基于BP神经网络的手写字符识别

提出一种基于BP神经网络的手写字符的识别方法，首先建立样品库，对样品库中的样品提取特征，作为输入层的输入值,采用改进BP算法进行网络训练，不断修改权值和阈值，然后对任一输入的手写字符，运用BP神经网络进行识别,实验证明将改进的BP算法用于手写字符识别有较好的识别效果，提高了算法的收敛速度。     

基于BP神经网络的脱机手写混排字符集的识别方法

脱机手写字符自动识别是计算机光学字符识别(OCR)领域的一个活跃课题,有着十分广泛的应用前景.文中提出了基于BP神经网络的脱机手写中英文和数字混合字符集的识别方法,给出一种特征提取方法,通过实验说明如何选取网络隐含层神经元个数,以及如何选取网络连接权值的初值.对由不同人手写的中英文字符的混合字符集做识别实验,结果表明文中所设计的神经网络分类器,不仅能保证识别精度和识别速度,而且能有效的识别混合字符集.     

一种空中快速手写连续字符识别方法

为改善空中手写连续字符的识别效果,本文提出一种快速的识别方法,利用目标跟踪模型生成空中连续字符的轨迹图像,再利用连续字符识别模型识别轨迹图像。目标跟踪模型采用改进的高帧率孪生网络,连续字符识别模型采用改进的残差循环神经网络。实验结果表明,目标跟踪模型的帧率达到175.5 fps,连续字符识别模型的帧率达到30.8 fps,识别率达到91%。     

中文字符识别系统的研究与实现

为提高字符识别率,将 DAG-SVM(Directed Acyclic Graph Support Vector Machine)算法应用于字符识别, 提出了一种基于 DAG-SVM 的 OCＲ(Optical Character Ｒecognition) 中文字符识别系统,分别对图像预处理、 分割,字符识别 3 个模块进行了研究与实现。图像预处理采用图像滤波、灰度化处理、图像归正; 图像分割包 括二值化处理、横向及纵向分割; 字符识别模块对当前流行的三大类算法进行了研究,选用 DAG-SVM 作为字 符识别的算法,并基于 Matlab 进行了实现及验证。结果表明该系统 OCＲ 字符识别率达 92． 86%。     

无约束手写体支票金额汉字串识别系统

针对手写支票金额汉字串分割和识别都十分困难的特点 ,提出了一种基于隐 Markov模型的 ,分割与识别相结合的算法。该算法具有如下的突出优点 :在分割方面 ,将偏旁部首作为分割的基本单位 ,充分考虑无约束手写汉字分割的各种交叠和粘连情况 ,降低了金额汉字串分割的难度 ;在识别方面 ,通过对字符识别结果采用多选 ,利用动态规划算法来对整串字符进行识别 ,提高了汉字串的识别率。作为处理分割困难的汉字串的一种新思路 ,该方法对于其他手写字符识别问题也具有重要的借鉴意义。     

基于CUDA和深度置信网络的手写字符识别

为了应对海量的字符(手写)识别,提出了一种将统一计算设备架构(Compute Unified Device Architecture,CUDA)和深度置信网络相结合的方法进行手写字符识别。该方法结合受限玻尔兹曼机和反向传播神经网络形成深度置信网络对字符图片数据进行识别,并且使用CUDA在图形处理器(GPU)上进行并行计算来完成识别过程。实验结果表明,使用该方法后,在不降低识别精度的情况下手写字符识别的速度大幅提升。     

一种基于流形学习重建的脱机手写数字识别算法研究

本文针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,提出了一种基于流形学习重建的手写体数字识别方法。该方法与传统的流行学习识别方法不同,传统的方法是先对待识别模式进行降维,然后再对降维后的特征进行分类识别;本文提出基于重建的LLE算法（简称RLLE）。该算法首先分别对每一类字符训练样本进行LLE降维,得到每一类字符降维后的向量。然后将待识别字符分别在每一类字符中进行降维,并依据该降维后的矢量在每一类中对字符进行重建。最后选取重建误差最小的为待识别的所属的类。通过对MINST字库的一系列实验表明该算法具有较高的识别率,同时该方法为手写体数字识别的研究提供了一条有效的新途径。     

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.     

基于CNN和随机弹性形变的相似手写汉字识别

针对手写汉字中相似汉字的识别问题,构建了一种卷积神经网络(CNN)模型,并给出了其网络拓扑结构,通过随机弹性形变对样本集进行扩展,以提高模型的泛化性能.相似手写汉字的识别实验结果表明:相对于常规的CNN模型,文中CNN模型的手写汉字识别正确率提高1.66%,特别是对于变形的手写汉字,识别正确率提高12.85%;相对于传统的手写汉字识别方法,文中方法的识别错误率降低36.47%,从而验证了文中识别方法的有效性.     

基于LSTM的智能手机3D手写识别

针对传统传感器需要在特定的空间区域内才能进行人机交互,极易受到外部环境因素干扰的问题,提出一种新的基于长短时记忆神经网络(LSTM)的智能手机3D空间手写识别方法,用于非特定三维空间中实现的人机交互.首先,利用智能手机内置三轴加速度传感器,采集手部运动数据,并将采集的数据进行预处理操作,构建3D手写识别数据集;然后,基于LSTM构建3D手写识别模型,并利用构建的数据集进行训练;最后,利用训练后的模型实现智能手机的3D手写分类识别.通过在本文自建的非依赖用户数据集上进行测试,实验结果表明,该识别方法可以实现86.4%的准确率,88.1%的召回率,88.4%的精准率和88.0%的F₁分数.     

离线手写体数字笔迹重构方法

笔迹重构是从字符的静态图像中提取笔迹顺序信息,有助于将在线识别方法应用于离线识别问题,以及实现单个手写字符识别和字符序列识别方法的统一．基于笔段的笔迹重构方法中,笔迹重构实质上就是笔段的排序问题．采用基于骨骼的方法提取字符的笔段,并根据笔段结构图构建笔段关系图;将笔迹重构视为一个全局最优问题,采用总体方向变化最小路径重构书写笔迹;该问题通过搜寻最小代价Hamilton路径来解决,等同于解所构建图中的旅行售货郎问题．在手写体数字笔迹重构实例分析的基础上,对200个字符图像进行测试的正确率是93．5％．实验结果表明,该方法对于手写体数字笔迹重构是有效的．     

字符识别的置信度分析

为了能估计字符识别结果的准确性定义了分类器的置信度,提出了广义置信度的概念。证明了基于置信度（或广义置信度）的最优拒识区域选择定理。给出了置信度与识别率的关系。提出了几种常用分类器的广义置信度的估计方法和一种根据广义置信度求出置信度的算法。在理论分析的基础上指出了置信度分析的三个应用：拒识区域的选择、识别率的估计和多分类器的集成。手写数字识别和脱机手写汉字识别的实际应用验证了所提的理论和方法。     

让手写无处不在——记汉王科技股份有限公司研发部总经理钮兴昱

钮兴昱现任汉王科技股份有限公司研发部总经理,副研究员。主要研究方向是基于多平台多语种的手写识别和手写应用技术的研究与开发,负责参与的“汉王形变连笔的联机手写汉字识别方法与系统”项目,多次获得国家、各部委、市级的表彰和奖励。     

基于改进卷积神经网络及SVM的手写数字识别方法

手写数字识别在数据的自动读取、银行支票识别、邮政编码自动识别等领域有重要的实际应用价值.为了提高手写数字识别的准确率,提出一种将卷积神经网络与批量归一化(BN)网络结合来提取手写数字图片特征、并用支持向量机(SVM)进行分类的手写数字识别方法.经实验验证,所提出的手写数字识别方法准确率达到99.6％,相比于Vgg-16、Xception等改进卷积网络的识别准确率有较大的提高.     

藏文联机手写识别的难点及其解决方法

通过分析各种联机手写识别方法(统计模式识别方法、结构模式识别方法、结构和统计模式识别方法) 以及藏文自身的特点,总结出藏文联机手写识别的方法.     

人工智能之图像识别

正图像识别是计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术,实现了图像信息到文本信息的转换,是现代计算机技术发展中极为重要的一步。识别过程包括图像预处理、图像分割、特征提取和判断匹配,让计算机像人一样读懂图片的内容,有视频内容识别、光学字符识别(OCR)等细分领域,在图片自动归类整理、图像优化、字符识别、人脸识别及视频监控安防等领域都有着不少应用。传统的识别方法主要基于统计学,其主要依靠     

基于双向LSTM的手写文字识别技术研究

手写文字识别是计算机视觉、自然语言处理领域中的重要问题和研究热点.本文针对手写文字识别问题,提出一种基于双向LSTM网络的手写文字识别方法.首先根据数据集特点进行归一化等预处理;然后使用CNN网络对图像的特征进行提取;接着通过双向LSTM网络来记忆手写文字序列的字句关系,并对文字序列进行预测;最后使用CTC-Loss作为损失函数,可以让整句标注的训练集在上述网络下收敛.对比实验表明本文提出的算法模型的有效性.     

手写数字的综合智能识别

研究手写数字多种智能识别方法的逻辑组合和加权统计综合模型．应用综合模型对多种智能识别系统进行综合,提高了手写数字识别的可靠率．     

手写汉字识别系统的研究与应用

本文在研究汉字识别理论的基础上,介绍了手写汉字识别系统研究的意义及其在实际中的应用,并对当前手写汉字识别的现状及存在的问题进行了分析,提出了限定性脱机手写汉字识别的研究方向,以供研究参考。     

利用小波和RBF神经网络进行手写数字识别

提出一种基于小波和RBF神经网络的手写数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用RBF神经网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有很好的效果.