一种印刷体字符识别的新方法:基于遗传算法的(0,1,*)-矩阵法

给出一种全新有效的快速算法。该方法通过合理的阈值将模板向量转化为 (0 ,1,* ) -向量 ,并充分考虑到代表样本与模板之间相关性的不同因素的不同重要性 ,赋以相应的权系数 ,并用遗传算法来确定阈值和权系数。印刷体邮政编码的实验结果表明 ,该算法在大大缩短识别时间的同时 ,识别率可达98.1% ,而相同实验条件下应用传统模板匹配法时的识别率为 92 .1%。

基于深度学习的印刷体文档字符识别的研究

针对传统基于模板匹配光学识别效果存在不理想的状态,提出改进的深度学习模型的印刷体文档字符识别算法。首先,生成包括一级字库、部分二级字库、英文大小写字母和标点符号的图片数据集,其数量大约为500万张;然后,在Lenet-5网络模型的基础上进行改进和重新构造,提出一种增强型的深度学习模型Lenet-5Pro,该模型可提高印刷体文档的识别率;最后,对比实验结果表明,该模型可以更加有效地提高印刷体字符识别的准确率,其字符识别准确率达到98%以上。

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。

一种基于Hough变换的神经网络字符识别方法

针对印刷体字符的结构特点,利用Hough变换的点一线对偶性,提出了一种新的印刷体字符识 别方法.该方法将字符在参数空间中共线点的个数及其坐标,作为BP神经网络识别系统的特征输 入矢量,获得了较好的识别效果.