手写体数字的识别

本文针对煤气储存罐体上高度的手写数字,由图象传感器获取十个数字手写体的图象信号进行数字识别,依据手写体字符“有效行”的特征提取,提出了并列的双BP神经网络的识别方法,对手写体数字的识别获得了较好的辨识效果。     

根据轮廓特征识别手写体字符的方法

本文讨论一种根据字符轮廓所提取的结构特征进行识别的方法,它的主要特点是：１．通过单次扫描二值化图象即可有效地完成边缘平滑,轮廓提取和孔洞的简单测量（如区域和最小包围矩形等）;２．通过轮廓边缘点的角度／斜率变化和左右边界的极值点提取轮廓的结构特征;３．通过对大字符集的学习,可不断修改,完善算法,以适应不同类型字符的识别。     

高质量手写体字符识别的一种新型结构

本文提出一种新型的手写体字符统计分类结构，它基于规范的预处理和三种特征类型，并包含有关象素位置，轮廓方向和弯曲点的几何信息。两个特征矢量同时作为多层感知基分类器的输入，形成并行操作的三种简单分类器。     

一种新的识别手写体邮政编码方法的研究

本文从识别邮政编码出发，对一种快速，实用的手写体数字识别方法作了研究，该方法不需作图象规格化处理，在提取轮廓的同时并行去除噪声，文中还提出了一种基于质心位置非均匀分块的归一化方法矢量特征，根据内孔个数的不同分别采用直接判断法和量近邻区配法，对单内孔和无内孔字样则根据其外轮廓线折线化的特征进行后处理确认，以进一步降低差错率。     

基于表格的手写体字符识别技术研究

在分析了目前光学字符识别技术发展及发应用的基础上，给出一种基于表格的手写体字符识别解决方案，该方案包括图图像预处理，特征提取和分类器等三个关键的处理过程，然后，重点研究了利用神经网络构建分类器的技术和神经网络应用的两个阶段。     

基于多分类器组合的手写体数字识别

本文提出了一个基于多分类器组合的手写体数字识别方法。文中首先给出了一个客观评价分类器性能的参数,其后基于此参数提出了多分类器的组合方法,并从理论上研究了此方法的一些性质,本文实验采用Ｃｏｎｃｏｒｔｄｉａ大学模式识别与机器智能中心的手写体数字数据库,在实验中,使用了９个利用不同特征分类器进行组合,组合后识别率、拒识率和可靠性分别可达到９７．０５％,２．０５％,９９．０８％。     

基于反馈的手写体字符识别方法的研究

该文提出了一种基于反馈的手写体字符识别方法。该方法将人工神经网络结构及学习算法运用于系统反馈机制中，并从理论上证明了该学习方法是收敛的，保证了算法的有效性。同时给出了反馈的可视化约束及反馈的判别准则。试验结果证明了该方法大大降低了高噪音手写体数字的识别率。该方法指出了一条进一步提高手写体字符系统性能的新途径。     

一种基于理论的手写体数字增强识别分割算法

本文提出了一种基于理论的分割算法,用于银行支票上小写金额的增强识别,这个算法运用多重前后关系的提示来增强分割和识别。系统描述了从手写体数字中提取内容和运用一种建立在确定有限的自动装置上的句法分析器,它可以提供足够的反馈来增强识别,且由一个简易的大写金额解码器提供进一步的反馈信息。这个解码器决定了字符的个数,并识别出一些关键字（例如,千和百）。在美元金额部分提供了附加的语义上的限制。所提出的分割分析     

手写体数字识别技术的研究

简要介绍了手写体数字识别的几类主要方法,并介绍了作者利用直接逻辑法识别手写体数字的实验方案和结果。结果表明,利用本方案字符特征易于提取,识别算法灵活、简炼,对水平笔道上的断笔有自适应效果,且识别率高。     

基于笔划特征的手写体汉字字符识别

本文提出了一种利用笔划提取骨架结构特征的手写体汉字字符识别方法。首先,以二进制字符模式的直线长度来决定笔划的方向,根据其方向和它们相互关系,将笔划分为笔划段和分叉段,然后提取笔划的骨架,亦称之为骨架段,在提取了所有的轮廓段后,对分叉段进行处理,找到分叉点和分叉角。轮廓段和分叉段在分叉点处相连,这样所有相连的骨架段构成了字符的骨架,根据提取的轮廓和分叉点,我们可以得到用于识别的基本笔划和笔划方向图。     

基于形态结构特下的多位粘连手写体数字串的分割

本文提出了一种采用形态结构特征分割多位粘连手写体数字串的新方法。粘连数字串的预处理对平滑、线性化以及图象轮廓点的检测具有良好的作用。基于对数字串形态结构的分析,左边二位数字区域需要检测。本文法将多位数字串的分割变成几个二位数字的处理过程。当粘连区域仅存在一个数字时,该处理过程停止。我们采用来自美国国家科学技术研究所（NIST）数据库的图象样本对本文提出的方法进行了试验,结果证明,该方法是有效的。     

一种基于骨架特征和神经网络的手写体字符识别技术

对英文字符集的识别问题,提出了一种依据细化后的字符骨架特征进行分类,并对每一类别的字符各自建立神经网络进行训练和识别的方案。在二值图象理论的基础上,通过对字符轮廓特征的分析,提出了一种对英文字符集的分类方案,同时提出了一种快速有效的骨架链码形成和特征提取算法。     

基于外接同心圆结构特征的自由手写体数字神经网络识别方法

本文提出了一种基于外接同心圆结构提取贯穿特征码的自由手写体数字的神经网络识别。该方法是用自由手写体数字的外接同心圆来提取其贯穿持征码，将获得的模式特征训练改进的ＢＰ神经网络分类器，从而达到快速分类的目的。将其应用于邮政编码识别系统，单字的识别率达到９７％以上，整信的识别率可达到９２％以上，得到了令人满意的结果。     

自由手写体数字表格自动识别录入系统的研制

介绍了自由手写体数字表格自动识别录入系统的研制情况及该系统的组成结构和相关技术。     

用于神经网络手写体字符识别的自适应归一化处理方法

传统的字符归一化方法只是对字符的大小进行改变,它与字符类别无关,也无法对字符的旋转、扭曲等变形进行矫正.本文采用一种与字符类别相关的自适应归一化方法--全局仿射变换,用于神经网络手写体字符识别中,利用已知类别的参考模板对输入字符进行全局归一化,同时对字符的旋转、扭曲等变形进行校正,归一化准则定义为参考模板与输入模板间的最近邻距离,并采用对权值的迭代算法得到最优的匹配模板.采用不同神经网络识别系统对该方法验证,表明该方法可使系统识别率得到较明显提高.     

基于BP神经网络的多样本手写体字符识别

手写体字符识别是人机交互领域的一个重要内容,本文基于BP神经网络实现了任意数量字符模版的多字符手写体字符识别。分为以下几步,第一,首先对目标图像进行识别前预处理。包括灰度图像二值化、图像孤立像素滤波、图像膨胀、腐蚀、按字母最小行分割、按字母最小列分割、图像紧缩、归一化等;第二,用处理好的多个样本进行BP神经网络训练。包括BP网络参数的选择、目标结果构建、输入到结果的映射即用样本库进行神经网络学习机的训练;第三,待测字母的识别。包括对图像预处理、字符提取、归一化和送入已训练好的BP网络进行识别。该系统最终实现了95%以上的手写字符识别正确率,有一定的借鉴意义。     

手写体字符识别的多特征多分类器设计

特征选取和分类器设计是字符识别系统设计的关键。文章针对手写体汉字和阿拉伯数字混和字符集的识别提出了依据不同的分类要求,分别选取不同的字符特征并采用神经网络多分类器进行识别的设计方法。实验结果表明,该方法用于手写体混合字符集的识别是行之有效的。