基于支持向量机的手写体数字识别系统设计

数字识别是光学字符识别技术里发展比较早的一种技术,是OCR的一个分支。数字识别又分为手写数字识别和非手写数字识别,提到的手写数字识别是指脱机手写数字识别。支持向量机是近几年来模式识别领域中的一个新技术,它被广泛应用到文字识别、人脸识别等应用中,是模式识别领域中的研究热点,把支持向量机技术应用到手写数字识别系统中,以期提高识别系统的性能。     

用于脱机手写数字识别的隐马尔可夫模型

将隐马尔可夫模型(HMM)用于脱机手写数字识别中，系统如何建模是一个值得研究的问题．在考虑手写数字自身特点及特征抽取的基础上，对HMM模型的训练方法及模型参数的选取进行了研究，以提高系统识别率．在银行票据OCR的应用中，与基于神经网络的方法结合使用，使得整张票据的拒识率降低了3％，明显提高了银行票据OCR系统的性能．     

基于卷积神经网络的手写数字识别方法研究

手写数字识别是电子光学字符识别技术的一个分支,如何利用电子计算机自动识别手写在纸张上的阿拉伯数字是较困难的。因此,文章分析了数字识别系统。先对图像进行预处理,再提取数字特征,最后设计卷积神经网络,同时训练和测试所输入的样本。结果表明,全部检测样品的均值识别准确率为71%,具有良好的识别效果。     

卷积深度神经网络的手写汉字识别系统

针对传统两级手写汉字识别系统中手写汉字识别的特征提取方法的限制问题,提出了一种采用卷积神经网对相似汉字自动学习有效特征进行识别的系统方法。该方法采用来自手写云平台上的大数据来训练模型,基于频度统计生成相似子集,进一步提高识别率。实验表明,相对于传统的基于梯度特征的支持向量机和最近邻分类器方法,该方法的识别率有一定的提高。     

基于CNN图像识别与语义可靠性的路径搜索方法

光学字符识别技术可有效提高票据应用中票据信息录入的工作效率。针对票据的复杂背景与不规范手写字符降低票据识别准确率的问题,结合卷积神经网络图像识别与语义可靠性,提出一种可靠性优先的路径搜索方法,以降低模糊字符对搜索路径的干扰。利用基于公司名结构特点的前后缀推断策略,有效解决公司名前后缀识别错误问题。采用结巴中文分词与字符位置信息检查识别结果中的错误,并将长短期记忆语言模型与在传统字形相似度基础上引入的汉字部件相似度相结合进行纠错。实验结果表明,通过将纠错策略与该方法相结合可有效提高公司名识别准确率至93.08%。     

基于支持向量机的手写体相似字识别

本文提出对手写相似汉字进行识别的支持向量机方法。该方法与人工神经网络一样适用于小规模分类,但由于支持向量机依据结构风险最小化原则,因此泛化能力更强。并且,由于支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解。本文用支持向量机算法对三组手写相似汉字进行了识别,取得了较好的结果。     

基于CNN与有限状态自动机的手写体大写金额识别

手写票据识别是模式识别中的研究难点之一,手写体风格多样、票据背景复杂等原因导致手写票据识别的准确率不高。大写金额作为票据中最重要的部分,对其进行准确识别是手写票据自动识别的关键。对基于分割的手写体大写金额识别及处理问题进行研究,提出一种基于卷积神经网络（CNN）与有限状态自动机的手写体大写金额识别方法。在利用过分割和组合过分割项得到单字符后使用CNN对其进行识别。通过对字符进行分类、定义各类字符之间的逻辑关系构造用于语法检查的有限状态自动机,通过语法自动机在识别结果中选择符合语法规则的字符串,并在路径搜索中利用语法自动机优化搜索性能。在此基础上,运用语法自动机对模糊字符进行预测,以纠正CNN的识别错误。实验结果表明,该方法在对大写金额单字符和文本行进行识别时准确率分别高达98.2%与96.6%。     

用于手写数字识别的改进模糊支持向量机

针对训练样本在训练过程中的不同作用和支持向量机在推广到多类问题时存在不可分区域,可构造两类模糊支持向量机,其分别克服了过学习问题和减少了不可分区域.构造两类问题和多类问题综合的改进模糊支持向量机并用于手写数字识别,训练时,其利用数据与其类中心的相对距离定义隶属函数,测试时,利用S.Abe定义的隶属函数判别其类别,实验结果表明,该学习机具有比传统支持向量机和模糊支持向量机更高的精度.     

SVM多值分类器在脱机手写体相似汉字识别中的应用

相似字的普遍存在是影响脱机手写体汉字识别率低的主要原因之一。论文研究了支持向量机(SVM)多值分类器在手写相似汉字识别中的应用,所提出的方法采用了小波弹性网格技术提取汉字的特征,通过实验比较了三种不同的SVM分类器组合策略的分类效果。     

支持向量机在小字符集识别中的应用

支持向量机（SVM）是由Vapnik等人提出的一类新型机器学习方法,此方法利用较少的训练样本就可以达到比较理想的识别效果。本文应用SVM对手写数字字符集进行识别,结果表明了该方法在小字符集脱机手写体识别中的实用性。     

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。     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法,突破了传统模式识别方法的局限,使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块,实验结果表明该系统具有较高的识别率和较强的实用性。     

Discrimination of similar handwritten numerals based on invariant curvature features

This paper studies the discrimination of similar handwritten numerals based on invariant curvature features. High-order B-splines are used to calculate the curvature of the contours of handwritten numerals. The concept of a distribution center is introduced so that a one-dimensional periodic signal can be normalized as shift invariant. Consequently, the curvature of the contour of a character becomes rotation invariant. To reduce the dimension of the features, wavelet basis decomposition is used to produce more compact features. Finally, artificial neural network (ANN) and support vector machines (SVM) are employed to train the features and design classifiers of high recognition rates.     

基于支持向量机的车辆牌照识别的研究

将支持向量机（SVM）引入到复杂条件下运动车辆牌照字符的识别中。回顾了车牌识别研究的现状,简要介绍了SVM的基本原理,比较了SVM算法和神经网络算法在车牌字符识别上的优劣;提出了采用基于先验知识的二叉树结构组合多个二值分类支持向量机来解决车牌字符的多类识别问题。在实验中采用了LibSVM训练软件,针对车牌汉字的小字符集进行了仿真,同时与神经网络分类方法进行了比较。实验结果表明该方法的汉字识别率较高,在小字符集车牌汉字识别中具有较强的实用性。     

A SVM-based cursive character recognizer

This paper presents a cursive character recognizer, a crucial module in any cursive word recognition system based on a segmentation and recognition approach. The character classification is achieved by using support vector machines(SVMs) and a neural gas. The neural gas is used to verify whether lower and upper case version of a certain letter can be joined in a single class or not. Once this is done for every letter, the character recognition is performed by SVMs. A database of 57 293 characters was used to train and test the cursive character recognizer. SVMs compare notably better, in terms of recognition rates, with popular neural classifiers, such as learning vector quantization and multi-layer-perceptron. SVM recognition rate is among the highest presented in the literature for cursive character recognition.     

基于支撑向量机的支票手写体数字识别系统

该文提出了一种基于支撑向量机的支票手写体数字识别系统。支撑向量机方法,由于建立在结构风险最小化的基础上,而不仅仅使经验风险达到最小,从而突破了传统模式识别方法的局限,使得基于支撑向量机的分类器具有较好的推广能力。文中重点阐述了支撑向量机的基本原理和集成在该系统中的重要的处理模块,实验结果表明该系统具有较高的识别率和较强的实用性。     

基于SVM和Adaboost解决实时流量识别问题

摘要针对当前实时流量识别技术上的不足,本文基于支持向量机算法（SVM）和Adaboost算法,提出了一种实时流量识别算法。这种方法将SVM算法使用在Adaboost算法框架中,通过Adaboost算法来提高SVM算法的对流量样本学习能力,改善了SVM算法在实时流量识别中的准确率,从而改善识别器的性能。仿真实验证明,通过设定算法的迭代次数,这种方法的实时流量识别准确率能够达到85％以上。     

一种改进的PRSVM语种识别方法

传统的PRSVM方法存在以下问题:音素识别器的符号化结果与原语音存在不一致;向量空间维数高,稀疏.针对以上问题,先改用更适合噪声环境下连续电话语音的音素识别器,并采用词图结构改善解码效果,再分别用全局和局部两种隐含语义分析策略改进区分性训练问题.实验表明,本方法不但有效,而且大大减少了运算量.在NIST2007语种识别评测30秒、10秒和3秒任务中,本方法比基线系统性能有显著提高,等错误率分别相对降低了22.3%、14.7%和12.2%.     

Handwritten Bangla numeral recognition system and its application to postal automation

A recognition system for handwritten Bangla numerals and its application to automatic letter sorting machine for Bangladesh Post is presented. The system consists of preprocessing, feature extraction, recognition and integration. Based on the theories of principal component analysis (PCA), two novel approaches are proposed for recognizing handwritten Bangla numerals. One is the image reconstruction recognition approach, and the other is the direction feature extraction approach combined with PCA and SVM. By examining the handwritten Bangla numeral data captured from real Bangladesh letters, the experimental results show that our proposed approaches are effective. To meet performance requirements of automatic letter sorting machine, we integrate the results of the two proposed approaches with one conventional PCA approach. It has been found that the recognition result achieved by the integrated system is more reliable than that by one method alone. The average recognition rate, error rate and reliability achieved by the integrated system are 95.05%, 0.93% and 99.03%, respectively. Experiments demonstrate that the integrated system also meets speed requirement.     

A novel hybrid CNN–SVM classifier for recognizing handwritten digits

This paper presents a hybrid model of integrating the synergy of two superior classifiers: Convolutional Neural Network (CNN) and Support Vector Machine (SVM), which have proven results in recognizing different types of patterns. In this model, CNN works as a trainable feature extractor and SVM performs as a recognizer. This hybrid model automatically extracts features from the raw images and generates the predictions. Experiments have been conducted on the well-known MNIST digit database. Comparisons with other studies on the same database indicate that this fusion has achieved better results: a recognition rate of 99.81% without rejection, and a recognition rate of 94.40% with 5.60% rejection. These performances have been analyzed with reference to those by human subjects.