网格特征在车牌识别中的应用

针对汽车牌照识别,在特征提取方面,采用兼有统计特征和结构特征优势的粗网格特征,并且针对易混淆字符提出一种具有针对性、区分性较强的小波细网格特征加以补充,最后采用集成分类器进行识别,实验结果验证了本文方法的有效性。

一种基于低维特征的高精度手写数字识别算法

提出了数字字符的轮廓骨架特征,并将这一特征与粗网格特征相结合对脱机手写体数字进行识别。获取特征向量后,利用改进的基于两级级联结构的AdaBoost神经网络进行逐层淘汰识别。第一级首先使用基于粗网格特征的分类器进行粗分类,淘汰大部分负样本,而使几乎所有的正样本通过。第二级由基于轮廓骨架特征的分类器对通过第一级的样本进一步淘汰识别。仿真结果表明,该办法在识别速度与识别率方面都有较大幅度的改进。

基于图像特征和Hopfield的手写体数字识别

基于粗网格特征提取再和Hopfield神经网络相结合的识别方法:首先用粗网格提取特征向量组,再将向量组分为8个分向量,然后再作为Hopfield的输入向量,进行识别,经过对样本的仿真、测试,有着良好的识别效果。

基于SVM的手写体阿拉伯数字识别

支持向量机(SVM)是近年来在统计学习理论的基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中,表现出许多特有的优势。介绍了在提取穿越次数特征、粗网格特征以及密度特征提取的基础上,应用SVM进行手写体阿拉伯数字识别的方法。