基于频率特征提取的脱机手写字符的快速识别

针对目前脱机手写字符识别计算量大,对字体字形都有一定的要求,提出了主要以字符矩阵中01变换频率为基础,从字符的整体和局部特征出发进行分析识别的算法。此算法缩减了计算量并对所需局部信息进行放大,在一定程度上避免了传统采用分类器方法的错误传导,提高了字符的识别率,易于实现移植和扩展。     

基于多重几何特征和CNN的脱机手写算式识别

针对中小学数学课堂中具有复杂二维空间结构的手写算式, 提出了一种基于多重几何特征和卷积神经网络(CNN)的脱机手写算式识别的解决方案. 首先, 基于CNN分类算法, 对图像预处理后的单个手写字符进行识别; 然后, 利用几何特征, 如宽高比、质心坐标、质心偏移角度、中心偏移量、水平重叠区间比等, 识别具有复杂空间结构的小数、分数、指数、根式等常见手写算式, 并采用分治算法完成由以上算式组合嵌套的复合算式识别; 最后, 设计并实现脱机手写算式识别系统. 实验结果表明: 在满足一定光照条件下, 该方案对不同分辨率、含噪声图像的手写算式识别率可达90.43%, 具有一定的应用价值.     

英文手写联机识别的基础模型

为了识别较为工整的英文联机手写文字,定义了适合每个字母的字元,一共有七组不同的基本子元。使用简单的二维图形学,与简单的数学计算,可以确定每个不同字母的字元性质。使用这些字元,对大小写字母与数字实施具体组合定义,因为每个字符的具体定义内容,完全各不相同,依照逻辑可以推断,能够成功迅速的识别不连笔的较为工整的英文手写字符。这种建模方法,如果移植到类似的不同国家或地区的文字,如果笔画工整,每个字符又互相独立,那么在逻辑上就可以判定很有应用价值。     

基于卷积神经网络的手写数字识别研究

基于卷积神经网络在手写数字识别上的应用,对卷积神经网络模型进行介绍.本实验使用python编程语言在Keras上搭建模型,并对模型进行训练.实验数据集为MNIST.模型训练完毕后,对准确率进行评估.最后对测试数据进行预测以及利用混淆矩阵对哪些数字准确率较高和哪些数字容易混淆进行评估.     

特征分组提取融合深度网络手写汉字识别

针对传统脱机手写汉字识别的过程复杂、精度低，而常用卷积神经网络的特征信息提取不充分，同时存在相同特征信息的重叠和冗余问题。设计了一个特征分组提取融合的深度卷积神经网络模型。通过多级堆叠的特征分组提取模块，提取图像的深层抽象特征信息，并进行特征信息之间的交流融合。利用设计的下采样和通道扩增模块，在降低特征维度的同时保留图像重要信息。将特征信息进行精炼和浓缩，来解决特征信息的重叠和冗余问题。最终训练出的神经网络达到top1当前先进的正确率为97.16%，同时top5正确率为99.36%，并具有很好的泛化能力。     

基于特征编码的手写字符识别技术

在对字符结构进行大量的理论分析和试验统计分析的基础上,设计并实现了一种基于特征编码的手写字符识别系统。实践证明提取的特征简单明确,识别系统快速有效。     

基于深度学习的手写书法字体识别算法

为解决因手写书法作品种类繁多而识别困难的问题,降低人们观赏书法的门槛,本文提出了基于深度学习的手写书法字体识别算法.识别过程中首先使用投影法等图像处理方法对书法作品图像中的汉字进行定位和分割,然后分别利用GoogLeNet Inception-v3模型和ResNet-50残差网络进行书体风格识别和字形识别.实验结果表明...     

基于卷积神经网络的手写数字识别研究与实现

文章针对计算机视觉领域的手写数字识别问题,介绍了神经网络原理、卷积神经网络(Convolutional Neural Networks,CNN)构成、TensorFlow框架等相关知识,并应用卷积神经网络在MNIST数据集上进行验证。实验结果表明,基于卷积神经网络识别手写数字具有较高的准确性。     

基于多维度特征和深度学习模型的地址实体识别

地址实体识别是一项在智慧城市建设中应用极其广泛的基础性任务,而在实际的业务数据中,中文地址实体描述经常出现用字生僻、含义模糊、简称乱用等现象,导致现有的基于规则或者基于统计的识别方法,已经难以有效地解决语义层面的深层次地址实体识别问题.针对上述问题,提出了一种基于多维度特征和深度学习模型相结合的中文地址实体识别方法(B...     

基于多维匹配距离融合的指节纹识别

指节纹识别(FKP)作为一种新型的生物特征识别方式,以其安全性和稳定性而备受关注.基于编码的方法被认为是该领域最有成效法之一,在模板匹配阶段通常根据所提取的特征信息计算出2张图片之间的匹配距离来判断样本.然而,一些模糊样本无法通过单一的匹配距离进行有效区分,从而导致较高的错误接受率和错误拒绝率.针对这一问题,提出了一种...     

基于多维度映射的类圆簇识别算法

为了深入地探索聚类结果簇的形态特征,提出了一种基于维度映射的类圆簇识别算法。该算法将结果簇按维度进行映射,通过比较、分析簇在各个映射维度上的频数曲线及形态特征,自动将类圆簇从众多结构复杂的聚类结果簇中识别出来。算法经过大量实验验证,具有很好的识别能力和抗干扰能力,对于高维度数据集合也具有很强的扩展性。     

基于方向特征的手掌静脉识别

目的 针对已有掌脉识别方法中计算复杂度高、未充分提取有效辨识信息的问题,提出一种计算简单、快速且充分利用掌静脉图像中有效方向信息的识别方法。方法 本文在构建新邻域模板的基础上,设计了相应的方向滤波器并优化,通过提取掌静脉图像的方向特征,得到了对静脉纹理响应最小的方向滤波器索引值矩阵——方向特征矩阵(Orientation Map,OM),并对其进行编码;同时采用汉明距离计算方法,提出了全局匹配算法,用于识别待测静脉OM与数据库中已有OM的相似度。结果 本文构建并优化的邻域模板和方向滤波器,提高了算法的识别精度,EER达到0.0002%;同时编码进一步降低了算法的计算复杂度,特征提取和匹配一次的速度分别为11ms和4ms,提高了算法识别效率并减少存储负担。结论 实验结果表明,与已有掌静脉识别方法相比,本文方法在计算复杂度和提取有效辨识信息上有较为明显的优势。     

基于组合特征的步态识别

基于步态的身份识别是近几年出现的一种新的生物识别技术。提出了一种融合静态特征与动态特征的步态识别方法,该算法使用小波矩描述步态序列图像的静态特征,接着使用主元分析法对小波矩进行降维,而图像的动态特征则用人体轮廓的3个宽度特征来描述。最后,通过实验证明了该算法的有效性。     

基于多维向量模型模糊聚类的图像识别研究

从建立像素色彩空间的多维向量模型出发,采用一种改进的模糊C均值聚类算法对图像进行分割,从而得到一组图像像素空间的特征区域向量,并采用特征向量相似度计算方法计算图像相似度,进而比较两幅图像相似度大小,以达到图像识别的目的.通过实验对图像相似识别效果进行验证,实验表明,基于多维向量模型模糊聚类方法在图像识别中有一定应用价值.     

基于多维特征及BP网络的高分辨雷达目标识别

高分辨雷达目标的识别性能取决于目标特征的提取以及分类器的设计。为解决雷达高分辨距离像（HRRP）的方位、平移和幅度敏感性问题,采用了序贯预处理方法,有效提高了HRRP的信噪比。通过提取能较好反映雷达目标散射点回波特性的多维特征向量,设计BP神经网络作为分类器,提出了一种基于目标多维特征向量以及BP神经网络的高分辨雷达目标识别方法。利用在微波暗室测量获得的三种国产飞机模型回波数据进行目标识别处理,实验结果表明,提出的方法能有效地完成三种目标识别任务,在虚警率低于3%的情况下正确识别率优于95%。     

融合单演特征和CS-LBP的单样本人脸识别

针对单样本情况下传统人脸识别方法识别效果不佳的问题,提出一种融合单演幅值、相位和方向的单演中心对称幅值相位方向模式（MCSLBP）的人脸识别方法。首先采用中心对称局部二值模式（CS-LBP）对同一尺度下的单演幅值进行编码,并将单演相位量化到4个区间进行编码,同时对单演水平方向和垂直方向进行二值编码,然后将三者融合成MCSLBP特征;最后对不同单演尺度空间中的MCSLBP模式图进行分块,提取每一小块的直方图特征并串联后用最近邻分类器进行分类识别。在CAS-PEAL和AR人脸库上的实验结果表明,MCSLBP方法对具有光照、表情和遮挡变化的单样本人脸识别具有较好的识别效果。     

基于特征的江面轮船识别算法*

本文提出了一种江面轮船目标的特征识别方法。首先对江面轮船图像进行预处理,然后通过二维小波变换,提取出边缘轮廓,将目标物体与背景分离开来。结合本文提出的FE（Feature Extract）算法提取出轮船图像的四个特征,根据这些特征建造一个知识库,通过选取适当的知识,采用产生式规则对目标物体进行判别,排除干扰目标,从而识别出轮船目标。最后本文从图片库中抽取几张图片进行实验,相比于之前的单特征方法和Adboost方法可以看出,该方法在识别率上要高于单特征方法,在识别速度上要快于Adboost方法。     

基于特征综合的启动子识别方法

针对真核生物启动子识别的高假阳性现状,提出了一种基于特征综合的真核启动子识别方法。通过提取人类启动子核苷酸联体统计信息作为特征,并使用主成分分析法进行主元提取。将10维主成分特征与2维CpG岛特征进行特征综合,共同作为BP神经网络的输入来识别启动子。对人类基因序列启动子的预测结果表明,不但有效地减小了假阳性,而且具有较好的敏感性和特异性。