基于CNN网络的带遮挡车牌识别

为提高存在遮挡的车牌识别准确率,基于数据驱动,利用形态学算法如腐蚀、膨胀、旋转等对标准化字符进行自动化处理,并自适应地加入高斯噪声构建带有遮挡的字符样本以代替常见的无遮挡标准车牌字符样本.结合图像边缘检测与HSV(Hue,Saturation and Value)模型对车牌实现正确定位;采取霍夫边缘检测对倾斜的车牌进行仿射校正,并归一化车牌尺寸对车牌进行规定比例的字符切分.在此基础上,使用卷积神经网络(Convolutional Neural Networks,CNN)对样本库进行训练并对车牌内容进行识别.实验结果表明,该方法对带遮挡物的车牌具有良好的识别效果,且对汉字的识别精度略高于字母及数字.通过不同网络中与无遮挡样本库的识别效果对比可知此样本库的整体识别精度确有明显提高,有一定的应用价值.     

字符点相关技术与神经网络识别

本文探讨一种新的在工程图扫描图象中自动识别字符、符号的方法,该研究是基于点相关的神经网络识别技术,这种方法考虑了各种退化的字符样本,训练一个字符时使用一种新的学习规则来自动完成训练过程,并从一组字符图象样本集中产生每个字符的理想的特征描述。这种方法使学习的复杂度呈常量,并在工程图字符识别中得到实际的应用。     

标牌图像的旋转不变性矢量提取及其PCA子空间识别

提出一种标牌字符图像样本矢量生成方法,有效解决字符图像存在旋转变化时对识别结果的影响.该方法首先提取图像的质心、主轴等特征不变量,然后对图像进行极坐标变换,并按照一定的规则进行排序,最后得到具有旋转不变性的样本矢量.在此基础上对分割得到的单个字符采用PCA子空间方法直接在灰度图像上进行识别.实验表明,该方法可大幅度降低离群样本的数量,与通常采用的矢量形成方法相比,具有更高的识别率.     

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。     

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%。     

一种基于英文字符的斜体检测方法

英文文档中往往使用斜体字符来突出和强调内容的重要性,而在光学字符识别(OCR)系统中,由于训练的样本中并没有包括斜体字符,导致系统无法正确识别出斜体字符。如果将斜体字符加入训练的样本中,则加大了样本的复杂度,对正体字符的识别也会产生一定的影响。针对这个现象,提出一种英文斜体字检测和纠正的方法。首先将文本行分割成单词,并进一步细分为单个字符,然后分别检测各个字符的形态特征,并依此判断出单词的形态。最后收集检测为斜体结果的所有单词,并利用这些单词计算出斜体字符的准确角度并加以纠正。经试验结果证明,该方法能取得很好的检测和纠正效果。     

基于SIFT图像配准的维吾尔语文字识别方法

提出一种新的维吾尔语文字识别研究方法。首先,建立字符样本库,并对库中文字图像归一化。然后,将测试图像与样本图像进行垂直和水平双方向投影相关性检测,对与测试图像双投影相关性较高的样本字符进行笔画数特征提取,得到预分类结果。最后,将测试图像与预分类结果进行SIFT关键点检测、方向描述子生成与配准,与测试图片匹配点对最多的预分类结果为识别结果,并输出该结果标记符号对应的维吾尔语字符。实验结果表明:该方法能减少字符样本的数量,并有效解决测试图像尺度与几何形变的差异造成的匹配困难问题。     

基于图像处理的客观题自动阅卷系统研究开发

在高校期末阅卷过程中,试卷的人工批改仍是非常繁重的工作.文中采用数字图像处理方法以 VS. net2005为开发平台、以 SQLSERVER2000为数据库后台构建了试卷客观题自动识别系统,拚弃了答题卡的限制,实现了通过数码相机获取试卷样本直接识别的方式,主要包括试卷样本图像预处理、字符定位与分割、特征提取、样本训练和识别与成绩统计管理等5个模块.客观题试卷图像的识别主要是针对图像中的手写体学号字符和答案字符进行处理、分析和识别.通过实验表明取得了较好的效果.     

一种基于SVM的车牌汉字的有效识别方法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法,此方法能够在训练样本很少的情况下达到很好的分类推广能力。文章应用SVM算法对车牌中的汉字字符进行识别,在无字符特征提取的情况下可得到较高的识别率和识别速度。通过与无字符特征提取的BP网络识别系统比较表明,在小样本的情况下,该方法的识别率远优于神经网络,并避免了神经网络的局部极值等的问题。     

图书索书号自动识别技术的研究与实现

将数字图像处理技术引入索书号分析中,提出了一种索书号识别的方法。该方法利用投影法对索书号图像进行索书号倾斜检测和字符分割,采用动态的Bernsen二值化和模板匹配的识别方法,通过计算待识别字符与各样本字符特征值的欧氏距离来实现对该字符的分类。实验结果表明,此方法算法简单、准确率高、实时性好,能够满足实际索书号自动识别系统应用的需要。     

基于级联支持向量机的人脸图像性别识别

提出一种由若干个支持向量机(SVM)分类器串连而成的级联SVM算法,用于人脸图像性别识别。该算法把容易被前一层分类器分类的训练样本过滤掉,将难度较高的训练样本重新组织起来训练新一层的分类器。结合级联分类器和SVM理论的优势,在训练过程中能够使用更多的样本,具有更好的识别性能。在同一硬件实验条件下的实验结果表明,单层SVM最多只能训练7万样本,而四层级联SVM的训练样本数可达12万以上,相应的识别率也从96.6%上升至98.4%。     

基于训练样本自动选取的SVM彩色图像分割方法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机((Support Vcctor Ma- chine, SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适 应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊 C均值(Fuzzy C-Mcans, FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM 模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好 的分割结果。     

基于SVM的人脸检测研究

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习算法。依据SVM良好识别和泛化能力,实现了一种基于支持向量机的图像人脸识别方法。利用Opencv提取样本类的低层特征,训练具有径向基核函数的SVM分类器,在VS2008和Qt平台下实现识别软件开发。运行结果表明,软件具有良好的图像人脸检测能力。     

基于小波包变换和支持向量机的虹膜识别方法

提出了一种基于小波包变换和支持向量机的虹膜识别方法.用小波包变换对归一化的虹膜图像进行2层分解,并计算出每个子频带的能量;通过选择具有最大能量值的特征作为小波基特征,以减少进入支持向量机的样本数目和提高识别准确率;最后,用支持向量机对虹膜特征进行模式匹配.实验结果表明,该方法取得了较好的识别效果.     

级联SVM和分类器融合的人脸性别识别方法

传统的支持向量机（Support Vector Machines,SVM）在面对大样本训练问题时,其样本数量会受到内存的限制。因此,提出一种基于级联SVM和分类器融合的人脸图像性别识别方法。级联SVM分类器可以通过设定阈值将识别难易程度不同的样本分成若干层次来进行训练;同时,在级联的每一层上,为了降低分类器在识别过程中受各种因素的影响,对不同特征维数下得到的最优分类器进行融合,通过融合减小误差,使中性的人脸样本有更明确的分类。在同一硬件条件下的实验结果表明,单层SVM最多只能训练7万样本,而四层级联SVM训练样本数可达12万以上,相应的识别率也从单层融合前的96.7%上升至四层融合后的99.1%。     

基于遗传算法和支持向量机的玉米品种识别

提出了一种基于遗传算法（GA）和支持向量机（SVM）的玉米种子的图像特征选择和分类识别的新方法。该方法首先用遗传算法对采集到的玉米种子图像的特征进行优化,而后采用决策二叉树的支持向量机分类算法对玉米品种进行识别。该分类算法将分类器分布在各个结点上,构成多类支持向量机,减少了分类器的数量和重复训练样本的数量。实验结果表明该方法能选出适合于识别的玉米种子特征并能对玉米种子进行正确地识别。     

基于小波包和支持向量机的人脸识别

提出了用小波包变换、聚类分析和缩放支持向量机进行人脸识别的方法。首先，用小波包对图象进行2层分解，提取每个子频带的能量组成向量为该图象的特征；其次，对待识别图象进行聚类分析，以减少进入支持向量机的样本数；然后，在特征向量输入支持向量机之前先进行缩放处理，以减少运算量和提高识别准确率；最后，用支持向量集合距离度量进行人脸识别。实验表明：采用本文的方法，识别的正确率可达98％。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于改进CNN-SVM的甲烷传感器数显识别方法

甲烷传感器材质存在光反射,显示面板上有附着物,造成甲烷传感器自动检定系统采集的传感器数值图像质量较差,对字符识别困难。而现有的基于机器学习的仪表字符识别方法识别率较低、算法运行速度较慢。针对上述问题,提出了一种基于改进卷积神经网络(CNN)-支持向量机(SVM)的甲烷传感器数显识别方法。通过图像增强、数值区域图像提取、图像分割、小数点定位等4个步骤对甲烷传感器数值图像进行预处理,并将处理后的数字图像作为自定义数据集。针对CNN-SVM模型运行时间较长的问题,使用PCA算法对CNN全连接层提取的图像特征进行降维处理,用最主要数据特征代替原始数据作为SVM分类器的样本进行分类识别。在自建数据集上的验证结果表明,与传统CNN模型和CNN-SVM模型相比,改进CNN-SVM模型的准确率更高,运行时间更短。在经典MNIST数据集上的验证结果表明,综合考虑精度和实时性要求,改进CNN-SVM模型的综合性能优于CRNN,SSD,YOLOv3,Faster R-CNN等模型。采用微型高清USB摄像头采集甲烷传感器数值图像,将训练好的改进CNN-SVM模型移植到树莓派中进行图像处理和识别,结果表明,基于改进CNN-SVM的甲烷传感器数显识别方法的识别成功率为99%,与仿真分析结果一致。     

基于字符特征与支持向量机的车牌字符识别

首先,对车牌图像进行预处理,针对不同的字符样本采用不同特征提取方法;然后,用提取的特征训练SVM分类器。结果表明,在训练样本较少的情况下,该系统具有较高的识别率和识别速度,并具有很好的分类推广能力。