基于人工神经网络的数字字符识别

提出一种用神经网络来识别含有噪声的数字字符的方法。神经网络采用带有动量项和自适应学习率的反向传播算法(BP)进行训练。样本由理想信号和带有噪声的信号组成。通过比较测试结果得出对同一网络既使用理想信号又使用带有噪声的信号对网络进行训练可使系统具有更强的容错性。最后给出的实验结果证明了该方法的有效性。

基于整体特征的快速手写体数字字符识别

该文通过模拟人眼识别数字字符的过程,提出了一种基于字符整体特征(凹凸特征)的快速手写体数字字符识别方法。该方法不需要对字符图像做复杂的细化处理,减少了细化形变可能带来的误识和拒识;也不需要进行复杂的笔道特征分析,因此速度非常快。同时,由于不同人书写的数字字符的整体特征都相同,因此该方法的识别率也非常高。

强噪声车牌图像中的字符识别

当字符图像受到噪声污染,甚至发生缺损、污染时,会增加车牌识别系统(LPR)准确识别的难度。在图像处理方面,提出了一种改进的全局动态二值化法,即有效减弱了光照不均的影响,又保证了较快的处理速度。此外,直接对二值图像进行噪声滤除比灰度图像的噪声滤除响应速度更快。在文字识别方面,将处理好的字符图像经过模板匹配进行初次分类,然后将图像分成4个子区域并赋予不同的权值,通过特征区权值模板进行精确判别,以提高车牌字符的整体识别率。实验数据分析表明,该识别方法有很强的抗噪声能力,且识别速度较快。

一种基于MATLAB的带噪声字符识别算法实现

MATLAB语言由于具有强大的矩阵运算能力而广泛的应用于各种控制领域。Hopfield神经网络是一种具有联想功能的反馈网络 ,它可以根据一定的规则计算出网络的权值 ,网络演变过程中不断更新各神经元的状态 ,问题之解便是网络演变到稳定时各神经元的状态。该文提出一种采用离散Hopfield神经网络识别带噪声的字符的方法 ,在MATLAB中用M语言进行编程、计算、仿真 ,从而验证这种方法的正确性。

字符识别中支持向量机抑制噪声能力的分析

Vapnik等学者首先提出了实现统计学习理论中结构风险最小化原则的实用算法——支持向量机,成功地解决了模式分类问题。支持向量机是目前车牌识别领域常用的算法之一,但由于实际获取的车牌图像往往存在大量的噪声干扰,大大影响了识别率。因此着眼于研究支持向量机对含噪声图片的识别效果,以字符识别为例进行分析,并与BP神经网络算法作对比,实验证明支持向量机具有较好的抑制噪声能力。

多个数字仪表动态显示数字字符识别的研究

在诸多像冶金、化工等的行业,都要用到多个数字仪表的实时监控.而人眼识别会产生误判,且效率不高,用多个数字仪表动态字符识别系统代替人眼将提高效率,同时识别率的提高可以解决人眼产生误判的问题.然而这一系统研制的难点在于多仪表数显字符的快速分割定位和实时识别,为了解决快速分割,提出了将特征颜色增强的方法应用于该系统.同时为满足实时识别,采用了BP神经网络法进行分类识别.实验结果表明,在小于3个数字仪表的条件下,整个识别过程可控制在40 ms以内,正确识别率达到96%以上.

光学字符识别技术与图书馆信息资源的数字化

光学字符识别技术是自动识别技术中针对印刷体字符的一种识别技术,它可以对海量传统信息资源进行加工,存储,检索和利用,是实现图书馆信息资源数字化的先进技术和重要手段。在对传统图书馆信息资源数字化加工过程中应用光学字符识别技术,可以准确、快捷、高效地实现信息资源数字化,加快数字图书馆的建设步伐。

一种基于模板匹配的数字仪表字符识别方法

针对工业生产中数字式仪表的自动识别问题,利用图像处理技术和匹配技术,提出了一种仪表显示字符的识别方法。通过图像灰度化、直方图增强和中值滤波去噪等技术对图像进行预处理,运用相关匹配和图形模板匹配的方法对输入的字符模式进行初始分类和识别。测试结果表明,算法能够自动、快速、准确地识别出仪表的显示字符。

基于BP人工神经网络的数字字符识别

提出一种基于BP人工神经网络来识别含有噪声的数字字符的方法.通过对BP网络模型进行训练,并选择纯净和带有噪声的数字字符组成样本,借助Matlab7.0实现数字字符识别,识别率为96%,达到了设计要求.

基于BFGS拟牛顿算法的含噪数字字符识别

针对传统数字字符识别算法收敛速度慢且有可能陷入局部极小值等问题,提出了将BFGS拟牛顿算法应用于含噪数字字符识别:构造前馈型神经网络,调用Matlab神经网络工具箱中的训练函数trainbfg对网络进行训练.该算法收敛速度快、识别精度高,能够对含有一定噪声的数字字符进行识别,具有广阔的应用前景.

基于图论分析的车牌数字字符识别研究与应用

细化后的字符图像可以看作是一幅连通图，从图论的观点出发，在对车牌末尾三位数字字符图像识别中，选择闭合曲线作为其整体特征，将笔画端点所处字符图像中子区域的位置做为主要的细节特征，对车牌数字字符进行识别。试验结桌表明该方案是可行的和有效的。

一种新的车牌数字及字母字符识别方法

车牌字符识别是车牌自动识别系统的关键环节.车牌数字及字母字符识别是车牌字符识别的重要组成部分.传统的模板匹配法的缺点是在车牌图像质量退化时识别率较低.提出一种新的改进的模板匹配法.该方法定义前景匹配度、背景匹配度和整体失配度3种匹配测度进行模板匹配,匹配成功则直接获得识别结果,否则,对相似字符情形应用特征区域模板匹配法,对其他情形应用空心模板匹配法.实验结果表明,该方法对车牌字符褪色、污迹、断裂、模糊、光照不均等质量退化车牌图像具有较好的识别效果.

基于改进的BP网络数字字符识别

提出了一种基于改进的BP网络方法来实现数字字符识别.通过对BP网络的神经元的研究与学习,设计了一种结构合理,收敛速率快的BP网络.试验测试结果表明,改进的BP网络方法对印刷体数字的识别率达到了100%,对手写数字的识别率达到了98%以上.

基于启发式GA-SVM的手写数字字符识别的研究

数字字符识别技术是图像处理领域中的一个重要研究方向,并且在社会经济生活的许多方面有着越来越广泛的应用。预处理是手写数字识别中重要的一个环节,它的优劣直接关系到识别算法的性能。文中提出了一种改进后的数字字符识别处理方案。该方案首先对输入的数字字符图像进行预处理,然后使用大津法进行全局图像阈值选取,通过阈值处理将灰度图像转化为二值图像。最后利用libsvm加强工具箱和启发式遗传算法进行手写数字的识别。实验结果显示该方法提高了识别数字的准确度。

基于整体特征的快速手写体数字字符识别

通过对模拟人眼识别数字字符的过程进行研究,提出了一种基于字符整体特征(凹凸特征)的快速手写体数字字符识别方法。该方法不需要对字符图像做复杂的细化处理,减少了细化形变可能带来的误识和拒识;也不需要进行复杂的笔道特征分析,因此速度非常快,同时识别率也非常高。实验结果表明该方法具有很高的识别率。

基于笔画细化及图形化的牌照数字字符识别预处理算法

文章介绍了一种牌照数字字符识别预处理算法。该方法根据数字字符笔画的特点,进行模板细化,依据数字笔画的结构信息,构造笔画控制模板,得到图形化的单象素宽字符笔画。

一种基于证据理论的手写体数字字符识别方法

证据理论是一种适用于不确定决策问题和风险型决策问题的决策方法。它将各种从不同角度出发的意见综合起来，作用于识别框架上，得到问题的合理解。文章将其引入模式识别领域中，针对手写体数字字符识别问题，文章给出了用证据理论方法解决的具体模型和实例。这种方法对于研究和解决其它模式识别，决策问题具有较高的借鉴意义。

基于全卷积网络的数字仪表字符识别方法

检测与识别自然场景中的信息一直以来是计算机视觉中一个较难解决的任务,数字仪表字符识别就是其中较具代表性并非常具有应用价值的问题。近年来,关于该问题的相关研究工作很多,但解决方法都要依靠字符串定位、字符分割等预处理过程,这些预处理过程的结果直接影响最终的字符识别结果.相比之下,基于全卷积网络的数字仪表字符识别方法通过图到图的预测省略复杂的预处理过程,直接得到字符串的识别结果,并具有较强的泛化能力,能够识别多类仪表。同时,通过加权融合全卷积网络中多尺度多层级的特征,获得更好的特征提取和信息整合的能力。实验结果表明,该方法能够直接准确地预测出数字仪表中的字符串。

光学字符识别与标准数字化转型

标准作为经济活动和社会发展的技术支撑,是国家质量基础设施的重要组成。随着数字化技术的蓬勃发展,依赖技术人员阅读的传统纸质标准已无法适配现代数字化生产管理的转型升级。作为标准数字化发展的基础环节,机器可识别标准的转化尤为重要。本文系统梳理机器可识别标准转化阶段关键技术“光学字符识别技术”的发展情况,结合当前传统标准的典型情况,从预处理、文字区域检测及字符识别、优化处理这三部分进行技术实施路径的分析研究。最后,对光学字符识别技术的挑战及发展进行总结,以期对标准数字化转型的发展提供借鉴。

基于SGNN的数字字符识别

自生成神经网络SGNN具有自主学习能力强和计算速度快的特点,可用于识别带噪声的数字字符。首先提取数字字符的特征矢量,然后将特征矢量输入SGNN中对SGNN进行训练建立分类器,通过比较未知样本特征矢量和分类器根节点权值矢量的距离远近从而得到识别结果。实验表明这种方法有较高的识别正确率,其性能优于BP神经网络。