基于多分类器组合的手写体数字识别

本文提出了一个基于多分类器组合的手写体数字识别方法．文中首先给出了一个客观评价分类器性能的参数，其后基于此参数提出了多分类器的组合方法，并从理论上研究了此方法的一些性质．本文实验采用Concordia大学模式识别与机器智能中心的手写体数字数据库，在实验中，使用了9个利用不同特征分类器进行组合．组合后识别率、拒识率和可靠性分别可达到97．05％，2．05％，99．08％．

基于轮廓分段特征的手写体阿拉伯数字识别

文中提出了一种新的手写体数字识别的结构方法，将字符轮廓划分为特征片段：凸弧、凹弧、直线段、端点、洞，并由特征片段得到特征基元，构成对字符结构的完整描述．文中还提出了一种轮廓点的曲率滤波方法以及利用字符的特征基元序列测量两样本之间的相似度方法．在此基础上，提出了一个两阶段的识别方法及两种拒识准则．在第一阶段，通过基于相似度比较的分类器，对每个待识字符识别或拒识．拒识的字符进入第二阶段识别．拒识分两种情况：待识字符与任一类训练样本都不相似，称为第一类拒识；与两类训练样本都相似，为第二类拒识．在第二阶段，对于第一类拒识，重新提取特征后再入分类器．对于第二类拒识，用一个专用的二义识别过程识别．

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９７％ ．本文最后基于一个严格的结构分类器与估计法提出了一个集成分类器，该集成分类器获得了更好的实验结果：识别率、拒识率与可靠性分别可达到９７．１５％ 、２．０５％ 、９９．１８％ ，这是目前在该手写体数字数据库上所得到的最好的实验结果．