基于置信度的多分类器互补集成手写数字识别

离线手写数字识别是光学字符识别的一个重要分支,在银行票据识别、邮政编码识别等领域有着广泛的应用。由于单一分类器在识别率上很难达到要求,人们提出了各种集成分类器识别方案。通过对离线手写数字的特征提取,从特征互补的角度出发,采用了最小距离分类器、树分类器和BP网络分类器进行多分类器互补集成,提出了基于置信度的多分类器互补集成方法。通过实验对比,基于置信度的多分类器互补集成手写数字识别在识别率和识别速度上达到了满意的结果。     

基于笔划特征的单字符汉字字体识别

在文档电子化的文本自动分析、理解和识别过程中,除了有关文档内容的字符识别外,还必须解决字体识别问题.字体识别不仅是版面分析、理解和恢复的重要依据,还有助于实现高性能字符识别系统.有别于目前基于多个字符组成的文本块的字体识别方法,本文提出了一种基于单个汉字字符的字体识别方法.在单个汉字字符上提取两类特征:笔划属性特征和笔划分布特征,分别构成两个分类器对单个汉字字符进行字体识别,并集成两个分类器的结果得到最终的识别结果.我们使用的笔划属性特征分类器是文本无关的,而笔划分布特征分类器是文本相关的,集成的分类器属于文本相关的字体识别分类器.我们在包含7种字体的样本集上进行了测试,测试结果显示基于单字的字体识别率达到94.48%.     

基于视频的车型特征提取及识别方法研究

基于模式识别方法进行车辆识别的关键是车型特征的提取以及分类器的设计。针对车辆的轮廓、车长、车高、面积和轴距等几何特征较难精确获得问题,设计了将含有较多有效信息的车辆图像灰度矩阵作为车辆描述特征,并通过基于PCA-LDA相结合的二次特征提取方法进行车辆识别特征的优化;分类器设计采用支持向量分类方法,根据＂一对一＂策略构造了三类车型分类器,并采用KNN方法进一步提高了SVM子分类器的分类准确率。最后对设计的方法进行了实验分析,结果表明本方法具有较好的识别效率。     

基于轮廓和统计特征的手写体数字识别

提出了数字规范化模板特征,并利用这一特征与轮廓分段特征相结合对手写体数字进行识别。首先使用基于轮廓分段特征的分类器进行识别,通过提高拒识率获得高可靠性的分类结果。然后由基于数字规范化模板特征的分类器对前一级分类器的拒识样本分类。实验结果表明分别基于这两个特征的分类器在分类结果上具有较强的互补性。实验的数据为真实支票上采集的10000个手写体数字样本,该方法的识别率为98.06%。     

基于径向基函数神经网络的红外步态识别

为提高红外步态识别的效果,提出一种基于径向基函数神经网络的多分类器融合算法。对红外步态序列,分别应用基于轮廓线傅立叶描述子特征的模糊分类器和基于下肢关节角度特征的贝叶斯分类器进行识别,再利用径向基函数神经网络的学习和分类功能,对获得的输出信息进行度量层的融合和再识别。仿真实验结果表明,该算法获得更加精确的分类效果。     

多分类器融合实现机型识别

针对空战目标识别中机型识别这一问题,提出了基于多分类器融合的识别方法。该方法以战术性能参数为输入,便于满足空战的实时性要求。通过广泛收集数据,得到机型识别的分类特征,选取分类特征的子集作为单分类器的特征,用BP网络设计单分类器,然后选用性能优良的和规则进行分类器融合,求得最终的决策。实验结果表明,多分类器融合的识别性能明显优于参与融合的分类器,也优于相同输入的单分类器。该方法的另一特点是能够进行缺省推理,因而有较强的抗干扰能力,适合真实战场环境的需要。     

基于多特征集成分类器的脱机满文识别方法

为提高脱机满文手写字体的识别率,提出了基于BP网络的多特征集成分类器识别方法.对扫描成图像的手写满文进行预处理,切分出满文字元;分别提取满文字元的投影特征、链码特征以及端点和交叉点特征,并对这三类特征及其相互组合进行分类识别;通过隐马尔科夫算法对识别结果进行后处理,进一步提高识别的精度.实验结果表明,集成分类器的识别率要比单个特征的识别率要高,同时集成分类器中的特征类别越多,识别效果越好.     

双色红外图像目标多特征决策级融合识别算法

针对双色红外成像系统中的自动目标识别问题,提出了一种采用多特征多分类器决策级融合的目标识别算法。该算法首先提取目标的形状特征和面貌特征;接着基于各种不同特征设计多个分类器对目标进行分类;然后采用所设计的多分类器决策级融合策略对多个分类器的目标分类结果进行融合处理;最后采用所提出的决策规则对多分类器融合分类结果进行处理得到最终的目标识别结果。该算法充分利用了目标在多传感器图像中的多种分类特征信息,在较大程度上提高了系统的目标识别效率和精确性。实验结果证实了该算法的有效性。     

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。     

手写体数字有效鉴别特征的抽取与识别

文中提出了基于后验概率估计的多特征多分类器组合识别的估计法,并提出了基于具有统计不相关性的最佳鉴别变换与ＫＬ变换抽取手写体数字的有效鉴别特征的方法。实验采用Ｃｏｎｃｏｒｄｉａ Ｕｎｉｖｅｒｓｉｔｙ ＣＥＮＰＡＲＭＩ手写体数字数据库。用最近邻距离分类器与最近邻相关分类器这两个分类器,对手写体数字的１２个特征做多特征多分类器组合识别实验。实验结果表明：估计法优于常用的投票法与计分法,估计法的识别率高达     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

根据混合选择策略的直觉模糊核匹配追踪集成算法

为了从分类器集成系统中选择出一组差异性大的子分类器,从而提高集成系统的泛化能力,提出了一种基于混合选择策略的直觉模糊核匹配追踪算法.基本思想是通过扰动训练集和特征空间生成一组子分类器;然后采用k均值聚类算法将对所得子分类器进行修剪,删去其中的冗余分类器;最后根据实际识别目标动态选择出较高识别率的分类器组合,使选择性集成规模能够随识别目标的复杂程度而自适应地变化,并基于预期识别精度实现循环集成.实验结果表明,与其他常用的分类器选择方法相比,本文方法灵活高效,具有更好的识别效果和泛化能力.     

基于分类器联合的表情识别

提出了一种基于分类器联合的人脸表情识别方法。首先采用CKFD算法在双决策子空间中提取两类表情特征并融合;分别利用最近邻、最小距离和神经网络三种子分类器进行识别;最后运用模糊积分对子分类器的识别结果进行融合。基于JAFFE的实验结果表明,它是一种有效的表情识别方法。     

基于小波变换和倒谱分析的腭裂高鼻音等级自动识别

为实现对腭裂高鼻音等级的自动识别,通过对语音信号小波处理和特征提取方法的综合研究,提出基于小波分解系数倒谱特征的腭裂高鼻音等级自动识别算法。目前,研究人员对腭裂语音的研究多基于MFCC、Teager能量、香农能量等特征,识别正确率偏低,且计算量过大。文中对4种等级腭裂高鼻音的1789个元音\a\语音数据提取小波分解系数倒谱特征参数,使用KNN分类器对4种不同等级的高鼻音进行自动识别,将识别结果与MFCC、LPCC、基音周期、共振峰和短时能量共5种经典声学特征的识别结果作比较,同时使用SVM分类器对不同等级的腭裂高鼻音进行自动识别,并与KNN分类器进行对比。实验结果表明,基于小波分解系数倒谱特征的识别结果优于经典声学特征,且KNN分类器的识别结果优于SVM分类器。小波分解系数倒谱特征在KNN中的识别率最高达到91.67%,在SVM中达到87.60%,经典声学特征在KNN分类器中的识别率为21.69%~84.54%,在SVM中的识别率为30.61%~78.24%。     

一种基于低维特征的高精度手写数字识别算法

提出了数字字符的轮廓骨架特征,并将这一特征与粗网格特征相结合对脱机手写体数字进行识别。获取特征向量后,利用改进的基于两级级联结构的AdaBoost 神经网络进行逐层淘汰识别。第一级首先使用基于粗网格特征的分类器进行粗分类,淘汰大部分负样本,而使几乎所有的正样本通过。第二级由基于轮廓骨架特征的分类器对通过第一级的样本进一步淘汰识别。仿真结果表明,该办法在识别速度与识别率方面都有较大幅度的改进。     

一种基于部分标记的SOM和MLP混合识别算法

针对孟加拉手写体数字的识别，本文提出了一种基于部分标记的两层SOM分类器和MLP分类器相混合的识别算法。对于Kohonen提出的SOM分类器，部分标记有利于降低错识率，而两层结构提高了分类器的性能。在本文提出的算法中，首先用SOM分类器对提取的字符方向特征和密度特征进行处理，如果字符不能被SOM识别，则再用MLP分类器对其重新分类。文章最后用实际信封上提取的16，000个孟加拉数字进行了实验，实验证明，本混合算法达到了96．7％的识别率。     

多分类器区分性组合在二次解码中的应用

提出利用基于隐马尔可夫模型的谱特征模型、基于高斯混合模型的声调分类器以及基于多层感知器的音素分类器模型的组合来提高语音识别中二次解码中的识别率。在模型组合中,使用上下文相关的模型权重加权模型得分,并使用区分性训练来优化上下文相关权重来进一步改进识别结果。对人工选取各种上下文相关权重集合进行了性能评估,连续语音识别实验表明,使用局部分类器进行二次解码能够明显降低系统误识率。在模型组合中,使用当前音节类型及左上下文相结合的模型权重集合能够最大程度降低系统误识率。实验表明该方法得到的识别结果优于基于谱特征与基频特征和音素后验概率特征合并得到特征组合的识别系统。     

基于集成神经网络的离线手写签名鉴别方法

离线手写签名鉴别是一种基于生物特征的身份识别技术,利用集成神经网络对手写签名进行自动鉴别。该集成神经网络由特征分配网络、神经网络认证主体和决策融合识别网络三部分构成。通过为每个签名者构造独立的分类器,并分别为每个分类器构造认证、识别训练集,解决了离线签名的认证和识别问题。基于此方法的签名鉴别实验获得了比较满意的结果,可以用来辅助人类专家进行签名鉴别。     

基于多特征组合的交通标识识别

在分块核函数的基础上提出了基于多个图像特征进行组合决策的识别方法。该算法先对交通标识图像提取两个不同的特征,即HOG特征和基于子模式组合的分块核函数特征,然后针对不同特征构造相应的分类器,最后对这几个分类器的输出采用投票机制进行决策融合。在德国交通标识数据库上的实验结果表明,该方法相比单特征识别具有更高的识别准确率。     

面向文本分类的混淆类判别技术

分析了文本分类过程中存在的混淆类现象,主要研究混淆类的判别技术,进而改善文本分类的性能.首先,提出了一种基于分类错误分布的混淆类识别技术,识别预定义类别中的混淆类集合.为了有效判别混淆类,提出了一种基于判别能力的特征选取技术,通过评价某一特征对类别之间的判别能力实现特征选取.最后,通过基于两阶段的分类器设计框架,将初始分类器和混淆类分类器进行集成,组合了两个阶段的分类结果作为最后输出.混淆类分类器的激活条件是:当测试文本被初始分类器标注为混淆类类别时,即采用混淆类分类器进行重新判别.在比较实验中采用了Newsgroup和863中文评测语料,针对单标签、多类分类器.实验结果显示,该技术有效地改善了分类性能.