基于混合特征的孟加拉手写体数字识别

根据孟加拉手写体数字的特点,用Kirsch算子提取象素的水平、垂直、右对角线以及左对角线的特征矢量,并与字符图像的密度特征相结合,采用BP算法训练的MLP网络作分类器进行识别。最后,用从实际孟加拉信封图像中采集到的手写体数字作样本进行实验,达到了96.1%的识别率。     

一种改进的BP神经网络手写体数字识别方法

本文介绍了利用BP神经网络来识别手写体数字的原理,分析了传统BP算法收敛速度较慢的原因,提出了一种提高网络收敛速度的改进算法。实验数据表明,该改进算法比传统的算法在网络收敛速度上提高了九倍左右。     

基于改进的MDF特征的手写体数字识别

方向特征是目前手写体识别中最常用和有效的特征之一.为了减少方向值提取过程中带来的误差,对改进的方向特征(MDF)提出了进一步的改进(MMDF),在方向值提取过程中对方向突变条件进行调整,同时引入半方向归一化线段方向并用二维数组来表示方向值.实验证明采用BP神经网络分类器对手写数字进行识别,与MDF相比,MMDF能同时降低拒识率和提高识别精度.     

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％。     

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。     

集成型神经网络手写体数字识别

采用Kirsch边缘检测算子对手写体数字进行特征提取，分别得到数字的水平、垂直、左右对角线方向特征以及全局特征，然后利用5个改进的BP神经网络分类器分别对5种特征进行训练和分类，最后利用一个BP神经网络对5个子网络识别结果进行集成识别，取得了较好的实验效果。     

基于组合分类器的自由手写体数字识别方法

自由手写体数字识别广泛应用于信息录入和文本识别中。基于组合分类器实现手写数字的识别,克服了单因子识别的局限性,识别中使用距离法和改进的BP神经网络方法,以多种特征向量作为分类器的输入,以举手法则确定识别输出。实验证明,该系统具有较高的识别率和极低的误识率,有令人鼓舞的应用价值。     

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。     

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。     

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。     

基于模糊方向特征的手写体汉字识别

方向特征在手写体汉字识别中得到了广泛应用[1,2].本文引入模糊数学的思想,提出了模糊方向特征.汉字的模糊方向特征的提取过程包括:(1)确定模糊网络;(2)抽取边缘点"横、竖、撇、捺"模糊方向属性特征;(3)合成模糊网络和边缘点模糊方向属性特征,生成汉字字符的模糊方向特征我们应用模糊方向特征,实现了一个脱机非限制手写体汉字识别系统,对含有7 600(19类)个汉字的测试集测试,取得了较好的识别效果.这表明,本文提出的模糊方向特征对手写体汉字的识别是有效的.     

基于组合特征的手写体数字识别方法

提出了一种新的手写体数字识别方法。首先利用核主分量分析技术提取数字图像的全局特征,然后利用独立分量分析技术提取数字图像的局部特征,分别选出部分局部特征向量与部分全局特征向量组合成数字的组合特征向量,然后利用支持向量机分类器进行识别。采用USPS字库进行测试,并与其他特征提取方法进行了比较,实验结果显示基于组合特征方法的识别率明显优于其他方法。     

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。     

基于量子神经网络的手写体数字识别方法研究

手写体数字识别问题是模式识别领域的一个重要研究课题.提出了一种基于多层激励函数的量子神经网络和多级分类器组合的手写体数字识别方法,采用MNIST数据库进行训练和测试.实验结果表明,该识别方法在识别率和可靠性方面均有很好的效果,同时也体现出量子神经网络用于模式识别的优越性和潜力.     

基于决策树和AdaBoost的孟加拉文数字识别研究

手写体数字识别作为OCR技术的一个特别问题，由于其应用的广泛性和挑战性，多年来一直是字符识别领域的研究热点。孟加拉语言作为印度半岛的第二流行语言，是孟加拉国和印度部分地区的主要语言，其重要性不言而喻。为达到高可靠性的孟加拉文邮政编码数字的识别性能，本文研究了一种基于决策树和AdaBoost的孟加拉文手写体数字识别方法。系统由图像预处理、特征提取、特征离散化、基于AdaBoost和概率估计决策树的两级分类器四个模块组成。实验结果表明，该方法对孟加拉文手写体数字具有识别可靠性高、鲁棒性强的特点，满足了系统的要求。     

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。     

基于自编码神经网络的手写体数字识别中 关于特征表达的研究

研究多种改良的自编码神经网络（Autoencoder）,如稀疏（Sparse）、噪声（Denoising）、权值对称（Tied Weight）。 探究这些自编码神经网络的改良在图像特征表达中的原理。将方法应用到手写体数字的识别中,通过设置各种改良自编码神 经网络的参数取值并且对比各种改良自编码神经网络的特征表达效果,证明改良自编神经网络的理论原理。实验证明稀疏和 噪声对于自编码神经网络性能具有较大提升。     

基于凹凸特性笔顺编码的手写体数字识别方法

针对传统的基于骨架特征识别方法具有运算量大、速度慢、对细化等预处理要求高,以及受起始点、断笔、跟踪方式影响极大等缺点,本文提出一种基于凹凸特性笔顺编码的识别方法。该方法首先计算数字图像的赋值背景场,再从中提取凹凸特性,然后根据凹凸特性进行笔顺编码,最后将编码与正则表达式表匹配。该方法不需要细化,减少了细
细化形变可能带来的误识和拒识;也不需要搜索、拟合等复杂处理,因此简单快速,运算量小。实验表明,该方法能大大提高识别率和速度。