基于投影算子的图书索书号自动识别

图书书脊和索书号的识别是图书馆自动存取书机器人的关键技术,提高书脊和索书号识别的效率是研究的热点.研究一种简单的投影算子将其应用于书脊和索书号的识别以提高了识别效率和速度;以书架图书二值化图内容为基础,构建图书列向量,在列投影算子的作用下求得列投影向量,根据列投影向量曲线的情况快速准确识别图书书脊;以单本书脊二值化图内容为基础,分别构建书脊行向量和列向量,通过行投影算子得到行投影向量,根据行投影向量曲线的变化情况识别索书号元素的行位置信息,通过列投影算子得到列投影向量,根据列投影向量曲线的变化情况识别出索书号元素的列位置信息,根据行、列位置信息切分出索书号元素图片,在归一化后计算待识别索书号元素图片与字符标准模板的匹配度,将最大匹配度所对应的字符标准模板映射的字符作为识别结果;经实验证明基于投影算子的书脊和索书号识别的速度快,准确率高.     

基于视觉的错序在架图书检测系统

在架图书整理是图书馆的一项常见工作,迫切需要提高自动化水平。本文以尽可能不增加额外投资和设施改造为前提,提出了依靠移动设备获取图像,通过视觉技术构建软件系统以实现对错序图书的自动识别的方法。该方法由移动设备采集在架图书图像,利用LSD算法检测书脊边缘并分割图书图像,进而得到索书号区域,并通过投影分离出索书号区域中的字符。采用前馈连续双卷积CNN网络结构模型并综合使用了Dropout、Re LU激活函数和Softmax回归等技术完成对字符的识别。最后,将组合后的索书号与数据库预存信息进行比较,得到图书的正确排列信息。对系统的实际测试和分析表明,本文的方法可以针对一般索书号在架图书进行较好的错序检测,能为图书的自动化整理提供一种可行的方案。     

基于整体特征神经网络数字二次识别方法

根据数字字符整体特征, 提出一种基于字符整体特征的Bp神经网络数字二次识别方法. 该方法首先根据Bp神经网络原理对数字字符进行预识别; 然后对预识别结果中存在混淆的字符按照字符整体特征进行二次识别, 从而准确获得识别结果. 该方法结合了神经网络非线性、自主学习特点和字符整体特征形状结构不变性特点, 有效的在低样本量情况下, 获得较高的字符识别精度.     

一种基于字符分割与字符识别的LPR方法

对车牌识别(LPR)系统中字符分割与字符识别方法进行探讨.根据车牌字符的特点,首先利用投影法采用水平扫描和垂直扫描进行字符分割,接着对字符图像进行归一化处理,实现对字符的完全分割.在此基础上,利用BP神经网络识别算法实现车牌字符的识别,从而提高系统的识别速度和识别率.数字仿真的识别结果验证了该方法的正确性和有效性.     

基于凸壳和模糊识别的数学公式识别

根据数学公式中字符或符号间空间关系特点,并针对目前用于数学公式字符空间关系判别的区域和质心方法所存在的不足,提出了基于字符凸壳和模糊识别的字符空间关系判别方法.首先,对数学公式中的字符或符号进行分类,对每一类运用字符凸壳判别其正上和正下关系,然后应用模糊识别的方法对常见关系进行识别.实验结果表明,运用该方法能明显提高字符空间关系判别的识别率,识别的正确率可达到93.5%.     

纸币序列号的快速识别方法研究

针对纸币序列号识别问题,提出一种快速识别方法。求解字符连通域特征和扫描线法对序列号实现粗分类,使用Hausdorff距离和闭合曲线特征对字符进行细分类,对细分类的字符利用字符区分器进行识别。实验结果表明,该方法操作简单,能避免复杂的计算,识别速度较快,且能提高字符的识别率。     

基于深度学习的含堆叠字符的车牌识别算法

车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNet-SSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性,极大提高了车牌识别系统的通用性。     

基于结构特征的纸币号码识别方法

针对实际工程应用中对纸币号码识别在处理速度和识别率方面的高标准要求,提出了一种基于结构特征的纸币号码识别方法。该方法对采集到的图像先进行图像放大、二值化和字符分割等预处理操作,然后根据字符的结构特征,对字符进行分类、识别。该方法不需要图像去噪、倾斜校正和归一化等操作,节省大量时间。实验结果表明,该方法识别率可达98.13%,而识别时间仅为3.8 ms,显示出该方法具备识别率高和识别速度快的优势,能够满足实际需要,已经成功应用于清分机中。     

基于多维特征和候选项的易混手写英文识别

针对手写英文识别中易混字符的识别问题,提出一种结合多维特征和候选项以区分易混字符的识别方法.利用卷积神经网络(convolutional neural networks,CNN)对手写英文字符进行识别,根据初始字符识别信息确定易混字符的类别;利用多维特征,设计针对不同类别易混字符的识别规则;由易混字符和其相连字符组成候选项单词,结合语料库以及字符间构成关系,最终对易混字符进行识别判断.实验结果表明,该方法在解决了易混字符的识别问题后,识别手写英文字符的平均准确率达到98.67％,具有一定应用价值.     

基于模板匹配和支持向量机的点阵字符识别研究

食品、药品包装上的点阵字符信息一般包含生产日期和其他重要信息。针对目前单一的点阵字符识别方法准确率不高,且对点阵字符在复杂环境下（既包含点阵字符又包含连续字符）字符定位准确性低的问题,提出了一种基于模板匹配和支持向量机（Support Vector Machine,SVM）的组合点阵字符识别方法。该方法利用点阵字符的离散性质来准确定位点阵字符,然后分别通过基于灰度的模板匹配和基于特征的模板匹配方法得到两个判定结果。若判定结果相同,则识别出字符;若判定结果相异,将这两个结果送给SVM进行识别,得出识别结果。实验结果表明,该方法在点阵字符的定位准确性和识别率方面都优于传统字符识别方法,且识别鲁棒性较好,字符识别率达到96.10%。     

基于中心与圆周的英文字符识别方法研究

针对目前字符识别方法对旋转角度大的字符难以识别的问题,本文提出一种基于中心与圆周的英文字符识别方法（CCR）,通过对字符中心和适当半径圆周上的点进行分析来识别英文字符。文章通过理论分析和实验,证明了该方法能够对任意旋转角度的英文字符进行正确识别,并给出了需要进一步研究的问题。     

基于几何特征的IC芯片字符分割与识别方法

针对IC芯片字符的分割与识别问题,提出了一种基于字符几何特征的分割方法和一种基于字符最小外接圆的归一化与重定位方法,使用基于像素差分的模板匹配完成识别。首先,对芯片图像进行直方图均衡化处理,并利用辅助圆进行中线定位和图像校正,定位得到ROI区域并进行均值二值化处理。随后,对二值化ROI图像进行字符分割,以字符的几何特征作为判断条件,从而完成了对缺陷字符的正确分割。之后,对单字符图像提取最大轮廓,利用其轮廓的最小外接圆进行字符的归一化与重定位。最后,对归一化的字符进行差分识别。通过采集4种芯片样本进行实验,结果表明,该方法能够实现芯片字符的准确分割,对于缺陷字符的分割准确率达90%;能够快速精准地识别芯片字符,单字符平均识别时间为4.6 ms,识别准确率达到99.4%。     

一种基于前端预测识别的粘连字符分割方法

在字符识别领域,对粘连字符的识别是一个被广泛关注的技术难点,未能准确分割粘连字符是产生识别错误的主要原因之一。在总结已有方法的特点及不足的基础上,提出了基于前端预测识别来分割粘连字符的方法。首先根据粘连字符图像的特征初步确定前端字符的候选字符集,并通过验证候选字符与前端字符图像匹配的必要条件进一步对其筛选,然后使用候选字符的屏蔽码自适应地提取前端字符图像,最后由分类器对提取结果加以验证,达到分割和识别粘连字符的目的。该方法可以适应多种类型的粘连字符,准确性高,且在字符图像质量较差时具有较强的鲁棒性。     

基于模板匹配和神经网络的车牌字符识别方法

本文提出了一种基于模板匹配和神经网络的车牌识别方法.该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的各自优势.对于字符可单独分割出来的一类车牌,本文提出了一种改进的神经网络来进行字符识别;对于字符不可分割或分割困难的另一类车牌,本文提出了一种基于四灰度加权相似函数模板匹配方法来识别字符.从而克服了单一方法很难同时识别这两类车牌中的字符的不足,同时可有效地提高车牌字符识别的识别率、识别速度或识别系统的泛化能力.实验结果表明:大多数情况下,该方法车牌字符识别率超过90%,识别时间不超过1 200毫秒,能更有效识别各种车牌中的字符,能更好地满足实际系统的要求.     

车牌图像的快速匹配识别方法

在车牌识别中,经常遇到车牌字符发生缺损、污染现象,统计识别、结构识别方法很难将它们准确识别出来。该文提出了一种快速匹配识别方法,根据图像放大和缩小原理构建多种字符模板,利用图像上、下矩对字符进行粗分类,然后根据图像自相关特性,构建了失配比例加权惩罚匹配模型,可以对车牌字符进行精确识别,该方法识别率达到了99%以上。     

基于SVM的数字识别技术研究

论文介绍了支持向量积的工作原理以及其在图像识别中的应用,指出了该方法与常规识别法的优势所在,并在以数字字符的识别为例进行实现,通过对各个字符样本特征提取来识别字符,并在MATLAB下给出识别结果,实验结果表明了该方法识别准确性较高,而且SVM(support vector machine)样本训练的收敛速度比较快。     

基于特征行必要-充分性匹配的字符识别方法

字符识别系统的性能在很大程度上依赖于所选取的字符特征.提出了一种基于特征行必要-充分性匹配的OCR(optical character recognition)方法.该方法使用字符模板的特征行集,通过对待识字符位图进行必要性和充分性双向匹配来识别字符.并采用基线对齐归一化方法在特征匹配时准确定位,使识别率和识别速度都较为理想.同时,对字符位图特征行的交互选择、测试和调整等方法做了详细介绍.另外,还提出了字符骨架与位图重叠显示的方案,有效地提高了对识别结果校对的速度.最后,通过测试和比较,对识别效率进行了分析.     

基于SVM混合网络的车牌字符识别研究

本文提出了一种基于SVM混合网络的车牌字符识别方法。首先根据国内车牌字符的排列特点依次构造汉字识别子网、英文识别子网、英文与数字识别子网以及数字识别子网。然后针对英文字符和阿拉伯数字的字体结构具有连通性这一特点．采用形态学方法进行滤波处理．以减少噪声干扰。预处理后提取字符的小波包系数和矩做为特征量，最后在各个识别子网中采用SVM识别方法对车牌中的汉字、英文字符以及阿拉伯数字进行了识别。实验结果表明，该方法效果良好。     

基于字符图像分割的打印文件识别方法

针对目前的打印文件识别方法受限于样本中必须有相同字符的问题,提出一种基于字符图像分割的打印文件识别方法。通过k-means算法对字符图像进行分割,分别对不同区域提取局部二值模式纹理特征,从而消除字符结构对识别结果的影响。研究了单一区域的特征集和组合特征集的分类识别效果,实验结果表明,该方法在样本中无相同字符的情况下,能够得到较高的识别准确率。     

车牌字符特征提取及识别方法研究

在社会经济高速发展的时代,智能交通系统的应用越来越普及。其中,车牌识别已经成为研究的热点。本文提出了一种基于模板匹配的车牌字符识别方法,对车牌中汉字和数字字母的特征提取进行了研究,并根据提取的字符特征利用模板匹配的方法对车牌字符进行识别。实验结果表明,该方法对车牌字符具有良好的识别效果。