神经网络的人民币序列号识别算法

研究人民币智能鉴伪问题,人民币序列号是人民币的“身份证”,优化识别人民币的真伪将直接影响经济秩序.由于人民币在流通过程中容易出现磨损、污染和缺损等,导致人民币序列号识别的正确率不高.为了提高人民币序列号识别的正确率,更好地鉴别出入民币的真伪,提出根据BP神经网络对人民币序列号识别算法.首先对人民币图像进行预处理,消除一些不利信息和噪声,然后对人民币序列号进行分割和归一化,并提取字符的特征向量,最后采用BP神经网络对字符进行仿真.仿真结果表明,BP神经网络识别算法的人民币序列号识别正确率达到97％以上,并且识别速度快,为人民币识别提供了有效方法.     

基于小波变换Hopfield神经网络的手写体数字识别

手写数字识别是模式识别的一个分支,手写数字识别的方法很容易推广到其他一些相关问题,因此在模式识别领域中占有重要地位.虽然数字只有十种且笔划简单,但由于不同人书写习惯不同,上下文联系较小,要获得较高的识别率并不容易.本文提出了一种基于小波和Hopfield神经网络的手写体数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用Hopfield网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有较好效果.     

一种基于BP神经网络的车牌字符识别算法

车牌识别系统是智能交通中的一个重要分支,本文针对传统的模板匹配算法存在识别准确率低的问题,提出了一种基于神经网络的车牌字符识别算法。该方法对分割、归一化后的字符进行特征提取获取其特征向量,把这个特征向量送到BP网络中进行训练,可以得到训练好的权值,以此权值对车牌字符进行识别。实验表明,本算法对车牌图像的识别率达90%以上。     

基于改进BP神经网络的车牌识别算法

车牌识别是智能交通系统的一项关键技术,可以有效实现车辆信息的获取.针对车牌图像的倾斜、模糊等干扰导致的识别错误,本文通过Radon变换算法实现车牌定位矫正,通过引入附加动量项以及自适应学习因子,改进BP神经网络,提高了字符的识别准确率.对102张拍摄距离较远或存在车牌倾斜等干扰的汽车图像进行车牌识别,识别准确率达到95%,表明本文算法具有较好的识别准确率与抗干扰性.     

几种车牌字符识别算法的比较

牌照自动识别系统是现代社会智能交通系统的重要组成部分,是图像处理和模式识别技术研究的热点,应用也越来越普遍。本文就几种主要的字符识别方法进行研究及比较。     

基于改进的BP神经网络车牌识别的研究

近年来,城市智能交通系统发展的很快,车牌识别系统作为城市智能交通系统中信息采集的一种重要手段,也引起越来越多关注.本文对车牌识别的形态进行深入研究,应用了改进的BP神经网络算法.实验结果显示这个方法可以更高效的识别车牌并且建立一个良好的未来车牌识别技术的基础.     

支持向量机算法实现人民币序列号识别

人民币序列号识别是一个小样本、非线性和高维模式识别问题,是当前模式识别中的难题之一,具有重要研究意义和实用价值。主要研究了统计学习理论中支持向量机的二次优化算法,并将支持向量机应用于货币序列号的机器识别中。将次序最小优化算法构建的支持向量机用于序列号识别,充分发挥了支持向量机解决小样本、非线性和高维模式识别问题的优点。支持向量机（SVM）实验结果表明,这种支持向量机货币识别方法具有较高的可实现性和识别精度。     

基于神经网络的印刷体数字字符的识别

提出了一种基于BP网络的印刷体数字字符的识别方法。通过对BP网络的研究与学习,设计了一种结构合理,收敛速率快的BP网络。实验结果表明,该方法对标准的印刷体数字字符的识别率达到了100％,对有1～3度倾斜角度的字符识别率也达到了96％以上。     

车牌识别技术研究

利用图像处理技术以及神经网络技术对汽车牌照自动识别系统进行研究.在所摄的含有车牌的汽车照片中,先获取车牌位置,再把车牌的各个字符分割,提取出各个字符的特征,再利用BP神经网络进行识别,从而获取车牌号码.     

应用BP神经网络进行手写体字母数字识别

该文提出了一种采用BP神经网络方法来对无限制手写体字母、数字进行识别的方案。在选取合适的特征点的基础上,对手写体图像进行分域处理,每一小区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。     

多图书图像标签字符的分割识别

字符识别应用于图书系统能有效提高图书馆的数字化和自动化程度,设计了多图书图像标签字符的分割识别,达到了一次操作识别多本图书的功能。首先根据图像边缘连接后的统计值分割出单本图书,然后基于RGB颜色特征提取字符区,并根据轮廓分割字符,最后设计BP网络识别字符。通过matlab仿真了处理流程,仿真结果表明该算法能基本识别图书标签,有较好的实用价值和应用前景。     

神经网络在汽车牌照字符识别中的应用

分析了反传学习神经网络和Hopfield神经网络的基本原理,探讨了神经网络在汽车牌照字符识别中的应用.结合神经网络和汽车牌照的特点,研究了学习速率,误差精度与隐含层节点数之间的关系,最终提出了一种Hopfield神经网络和反传学习神经网络相结合用于汽车牌照字符识别的方案.Matlab仿真结果表明,所设计的汽车牌照字符识别系统可以获得较为满意的高分辨率.     

事件检测支持向量机模型与神经网络模型比较

针对交通领域中的事件检测(无事件模式和有事件模式)模式识别问题,描述了支持向量机(SVM)的基本方法,建立了基于线性(linearfunction)、多项式(polynomialfunction)和径向基(radialbasisfunction)3种核函数的事件检测SVM模型,并与PNN、MLF模型进行了理论比较。采用I-880线圈数据集和事件数据集建立并验证SVM、PNN和MLF模型,结果发现:无论对于向北、向南或混合方向的事件检测,SVM模型的检测率(DR)、误报率(FAR)和平均检测时间(MTTD)指标均比MLF模型好;PNN模型的DR比SVM(P)模型的高,但FAR和MTTD指标不比SVM(P)模型好;在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法与神经网络算法相比具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

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。     

集装箱箱号字符识别算法研究

针对集装箱箱号图像中存在的光照不均、箱号的偏转和倾斜等因素,着重研究箱号字符识别中的关键技术问题.对于箱号图像光照不均问题,采用一种改进型的差分边缘检测粗定位算法;利用改进的最小二乘法有效地解决箱号偏转难以精确定位问题;运用基于梯度下降投影字符矫正及分割算法,实现对倾斜箱号的校正与分割;采用BP神经网络进行字符识别.对...     

基于神经网络集成的汽车牌照识别

对基于神经网络集成的汽车牌照识别的原理和方法进行了研究,并着重分析了现有技术的积极因素和潜在问题,提出了一种基于神经网络集成进行车牌文字识别的方法.在特征提取时采用了多种特征提取的方法,对提取的每种特征构建一个BP神经网络分别进行训练.最终待识别的字符将被神经网络集成进行识别.实践证明,利用该方法比单个神经网络识别有更高的识别率,具有较高的使用价值.     

Hopfield神经网络在车牌照字符识别中的应用

介绍了Hopfield神经网络识别车牌照字符的方法,用Matlab完成了对车牌照数字识别的模拟,最后给出实验结果。