基于卷积神经网络的脱机单个手写汉字识别

本文在GoogLeNet网络基础上搭建了一个适合手写汉字识别的卷积神经网络.研究建立了新的手写汉字训练集,新训练集综合了现有的训练集并剔除了其中的错误,同时加入印刷体训练集,增加书写风格的多样性.训练神经网络时采用随机梯度下降算法,并加入动量项加速网络参数的收敛,使用正则项防止过度拟合,最终训练出的神经网络在训练集上的正确率为99.56％,在验证集上的正确率达到96％,并具有很好的泛化能力.     

基于云计算平台的手写识别系统

本文利用Enomaly虚拟云架构技术设计了一个云手写识别系统,除了提供高准确率的识别功能外,同时使得倾斜书写识别、用户自适应识别等需要高计算及存储资源的功能实现成为可能。实验结果表明,传统C/S模式的传统服务器在用户并发数为300时处理能力已经达到极限,而采用基于云计算架构的手写识别系统能轻松处理1000个并发用户的服务请求,在处理300个并发用户时,接入率为100%,远高于传统服务器模式的接入率(82.7%),平均识别处理时间仅为16ms,大大低于传统服务器模式的处理时间(340ms)。     

一种基于支持向量机的手写汉字识别方法

本文提出了一种新的基于支持向量机手写汉字识别方法.支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不是仅仅使经验风险达到最小,从而使得支持向量分类器具有较好的推广能力.本文首先讨论了支持向量机的基本原理,然后,针对支持向量机识别大类别手写汉字所遇到的特殊问题,文章进行了分析和阐述,并在此基础上,提出了基于最小距离分类器预分类的两级分类策略.最后,针对GB2312-80的1034个汉字类别的120套手写样本,进行了实验仿真.实验结果表明,本文方法的汉字识别率较距离分类器有较大提高,其中多项式核函数的支持向量分类器,识别率平均提高3.38％,表明了本文方法的有效性.     

一种基于运动图像的在线手写汉字识别方法

在分析传统联机与脱机手写汉字识别系统基础上,本文提出了一种基于运动图像的在线手写汉字识别新方法.该方法利用普通摄像头,实时地采集手写汉字墨迹的运动图像,通过图像处理技术提取手写汉字,并进行在线识别.文中给出了笔尖匹配的快速算法和基于数学形态学的汉字提取方法.最后,通过实验验证了本文方法的有效性.     

大数据下的基于深度神经网的相似汉字识别

针对传统相似手写汉字识别系统(SHCCR)受特征提取方法的限制,提出采用深度神经网(DNN)对相似汉字自动学习有效特征并进行识别,介绍相似字符集生成方法和针对相似汉字识别的深度神经网络的具体结构,研究对比不同的训练数据规模对识别性能的影响.实验表明,DNN能有效地进行特征学习,避免了人工设计特征的不足,与传统基于梯度特征的支持向量机(SVM)和最近邻分类器(1-NN)方法相比,识别率有较大的提高;且随着训练样本增加的同时,DNN在提高识别性能上表现得更为优秀,大数据训练对提升深度神经网络的识别率作用明显.     

基于TensorFlow的手写数字识别系统

为制作脱机手写数字识别系统,运用机器学习理论,在Tensor Flow平台下对K最近邻挖掘、循环神经网络、卷积神经网络等诸多算法进行了比对测试,最后以测试精度达到99.36%的卷积神经网络为核心算法制作了操作简便的手写数字识别系统。     

一种手写汉字特征抽取的新方法

针对非特定人脱机手写汉字识别，本文提出了一种新的特征抽取方法。首先，将输入汉字模式进行非线性规一化；然后，根据汉字的横竖撇捺四种基本笔画将规一化后的模式分割成四个子模式；最后，将所得到的四个子模式分别均匀地划分成M×M个小网格，在每一小网格内统计笔画穿透数目，从而得到一个4M2维的特征向量。通过对国标一级3755个汉字的测试表明，正确识别率达90％以上，从而证实了本文方法的有效性。     

一种联机手写算术表达式识别系统

该文介绍了一个完整的联机手写算术表达式识别系统。在笔划分组与符号识别方面,采用预处理结合搜索的方法优化置信度函数;在结构分析方面,提出了一套全新的基于符号分级的算法,并利用三叉树这种数据结构存储识别结果。实验表明,对于书写较为整齐的算术表达式,此系统能够对较复杂的结构予以正确率较高的分析与识别。     

微型仿生扑翼飞行器机载单目视觉系统的设计

近年来仿生扑翼飞行器利用视觉系统自主飞行成为一个具有广泛前景的研究方向,然而,其有限的带载能力对视觉传感器的类型、尺寸和重量提出了严格要求。目前商用图像处理模块的尺寸和重量较大,且需要回传图像信息至地面控制系统处理,文章旨在设计一款轻量化机载单目视觉系统,帮助微型仿生扑翼飞行器获取外界信息并实现智能自主的飞行。相比于其他图像处理模块,此系统以国产高算力芯片K210为核心进行设计,可脱离电脑端完成图像处理,尺寸仅为2.2 cm×2.3 cm,重量仅为3 g,内部兼容轻量化网络模型实现分类识别,通过串口进行信息交互,控制扑翼飞行器实现手势识别和目标追踪。