字符識(shí)別的相關(guān)方法研究.pdf

1、字符識(shí)別是模式識(shí)別的一個(gè)分支，它能大大提高信息的采集錄入速度，減輕人們的工作強(qiáng)度。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，字符識(shí)別技術(shù)多年來不斷改進(jìn)和完善，現(xiàn)在已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域，使大量的文檔資料能快速、方便、省時(shí)省力和及時(shí)地自動(dòng)輸入計(jì)算機(jī)，實(shí)現(xiàn)信息處理的電子化。到目前為止，盡管人們?cè)谧址R(shí)別的研究中已取得很多可喜成就，但還不能滿足我們?nèi)粘５男枨?。研究字符識(shí)別技術(shù)，提高字符識(shí)別率具有非常重要的意義。
　　 本文針對(duì)字符識(shí)別的相關(guān)方法進(jìn)行研

2、究，主要工作包括：
　　 1.進(jìn)行字符識(shí)別前，先要進(jìn)行圖像預(yù)處理，本文對(duì)圖像預(yù)處理的一些方法進(jìn)行了研究，像灰度化、二值化、噪聲處理、特征值提取等。對(duì)灰度化和二值化的各種方法進(jìn)行了性能比較，針對(duì)光照不均勻的車牌圖像二值化效果不好的問題，給出了一種改進(jìn)的局部閾值法的二值化方法，使用這種改進(jìn)的方法能夠有效的得到二值化圖像。
　　 2.圖像預(yù)處理階段，重點(diǎn)分析了圖像邊緣檢測(cè)方法，邊緣檢測(cè)對(duì)字符輪廓的提取、車牌定位、字符特征值提取

3、等都非常重要。本文在深入研究傳統(tǒng)Canny算子的基礎(chǔ)上，對(duì)雙閾值為極值點(diǎn)給予了證明，并給出了一種改進(jìn)的Canny算子，通過對(duì)添加了椒鹽噪聲的圖像進(jìn)行大量實(shí)驗(yàn)，證明了本文給出的方法性能好于傳統(tǒng)Canny方法。
　　 3.形狀上下文(Shape Context)是一種形狀描述方法，本文給出了一種改進(jìn)的形狀上下文方法用于字符粘連的復(fù)雜驗(yàn)證碼識(shí)別。傳統(tǒng)的逐個(gè)像素點(diǎn)特征提取和模板匹配的方法，只能對(duì)簡(jiǎn)單驗(yàn)證碼進(jìn)行識(shí)別，而字符粘連的復(fù)雜驗(yàn)證碼

4、還無有效的識(shí)別方法。針對(duì)字符粘連不能有效的提取單個(gè)字符特征的問題，本文給出了改進(jìn)的形狀上下文方法進(jìn)行特征提取，并采用字符整體識(shí)別的方法，實(shí)現(xiàn)了對(duì)復(fù)雜驗(yàn)證碼的識(shí)別。
　　 4.BP神經(jīng)網(wǎng)絡(luò)作為一種應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，在車牌識(shí)別中得到了廣泛應(yīng)用。針對(duì)BP算法存在的收斂速度慢、易陷入局部極小等缺點(diǎn)，本文引入動(dòng)量因子和自適應(yīng)學(xué)習(xí)速率、改進(jìn)激勵(lì)函數(shù)以及使用LM算法對(duì)其進(jìn)行改進(jìn)。通過大量的車牌識(shí)別實(shí)驗(yàn)，本文將各種改進(jìn)的BP算法性