一种有效的多字体印刷字符识别系统实现

提出了一种基于神经网络和浮动模板的多字体印刷字符识别方法。在研究大量的多字体印刷字符图像后,给出了一种有效的预处理方法,并在综合抽取宏观特征与微观特征后,送入神经网络的浮动模板法分类器进行识别。实验证明该方法具有相当高的识别率,应用前景十分广泛。     

流水线上印刷电路板的元件字符的光学识别新方法

印刷电路板的元件上的字符识别是AOI（光学自动检测）的一个重要组成部分。生产流水线环境的不理想给字符识别带来很大的困难。流水线要求字符识别方法具有快速性。本文绕过图像特征量提取这个难关，采用直接输入字符原图像的方法，利用神经网络判断字符。因为神经网络输入维数过大，给神经网络分类带来很多盲点。为了解决这个问题，本文将神经网络与标准字符骨架判断的方法结合起来，把标准字符骨架作为模板，与通过神经网络判断的图像比较，剔除与骨架相差很大的图像。本文省去了传统OCR方法的字符串分割步骤，采取边搜索边识别的方法，提高了字符识别的速度和减少因分割不当带来的误判断。     

工艺设计实例推理的神经索引模型的研究

提出了一种基于神经网络的工艺实例推理索引模型，与现存大多数实例推理系统不同，该方法用神经网络实现实例的动态分类和索引，实例层次分类的３层结构和基于特征的聚类模板概念，为实现基于符号处理的实例推理求解模式向基于向神经计算模式识别求解模式映射提供了条件。     

多字体字符识别的分级协同模型

提出了一种用于多字体字符识别的分级协同神经网络模型。该分级模型的识别由两部分组成：Haken的协同网络确定识别进入哪个协同子网;用协同子网进行具体识别。对大量实际采集得到的多字体字符样本的测试表明：新模型能有效地提高协同神经网络对多字体字符的识别率,但由于仍保留了识别速度快的特点,所以新模型适用于实时的光学字符识别应用,对加噪字符的识别试验表明该模型具有很好的鲁棒性。     

PCA+4点算法在手写体数字特征识别中的应用

提出一种改进手写字体特征的提取方法:将传统的PCA特征方法与13点特征方法进行综合,得到一种PCA+4点的特征提取算法,然后通过BP神经网络进行训练识别.实验仿真表明这种改进的方法比PCA特征提取及13点特征提取的识别率高,特别在手写变化大、手写速度快等方面优势更加明显.     

基于神经网络的PCB焊点检测方法研究

随着印刷电路板（PCB）组装技术向高密度化和“零缺陷”方向发展,市场对自动光学检测系统（AOI）的要求也向高准确率、智能化发展。针对目前AOI在焊点检测时,容易出现缺陷误报和漏报,以及智能化程度不高的情况,作者提出了一种基于神经网络（ANN）的检测方法。首先,采用了一种基于熵的多阈值自动图像分割方法;然后,定义了焊点图像的一系列特征,并通过实验对特征进行选择;最后,建立了用于进行焊点分类的BP神经网络。实验证明,基于神经网络的焊点图像检测方法具有较高的准确率。     

手写电气元件符号的识别算法

特征抽取是图形识别的关键，采用模板匹配方式搜寻特征点，抽取特征信息，进而得到可识别的图形信息，并提出了一种基于神经网络的电气元件符号识别算法。实验结果表明，这种思路是可行及有效的。     

多字体多字号印刷维吾尔文字符识别

维吾尔文字符识别研究具有很高的理论价值和广阔的应用前景。该文提出一种多字体多字号印刷维吾尔文字符识别新方法:利用预分类信息将整个字符集划分为若干子集;采取两套方案,分别将输入字符归一化为32×32和24×24的点阵;提取方向线素特征,经压缩降维后,由修正二次鉴别函数完成分类,在综合可信度基础上集成识别结果;最后,利用结构的和局部的特征进行相似字鉴别。在容量为48800字符的测试集上的识别率达到99.48%,表明该方法的有效性。     

基于CNN的中文字体图像超分辨率重构算法

提出一种针对中文字体生成图像的超分辨率字体重构方法,以提高字体图像矢量化的准确度.结合字体行业领域知识和图像处理技术将网络生成的9169个字体图像进行超分辨率重构,该方法联合优化了所有网络层,使用双三次插值将单个低分辨率字体图像放大到所需的大小,通过卷积神经网络(CNN)拟合非线性映射输出较高分辨率的字体图像.实验结果表明:提出的方法生成的字体分辨率更高,能更好辅助字体设计师进行字体设计.     

多种印刷字体藏文字符的特征提取方法研究

特征提取是文字识别中很重要的环节,传统用于特征提取的方法有模版法、变化特征法、投影直方图法和几何矩特征法等。文章简要介绍和分析了这些传统的特征提取方法及其优缺点,同时,指出了由于藏文字符的特殊性,决定了传统用于特征提取的几种方法在多字体藏文字符特征提取中效果不好的现状,并提出了一种"外围轮廓笔划特征提取法",该方法用于提出多字体的一个外围轮廓笔划的共同特征,效果较好。     

多种印刷体汉字识别的一种方法

本文提出了一种新的描述多种印刷体汉字的方法——特征链码法.使用该方法无需先对汉字图像进行细化和平滑处理,可以克服汉字图像位移、不同大小以及一些噪声的影响.实验中针对常用的一级字库约3700个仿宋体、宋体、黑体(理论上还可以扩充到二级字库6700多个印刷体汉字,字体还可以增加楷体等),以及相应的尺寸出现的变化如24×24、24×48、48×48等做了特征抽取和识别试验,实验中还对链码特征库进行了几种预分类.     

一种基于RBF神经网络的英文字符识别方法

提出了一种基于RBF神经网络的英文字符识别方法。该方法首先提取字符的结构特征和统计特征，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。使用了高斯函数作为神经网络的激励函数，并以最小二乘准则对字符进行识别。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。     

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.     

基于结构特征的汉字识别

提出一种基于文字结构特征的神经网络手写汉字识别策略 ,根据所提取的文字笔画方向、基本轮廓和交叉点等特征 ,采用基于自组织神经网络的模式聚类该方法完成正规手写文字的识别 .该方法提取的笔画轮廓十分准确有效 ,对手写汉字的约束少 ,可识别的汉字数量大 ,在仿真实验中有效地识别了绝大多数手写汉字     

径向基神经网络算法在车牌字符识别中的应用

提出一种基于径向基网络的汽车车牌字符识别算法.在预处理阶段,采用灰度化、自适应阈值分割去除图像噪声并增强图像对比度;在字符分割阶段,采用极限元素位置确定法实现独立字符分割;在字符识别阶段,利用自行构建的字符子块图像库对径向基神经网络进行训练.选取基于反向传播(BP)神经网络的字符识别算法和基于支持向量机(SVM)的字符识别算法与文中方法进行比较.实验结果表明:文中方法在识别准确率上具有明显优势,更适用于汽车车牌的字符识别.     

基于多任务学习的行人重识别特征表示方法

作为一种跨摄像头的检索任务,行人重识别会受到不同相机视角造成的图像样式变化的影响。近年来,许多算法通过神经网络直接从原始输入图片中学习相应特征,虽然这些特征能够很好地描述全局行人,但忽略了许多局部细节信息,在复杂的场景下容易出现误识别。针对此问题,研究了一种基于多任务学习的新的特征表示方法,采用成对输入的孪生网络结构,将局部最大出现特征(local maximal occurrence,LOMO)和深层特征一起送入网络并映射到单一的特征空间中进行训练,形成一种新的网络模型TDFN(traditional and deep features fusion network)。利用神经网络自我学习特性,联合多个任务的损失函数更新网络,使得深层特征学习到更多与手工局部特征互补的细节信息。实验表明,新特征的平均精度mAP和Rank-1精度都优于直接从孪生网络提取的全局描述子。     

印刷体蒙古文字识别技术中切分方法的设计与实现

文字识别是人工智能的一个重要研究领域．有些民族文字识别的成果已转化为商品化软件．蒙文文字识别的研究还处于起步阶段，蒙古文字的结构和书写方式与其他文种相比有许多特点．印刷体蒙文文字识别技术中字元切分的方法，经过实验其切分正确率在98％以上，并已成功地用于印刷体蒙文识别软件中．     

印刷体蒙古文文字识别的研究

本文重点介绍了印刷体蒙古文的结构特征、印刷体蒙古文的切分方法.特征选择种类繁多,从大量模糊特征中选择出有效特征进行分类,再对印刷体蒙古文的切分方法（行切分、字元切分）进行了详细的说明.