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。     

一种基于方向特征的孟加拉手写体数字识别方法

本文根据孟加拉数字的特点，用Kirsch算子提取字符图像象素的水平、垂直、右对角线和左对角线特征矢量，采用BP神经网络作分类器进行识别。实验结果显示，对于孟加拉手写体数字具有较高的识别率和较快的识别速度，并对其它手写体数字也有很强的应用性。     

手写混合字符集识别的多特征多级分类器设计

针对常用的银行汉字和阿拉伯数字混合字符集的识别,提出了依据不同的分类要求，分别选取不同的分类特征，并采用先聚类再用多层感知器(MLP)神经网络分类的多级分类器进行识别的设计方法。实验结果表明，该方法用于手写体混合字符集的识别是行之有效的。     

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.     

一种新颖的手写数字识别特征抽取方式和混合树分类法

本文对手写体数字识别提出了一种具有神经网络的混合分类系统和判断树－－分类器。它在字符的几何结构上定义各种稳定、可靠的整体特征。一种新颖、可变的检测器采用局部特征，沿着字符的左右轮廓进行检测分割。识别系统由分层原始分类器和精确分类器组成。原始分类器是一个具有逆向传播学习算法的三层前馈式神经网络，在相似字符特征的抽取中，采用6个子集{0},{6},{8},{1,7},{2,3,5},{4,9}以示区别。三种字符类别称为{0},{6},{8}是直接从人工神经网络（ANN）上识别的，其余的字符类别构建一个判断树分类器，以便进一步在以下的类别中作精确分类：有关启发式特征的特殊分类、原始特征以及对应语义类别间的实验结果。然后，采用一种迭代增长和删除算法来形成树状分类器。实验证明，本文提出的识别系统具有广泛的适应性和很高的识别率。     

AdaBoost算法在车牌字符识别中的应用

提出了一种基于AdaBoost的车牌字符自动识别算法。AdaBoost是一种构建准确分类器的学习算法，它将一族弱学习算法通过一定规则结合成为一个强学习算法，从而通过样本训练得到一个识别准确率理想的分类器，将之用于车牌字符识别，对车牌图像进行实验，对车牌字符样本进行特征提取，用特征来训练有效分类器，用MATLAB完成了对车牌照数字识别的模拟，结果证实此算法对车牌字符识别有一定准确性，具有良好的效果。     

基于联合两种特征的手写体维文字符识别

提出一种联合两种特征的手写体维文字符识别算法。该算法对手写体维文字符图像进行实值Gabor能量特征和方向线素网格特征的提取,将实值Gabor滤波器的128维能量特征和方向线素的128维网格特征结合起来,使用KNN分类器对两种特征进行联合分类。对手写体维文字符数据库中的样本分别进行手写体维文字符特征识别和维文字符笔迹特征识别。实验结果表明,和采用一种特征的识别算法比较,进一步提高了手写体维文字符的识别率。该算法也可用于手写体阿拉伯文字符的识别。     

分行显示数字仪表读数的自动识别

引入HSV色彩空间，提出一种自动识别字符色泽的算法。用减背景、色泽分析方法进行字符的提取，用投影方法进行单个字符的分割。采用BP网络学习算法，构造了一个3层BP神经网络模型，对数字0~9进行识别。实验表明该方法具有很强的鲁棒性。     

基于多模板归一化的维吾尔文字母识别算法

该文针对手写维文字符识别中字符宽高比变化剧烈,单一模板归一化后提取字符特征,不能有效增加异类字符之间的差异性,提出了针对维文字形特点的多模板归一化算法。训练阶段,由多模板归一化字符图像,提取特征并训练对应分类器;识别阶段,用主笔画散度方向作为维文字形参数, 对不同字形选用最优模板进行归一化处理后提取特征,并送入该模板对应的分类器。多模版归一化有效利用了手写维文字符字形特征,克服了单模板归一化时异类维文字符差异减小的不利影响。实验结果表明多模板归一化算法较单模板归一化算法在识别性能上有所提高。     

基于实值Gabor能量特征的手写体维文字符识别

提出了一种基于实值Gabor滤波器手写体维吾尔文字符特征提取算法.将手写体维吾尔文字符图像进行滤波处理之后,在将图像进行分决,提取出每一块的实值Gabor能量值.由这些能量值形成一个能量矩阵,将矩阵降维之后得到字符的特征相量.完成特征提取后,使用KNN识别分类器进行识别.对手写体维吾尔文单字符数据库中的样本分别进行基于实值Gabor能量特征的手写体维吾尔文字符特征识别和字符笔迹特征识别.对KNN分类器识别的平均识别率和平均候选识别率进行了数据分析.实验结果表明,该算法简单有效且识别率比较高.     

手写体字符识别的多特征多分类器设计

特征选取和分类器设计是字符识别系统设计的关键。文章针对手写体汉字和阿拉伯数字混和字符集的识别提出了依据不同的分类要求,分别选取不同的字符特征并采用神经网络多分类器进行识别的设计方法。实验结果表明,该方法用于手写体混合字符集的识别是行之有效的。     

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。     

应用两级分类实现车牌字符识别

在分析特征提取方法的基础上,提出了一种模拟人类智能的两级分类识别算法。第一级采用描绘字符整体信息的统计特征,利用SVM分类器进行识别;第二级采用描绘字符细节信息的结构特征,依据决策表区分形近字符,使车牌中形近字符的识别率得到提高。算法对提取的统计特征值进行了优化调整,使其有效地克服了字符偏移的影响,并引入可信度评判机制,使SVM分类器的性能得以提高。     

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征，自适应共振(ART)网络有很好的学习能力。将二者结合起来，用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率，能够有效地进行手写数字的分类，可以满足实际应用。     

中文地图文字图象理解的研究

地图的识别和理解是一项复杂而艰巨的工作。本文主要针对地图的字符要素，提出了分割合并算法，实现对字符要素的特征抽取，进而实现对字符要素的分割和提取。文章最后给出了分裂合并算法的字符分割提取的实验结果。本算法也可用于其它类型图的字符分割和提取。     

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征,自适应共振(ART)网络有很好的学习能力。本文将二者结合起来,用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率,能够有效地进行手写数字的分类,可以满足实际应用。     

基于局部二值模式与多层感知器的中文车牌字符识别高效算法

针对智能交通系统中中文车牌图像中字符识别准确率不高速率低的问题,根据中文车牌字符图像纹理特点改进经典的局部二值模式( LBP),并在此基础上提出一种中文车牌字符识别高效算法。该方法采用改进的局部纹理算子LBP描述车牌字符,对于中文、字母、数字这三种类型字符分别使用不同维数扩展的LBP特征描述,并通过多层感知器( MLP)分类算法识别字符,因此同时结合了LBP和MLP算法的优势。实验结果表明,与工业上常用车牌字符识别算法相比,所提方法字符识别更准确,准确率约96.5%,同时识别时间比其他常用算法缩短了24%~62%,可满足智能交通系统实时性与准确性的要求。     

基于模板匹配的手写数字决策分类器设计

针对手写数字识别提出一种基于模板匹配决策分类器设计方法。就该方法下的模式识别分类器设计进行详细论述,给出该分类器算法实现。该算法在对手写的数字图像进行预处理的基础上从待识别的手写数字图像中提取若干特征量与事先建立的标准模板库中模板对应的特征量进行比较,计算待识别图像和标准模板特征量之间的距离,用最小距离法判定其所属类。实验结果表明,该决策分类器算法实现容易,匹配速度快,保证字符识别的正确率。     

基于Viterbi 算法的粘连断裂印刷体数字行切分识别方法

粘连断裂字符行的切分识别，是很多OCR 实际应用中存在的主要困难之一. 本文针对粘连断裂的印刷体数字行，提出了一种基于Viterbi 算法的切分识别方案，该方案采用两次切分识别的层次型结构. 在第二次切分识别过程中，首先，在候选切分点区域，结合灰度图像与二值轮廓信息，采用基于Viterbi 算法搜索的非直线路径进行切分，得到有效的切分路径；然后，结合分类器输出的可信度，采用Viterbi 算法来合并前面得到的候选切分图像块，进行动态切分与识别. 实际的金融票据识别系统实验表明，本文提出的印刷体数字行切分识别方法能够较好的克服字符行的粘连与断裂情况，提高了识别系统的识别率和鲁棒性.