判断往往是关键环节,同时也是衡量鉴定结果的主要依据。本文将重点分析笔迹鉴定差异的分析方式和判断方法,对其差一点做详细传输,进而提出具有可行性的鉴定判断方法,以促进鉴定结构更具科学性。     

多部件自适应融合的手写体阿拉伯字符识别

针对手写阿拉伯文100类变体字符中相似字多、书写粘连等识别难点,提出一种基于部件分解和自适应融合的识别算法.首先,根据结构规则建立字符的部件模型,将字符分解为主体、附加和点三类部件,并结合连笔分析获得较鲁棒性的部件描述;然后,针对各类部件的不同特点设计相应的特征抽取和分类器,通过部件匹配来检测和辨识相似字间的微小差异;最后,利用并改进D-S证据理论对多个部件进行融合,通过分析部件的匹配度分布建立一种实时的融合权重计算方法,并基于所得权重提出证据的折扣方案,从而实现自适应融合,以提升字符识别效果.实验证明该算法较现有经典算法在识别率和稳定性方面均有明显提高.     

基于模糊聚类与RBF网络集成分类器的验证码识别

针对粘连字符验证码识别率低的问题,提出了一种基于模糊聚类和径向基神经网络的动态集成分类器.该分类器采用分割和识别反馈动态结合的思想,首先通过模糊聚类算法对字符进行特征提取,将其作为RBF神经网络的输入,然后网络依据识别置信度和字符特征隶属度进行特征节点的动态选择,最后通过实验进行了算法有效性和识别率的验证.与其他算法的对比实验进一步表明,该方法体现了整体优先,细节补偿的思想,能够充分利用训练样本集的信息,改进了低质量字符识别率不高的问题.     

基于随机子空间的多分类器集成

提出了一种基于随机子空间的多分类器集成算法RFSEn.首先选择一个合适的子空间大小,然后随机选择特征子集并投影,并得到子空间上的基分类器,从而通过基分类器构成集成分类器,并由集成分类器来进行文本的分类.将该算法与单一分类器和基于重抽样技术的bagging算法进行了比较,在标准数据集上进行了实验.结果表明,该方法不仅优于单一分类器的分类性能,而且一定程度上优于bagging算法.     

基于深度半监督跨模态学习的Web图像标注方法

针对Web图像标注问题,提出一种基于深度半监督跨模态学习的Web图像标注方法。该方法引入了堆栈式自编码网络(SAE)作为整体训练框架中的基分类器,首先,在有标签数据集上分别基于图像和文本训练得到各自的分类器,接着,通过多模态融合方法对图像和文本分类器进行融合得到一个多模态分类器,并利用该分类器预测出无标签的样本数据的类别标签,最后,将预测标签加入到原始数据集中,共同基于图像进行训练,得到一个单模态图像分类器,该分类器能够预测不含任何其它模态信息的单一图片数据的语义。实验结果表明,该方法有效地提高了图像标注效果且优于传统图像标注方法。     

一种基于同义词扩展的不平衡文本分类方法

针对传统文本分类方法的性能,尤其是其中少数类的分类性能会随着文本不平衡程度的加重而迅速恶化的现象,提出了一种基于同义词扩展的不平衡文本分类改进方法.该方法通过建立同义词词典、确定扩展规则和调整“特征保持因子”等几个步骤,实现了对少数类中的特征项的丰富和补偿,同时对扩展带来的原文档特征变化予以了补偿.实验结果表明,该方法可以从很大程度上改善少数类的分类性能,并且随着少数类中文本数量的减少,性能的提升会越发显著.与此同时,分类器的总体分类性能也得到了一定程度的提升.