基于神经网络和SVM的字符识别研究
作者单位:辽宁科技大学
学位级别:硕士
导师姓名:欧阳鑫玉
授予年度:2014年
学科分类:1305[艺术学-设计学(可授艺术学、工学学位)] 12[管理学] 13[艺术学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:字符分割 K-均值聚类 BP神经网络 支持向量机 字符识别
摘 要:随着我国经济的快速发展,字符识别技术越来越受到人们的关注和重视,特别是车牌识别以及纸币冠字号识别技术已经成为研究热点,如何准确、快速的识别出字符特征,是一个值得深入研究的课题。因此,字符识别技术的研究具有一定的理论意义和应用价值。本文在总结前人研究成果的基础上,以纸币样本和车牌样本图像为研究对象,实现了图像预处理以及字符的分类识别。 图像预处理阶段是字符识别技术的前提,通过对图像采集、图像滤波、字符图像倾斜校正、二值化等预处理知识的对比研究,采用了中值滤波技术滤除噪声等外界干扰,结合Radon变换和双线性插值算法校正了倾斜字符图像,经过预处理的字符图像突出了字符特征,为字符定位分割奠定了基础。 字符定位分割是字符识别技术的基础,论文研究了几种常用的字符分割方法,首先采用传统的数学形态学分割方法分割字符;然后针对传统彩色图像分割方法的局限性,提出了基于HSI色彩空间和改进K-均值聚类的字符图像分割方法,经仿真验证,结果不受噪声和局部边缘变化的影响,分割效果较传统方法得到明显提升,为后续字符准确识别提供了良好的基础。 字符识别技术的关键是识别分类器的设计,人工神经网络和支持向量机是模式识别领域应用最广泛的分类算法,本文重点阐述了两种识别算法及其改进算法的理论知识,分别采用BP神经网络和一对一支持向量机算法实现了对字符的识别,取得了较高的识别率和识别速度。对比仿真实验结果,两种算法在识别率方面不相上下,但支持向量机的训练及识别的速度明显高于神经网络方法。 论文最后对全文字符识别过程进行了总结,对字符识别技术进一步要研究和讨论的内容进行了展望。