基于多尺度的蒙古文脱机手写识别方法

蒙古文的一大特点是字符无缝连接,因此一个蒙古文单词有多种字符划分方式。根据蒙古文这一特点,该文提出了多尺度蒙古文脱机手写识别方法,即让一个手写蒙古文单词图像对应多种目标序列,用多个目标序列同时约束训练模型,使得模型更加精准地学习手写图像的细节信息和蒙古文构词规则。该文提出了“十二字头”码、变形显现码和字素码3种字符划分方法,且拥有相互包含关系,即“十二字头”码可以分解为变形显现码、变形显现码可以进一步分解为字素码。多尺度模型首先用多层双向长短时记忆网络对序列化手写图像进行处理,之后加入第一层连接时序分类器做“十二字头”码序列的映射,然后是第二层连接时序分类器做变形显现码序列的映射,最后是第三层连接时序分类器做字素码序列的映射。用三个连接时序分类器损失函数的和作为模型的总损失函数。实验结果表明,该模型在公开的蒙古文脱机手写数据集MHW上表现出了最佳性能,在简单的最佳路径解码方式下,测试集Ⅰ上的单词识别准确率为66.22%、测试集Ⅱ上为63.97%。

Krawtchouk矩在脱机手写汉字识别中的应用

提出一种基于Krawtchouk矩的脱机手写汉字识别方法。与Zernike矩和Legendre矩等连续正交矩特征相比,Krawtchouk矩是数字域的离散正交矩,不存在数字化过程中所带来的近似误差问题,在计算过程中不需要进行坐标转换,而且构造简单,更加适合用来描述数字图像。在此将Krawtchouk矩用于手写大写金额的识别,并在隐马尔可夫模型(HMMs)框架下对其性能进行了测试。实验结果表明,Krawtchouk矩比传统的连续矩更适合用来描述数字图像,识别效果比连续矩有较显著提高。此外,还对不同参数下的Krawtchouk矩性能进行考察。

基于弹性网格和方向线素特征的脱机手写汉字识别

弹性网格和方向线素特征已广泛应用于许多手写汉字识别系统中,并认为是目前较成熟和有效的手写体汉字特征。本文将传统弹性网格特征和方向线素特征相结合然后运用BP神经网络对其进行识别。实验证明,本文特征提取方法在识别率上优于传统的弹性网格方法。

基于MQDF-DBM模型的脱机手写体汉字识别

针对脱机手写体汉字识别准确率较低的问题,提出一种基于修正的二次判别函数(Modified Quadratic Discriminant Function,MQDF)与深度玻尔兹曼机(Deep Boltzmann Machine,DBM)的分类器级联模型。该模型的主要思想是MQDF和DBM在特征提取和分类机制上可以相辅相成。先用MQDF进行识别并得出结果,同时计算该结果的一个广义置信度。若置信度满足要求,则将识别结果作为最终结果输出,否则结合DBM进行二次识别,得到最终识别结果。实验结果表明,使用MQDF-DBM模型可以获得比单独使用MQDF和DBM模型更高的识别准确率,且识别速度比DBM更快。

脱机手写数字识别技术研究

针对目前常见的脱机手写数字识别技术进行分析比较,并模拟人工智能识别字符的过程,提出一种分层识别方法。对于结构差异较大的数字字符,根据数字字符图像的统计特征进行粗略识别;然后进一步利用结构特征细致区分形状相近的数字字符。通过自制样本库进行识别测试,结果表明该方法能够有效提高识别准确率。

BP神经网络探析脱机手写汉字识别

神经网络是一种新型的信息处理模型,通过对生物神经系统的模拟,凭借自适应学习以及自动处理等功能,可达到预期目的。脱机手写汉字识别难度较大,为提高识别速度和精确度,采用了建立在反向传播法基础上的神经网络模型,对脱机手写汉字进行识别。以小字符集汉字识别为例,针对反向传播法中存在的缺陷,如收敛速度过慢,易陷入局部最小点等,对其算法进行了改进,取得了较好的效果。

基于改进BP神经网络的脱机手写文字识别

在MATLAB中构建脱机手写文字识别系统,并利用Levenberg-Marquardt算法对标准BP神经网络的阈值和权值进行优化。经过仿真实验,证明该改进方法克服了在识别过程中BP网络存在的训练时间长、收敛速度慢等缺点,并且提高了系统的识别率,是一种有效可行的BP网络改进方法。

基于人工智能的脱机手写数字识别研究综述

脱机手写数字识别技术是在光学字符识别技术的基础上,采用计算机等处理器自动对手写阿拉伯数字进行识别的一种技术。文中对国内外研究工作进行全面分析,首先介绍了基于人工智能技术的脱机手写数字识别历经的3个重要阶段:第一阶段是利用以支持向量机(SVM)为代表的传统分类器进行识别;第二阶段建立了卷积神经网络(CNN)为代表的神经网络模型;第三阶段设立了卷积神经网络和支持向量机相结合(CNN+SVM)为代表的混合分类模型。然后总结了人工智能技术在这3个阶段的优缺点,最后阐述了人工智能技术应用于脱机手写数字识别的问题和未来的发展方向。

SqueezeNet和动态网络手术的脱机手写汉字识别

传统和基于CNN的脱机手写汉字识别模型多数是为了追求更高准确率,未重视模型体积大小,模型中存在大量冗余参数,模型训练周期长并且很难在资源有限的平台上运行.针对这些问题,本文提出改进的SqueezeNet模型,保留了用小卷积核替代大卷积核的策略,采用层间的特征融合算法和L2范数约束的Softmax分类函数;然后再对参数裁剪进一步压缩,避免裁剪掉重要参数而损失过多准确率,采用动态网络手术算法来保证将误删重要参数重新拼接.并将改进后的模型与其它模型在测试集ICDAR-2013下进行对比,本文模型参数变少、训练速度快并且可移植性强,模型大小为3.2MB,在测试集ICDAR-2013中其准确率达到96.03%,对输入图预处理后再训练所得模型准确率达到96.32%.

基于一种新的组合特征的脱机手写数字识别

本文提出了一种新的组合特征。通过对方向线素特征、轮廓特征和有效行特征进行有效组合形成一组新的组合特征。该新的组合特征无需对样本进行细化等操作,减少了前期的预处理工作量,也减少了因细化变形而引起的误识,用BP人工神经网络作为分类器,实验表明效果良好。

基于GA-BP神经网络的脱机手写藏文识别方法

通过对当前流行的各种识别技术进行分析比较,在对藏文手写体特征展开深入研究的基础上,考虑到将来的研究趋势及可扩展性,提出了一套基于手写藏文识别的技术方法,即基于GA-BP神经网络的藏文识别方案,并着重对手写藏文识别中的特征提取和分类器设计进行了分析,提出了藏文识别领域今后的发展方向。

改进MobileNetV3的脱机手写汉字识别

针对目前手写识别网络训练时间长、高资源消耗等问题,本文提出了一种脱机手写汉字识别网络模型。使用轻量级网络MobileNetV3作为主干网络,以减少网络参数量;针对汉字识别分类数庞大的特点,使用多尺度卷积核,提取更丰富的特征信息;针对形近字易产生识别错误的问题,使用注意力机制进行局部、全局特征提取并融合。实验结果表明,所提模型能在保持较少参数量的情况下,使其识别准确率有所提升。

基于ROUGH集方法决策规则的全局补偿及其在手写识别中的应用

对于经典Rough集理论中某一类决策或模式识别问题,其样本空间或决策表中客观存在的任何两个样本实例体现的决策规则不可能完全相同。本文对此进行了讨论并提出了RS邻域拓展的全局补偿RS方法。基于上述方法对脱机手写识别英文字母的模板匹配算法进行了优化,说明了其有效性。

一种结合结构和统计特征的脱机数字识别方法

脱机手写数字识别归根结底是数字的图像特征匹配识别问题。为了提高识别效率,需要降低数字的特征维数;同时要提高数字识别的准确性,必须考虑手写数字的笔画结构不稳定的特点。提出了一种结合字符统计特征和结构特征的识别方法。首先,利用主分量分析法抽取数字字符图像的统计特征,通过对主分量重建模型的误差分析进行数字识别;为了进一步提高数字识别的准确度,再加入数字的宽高比结构特征进行比对识别。最后自制训练样本及测试样本库进行识别实验,实验结果表明本方法识别准确率较高。

面向手写汉字识别的残差深度可分离卷积算法

卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。

基于OpenCV的脱机手写字符识别技术

文章介绍了利用K-近邻分类器实现对手写字符的识别,并给出了OpenCV中相应库函数。本文重点介绍如何实现字符识别,对单词及整句识别有所讨论,但不作为重点。

基于正交混合Gauss模型的脱机手写数字识别

在基于统计方法的脱机手写数字识别中 ,为更加有效地描述特征的类条件概率分布 ,设计出性能优良的 Bayes分类器 ,采用了混合 Gauss模型。为减少模型的参数 ,通常假设各 Gauss分量的协方差矩阵为对角阵。由于各维特征之间统计相关 ,因此需要大量的 Gauss分量才能较好地描述特征的类条件概率分布 ,使得混合模型的阶数较高。为降低模型的阶数 ,采用了正交混合 Gauss模型 ,即先对各类别的特征分别进行 KL 变换 ,再将变换后的特征用混合 Gauss模型来表示。其中混合 Gauss模型的参数可以通过 EM算法进行估计。最后 ,在 NIST (National Institute of Standards andTechnology)

基于图像特征提取的脱机手写数字识别方法

脱机手写数字识别其本质是数字的图像特征匹配问题,所以需要进行手写数字的特征提取,为了准确识别,往往使用较高的特征维数,这就导致识别效率较低。为了提高识别效率,同时为了保持较高的识别率,提出了一种基于图像特征提取的脱机手写数字识别方法。首先利用主分量分析法抽取数字字符图像的统计特征,来降低数字的特征维数,通过对主分量重建模型的误差分析进行数字识别;然后,结合手写数字的笔画结构不稳定的特点,设计并提取数字的宽高比结构特征,进一步比对识别;最后,利用自制训练样本及测试样本库进行仿真实验,数字识别率为96%,识别准确率较高。

基于Hopfield的脱机手写数字识别理论及算法

脱机手写数字识别在很多领域具有广泛的应用前景,国内外学者对此做了大量的研究工作,提出了很多预处理和模式识别的算法,大大提高了手写数字的识别精度。为了提高手写数字识别的精度,文章将Hopfield神经网络应用于脱机手写数字识别分析中,Hopfield神经网络的"能量函数"的能量在网络运行过程中,具有不断地减少最后趋于稳定的平衡状态的特性,而且网络一旦建立即可自动运行,无需要训练。

一种手写体汉字的非线性规范化方法

手写体汉字变形问题是无约束手写体汉字识别的关键问题。规范化处理的目的是对字符图像点阵进行变换,矫正手写体汉字变形,减小同类字符之间的差异。文章提出了一种非线性规范化方法,它一方面调整了汉字的笔划分布,使笔划的分布密度趋于均匀;另一方面又调整了笔划的粗细,使笔划的宽度趋于一致。实验显示,用文章提出的方法产生的同类字符点阵的离散度小于用已有的几种非线性规范化方法产生的同类字符点阵的离散度,表明提出的非线性规范化方法,较之已有的几种非线性规范化方法更有效地减小了同类字符之间的差异。