手写体不规则数码脱机识别过程中的跟踪算法

目的　找出一种手写体数码识别的跟踪方法.方法通过对手写体数码的特征分析,结合边沿元的概念,对书写轨迹进行扫描跟踪,提出跟踪算法.结果　找到了一种效果较好的边缘跟踪算法.结论　使用边沿元的概念,结合边缘跟踪算法,可以用较快的速度,取得较高的正识率.     

基于双神经网络分类器的脱机手写体汉字识别

脱机手写体汉字识别因其自身的复杂性,系统的实现具有很大的困难。现有的方法,多针对小字符集。为了能在更大的字符集内实现脱机手写体汉字识别,文章结合双重特征提取方法,提出了将双神经网络分类器引入脱机手写体汉字识别。该方法提取汉字字符的2组特征,将2组特征输入双重神经网络进行并行训练,再经过后处理选择最优结果。将该方法与用于小字符集的SVM方法进行了比较,结果表明其识别率明显高于SVM方法,说明双神经网络在脱机手写体汉字识别中有较强的可行性和实用性。     

脱机手写体汉字识别中的预处理算法研究

多年来,许多科技工作者都时汉字识别这一研究领域产生了极大的兴趣,并发表了大量的有关该研究领域的研究报告和文献,针对脱机手写体汉字识别的预处理工作,重点讨论了图像二值化和字符分割,提出图像二值化的改进算法和简单粘连字符分割的算法、经过实验,在预处理工作中得到了较满意的结果．     

朝鲜文字及其手写体脱机识别

从机器识别角度论述朝鲜文字的一般性特征及手写体朝鲜文字脱机识别面临的困难,并探讨手写体朝鲜文字机器识别的途径。     

BP网络学习算法改进及用于手写体数字识别

从误差函数入手对传统ＢＰ学习算法进行改进，实验表明此改进算法不仅提出了网络训练效率，而且改善了网络推广性能。     

手写体朝鲜文字竖元音字母识别算法

介绍了ｏｆｆ－ｌｉｎｅ手写体朝鲜文字竖元音字母的识别算法，它对ｏｆｆ－ｌｉｎｅ手写体朝鲜文字的笔划提取以及整个文字识别系统具有重要的价值。     

基于神经网络方法的手写体数字识别

利用神经网络技术对无限制手写体数字进行识别。在选取合适的特征基础上，对图像进行分域处理，每一小域对应输入层的一个神经元。测试结果表明，该识别方案具有很强的抗畸变，抗旋转能力。     

基于形状分析的手写体朝鲜文字圆笔划识别算法

对文字图象的负象进行距离变换,并对连通域进行形状分析以检测文字中的圆笔划,所提出的算法对手写体朝鲜文字识别中的预分类、细分类以及对整个识别系统的性能具有一定价值.     

一种识别无限制手写体数字的方法

对无限制手写体数字的两大特点－畸变性和旋转性，提出了一种链匹配识别算法。全面描述了边界的拓扑结构（基元）、根据形成输入字符图像的一维链码与参照链的匹配结果进行识别。压缩了原始图像信息，提高了处理速度，遇时也达到了较高的识别率。     

“有效行”特征对手写体字符的识别

从无限制的手写体数字的结构出发,提出"有效行"特征的概念及其提取算法。该特征具有维数小、平移不变、字符小角度旋转不变等特点。建立了相应的字符特征库,利用BP网络对样本字符进行研究,通过大量的手写体数字识别测试表明:该方法在识别速度上优于利用单一的矩特征、小波特征等传统识别方法;在误识率方面也优于一般的单一识别方法。     

手写体朝鲜文字识别的预分类特征

在分析朝鲜文字有关特征的基础上，讨论了手写体朝鲜文字识别的预分类特征提取方法。     

工程图形的惯性跟踪识别算法

本文讨论了扫描输入工程图形的矢量化问题。提出了一种将二值点阵图形转化为矢量图形的算法，并给出了相应的Ｃ语言程序。     

特征融合用手写体汉字识别研究

分析了手写汉字特征的提取方法，提取具有一定互补性的轮廓方向特征和方向距离分布特征，并进行K-L变换降维处理，用多特征合成一个区分能力更强的新特点。讨论了RBF网络分类器特性，结合特征融合方法和模块RBF神经网络结构有机地构建一个小类别手写体汉字识别系统。实验表明，该系统可行和有效。     

基于遗传神经网络的手写体数字识别算法的探讨

针对神经网络BP算法在学习过程中的一些缺点,提出一种基于遗传算法与神经网络的手写数字识别新算法,将遗传算法与BP算法有机结合起来.文中给出了算法模型,并将此算法应用于手写体数字的识别中,实验结果证明它比单一BP算法有更佳的结果.     

特征融合用于手写体汉字识别研究

分析了手写汉字特征的提取方法,提取具有一定互补性的轮廓方向特征和方向距离分布特征,并进行K-L变换降维处理,用多特征合成一个区分能力更强的新特征.讨论了RBF网络分类器特性,结合特征融合方法和模块RBF神经网络结构有机地构建一个小类别手写体汉字识别系统.实验表明,该系统可行和有效.     

半连续隐马尔科夫模型脱机阿拉伯手写识别

提出一种基于半连续隐马尔科夫模型的脱机阿拉伯手写识别系统。该系统采用滑动窗口技术直接从数字图像提取像素密度和凹度特征,没有复杂的预处理操作,每个窗口被划分为前景像素数目相同的4个子窗口,前后相邻窗口的重叠为窗口宽度的1/2,且特征的维数仅为36维,节约了系统的计算量。采用半连续隐马尔科夫模型对字符进行建模,而词的模型采用嵌入式训练方法,无需对词进行预先分割,从而避免了切分引入的误差。在IFN/ENIT测试数据库上的测试结果表明,一个最佳输出时平均识别率能够达到86.6%。     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

一种通用数码快速识别算法

本文给出一种通用（手写与印刷体）数码快速识别算法，其中包括库存标准数码模式算法ＷＨＩ、识别算法ＷＨⅡ，细化算法ＷＨＳ，最后给出最佳数码快速识别算法ＷＨⅡ。