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。     

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。     

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。     

基于分类器联合的表情识别

提出了一种基于分类器联合的人脸表情识别方法。首先采用CKFD算法在双决策子空间中提取两类表情特征并融合;分别利用最近邻、最小距离和神经网络三种子分类器进行识别;最后运用模糊积分对子分类器的识别结果进行融合。基于JAFFE的实验结果表明,它是一种有效的表情识别方法。     

基于余类零空间与最近距离的人脸识别算法

提出了一种新的人脸识别算法,即基于余类零空间与最近距离的人脸识别算法. 通过构建不同类别的人脸图像的余类零空间与子空间,可以将不同类别的人脸最大化地区别出来. 本算法的主要思想在于：测试图像与所属类别图像的子空间之间的距离最小,而与所属类别的图像的余类零空间距离最大. 本算法基于ORL数据集与AR数据集进行了测试. 从这些人脸数据集上的测试结果可以看出,本文提出的算法在PCA降维方法的基础上,比一些常见的算法所使用的判别方式更有效,如最近邻分类器（NN）所使用的最近距离判别方式、最近空间分类器（NS）所使用的最近空间距离判别方式、最近最远子空间分类器（NFS）所使用的最近最远空间距离判别方式等.     

类空间规整度的计算几何组合分类器权重分配

在计算几何组合分类器中,子分类器的权重分配一直未能充分利用空间视觉信息,使得分类器的可视化特性无法完全得到发挥.本文从类空间类别分布特性出发,提出基于类空间规整度的权重分配方法.该方法首先将子分类器由空间的类别表示转变为类别的空间表示,进而利用共生原则分析不同类别在空间中的分布规整度.由于分布规整度为类别分布信息的整体体现,可以用于刻画类空间中不同类别样本的离散程度,因此可以利用当前类空间的规整度信息作为该子分类器的权重.实验表明,利用规整度信息进行加权后的分类器不但与可视化特性更好的吻合,增强了分类过程的可理解性,而且在分类精度上得到了进一步的提升,扩展了应用领域.     

前馈网络外监督分类器的分类机理研究

本文从子空间变换的角度，研究了前馈网络（ＦＦＮ）外监督分类器用于分类的机理。在批方式学习最小二乘误差代价函数为零的条件下，证明了线性输出ＦＦＮ（或线性ＦＦＮ）外监督分类器的输出节点对应的不同类别权矢量，是相互正交的，而非线性输出ＦＦＮ外监督分类器对应的类别权矢量位于互反的类别子空间内；证明了网络获得零代价全局最小解的充要条件是Ｒ（Ｙ）包含于Ｒ（Ｘ）。     

手写体数字有效鉴别特征的抽取与识别

文中提出了基于后验概率估计的多特征多分类器组合识别的估计法,并提出了基于具有统计不相关性的最佳鉴别变换与ＫＬ变换抽取手写体数字的有效鉴别特征的方法。实验采用Ｃｏｎｃｏｒｄｉａ Ｕｎｉｖｅｒｓｉｔｙ ＣＥＮＰＡＲＭＩ手写体数字数据库。用最近邻距离分类器与最近邻相关分类器这两个分类器,对手写体数字的１２个特征做多特征多分类器组合识别实验。实验结果表明：估计法优于常用的投票法与计分法,估计法的识别率高达     

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。     

对应用于手写体字符识别的最近邻分类器原型学习算法的评估（上）

原型学习对提高最近邻分类器的判决性能以及降低存储和计算量很有效。本文回顾了最近邻分类器的一些原型学习算法，并对其在手写体字符识别中的应用特性作了比较。这些算法包括著名的LVQ和一些通过梯度搜索使外界影响最小的参数最优化方法。本文还提出了一些新的算法，并同现有的算法作了比较。在基于CENPARMI数据库手写体数字识别和基于ETL8B2数据库手写体汉字识别方面，对11种原型学习算法进行了测试。实验结果显示，基于参数最优化的算法通常优于LVQ算法，特别是最小分类误差算法（MCE）、GLVO算法和一种新的算法（MAXP1）效果最好。     

基于补集零空间与最近空间距离的人脸识别

针对人脸识别中在分类器判别时没有充分利用类间差异的问题,提出一种补集零空间（CNS）算法,并进一步提出结合CNS算法与最近空间距离的人脸识别算法——补集零空间与最近空间距离算法（CNSD）。首先,在训练样本中,对每一种类别的人脸样本,构建其子空间并计算其补集的零空间;其次,计算测试样本与所有子空间和补集零空间的距离,找到最小的子空间距离与最大的补集零空间距离对应的类别,将其判别为测试样本的类别。算法在ORL与AR人脸数据集上进行了测试,当训练样本数较小时,CNS算法与CNSD算法识别率远高于最近邻分类器（NN）算法、最近空间距离（NS）算法、最近最远空间距离（NFS）算法;训练样本数较大时,CNS算法与CNSD算法识别率也略高于NN算法、NS算法、NFS算法。实验结果表明,所提算法能充分利用图像的类间差异,提高人脸识别的成功率。     

主成分分析方法(PCA)在车辆牌照识别中的应用

将主成分分析方法（PCA）应用于车牌识别。首先根据采集到样本分类构造各类样本对应特征子空间,然后对待识别字符图片进行预处理,再分别向各类特征空间投影,根据重构误差判断类别识别字符。     

人脸识别特征提取方法和相似度匹配方法研究

横向比较特征提取方法，综合考虑认证率和特征提取时间两方面因素，该文认为特征脸结合线性判别分析方法是研究的4种特征提取方法中最优的方法。通过对投影空间维数的研究，最佳投影空间维数同数据库本身类内图像的相似程度和每一类的样本数目同方向增长，它们之间存在定性关系而非定量关系。相似度匹配方法的研究结果表明余弦距离分类器分类效果最佳。     

面向中文矢量笔迹中单字详细分类的特征和方法比较*

在识别矢量笔迹文本时,不同类型单字需要采用不同识别器,确定详细类别是单字识别的前提。对实际中文矢量笔迹文本中单字进行汉字、标点、数字、字母和单词的详细分类,提出了自身和相对（包括近邻和同行）特征,选用决策树、逻辑模型树、贝叶斯网络和支持向量机四种分类器。针对大量实际数据,测试和比较了多种特征和分类器的性能。实验表明,近邻单字的组合特征具有较好的分类能力,支持向量机对各种单字均有较好分类性能。     

基于模糊度的计算几何分类器权重分配

为了充分发挥计算几何组合分类器的可视化特性,从类空间类别分布模糊特性出发,提出一种基于类空间模糊度的权重分配方法.该方法首先将子分类器由空间的类别表示转变为类别的空间表示,进而利用粗糙集理论分析各空间的模糊度,并将其作为该子分类器的权重.实验表明,利用模糊度信息进行加权后的分类器不但能与可视化特性更好地吻合,增强分类过程的可理解性,而且在分类精度上得到了进一步的提升,扩展了应用领域.     

基于多特征集成分类器的脱机满文识别方法

为提高脱机满文手写字体的识别率,提出了基于BP网络的多特征集成分类器识别方法.对扫描成图像的手写满文进行预处理,切分出满文字元;分别提取满文字元的投影特征、链码特征以及端点和交叉点特征,并对这三类特征及其相互组合进行分类识别;通过隐马尔科夫算法对识别结果进行后处理,进一步提高识别的精度.实验结果表明,集成分类器的识别率要比单个特征的识别率要高,同时集成分类器中的特征类别越多,识别效果越好.     

基于Fisher准则改进线性判别回归分类的人脸识别

为了提高线性回归分类LRC(Linear Regression Classification)算法的鲁棒性,提出一种基于Fisher准则改进的线性判别回归分类算法。首先根据Fisher准则最大化类间重建误差与类内重建误差的比值,为LRC找到最优投影矩阵;然后利用最优投影矩阵将训练图像及测试图像投影到各个类的特征子空间;最后,计算出测试图像与各个训练图像之间的欧氏距离,并利用K-近邻分类器完成人脸的识别。在FERET和AR人脸数据库上的实验验证了本文算法的有效性。实验结果表明,相比其他回归分类算法,该算法取得了更好的识别效果。     

基于组合分类器的自由手写体数字识别方法

自由手写体数字识别广泛应用于信息录入和文本识别中。基于组合分类器实现手写数字的识别，克服了单因子识别的局限性，识别中使用距离法和改进的BP神经网络方法，以多种特征向量作为分类器的输入，以举手法则确定识别输出。实验证明，该系统具有较高的识别率和极低的误识率，有令人鼓舞的应用价值。     

基于轮廓和统计特征的手写体数字识别

提出了数字规范化模板特征,并利用这一特征与轮廓分段特征相结合对手写体数字进行识别。首先使用基于轮廓分段特征的分类器进行识别,通过提高拒识率获得高可靠性的分类结果。然后由基于数字规范化模板特征的分类器对前一级分类器的拒识样本分类。实验结果表明分别基于这两个特征的分类器在分类结果上具有较强的互补性。实验的数据为真实支票上采集的10000个手写体数字样本,该方法的识别率为98.06%。     

用神经网络分类器识别非限制手写体数字

人工神经得识别图象有效工具，但许多研究人员认为，神经网络尚不能处理一此诸如识别手写体数字的难题。文中，作者提出了三种新型的神经网络分类识别器，专用于识别复杂图形：（１）多重多层感知（ＭＬＰ）分类器；（２）隐含马可失模型（ＨＭＭ）／ＭＬＰ混合分类顺；（３）适配结构自组织变换（ＳＯＭ）分类器。为了验证上述分类（识别）器的性能，各项实验均采用加拿大蒙特利尔Ｃｏｎｃｏｒｄｉａ大学数据库所提供的非限制手写体