基于结构特征分类BP网络的手写数字识别

手写体数字识别有着重大的使用价值，用多层BP网络来识别手写体数字是手写体数字识别的一大进步，但是，用单纯的BP网络来识别也存在识别精度不高等的问题。将BP网络技术和数字本身的结构特征结合起来，提出了一种基于结构特征分类BP网络的手写体数字识别新方法。首先提取点、环等数字特征值，并根据一些特征进行分类；然后再运用BP神经网络识别，以提高网络的识别能力；最后，选取了500个人的0～9的手写体数字，运用以上算法进行BP神经网络识别，用3000个手写体数字作为训练样本，2000个其他的样本进行测试，网络收敛后，识别率达到96％以上，比原来有一定的提高。     

基于结构特征分类BP网络的手写数字识别

手写体数字识别有着重大的使用价值,用多层BP网络来识别手写体数字是手写体数字识别的一大进步,但是,用单纯的BP网络来识别也存在识别精度不高等的问题。将BP网络技术和数字本身的结构特征结合起来,提出了一种基于结构特征分类BP网络的手写体数字识别新方法。首先提取点、环等数字特征值,并根据一些特征进行分类;然后再运用BP神经网络识别,以提高网络的识别能力;最后,选取了500个人的0~9的手写体数字,运用以上算法进行BP神经网络识别,用3000个手写体数字作为训练样本,2000个其他的样本进行测试,网络收敛后,识别率达到96%以上,比原来有一定的提高。     

组合结构特征的自由手写体数字识别算法研究

自由手写体因其书写风格差异大、上下文无关及识别准确度要求高等原因导致其识别难度大的问题。针对手写体数字识别的特点及要求,提出一种新的基于组合结构特征的自由手写体数字识别算法。通过扩展的字符结构特征识别算法自动、鲁棒地提取手写体数字字符端点、分叉点、横线等多种结构特征,并组合应用这些结构特征构造决策树完成手写体字符的自动识别。实验结果表明基于组合结构特征的自由手写体数字识别算法的鲁棒性和识别率明显优于传统方法。     

一种基于骨架特征顺序编码的脱机手写体数字识别方法

本文提出了并实现了一种基于数字骨架顺序编码的脱机手写体识别方法,该方法利用绑架化等预处理操作得到手写体数字的骨架,然后对数字骨架进行跟踪,按顺序得到一系列曲线段,并以12种线型对这些曲线段进行拟合,从而得到一组数字骨架的顺序编码,最终利用这组顺序编码和样本训练生成的识别字典完成对数字的识别,本方法具有较高的识别可靠率,已在成绩单自动录入和识别系统中得到了成功的应用。     

基于SVM的手写体数字快速识别方法研究

手写体数字识别是图像处理与模式识别中具有较高实用价值的研究热点之一。在保证较高识别精度的前提下,为提高手写体数字的识别速度,提出了一种基于SVM的快速手写体数字识别方法。该方法通过各类别在特征空间中的可分性强度确定SVM最优核参数,快速训练出SVM分类器对手写体数字进行分类识别。由于可分性强度的计算是一个简单的迭代过程,所需时间远小于传统参数优化方法中训练相应SVM分类器所需时间,故参数确定时间被大大缩减,训练速度得到相应提高,从而加快了手写体数字的识别过程,同时保证了较好的分类准确率。通过对MNIST手写体数字库的实验验证,结果表明该算法是可行有效的。     

连续手写体不规则数码识别的研究与设计

字符是人类信息交流的主要载体之一,手写体数字识别技术是多年来的研究热点问题,也是字符识别中的一个非常重要的类别。连续不规则手写体数码识别在一定的环境下应用十分广泛。对于数码识别要求有很高的识别可靠性。手写体数字识别除对识别精度的要求和可靠性外,还对识别速度、识别率等问题有一定的要求。     

基于 Adaboost的手写体数字识别

提出了一种新的基于集成学习算法Adaboost的手写体数字识别系统。Adaboost方法可以在仅比随机预测略好的弱分类器基础上构建高精度的强分类器。实验证明,基于Adaboost的手写体数字识别系统具有较高的识别率和泛化能力,已经应用在OCR识别软件中。     

运用自组织映象和模糊规则来识别手写体数字

本文论述如何运用组合自组织映象（ＳＯＭ）和模糊规则来识别手写体数字，在学习阶段，运用ＳＯＭ（自组织映象）算法以产生各种原型，并将这些原型与相对应的各种变量一起用于确定各个模糊区及其成员函数，然后，通过对训练图象的学习，生成各种模糊规则，在识别阶段，由分类器根据模糊规则对一幅输入图象进行了分类，随后，采用ＳＯＭ分类器对一个不确定的图象进行重新分类，在一个含有２０，８５２个手写体数字的数据库上的作的实     

采用结构特征分割粘连的手写体数字对的识别方法

本文提出了基于轮廓结构特征分割粘连的手写体数字对的识别方法。选择四种类型的间断点取决于字符间断点的连接和分析后获取的字符轮廓以及六种粘连形式。最后，通过选择分割组合检验，将减少粘连手写体数字对的间断点。此方法的主要优点是，可在多种假设条件的识别中进行可靠的分割组合。通过分割组合检验，减少了基于传统分割识别方法产生的分割误差。根据本文提及的方法，我们采用NIST SDl9数据库中3500个粘连的数字对进行实验，取得了92．5％的识别率。     

人工神经网络及应用概述

本文分析了人工神经网络的工作原理和特点,并介绍几种典型的神经网络以及多层感知网络在手写体数字识别中的应用。     

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.     

手写液晶体数字及识别技术

对手写数字的识别是模式识别的一个重要研究方向。通常的手写数字风格多变,无法实现高精度的识别。为此,提出一种新颖的手写数字记录方式,称为“手写液晶体数字”,进而为其设计了一种专门的识别算法。通过多个采样窗口提取图像特征,并与各类数字的标准特征向量进行相似度计算;基于贝叶斯判决原理,依据最大后验概率完成分类;建立专门的数据集并进行测评。实验结果表明,新算法具有极高的识别率,而且识别速度很快。     

基于背景分析的手写数字切分方法

考虑到手写数字串的结构特点,提出一种以分析特定背景区域为主,针对具体粘连数字采用不同分割策略的切分方法。文中引入蓄水池的概念来形象描绘出背景区域中字符间的粘连部分,并从中抽取某些特征对字符的具体粘连形态进行了归纳分类。在分割过程中,根据字符的粘连类型选用不同的滴水算法来求得分割路径。实验结果表明了该方法对于手写数字分割的有效性。     

一个高速准确的手写数字识别系统

对于手体写数字的识别提出了全新思路,阐述了整个识别步骤中的关键算法。系统可以自动解析包含二值化手写体数字的BMP文件,在经过裁剪、细化、映射归一、获取数字结构特征、匹配等一系列处理之后,可以最大限度地减少因为不同手写风格而带来的干扰,从而快速准确地识别出每个数字。基于所描述的算法而实现的程序,有着很好的识别性能,应用前景十分广泛。     

基于模具的手写数字串切分算法及其应用

提出了一种基于模具的手写数字串切分算法,该算法通过总结手写数字串中字符之间的连接特点,归纳出一套合理的切分曲线类型,并根据这些曲线类型设计出多种切分模具,从而将字符的切分过程变为各种模具的试用和优选过程．通过在银行票据OCR系统中的应用,验证了算法的有效性．     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法,突破了传统模式识别方法的局限,使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块,实验结果表明该系统具有较高的识别率和较强的实用性。     

基于BP神经网络的手写数字识别算法研究

讨论了一个手写数字识别系统的原理及其实现。特征提取的方法是:计算字体轮廓的曲率特征,并在计算曲率的过程中使用了B样条函数;对曲率进行了大小和平移规整化,这样得到的曲率具有大小和方向的不变性。为了得到更紧凑的特征,采用了小波对其进行降维。采用了BP神经网络作为分类器,实验结果表明,对于字形相似的数字也达到了较高的识别率。还简介了识别系统的模块设计和界面设计。     

手写体数字识别中一种新的倾斜校正的方法

介绍了在手写体数字识别预处理过程中一种新的倾斜校正的方法，该方法利用手写数字的图像的高与宽的比值是否最大来确定倾斜校正是否完毕。在校正过程中，手写体数字的图像高度逐渐变高，宽度逐渐变窄，所以当图像的高与宽的比值最大的时候倾斜角度最小。     

基于外接同心圆结构特征的自由手写体数字神经网络识别方法

本文提出了一种基于外接同心圆结构提取贯穿特征码的自由手写体数字的神经网络识别。该方法是用自由手写体数字的外接同心圆来提取其贯穿持征码，将获得的模式特征训练改进的ＢＰ神经网络分类器，从而达到快速分类的目的。将其应用于邮政编码识别系统，单字的识别率达到９７％以上，整信的识别率可达到９２％以上，得到了令人满意的结果。