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。     

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。     

一种基于特征的BP神经网络车牌字符识别

字符识别是自动车牌识别系统中很关键的一步.字符识别有以下几步,首先,对车牌图像进行预处理.其次,通过竖直方向投影分割字符.最后,将提取的字符特征输入网络进行训练.在实验中,利用该方法对光照不均、字符大小不一、运动背景的图像,特别是相似字符的识别获得了较高的识别率,并且将其与字符输入BP神经网络进行对比分析.实验结果表明,该方法对字符识别有很好的鲁棒性、有效性.     

一种基于BP神经网络的车牌字符识别方法

就机动车牌照的字符识别与处理进行了详细的讨论,重点讨论了BP神经网络方法在机动车牌照字符识别中的应用,用Visual C++完成了对机动车牌照字符识别的模拟,最后给出实验结果。     

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。     

一种模板匹配和神经网络的车牌字符识别方法

提出了一种基于模板匹配和神经网络的车牌识别方法。该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的优势,可有效地提高车牌字符的识别率、识别速度和识别系统的泛化能力。实验结果表明：大多数情况下,该方法的识别率超过90%,识别时间不超过1200ms,能有效地识别各种车牌中的字符,满足实际系统的要求。     

一种改进模板匹配的车牌字符识别方法

提出了一种改进模板匹配的车牌字符识别方法。详细介绍了车牌字符识别的过程,主要包括模板的建立,基于弹性网格的字符特征提取,模板匹配的步骤及改进方法。运用该方法不仅可减少计算量,而且提高了实时性。实验结果表明,提出的方法具有效率高、精确度好等特点,识别率可以达到90%以上。     

融合多尺度特征的小样本字体生成

通过模型MS-Font设计一种多尺度生成器（multiscale generator,MG）,用于提取文字不同尺度结构信息特征,并将浅层信息和深层信息进行多尺度特征融合,构建不同尺度特征图之间的联系,以增强字体内容与风格信息的有效表达,提高生成网络的字体重构能力。在给定数据集上进行大量实验,结果表明模型MS-Font结果均优于对比算法,在FUNIT模型基础上,LPIPS提高0.007,SSIM提高0.12,ACC(S)提升5.2,ACC(C)提升4.0,验证了提出模型MS-Font的有效性。     

一种基于BP神经网络的车牌字符识别方法

根据字符的不同统计特征设计了不同的特征提取方法和分类器。实验表明，本文提出的字符识别方法，对车牌字符识别具有一定的识别率。     

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。     

手写字符识别方法的研究

介绍了现有几种识别方法的优缺点，并提出了一种新的识别方法——基于特征编码的多级分类识别法，经对字符的识别实验证明这种方法简单易行，快速有效。     

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     

基于多群体遗传算法的汉字识别系统设计

文章设计了一种基于粗糙集理论的手写体汉字识别决策系统,依据并行遗传算法在处理大型数据库上的特有优势,将信息熵理论作为粗糙集不确定性的度量,给出一种约简冗余条件属性求解决策信息系统约简集的多群体并行遗传算法;并提出了一种基于规则置信度的手写体汉字识别规则融合算法,提高识别准确率,对SCUT_IRAC手写体汉字库中手写体汉字进行识别实验,结果证明,该系统具有较强的手写体汉字识别能力。     

一种新的手写体字符识别算法

研究模式识别的核心问题——特征抽取．基于偏最小二乘（Partial Least Squares,简称PLS）回归和特征融合的思想,提出了一种组合特征抽取的新方法并将之用于手写体字符识别中．在PLS建模阶段,为了提高PLS成分（特征）的抽取速度,提出了一种非迭代PLS算法．在特征融合阶段,用所抽取的PLS成分特征组成模式的相关特征矩阵,并依此相关特征矩阵进行分类．在Concordia University CENPARMI手写体阿拉伯数字数据库上的试验结果证实了该方法的有效性和鲁棒性,其分类结果优于基于单一特征的FSLDA方法的分类结果．另外,与已有的迭代PLS算法相比,所提出的非迭代PLS算法的复杂度和特征抽取的速度均占有优势．     

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BP神经网络的车牌识别系统

车牌识别系统是智能交通领域的重要组成部分,在现代交通管理中的作用举足轻重。基于VC++6.0进行实验,针对中国的车牌进行研究,用BP神经网络来实现车牌识别。车牌识别分为图像预处理、车牌定位、字符分割和字符识别四个步骤。利用车牌的先验知识进行定位,引进双阈值进行字符分割,利用13段特征提取法提取特征向量,实验表明该识别算法行之有效。     

基于改进的BP神经网络下的字符识别

我国字符一般由汉字、英文字母以及阿拉伯数字组成,字符图片的类型众多给字符的识别带来了很多困难.参照目前现有人工智能算法的优点,结合了字符特征提取方法设计了一个改进的BP神经网络对归一化后的三类字符进行识别,取得了预期效果.