基于BP网络的英文字符识别

本文利用BP神经网络针对英文字符识别的问题建立模型,通过建立英文字符的图像模板,并给模板赋值形成特征矩阵,最后在MATLAB环境下应用BP神经网络对英文字符进行分类识别,在识别的同时,通过对模板进行模糊处理后再次识别,并与先前识别的结果比较来验证该模型的鲁捧性.仿真表明,该模型能够比较有效地实现英文字符识别,为英文字符识别提供了一定的参考性.     

英文字符特征提取系统

英文字符识别是模式识别的一个重要分支,具有广泛的应用领域.字符识别主要包括文档切分、单词切分、字符识别及后处理几部分.文中描述的是英文字符识别系统实现了从图像扫描到得到识别结果的全过程, 而字符特征提取是文本的重点内容.以五十二个英文字符为研究对象,具体包括了图像预处理、特征提取、建立模板、分类器设计、后处理等步骤.文章对OCR领域中应用比较广泛的网格特征、外围特征、穿越特征等特征和几种距离分类器分别进行比较分析,并进行大量的实验.实验结果表明识别准确率和识别处理时间方面具有良好性能.     

车辆牌照上英文和数字字符的结构特征分析及提取

为了研制高性能的车辆牌照自动识别系统，在详细分析车辆牌照上英文和数字字符结构特点的基础上，选择字符图象中的闭合曲线作为其整体特征，将笔画端点，三叉点和四叉点作为其细节特征，同时将笔画中的拐角点作为其辅助结构特征，三者可分别用于字符的粗分类，细分类和相似字符区分，进而提基于图论和细节点特征的闭合曲线检测算法以及基于二值图象外边缘轮廓线的笔画拐角点检测算法，将上述结构特征用于车辆牌照上英文和数字字符识别，测得识别率达96％，用PⅢ550计算机完成结构特征抽取和字符识别所用时间约20ms／字符，表明这些结构特征适用于车辆牌照上英文和数字字符的快速识别。     

基于主曲线算法的手写字符特征分析与提取

模式特征的提取与选择是提高手写体字符识别率的关键因素。主曲线是主成分分析的非线性推广,它是通过数据分布“中间”并满足“自相合”的光滑曲线,能够很好地描述数据分布的结构特征。利用软K段主曲线算法提取训练数据的特征,在分析手写体字符结构特点的基础上,选出手写体字符识别所使用的粗分类与细分类特征,利用这些分类特征对手写字符进行识别。该方法在CEDAR手写体数字和字符数据库上的实验表明：选取的分类特征能够有效区分相似的手写体字符,提高手写字符的识别率,为脱机手写字符识别研究提供了一种新的方法。     

一个感知机神经网络字符识别器的实现

针对英文印刷字体,设计并实现了一个基于感知机神经元网络的字符识别器,输入印刷字符"L"和"I",对识别器进行训练、学习,以达到识别字符的目的。通过4000组的实验数据表明,该识别器对规范印刷的英文字符能高效、准确地识别出来,程序的平均学习次数为6.95次,平均用时0.006 812 56 s,耗时在可接受范围之内,进而验证了该字符识别器在实际应用中的可行性。     

基于中心与圆周的英文字符识别方法研究

针对目前字符识别方法对旋转角度大的字符难以识别的问题，本文提出一种基于中心与圆周的英文字符识别方法（CCR），通过对字符中心和适当半径圆周上的点进行分析来识别英文字符。文章通过理论分析和实验，证明了该方法能够对任意旋转角度的英文字符进行正确识别，并给出了需要进一步研究的问题。     

基于结构特征和灰度特征的车牌字符识别方法

提出了基于结构特征和灰度像素特征的车牌字符级联识别方法。为提高车牌字符识别性能,分别在车牌二值小字符图像上提取结构特征和直接利用PCA降维后的车牌二值小字符图像的像素特征作为输入,用支持向量机(SVM)将其映射至高维空间分别进行分类,取两者中置信度高的结果作为预分类结果。当分类结果为8、B这类易混的字符时,取对应的灰度小字符图像像素值作原始特征,用PCA降维后再次用SVM进行分类,分类结果作为最后的二次分类结果。若为0、D时,则再次利用结构特征分类器做最后分类。该算法被用于台湾地区车牌的字符识别系统中,实验表明它能有效提高易混字符的识别正确率,具有很高的识别性能,应用前景广泛。     

基于量子门神经网络的车牌字符识别

针对车牌字符在车牌图象质量退化时识别率较低以及识别时间较长的问题,提出一种基于量子神经计算的车牌字符识别方法。该方法将通用量子门组作为神经网络的激活函数来实现量子神经计算,同时把字符的粗网格特征作为字符的识别特征进行车牌字符识别。实验结果表明,该方法能有效提高“带噪”车牌的识别率以及抗干扰能力。     

基于形状上下文的低质量车牌字符识别方法

车牌字符识别的问题已经被广泛研究,但是对于一些低质量字符的识别率还是有待提高,特别是形近的字符,如(4,A)。针对这一问题提出一种结合局部特征和形状上下文特征的两级识别方法。在第一级分类时(称为粗分类),将形近字符识别为一类。若粗分类结果不是形近字符,则输出识别结果;否则进入第二级分类器进行细分类。细分类使用形状上下文的方法,并结合显著特征区域的思想,针对不同类别的形近字符,运用基于显著特征区域的形状上下文方法进行特征提取,再通过图像匹配得到识别结果。实验证明这种方法能够有效地对低质量形近字符进行识别。     

基于块输入的神经网络英语字符识别研究

近几年来，人们采用各种方法试图寻找英文字符识别的有效途径．本文应用神经网络模型进行英语字符识别，将字符点阵分成若干个彼此相邻区域，实施块输入局部连接网络。实验表明，改进的神经网络识别方法能提高英语字符识别率。     

E2E-CER:一种基于端到端的对话情感识别分类模型

人机对话中的情感识别对提升人机交互效率具有重要意义.当前,人机对话系统中的情感识别主要由特征提取和回归两步完成.但是,通常这两个步骤是相互独立的,目标并不一致,难以判断提取的特征是否为合适的情感特征.再者,在特征融合方面,传统方法仅将不同模态特征简单拼接,忽略了不同模态对分类结果影响的大小.针对以上问题,本文提出了一种端到端的对话情感识别模型E2E-CER,该模型将情感识别过程整合在一个统一的系统中.此外,还引入了基于注意力机制的多模态融合方法,提高了对上下文语境的学习能力,改善了动态特征融合效果.最后基于公共数据集IEMOCAP进行情了感分类识别实验,实验结果显示,同对话情感识别基线相比,所提模型表现明显高于平均水平,表明其在情感识别上的有效性.     

偏最小二乘回归分析与特征融合在图像识别中的应用

为了更有效地进行图像识别,对同一模式的不同特征进行融合是有效途径。讨论了偏最小二乘法及其改进算法、特征融合方法在图像识别中的应用。首先讨论了偏最小二乘法的基本原理和非迭代偏最小二乘法、基于共轭正交的偏最小二乘法用于特征抽取的原理和特点,给出了三种特征融合方法,在ORL与Yale人脸库上的实验结果表明进行对用PLS抽取的特征融合后可以有效地进行图像识别。     

法庭语音比对中话者自身变化性建模方法研究

针对法庭说话人识别中待鉴定人员语音样本不足的问题,提出了一种新的对说话人自身变化性建模的替代性方法以及相应的方差控制算法。使用同条件下的参考数据库构建识别系统的多个相同说话人得分模型,代替检验需要的多个非同期的带检验人员语音样本比较时的得分模型,以获得能反映说话人自身变化性的统计模型。基于目前最新的法庭证据评估的似然比证据强度评估体系,使用MFCC（Mel Frequency Cepstral Coefficients）和GFCC（Gammatone Frequency Cepstral Coefficients）特征对该方法的有效性进行了验证,并对上述特征进行了特征级和决策级融合。实验结果表明：该方法在纯净语音环境和噪声环境下都具有很高的识别率和稳定性,并且特征级融合能进一步提高识别系统的性能。     

基于Gist和IPCA算法的多文种离线手写签名识别

由于离线手写签名图像有效的笔画部分普遍比较稀疏,存在大量的无效白色背景,目前常用的特征描述方法会使得得到的特征数据存在大量冗余,影响识别准确率。识别准确率的提高,需要依赖大量的训练数据和提取多个特征并进行融合,但这样又会因特征数据过多和维度过大而造成计算困难,影响识别效率。为此,提出了一种基于Gist和IPCA算法的多文种离线手写签名识别方法,利用Gist特征聚焦图像的整体布局和笔画部分,同时利用IPCA算法的批处理能力来提高识别效果和运行效率。使用中、英、维3种语言的实验数据集,并使用SVM分类器进行识别实验。结果显示,3个数据集上的识别准确率分别为97.97%,98.43%和97.19%,3种数据混合后的识别准确率为97.70%。经过对比分析可知,提出的方法与之前的相关方法相比明显较优。     

复杂环境下基于自适应深度神经网络的鲁棒语音识别

在连续语音识别系统中,针对复杂环境（包括说话人及环境噪声的多变性）造成训练数据与测试数据不匹配导致语音识别率低下的问题,提出一种基于自适应深度神经网络的语音识别算法。结合改进正则化自适应准则及特征空间的自适应深度神经网络提高数据匹配度;采用融合说话人身份向量i-vector及噪声感知训练克服说话人及环境噪声变化导致的问题,并改进传统深度神经网络输出层的分类函数,以保证类内紧凑、类间分离的特性。通过在TIMIT英文语音数据集和微软中文语音数据集上叠加多种背景噪声进行测试,实验结果表明,相较于目前流行的GMM-HMM和传统DNN语音声学模型,所提算法的识别词错误率分别下降了5.151%和3.113%,在一定程度上提升了模型的泛化性能和鲁棒性。     

用于人脸识别的两类主成分分析融合

分析了基于总体离散度矩阵和总类间离散度矩阵的主成分分析的原理。利用两种方法分别提取人脸特征并进行识别。对两种方法获得的结果进行了特征层融合和决策层融合,基于ORL人脸数据库的实验表明该方法的识别性能优于单一的主成分分析方法。     

子词驻留特征在电话语音确认中的应用

语速和插入删除错误是导致自动电话转接系统发生错误的重要原因。该文给出一种基于子词似然比(LLR)和子词驻留特征融合的语音确认方法减少上述错误。提出基于最小分类错误准则方法求取子词特征融合参数。电话转接系统实验结果表明,采用子词驻留特征能有效提高语音确认效果,与LLR方法相比,名称关键词的等错误率下降3.35%,数字串关键词的等错误率下降4.05%。     

基于改进特征融合的微表情识别方法

微表情的变化是非常微小的,这使得微表情的研究非常困难。微表情是不能伪造和压制的,因此也成为判断人们主观情感的重要依据。本文提出了以卷积神经网络及改进长短时记忆网络特征融合为依托的微表情识别方法,先介绍了相关的背景知识,再介绍了实验的预处理过程、特征提取以及相应的特征融合的过程,将所得的结果用于实验模型的预测分类。实验结果表明,新模型具有更好的识别率。