基于双射变换的脱机手写数字识别方法

针对传统特征提取和分类方法速度慢、稳定性差、识别率低等特点,提出了一种基于外围结构特征提取的手写数字识别方法。该方法多次少量地提取经过双射变换后的图像外围结构特征,对每一次提取的特征结合BP神经网络生成相应的分类器,对不同特征的分类结果进行融合得出手写数字的识别结果。实验结果表明,该特征提取方法实现简单,运算量小,大大提高了脱机手写数字的识别率和效率。     

基于特征融合的被动声纳目标识别

在被动声纳目标的分类识别中,不同的特征提取方法提取的特征反映了噪声信号不同的特性,一般情况下,很难做出某种方法优劣的判断.如何把这些不同的特征提取方法提取的特征矢量融合起来,对被动声纳目标分类识别非常有意义.在应用数据融合的方法对基于倒谱的特征提取方法、基于局域判别基的特征提取方法和基于听觉响度特征提取方法提取的特征矢量进行融合.提出了基于正态分布的概率密度函数的确定基本概率赋值的方法,利用三种特征提取方法对水声目标噪声信号进行特征提取,对提取的特征矢量进行融合,并进行分类实验,结果表明,特征融合使分类过程中的不确定性样本数减少,从而相应地提高目标分类的正确概率.     

一种低冗余Dense SIFT特征提取方法

特征提取是图像分类的关键部分之一.现有的Dense SIFT特征采用固定网格和步长以从上到下、从左到右的重叠方式提取特征,如果图像分辨率过大,将会导致提取的图像特征数量非常大,并且引入大量的冗余信息.为此,提出了一种低冗余Dense SIFT特征提取方法.该方法首先对图像进行预处理,实现对图像的紧凑表示;然后,利用数据中心化思想和(l)0范数去除冗余的Dense SIFT特征点,节约特征存储所需的空间,降低后续处理的计算复杂度;最后,将低冗余Dense SIFT特征提取方法应用于图像分类,提出了一种图像分类方案.实验结果表明,采用所提出的Dense SIFT特征提取方法,在减少特征点数量的同时,可以提升特征的区分能力.     

仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别.     

基于Gabor方向特征及神经网络的车牌字符图象识别

针对低分辨率灰度车牌号码数字识别问题,此文提出了一种利用网格技术和Gabor变换直接从灰度图象进行特征提取的新方法,并针对该特征提取方法设计了一种集成型神经网络模型来进行识别,对大量的实验数据(每个字符1500个样本)进行识别实验表明,利用其中1000套样本进行训练,其余500套样本进行测试,得到99.26%的识别率,显示此文所提出的车牌号码数字识别的特征提取方法和神经网络分类方法是非常有效的.     

基于贝塞尔曲线拟合的心电信号模式分类方法

提出了一种以心电信号形态特征为基础,基于信号分段特征提取,结合三阶贝塞尔函数和自组织神经网络的心电信号分类方法.首先分析了心电信号的形态特点,讨论了心电信号的分段方法,重点研究了结合贝塞尔函数的心电信号特征提取方法.最后,应用自组织神经网络对心电信号特征机型分类验证,结合使用MIT-BIH心电信号数据库的112605条数据进行实验.使用贝塞尔函数可以达到很好的特征提取效果,结合自组织神经网络可以达到较好的分类效果.实验结果表明,特征提取方法能够提高特征的有效性以及分类器的准确率.     

基于头发信息的性别分类

性别分类是指根据人脸部分的图像判别其性别的模式识别问题.探讨使用头发信息作为特征进行基于人脸图像的性别分类,提出了一种检测正面人脸图像中头发区域的方法,定义了6种头发特征并且提出了相应的特征提取方法.通过在两个人脸库上的对比实验,发现相对于特征脸(PCA)、Fisher脸(LDA)仅仅作用于人脸内部的特征提取方法,使用头发作为特征能使性别分类的平均准确率提高2.7%～8.2%.该实验结果说明了头发特征对于性别分类的重要性.     

无指针式仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出了一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.首先利用数字图像预处理技术处理图像,并利用特征提取方法提取数字图像特征;然后利用粗糙集理论进行特征约简;最后将约简后的信息输入到训练好的神经网络进行识别.实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,实用价值较高.     

一种改进的自然场景特征提取方法

基于场景全局语义特征描述符gist的自然场景分类方法在特征提取过程中计算量较大、识别精度较低。为此,提出一种改进的特征提取方法,将3尺度的gist特征与梯度方向直方图特征相结合对场景进行描述,并利用支持向量机实现分类。实验结果表明,改进的方法加快了特征提取速度,提高了分类正确率。     

模式识别中的特征提取研究

特征提取是模式识别中的关键技术之一,本文提出了一种基于改进ReliefF算法的主成分特征提取方法,通过该方法进行主特征特征提取可以有效降维,大大减轻了后续的分类器的工作量,同时也有助于提高分类器的分类精度.     

基于跨连接LeNet-5网络的面部表情识别

为避免人为因素对表情特征提取产生的影响,本文选择卷积神经网络进行人脸表情识别的研究.相较于传统的表情识别方法需要进行复杂的人工特征提取,卷积神经网络可以省略人为提取特征的过程.经典的LeNet-5卷积神经网络在手写数字库上取得了很好的识别效果,但在表情识别中识别率不高.本文提出了一种改进的LeNet-5卷积神经网络来进行面部表情识别,将网络结构中提取的低层次特征与高层次特征相结合构造分类器,该方法在JAFFE表情公开库和CK+数据库上取得了较好的结果.     

基于并行特征组合与广义K-L变换的字符识别

针对传统的串行特征融合方法的弱点,提出了一种新的并行特征融合方法.该方法的基本思路是:首先,利用复向量将样本空间上的两组特征集组合起来,构成复特征向量空间;然后,从理论上推广了经典的K-L变换方法与3种基本的K-L展开方法,使其适用于复特征向量空间内的特征抽取.此外,还揭示了并行特征融合的对称性质,并详细讨论了并行特征组合的策略问题.最后,用所提出的方法来解决手写体字符的特征抽取与识别问题.在南京理工大学NUST603HW手写体汉字库以及Concordia大学的CENPARMI手写体阿拉伯数字数据库上的实验结果表明,所提出的特征融合方法不仅较大幅度地提高了识别率,而且识别结果优于传统的串行特征融合方法.     

基于统计和结构特征的手写数字识别研究

针对目前手写数字识别精度不高的问题,通过对手写数字图像的研究,提出了基于手写数字图像的空间、旋转、层次和结构特性的特征提取方法.该方法把手写数字的统计和结构特征结合起来,以特征提取方法为基础,利用LibSVM算法对手写数字特征进行了训练和识别.通过实验给出了各个参数的推荐值,利用推荐参数值,手写数字MNIST字体库的识别率高达99.3333％.实验结果表明了该算法在识别手写数字上的有效性和准确性.     

基于BP神经网络的手写体数字识别

手写体数字识别是多年来的研究热点,也是字符识别中的一个特别问题。由于手写体数字字体变化很大,传统的识别方法很难达到高的识别率。针对传统的数字识别方法的复杂性和局限性,提出了一种基于BP神经网络的手写体数字的识别方法。该方法在提取手写体数字点特征、笔划密度特征基础上,利用改进的BP神经网络进行训练识别。经实验,识别率达94％。实验结果表明,该方法对手写体数字识别效果良好,不仅简化了传统识别的繁杂性,而且提高了识别的准确性。     

Handwritten Chinese Character Recognition Based on Primitive and Fuzzy Features via the SEART Neural Net Model

A handwritten Chinese character recognition method based on primitive and compound fuzzy features using the SEART neural network model is proposed. The primitive features are extracted in local and global view. Since handwritten Chinese characters vary a great deal, the fuzzy concept is used to extract the compound features in structural view. We combine the two categories of features and use a fast classifier, called the Supervised Extended ART (SEART) neural network model, to recognize handwritten Chinese characters. The SEART classifier has excellent performance, is fast, and has good generalization and exception handling abilities in complex problems. Using the fuzzy set theory in feature extraction and the neural network model as a classifier is helpful for reducing distortions, noise and variations. In spite of the poor thinning, a 90.24% recognition rate on average for the 605 test character categories was obtained. The database used is CCL/HCCR3 (provided by CCL, ITRI, Taiwan). The experiment not only confirms the feasibility of the proposed system, but also suggests that applying the fuzzy set theory and neural networks to recognition of handwritten Chinese characters is an efficient and promising approach.     

Generalized K-L transform based combined feature extraction

In this paper, we combine two kinds of features together by virtue of complex vectors and then use the developed generalized K-L transform (or expansion) for feature extraction. The experiments on NUST603 handwritten Chinese character database and CENPARMI handwritten digit database indicate that the proposed method can improve the recognition rate significantly.     

联机手写维吾尔文字母识别方法

通过分析维吾尔文字母自身的结构和书写特点,提出一种联机手写维吾尔文字母识别方案,并选择在手写汉字识别技术中所提出来的归一化、特征提取及常用的分类方法,从中找出最佳的技术选择。在实验对比中,采用8种不同的归一化预处理方法,基于坐标归一化的特征提取 (NCFE) 方法,以及改进的二次分类函数(MQDF)、判别学习型二次判别函数(DLQDF)、学习矢量量化(LVQ)、支持向量机(SVM)4种分类器。同时,再考虑字符在文档中的空间几何特征,进一步提高识别性能。在128个维吾尔文字母类别、38 400个测试样本的实验中,正确识别率最高达89。08%,为进一步研究面向维吾尔文字母特性的识别技术奠定重要基础。     

区间模糊相似性度量的离线签名验证

为优化离线手写签名验证,提出了一种基于区间符号表示和模糊相似性度量的高效离线签名验证方法。在特征提取步骤中,从签名图像及其欠采样位图计算一组基于改进局部二值模式（LBP）与灰度共生矩阵（GLCM）相融合的特征。然后获得每个签名类中每个要素的区间值符号数据。为每个人的手写签名类创建由一组间隔值（对应于特征的数量）组成的签名模型。为了验证测试样本,还提出了一种新的模糊相似性度量来计算测试样本签名和相应的区间值符号模型之间的相似度。为了评估所提出的验证方法,使用了不同类型的中文手写签名笔迹图片进行测试与比对,识别率可以达到92.75%。实验结果表明当训练样本的数目是10或更多时,有效提高了识别率,所提出的方法优点在于当向系统添加新类时不需要被重新训练,并在内存使用和计算时间方面与神经网络比较是廉价的。     

隐马尔可夫模型下视频手写签名认证算法研究

为了提高视频手写签名认证的准确率,确保身份认证的严谨性,需要对隐马尔可夫(Hidden Markov Models,HMM)模型下视频手写签名认证算法进行改进设计;使用当前算法对视频手写签名进行认证时,存在认证判断误差大、效率低的问题;提出基于HMM模型下视频手写签名认证算法;该算法将使用Wacom手写板采集手写签名特征点及压力数据,对采集到的手写签名特征与压力数据进行预处理,消除采集过程中环境和手写板产生的影响,并且规范采集的视频手写签名特征位置、尺寸,提取手写签名特征与压力数据,再以HMM模型对已提取的视频手写签名特征点与压力数据进行认证与计算,确定签名的真实度;实验仿真证明,所提算法提高了视频签名认证的性能。