基于多分类器的无分割手写数字字符串识别算法

手写体数字字符串识别常用于邮件自动分拣、银行票据和财务报表的录入中,针对其分割识别算法复杂度较高、准确率较低的问题,提出一种多分类器下无分割手写数字字符串识别算法。该算法的核心是采用四个分类器实现粘连字符串的无分割识别;将残差结构应用于Le Net-5网络,以增加网络深度,提高识别准确率,加快收敛速度;使用动态选择策略,以避免长度分类器误分类对识别结果的影响。实验结果表明,在NIST SD19一位数字和Synthetic数据集训练网络下,使用NIST SD19上长度为2、3、4、5、6的字符串验证网络,其识别准确率分别为99.3%、98.5%、98.1%、96.6%和97.2%。

基于Mask-RCNN无分割手写数字字符串的识别

针对现有基于过分割的手写体数字字符串识别算法的复杂度较高,以及基于无分割算法无法识别4位及以上长度字符串和准确率较低的问题,提出了基于掩模区域神经网络(Mask-RCNN)的无分割手写数字字符串的识别算法。由于Mask-RCNN增加了并行的全卷积分割子网,能够同时实现对粘连手写数字串中单个数字的掩模分割和数字类别的分类任务。测试集的结果表明,在NIST SD19数据集的1~6位数字串图像及自建掩模数据集的训练下,该网络对长度分别为3位,4位和5位字符串的识别准确率比目前最新算法分别提高了1.2、0.6、0.4个百分点,该算法对非限制位数的手写体数字串的识别具有显著优势,应用前景广阔。

基于位映像编码的手写字符样本存取方法

针对USPS手写数字样本数据库存储空间大,在开发实际手写数字字符识别系统时不能直接生成二值化图像的缺点,提出一种基于位映象编码的二进制存取方法,建立的手写样本数据库可以快速恢复为相应的二值化字符图像。该方法可使重建样本数据库的存储空间仅为原来的1.597%,且能正确恢复字符样本图像。利于研究识别系统时批量样本的读取。

基于编辑距离的手写数字Freeman链码匹配算法

提出了一种基于编辑距离的图像轮廓8方向Freeman链码模板匹配算法度量两个链码序列的相似度进行手写数字字符识别。通过对自备手写数字字符样本库的分类,实验结果表明该算法的有效性。

核不相关鉴别分析以及它在字符识别中的应用

核不相关鉴别分析是在线性不相关鉴别分析的基础上发展起来的·然而,由于核函数的运用,计算核不相关矢量集变得更加复杂·为了解决这个问题,提出一种解决核不相关鉴别分析的有效算法·该算法巧妙地利用了矩阵的分解,然后在一个矩阵对上进行广义奇异值分解·与此同时,提出了几个相关的定理·最重要的是,提出的算法能克服核不相关鉴别分析中矩阵的奇异问题·在某种意义上,提出的算法拓宽了已有的算法,即从线性问题到非线性问题·最后,用手写数字字符识别实验来验证提出的算法是可行和有效的·

Zhang并行细化算法的改进

手写数字字符,由于书写时的无约束性,字体太小或书写时笔墨的扩散,导致出现较大的黑块,当进行细化时该黑块就会被细化为线或者点,这在字符识别中是非常不合理的,将严重影响系统的识别性能。为了减少细化时所带来的信息丢失,采用了设定阈值的判别方法,提出了基于行像素和最大值与列像素和最大值的交点处及其邻域内像素取反的方法对图像进行处理,在细化时可以有效地保持字符的形状,一定程度上提高了细化效果。