基于SVM混合网络的车牌字符识别研究

本文提出了一种基于SVM混合网络的车牌字符识别方法。首先根据国内车牌字符的排列特点依次构造汉字识别子网、英文识别子网、英文与数字识别子网以及数字识别子网。然后针对英文字符和阿拉伯数字的字体结构具有连通性这一特点．采用形态学方法进行滤波处理．以减少噪声干扰。预处理后提取字符的小波包系数和矩做为特征量，最后在各个识别子网中采用SVM识别方法对车牌中的汉字、英文字符以及阿拉伯数字进行了识别。实验结果表明，该方法效果良好。     

基于支持向量机的车牌字符识别研究与应用

提出了一种基于支持向量机的车牌字符识别方法。该方法首先对车牌图像进行预处理,对车牌字符样本进行特征提取,然后用提取的特征训练支持向量机分类器。使用MATLAB R2007b和UBSVM工具箱完成了车牌字符识别的模拟。实验结果表明,该方法对车牌字符识别有一定准确性。具有良好的识别效果。     

基于字符特征与支持向量机的车牌字符识别

首先,对车牌图像进行预处理,针对不同的字符样本采用不同特征提取方法;然后,用提取的特征训练SVM分类器。结果表明,在训练样本较少的情况下,该系统具有较高的识别率和识别速度,并具有很好的分类推广能力。     

基于K-L变换和LS-SVM的车牌字符识别新方法

针对车牌识别中识别率和识别速度难以同时提高这一难点.本文提出一种K?L变换和最小二乘支持向量机相结合的车牌字符识别新方法.首先使用K-L变换对预处理后的车牌字符图像进行特征降维;然后根据车牌字符的排列特征采用聚类分析中类距离思想.设计四组最佳二叉树的最小二乘支持向量机子分类器来分别实现字母、数字和汉字的识别.实验结果表明,该方法所设计的分类器较好的解决了传统多类算法中存在的不可分区域情况,具有较高的识另q率和识别速度及分类推广能力.     

基于Trace变换和支持向量机的车牌字符识别新方法

为了提高车牌上的字符识别准确率,提出一种结合Trace变换和支撑矢量机（SVM）的字符识别方法.在字符识别方面,以Trace变换方法提取字符特征,并运用支持向量机对字符进行模式分类.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

基于灰狼优化算法的车牌字符识别研究

为了提高车牌字符识别的准确率和模型的泛化能力,提出一种基于字符特征向量和灰狼优化算法的字符识别方法。该方法通过提取车牌字符的特征向量建立非线性支持向量机模型,利用灰狼优化算法对支持向量机参数寻优,并基于寻优参数建立识别模型。经过实验对比,该方法相比其他优化算法寻优时间更短且识别准确率更高。     

基于SVM的车牌自动识别系统

为了解决识别率和识别速度同时提高的难点.将支持向量机(SVM)算法应用于车牌字符识别.通过与无字符特征提取的BP神经网络相比较,在小样本的情况下,该方法的识别率远优于神经网络,可很好地解决神经网络方法中收敛速度慢、易陷入局部极小的问题.实验结果表明:在训练样本较少且无字符特征提取的情况下,此系统具有较高的识别率和识别速度,并具有很好的分类推广能力.     

ICA和改进的SVM在有限集字符识别中的应用

介绍了独立分量分析(ICA)基本原理和算法,提出了一种基于独立分量分析和支持向量机的有限集字符识别新方法。对传统向量机解决多分类问题的“一对一”模式进行了改进,将传统向量机的“一对一”模式存在的不可分区域减小到可以忽略的程度,克服了不可分区域的影响。该算法可应用于车牌字符、手写体英文字母、手写体数字、印刷体字母、印刷体数字等有限集字符的识别。在大量的车牌汉字和手写体英文字母自动识别实验中,取得了高于95%的识别结果,证明该算法在有限集字符识别应用中的优越性。     

用矩特征进行光字符识别的一种新方法

模式识别是信息科学及其应用中的一个非常活跃的领域,各种特征提取及识别方法是层出不穷。本文在分析已有特征提取技术的弊端的基础上,提出用规格化后的中心矩作为特征向量的新技术,并将其应用于光字符识别中。规格化后的中心矩具有平移不变性和伸缩不变性,因而提高了识别率。在本光字符识别系统中,给出了矩特征向量的选取方法并确定了分类策略。实验表明,当使用8或10行字符的特征向量进行判别时,可得到超过95％的识别率。     

SVM多类分类器在车牌字符识别中的应用

为解决普通支持向量机多类分类器对车牌字符识别准确率低、速度慢等问题,研究了基于支持向量机二叉分类树的车牌字符识别算法。根据车牌字符的结构特征提出了利于字符分类的粗像素特征提取方案,并对字符进行相应的特征提取,通过KL变换对生成的特征向量进行降维处理以提高字符识别速度,最后利用Fisher判别准则构造支持向量机二叉分类树,保证每类字符均具有最大可分离性,提高了字符识别率。对车牌字符集进行了识别测试,实验结果表明了该算法的可行性和有效性。     

基于小波变换和分形维数的车牌汉字识别

提出一种基于小波变换与分形维数的车牌汉字识别方法.对字符图像进行预处理和小波变换,应用改进的微分盒维法计算图像分形盒维值,并构造特征向量,利用支持向量机分类器对字符进行分类与识别.实验结果表明,该方法对模糊字符的识别具有鲁棒性,可提高汉字识别率.     

支持向量机在车牌字符识别中的应用

支持向量机(SVM)是由Vapnik等人提出的一类新型机器学习方法。该文在字符特征提取基础上，应用SVM算法对车牌中的英文字符进行识别，克服了一般的SVM算法识别数字位图时缺乏对相邻空间像素相关性考虑的不足，在满足实时性的条件下获得高识别率。通过与基于字符特征的BP网络识别方案相比较表明，该方案性能远优于神经网络的性能，可很好地解决神经网络方法中无法避免的局部极值问题。实验讨论了在应用SVM算法对字符进行识别时，核函数K和惩罚因子C的选择对识别率的影响问题。     

基于支持向量机的传真收件人识别方法

在字符特征提取基础上,文章提出了应用支持向量机对传真收件人进行识别的方案,解决了传真收件人格式、表示方法多样性而导致的自动分发困难的问题。文中对四种常用的核函数分别进行了实验,选取了对传真收件人具有较高识别率的核函数,它有利于实现传真文件的自动分发。     

基于Contourlet变换与SVM的掌纹识别

提出一种基于轮廓波(Contourlet)变换与支持向量机(SVM)的掌纹识别算法。基于积分光密度与中心矩,对掌纹图像进行光照、位置与方向的归一化,提取Contourlet变换高频子带的一阶统计特征,形成掌纹特征,利用SVM进行分类与识别。实验结果表明,与基于统计特征的掌纹识别方法相比,该算法的识别率较高。     

一种基于SVM的车牌汉字的有效识别方法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法,此方法能够在训练样本很少的情况下达到很好的分类推广能力。文章应用SVM算法对车牌中的汉字字符进行识别,在无字符特征提取的情况下可得到较高的识别率和识别速度。通过与无字符特征提取的BP网络识别系统比较表明,在小样本的情况下,该方法的识别率远优于神经网络,并避免了神经网络的局部极值等的问题。     

基于边缘与SVM的车牌自动定位与提取

提出了一种将边缘与SVM相结合的车牌定位与提取的方法。首先根据字符的边界特征进行粗筛选,获得几个车牌候选区;然后使用SVM分类器进行字符与非字符分类;最后根据车牌特征实现定位与提取。实验表明,该方法取得了良好的效果。     

基于选择性集成SVM的数据类型识别

提出基于选择性集成支持向量机的语音、话带数据信号分类方法,根据集成算法的差异性定义,采用两层级联结构的动态叠加算法完成决策输出。该方法能够在训练阶段准确地选择具有较高识别精度和差异性的成员分类器,在测试阶段对各成员分类器进行动态集成,保证最终的分类结果最优。构建时域、频域相结合的特征向量,并具有较好的抗噪声能力。实验结果表明,该方法无论在分类还是在运算复杂度上都取得较好的效果。     

基于SVM与Inception-v3的手势识别

针对传统机器视觉的手势识别方法识别准确率低,抗干扰能力差等问题,提出了一种基于支持向量机(Support Vector Machine, SVM)手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型,利用SVM对样本进行手势分割,将Inception-v3模型作为卷积神经网络模型基础,对网络参数进行fine-tuning,将预先经过手势分割处理后的样本导入模型训练,调整超参数得到新的最优手势识别模型,并在一定干扰环境下测试,得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法,能高效识别手势,满足实际应用需求.     

基于模板匹配和支持向量机的点阵字符识别研究

食品、药品包装上的点阵字符信息一般包含生产日期和其他重要信息。针对目前单一的点阵字符识别方法准确率不高,且对点阵字符在复杂环境下（既包含点阵字符又包含连续字符）字符定位准确性低的问题,提出了一种基于模板匹配和支持向量机（Support Vector Machine,SVM）的组合点阵字符识别方法。该方法利用点阵字符的离散性质来准确定位点阵字符,然后分别通过基于灰度的模板匹配和基于特征的模板匹配方法得到两个判定结果。若判定结果相同,则识别出字符;若判定结果相异,将这两个结果送给SVM进行识别,得出识别结果。实验结果表明,该方法在点阵字符的定位准确性和识别率方面都优于传统字符识别方法,且识别鲁棒性较好,字符识别率达到96.10%。