基于Windows平台的手写体数字识别系统的设计与实现

手写体数字识别系统用于数据信息的采集。系统需要有很高的识别精度和很快的识别速度。本文设计了一种快速高效的数字分类器（特征否决＋笔形肯定），讨论了手写体数字识别系统的关键技术和实现过程。系统也可用于其他分类器的演示，对研究手写体数字识别有一定的参考价值。     

一种基于部分标记的SOM和MLP混合识别算法

针对孟加拉手写体数字的识别，本文提出了一种基于部分标记的两层SOM分类器和MLP分类器相混合的识别算法。对于Kohonen提出的SOM分类器，部分标记有利于降低错识率，而两层结构提高了分类器的性能。在本文提出的算法中，首先用SOM分类器对提取的字符方向特征和密度特征进行处理，如果字符不能被SOM识别，则再用MLP分类器对其重新分类。文章最后用实际信封上提取的16，000个孟加拉数字进行了实验，实验证明，本混合算法达到了96．7％的识别率。     

基于置信度的多分类器互补集成手写数字识别

离线手写数字识别是光学字符识别的一个重要分支,在银行票据识别、邮政编码识别等领域有着广泛的应用。由于单一分类器在识别率上很难达到要求,人们提出了各种集成分类器识别方案。通过对离线手写数字的特征提取,从特征互补的角度出发,采用了最小距离分类器、树分类器和BP网络分类器进行多分类器互补集成,提出了基于置信度的多分类器互补集成方法。通过实验对比,基于置信度的多分类器互补集成手写数字识别在识别率和识别速度上达到了满意的结果。     

一种手写数字的多级分类器设计

对手写数字识别技术进行了研究和探讨,提出一种新的多级分类嚣手写数字识别方法.该识别方法以图像预处理和字符特征提取为基础,采用BP神经网络分类器进行第一级识别、结构特征分类器进行有选择的第二级识别,并提出一种全新的端点特征提取法,大大地简化结构特征分类器的设计.实验结果表明,多级分类器较单一的神经网络分类器的识别率有了明显的提高.     

基于最近邻聚类算法自适应模糊分类器

以手写体数字识别问题为背景,提出了一种基于最近邻聚类算法的自适应模糊分类器,并用Matlab给出了自适应模糊分类器的实现,进而对其进行了仿真。仿真结果表明,所提出的自适应模糊分类器在手写体数字识别的识别性能、利用语言信息、计算复杂性等方面均优于采用BP算法的三层前馈分类器,体现了自适应模糊处理技术用于模式识别的优越性和潜力。     

手写体数字识别技术的研究

手写体数字识别特征提取方面，有模板匹配，统计特征和结构特征，在分类器设计上有基于距离的分类器和神经网络分类器等，分析和评价了这些问题后，指出今后的研究方向应在特征综合，分类器集成以及新的分类器的研究上。     

基于表格查寻学习算法的自适应模糊分类器

以手写体数字识别问题为背景,提出了一种基于表格查寻学习算法的自适应模糊分类 器,并用Matlab给出了自适应模糊分类器的实现,进而对其进行了仿真。仿真结果表明,该自适应模 糊分类器在手写体数字识别的识别性能、利用语言信息、计算复杂性等方面均优于采用BP算法的三 层前馈分类器,体现了自适应模糊处理技术用于模式识别的优越性和潜力。     

基于多分类器的无分割手写数字字符串识别算法

手写体数字字符串识别常用于邮件自动分拣、银行票据和财务报表的录入中,针对其分割识别算法复杂度较高、准确率较低的问题,提出一种多分类器下无分割手写数字字符串识别算法。该算法的核心是采用四个分类器实现粘连字符串的无分割识别;将残差结构应用于LeNet-5网络,以增加网络深度,提高识别准确率,加快收敛速度;使用动态选择策略,以避免长度分类器误分类对识别结果的影响。实验结果表明,在NIST SD19一位数字和Synthetic数据集训练网络下,使用NIST SD19上长度为2、3、4、5、6的字符串验证网络,其识别准确率分别为99.3%、98.5%、98.1%、96.6%和97.2%。     

通过识别手写体数字比较神经网络与最贴近相邻分类器之性能

本文比较了两种识别手写体数字的技术，各以二维（２Ｄ）空间快速傅里叶变换（ＦＦＴ）系数，几何差动（ｍｏｍｅｎｔ）和拓扑特性等进行比较，分别采用一种逆向传播神经网络和一种最贴近相邻（ｎｅａｒｅｓｔ－ｎｅｉｇｈｂｏｒ）分类器，评价识别特性与运算条件，比较结果表明，神经网络解决复杂问题性能远优于相邻分类器，而且成本也低。     

基于主分量分析法的脱机手写数字识别

针对手写数字识别研究中统计特征和结构特征融合困难的问题，利用主分量分析法提取数字字符结构特征的统计信息，重建数字模型，并估计重构偏差，同时提取数字的高宽比特征和欧拉特征，通过组合与3种特征相对应的贝叶斯分类器的分类结果实现数字识别。使用该方法对样本库中的样本进行测试，正确识别率为90.73%。     

纹理特征和两级分类器相结合的人脸识别

为了提高人脸识别率和识别效率,提出一种纹理特征和两级分类器相结合的人脸识别方法。采用灰度共生矩阵表示人脸图像的纹理特征,计算待识别人脸图像与模板间欧式距离,采用拒识阈值进行评判,如果人脸图像归属类别清楚,则采用欧式距离分类器进行识别,否则将待识人脸图像送入SVM分类器进行识别,采用ORL人脸数据库和Yale人脸数据库进行仿真实验。仿真结果表明,相对于单一人脸识别器,两级分类器不仅提高了人脸识别效率,而且提高了人脸识别率,具有更好的人脸识别性能。     

Combined Classifiers for Invariant Face Recognition

This paper presents a system for invariant face recognition. A combined classifier uses the generalisation capabilities of both Learning Vector Quantisation (LVQ) and Radial Basis Function (RBF) neural networks to build a representative model of a face from a variety of training patterns with different poses, details and facial expressions. The combined generalisation error of the classifier is found to be lower than that of each individual classifier. A new face synthesis method is implemented for reducing the false acceptance rate and enhancing the rejection capability of the classifier. The system is capable of recognising a face in less than one second. The well-known ORL database is used for testing the combined classifier. Comparisons with several other systems show that our system compares favourably with the state-of-the-art systems. In the case of the ORL database, a correct recognition rate of 99.5% at 0.5% rejection rate is achieved.     

基于步行加速度信息分割的人员识别

为提高基于智能手机内置加速度传感器的人员识别率,提出了一种基于信息分割的组合分类器识别方法。根据人员步行加速度变化特点提出了基于HMM（隐马尔可夫模型）的划分方法,将人员步行加速度划分成相对动态与稳态两个部分,分别从两个区域提取标准差、均值、能量等特征;根据不同步行速率选择这些特征和峰值点连线斜率组合成新的特征集合;最后,采用组合分类器的方法获得了更加理想的识别精度。实验结果表明,在人员慢步行走的姿态下的识别率达到了98.3%,快速步行达到了97.6%。较现有人员识别方法有较大的提高。     

基于改进深度孪生网络的分类器及其应用

孪生神经网络由两组共享参数的孪生神经网络组成,可对高维度非线性的数据进行低维度映射,其在低维特征空间中变得可分。利用其优异的相似度计算性能,针对像交通标志识别这样具有复杂环境条件的分类问题,提出并设计基于孪生神经网络结构的高效分类器。采用卷积神经网络作为其基本构成,运用max-pooling,dropout等技术形成特征提取所需的多尺度卷积神经网络。同时辅助以空间变换器网络来进一步提高识别的准确率。通过对GTSRB交通标志数据集进行测试,其识别的准确率达到了99.40%。该分类器方法同时具备了结构简单、训练时间短、准确率高以及识别速度快的优点。     

基于组合特征的Bp神经网络数字识别方法

提出一种组合特征作为Bp神经网络输入层向量实现数字字符识别算法.该算法首先引入了数字字符结构特征中图段特征,并结合数字字符的行列统计特征组合成为新的特征向量;然后根据新的组合特征向量设计Bp神经网络分类器;最后对已有的数字图像样本空间中的训练样本库按照Bp神经网络分类器训练方法进行训练,并对测试样本库中的样本进行识别.根据测试实验,数字字符的识别准确率可达到94%以上.     

基于多分类器集成的维吾尔文联机手写字母识别

多分类器组合能够在一定程度上弥补单个分类器的缺陷,因此它在模式识别中得到了广泛应用。深入调研国内外联机手写识别技术的研究动态,结合维吾尔文字母的独特书写风格,研究了基于多分类器集成的维吾尔语联机手写字母识别。利用5种不同的特征提取方法构造了5个独立的维吾尔语字母分类识别器,采用了等权投票和不等权投票等两种策略将5种维吾尔语字母分类识别器进行了有效组合。其中,单分类器采用了基于动态时间弯折（DTW）匹配距离的最近邻分类方法。实验结果表明,提出的集成策略的识别率明显高于单分类器的识别率,而且为特征的综合集成提供了多种有效途径。     

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机（SVM）分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.     

基于多节点信息融合和协作的信号调制方式识别

针对单节点在低信噪比环境下调制识别率低的难题,提出了基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案,并提取每节点特征,然后中心节点将各节点特征进行融合,最后采用最小二乘支持向量机建立信号调制分类器。仿真结果表明,相比于其他信号调制识别方法,该方法提高了信号调制识别精度,对信噪比环境具有更好的自适应性。     

一种基于预分类的高效最近邻分类器算法

本文的最近邻分类器算法是采用多分类器组合的方式对测试样本进行预分类,并根据预分类结果重新生成新的训练和测试样本集。对新的测试样本采用最近邻分类器进行分类识别,并将识别结果与预分类结果结合在一起进行正确率测试。在ORL人脸库上的实验结果说明,该算法对小样本数据的识别具有明显优势。