基于多分类器组合的手写体数字识别

本文提出了一个基于多分类器组合的手写体数字识别方法。文中首先给出了一个客观评价分类器性能的参数,其后基于此参数提出了多分类器的组合方法,并从理论上研究了此方法的一些性质,本文实验采用Ｃｏｎｃｏｒｔｄｉａ大学模式识别与机器智能中心的手写体数字数据库,在实验中,使用了９个利用不同特征分类器进行组合,组合后识别率、拒识率和可靠性分别可达到９７．０５％,２．０５％,９９．０８％。     

基于BP人工神经网络的手写体数字识别

手写体数字识别是模式识别研究领域多年来的热点,BP人工神经网络是目前应用最广泛的神经网络模型之一。将两者融合并结合Matlab软件,提出了一种简单的基于BP神经网络数字识别的方法,仿真实验结果表明,该方法识别效果良好,准确率高,有一定实用性。     

手写体数字识别技术的研究

手写体数字识别特征提取方面，有模板匹配，统计特征和结构特征，在分类器设计上有基于距离的分类器和神经网络分类器等，分析和评价了这些问题后，指出今后的研究方向应在特征综合，分类器集成以及新的分类器的研究上。     

根据轮廓特征识别手写体字符的方法

本文讨论一种根据字符轮廓所提取的结构特征进行识别的方法,它的主要特点是：１．通过单次扫描二值化图象即可有效地完成边缘平滑,轮廓提取和孔洞的简单测量（如区域和最小包围矩形等）;２．通过轮廓边缘点的角度／斜率变化和左右边界的极值点提取轮廓的结构特征;３．通过对大字符集的学习,可不断修改,完善算法,以适应不同类型字符的识别。     

手写体数字识别技术的研究

简要介绍了手写体数字识别的几类主要方法,并介绍了作者利用直接逻辑法识别手写体数字的实验方案和结果。结果表明,利用本方案字符特征易于提取,识别算法灵活、简炼,对水平笔道上的断笔有自适应效果,且识别率高。     

基于神经网络及多层次信息融合的手写体数字识别

以信息融合技术为基础，提出了一种新的基于神经网络及多层次信息融合的手写体数字识别方法。该方法通过提取字符图像不同机制的4个互补特征，组合形成6个融合特征，利用优化的BP神经网络算法，对多融合特征进行识别分类，然后用神经网络对6个识别结果进行融合决策．实验结果表明，新的融合识别方法能有效提高识别率，并具有较高的系统可靠性。     

一种新的识别手写体邮政编码方法的研究

本文从识别邮政编码出发，对一种快速，实用的手写体数字识别方法作了研究，该方法不需作图象规格化处理，在提取轮廓的同时并行去除噪声，文中还提出了一种基于质心位置非均匀分块的归一化方法矢量特征，根据内孔个数的不同分别采用直接判断法和量近邻区配法，对单内孔和无内孔字样则根据其外轮廓线折线化的特征进行后处理确认，以进一步降低差错率。     

一种基于骨架特征和神经网络的手写体字符识别技术

对英文字符集的识别问题,提出了一种依据细化后的字符骨架特征进行分类,并对每一类别的字符各自建立神经网络进行训练和识别的方案。在二值图象理论的基础上,通过对字符轮廓特征的分析,提出了一种对英文字符集的分类方案,同时提出了一种快速有效的骨架链码形成和特征提取算法。     

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。     

基于方向线素特征的孟加拉手写数字识别

根据孟加拉数字的特点,将方向线素特征应用于孟加拉手写数字识另怕g特征提取,并辅以端点和交叉点特征,采用BP神经网络作分类器进行识别。利用从实际盂加拉信封图像中采集到的手写体数字作为样本进行实验,结果表明,该方法的识别率和可靠性分别达到97．63％和98．77％。     

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。     

一种用于手写数字分割的滴水算法的改进

在分析传统滴水算法针对共用粘连字符分割存在不足的基础上,提出一种改进的渗漏过程.该方法首先对字符的笔划粘连部分利用距离变换提取出中心线,并通过计算字符笔划的倾斜角度来指导水滴在中心线上端和下端的渗漏方向,最终形成一条较长倾斜的分割路径,避免了因垂直分割而造成的字符断裂.实验结果中分割效果较好,表明该方法的有效性.     

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。     

定位格中手写体数字串的提取

本文主要针对手写体数字串和定位格(线) 相粘连的情况,首次提出完整提取这种数字串的方法。首先运用数学形态学运算进行粗处理,去除定位格,得到特征点,然后结合数字的结构特征对它修补,最后进行平滑处理。实验表明本文方法的有效性。     

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．     

一种非限制性的手写数字的识别方法

本文从语义,句法模式识别观点,提出一种基于模型指导的有限状态属性自动机,进行特征抽取。对每一种典型的畸变模型设计一个有限状态属性文法及其相应的属性自动机,采用自下而上和自上而下相结合的控制策略,并在低层次引入知识指导,减少了工作量和不确定性。基于上述方法实现的非限制性手写数字识别系统,经过对１１００个非限制性手写数字样本的测试,平均识别率达９５．２％,拒识率为４．６％,误识率为０．２％。     

基于结构特征的手写体数字识别算法

提出了基于结构特征的手写体数字识别方法。首先，采用14模板法进行细化，然后提取了点、线、圆等结构特征，并根据相关信息进行特征组合，最后采用粗细两阶段分类法进行分类。     

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。