SVM在小字符集手写体汉字识别中的应用研究

本文将支持向量机(SVM)引入到小字符集脱机手写体汉字识别中。文章首先介绍了SVM的基本原理和主要算法,然后在实验中采用了LibSVM训练软件,针对银行票据手写汉字的小字符集进行了仿真,同时与欧氏距离分类方法进行了比较。实验结果表明此方法的汉字识别率较高,在小字符集手写体识别中具有较强的实用性。     

一种基于SVM的车牌汉字的有效识别方法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法,此方法能够在训练样本很少的情况下达到很好的分类推广能力。文章应用SVM算法对车牌中的汉字字符进行识别,在无字符特征提取的情况下可得到较高的识别率和识别速度。通过与无字符特征提取的BP网络识别系统比较表明,在小样本的情况下,该方法的识别率远优于神经网络,并避免了神经网络的局部极值等的问题。     

基于SVM模型的车牌识别应用研究

车牌识别是目前道路交通智能化管理的重要一环,提出了一种基于支持向量机(SVM)的车牌识别方法,通过边缘检测算法与颜色再定位相结合,实现车牌的定位;进行字符分割时将阈值选取推广到多阈值,提高分割的准确性;利用SVM模型进行车牌字符的识别,并且在检测到为易混淆字符时进行二次SVM分类.模型对中文字符、字母字符、数字字符识别率分别为93.2％、96.3％、95％,识别率较高且识别速度符合实时要求.     

SVM多类分类器在车牌字符识别中的应用

为解决普通支持向量机多类分类器对车牌字符识别准确率低、速度慢等问题,研究了基于支持向量机二叉分类树的车牌字符识别算法。根据车牌字符的结构特征提出了利于字符分类的粗像素特征提取方案,并对字符进行相应的特征提取,通过KL变换对生成的特征向量进行降维处理以提高字符识别速度,最后利用Fisher判别准则构造支持向量机二叉分类树,保证每类字符均具有最大可分离性,提高了字符识别率。对车牌字符集进行了识别测试,实验结果表明了该算法的可行性和有效性。     

基于结构特征和灰度特征的车牌字符识别方法

提出了基于结构特征和灰度像素特征的车牌字符级联识别方法。为提高车牌字符识别性能,分别在车牌二值小字符图像上提取结构特征和直接利用PCA降维后的车牌二值小字符图像的像素特征作为输入,用支持向量机(SVM)将其映射至高维空间分别进行分类,取两者中置信度高的结果作为预分类结果。当分类结果为8、B这类易混的字符时,取对应的灰度小字符图像像素值作原始特征,用PCA降维后再次用SVM进行分类,分类结果作为最后的二次分类结果。若为0、D时,则再次利用结构特征分类器做最后分类。该算法被用于台湾地区车牌的字符识别系统中,实验表明它能有效提高易混字符的识别正确率,具有很高的识别性能,应用前景广泛。     

基于低质量图片的两级车牌字符识别算法

目前大多数道口的视频监控系统或图像采集设备都采用普通摄像头,车辆图片质量不高,容易受到光照不均、运动模糊及摄像角度的影响,图片中车牌字符小,字符混淆程度严重,大大降低了车牌字符的自动识别率.针对低质量车牌图片中车牌字符识别率低的问题,提出一种结合支持向量机(SVM)和字符局部特征提取的两级组合分类识别架构.第一级分类器采用核主成分分析(KPCA)对车牌字符进行特征提取,并利用SVM进行分类.如果是易混淆字符,则进入第二级分类器,针对易混淆字符的局部特征设计不同的分类方法加以区分,进而得到最终的识别结果.实验表明该两阶段分类方法能够在各种复杂场景下针对低质量图片达到较高的车牌字符识别率.     

支持向量机在车牌字符识别中的应用

支持向量机(SVM)是由Vapnik等人提出的一类新型机器学习方法。该文在字符特征提取基础上，应用SVM算法对车牌中的英文字符进行识别，克服了一般的SVM算法识别数字位图时缺乏对相邻空间像素相关性考虑的不足，在满足实时性的条件下获得高识别率。通过与基于字符特征的BP网络识别方案相比较表明，该方案性能远优于神经网络的性能，可很好地解决神经网络方法中无法避免的局部极值问题。实验讨论了在应用SVM算法对字符进行识别时，核函数K和惩罚因子C的选择对识别率的影响问题。     

基于机器视觉与机器学习的车牌识别系统

车牌识别系统包括车牌位置检测子系统、车牌预测子系统和车牌字符识别子系统.车牌位置检测子系统由通道同或算法和漫水填充算法组成.通道同或算法实现预选车牌位置,漫水填充算法实现对不完整车牌图像的补充,共同实现对车牌图像的预定位.车牌预测子系统由支持向量机SVM模型对车牌图像进行训练和分类,进一步预测车牌图像.车牌字符识别子系统由卷积神经网络CNN模型对字符进行训练并识别字符图像.此系统运用于实际的车牌信息提取中,能够减少管理者的工作量,实现车牌信息识别的自动化,降低识别成本.     

基于SVM的车牌自动识别系统

为了解决识别率和识别速度同时提高的难点.将支持向量机(SVM)算法应用于车牌字符识别.通过与无字符特征提取的BP神经网络相比较,在小样本的情况下,该方法的识别率远优于神经网络,可很好地解决神经网络方法中收敛速度慢、易陷入局部极小的问题.实验结果表明:在训练样本较少且无字符特征提取的情况下,此系统具有较高的识别率和识别速度,并具有很好的分类推广能力.     

构造性核覆盖算法在图像识别中的应用

构造性神经网络的主要特点是：在对给定的具体数据的处理过程中,能同时给出网络的结构和参数;支持向量机就是先通过引入核函数的非线性变换,然后在这个核空间中求取最优线性分类面,其所求得的分类函数,形式上类似于一个神经网络,而构造性核覆盖算法(简称为CKCA)则是一种将神经网络中的构造性学习方法(如覆盖算法)与支持向量机(SVM)中的核函数法相结合的方法。CKCA方法具有运算量小、构造性强、直观等特点,适于处理大规模分类问题和图像识别问题。为验证CKCA算法的应用效果,利用图像质量不高的车牌字符进行了识别实验,并取得了较好的结果。     

仿射子空间最近点分类算法

为了取得更好的识别效果,受支持向量机的几何解释和最近点问题启发,提出了一种新的模式分类算法——仿射子空间最近点算法。该算法是将支持向量机最近点法的最近点搜索区域由两类训练集凸包推广到两类训练样本各自张成的仿射子空间,并以仿射子空间作为样本分布的粗略估计,通过仿射子空间中的最近点对来构造平分仿射子空间间隔的最优分类超平面。该算法在ORL人脸识别数据库上进行的比较实验中取得了较好的识别效果,从而证实了该方法的可行性和有效性。     

基于智能手机的车辆行为实时判别与渐进矫正方法研究

目前基于智能手机的车辆行为识别算法存在着鲁棒性较差、识别率较低、无法应用于实时行驶判断等问题。针对上述问题,提出了基于智能手机的车辆行为实时判别与渐进矫正方法,以提高车辆行为识别的准确率和实时性。该方法利用车辆行为发生时存在的渐进变化数据来进行车辆行为的识别与渐进矫正分类,并通过采集过程数据作为分类器训练样本,提高支持向量机(SVM)分类器的车辆行为识别和预测能力。同时,针对传统滑动窗口检测的局限性,该方法采用了端点检测算法,从而能快速地从车辆行驶数据中截取并识别行为轨迹信息,以减少车辆行为的误判。实验结果表明,基于时间分段矫正的行为识别算法能够有效地对车辆行为进行预测,并最终达到较高的识别率,证明了该方法的有效性。     

支持向量机在显微图像分类中的应用研究

根据微生物显微图像中微生物形态各异、目标重叠、灰度接近等特性,提出了一种新的显微图像分类识别方法。该方法利用变差函数对微生物显微图像纹理信息进行特征提取,根据支持向量机模式识别原理建立分类识别模型。将该方法应用于两类微生物分类,并与基于神经网络方法的分类结果进行对比分析,结果表明,该方法具有较高的分类精度。     

基于SVM的手写数字相似字识别研究

该文针对银行票据识别系统中的手写数字的识别问题,利用神经网络和支撑向量机相结合的方法构建了手写数字的识别核,并利用支撑向量机对神经网络输出的识别结果中的相似字进行了二次识别,解决了手写数字中相似字的识别问题,最终的单字误识率达到2.0426%～5.4369%,满足了银行票据识别系统中的手写数字识别的实际要求。     

基于遗传算法数据降维的汉语数字语音识别

针对语音信号特征参数LPCC和MFCC相结合后数据维数过高,导致识别器性能下降的问题,提出采用遗传算法对初始特征参数进行降维,来提高识别性能.首先提取语音信号的LPCC和MFCC,然后采用遗传算法对其进行特征降维,最后将得到的低维数据送入支持向量机进行识别.仿真实验结果表明,采用遗传算法进行特征降维与传统的PCA降维相比,识别率提高了12.2%,和初始特征相比识别率降低了1.23%,但是识别时间提高了4.5倍.     

基于模糊支持向量机的步态识别

提出基于模糊支持向量机（FSVM）的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。实验结果表明,模糊C均值法的识别率均略好于SVM,直接取值法的识别率甚至低于SVM,因此,选取正确的模糊隶属度确定方法是FSVM能否成功应用于步态识别的关键。     

基于SVM的语音情感识别算法

为有效提高语音情感识别系统的识别正确率,提出一种基于SVM的语音情感识别算法.该算法提取语音信号的能量、基音频率及共振峰等参数作为情感特征,采用SVM(Support Vector Machine,支持向量机)方法对情感信号进行建模与识别.在仿真环境下的情感识别实验中,所提算法相比较人工神经网络的ACON(All Cl...     

利用支持向量机识别汽车颜色

大类别数分类时支持向量机(SVM)数量较多，文中通过类别合并和特征空间分解，结合决策树判别方法．对SVM数量进行优化，提出了一种基于优化SVM的汽车颜色识别方法．该方法与最近邻分类方法相比，无论是在速度上还是识别正确率上都得到了提高．实验结果表明，该方法是一种快速且正确率较高的多类别分类方法，可以满足实时识别的要求．     

基于支持向量机函数逼近的性能研究

通过仿真分析比较支持向量机与前馈神经网络在非线性函数逼近的结果,得出在小样本下,SVM的样本依赖程度、抗噪声能力和泛化性能都优于前馈神经网络。     

改进KNN-SVM的性别识别

针对支持向量机（SVM）在超平面附近进行性别识别的不准确性,引入进行加权的K近邻（KNN）算法。提出了结合加权KNN和SVM的改进KNN-SVM算法,该算法用少量已知性别样本自动确定加权KNN与SVM的最优分类阈值,并计算待识别样本和支持向量机所确定的超平面的距离,通过距离与阈值的比较进行性别识别。基于FERET人脸库进行性别实验,实验结果表明,该算法比SVM算法和不进行加权处理的KNN-SVM算法的识别率更高。