CN103745213A - 基于lvq神经网络的光学字符识别方法 - Google Patents

基于lvq神经网络的光学字符识别方法 Download PDF

Info

Publication number
CN103745213A
CN103745213A CN201310709595.3A CN201310709595A CN103745213A CN 103745213 A CN103745213 A CN 103745213A CN 201310709595 A CN201310709595 A CN 201310709595A CN 103745213 A CN103745213 A CN 103745213A
Authority
CN
China
Prior art keywords
neural network
character
method based
competition
recognition method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201310709595.3A
Other languages
English (en)
Inventor
张煜昕
李永刚
何剑伟
周琳琦
郭力兵
李祥明
茅文浩
李清梅
胡上成
张龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
63680 TROOPS PLA
Original Assignee
63680 TROOPS PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 63680 TROOPS PLA filed Critical 63680 TROOPS PLA
Priority to CN201310709595.3A priority Critical patent/CN103745213A/zh
Publication of CN103745213A publication Critical patent/CN103745213A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Character Discrimination (AREA)

Abstract

本发明涉及一种基于LVQ神经网络的光学字符识别方法，所述方法包括以下步骤：对待识别字符图像进行预处理，包括图像去噪、字符切分、二值化以及特征提取；将单个字符特征送入LVQ神经网络的输入层，根据竞争算法找到获胜的竞争层神经元并进行拒判检验；将符合判别条件的字符特征输入LVQ神经网络的竞争层进行识别，输出识别结果。本发明方法适应对误判率有严格要求的小字符集自动识别领域。

Description

基于LVQ神经网络的光学字符识别方法
技术领域
本发明涉及一种基于学习向量量化（LVQ，Learning Vector Quantization）神经网络的光学字符识别方法，主要用于对错识率有严格要求的小字符集智能识别。
背景技术
光学字符识别（Optical Character Recognition, OCR)通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出文字的标准编码，并按通用格式存储在文本文件中。在过去的几十年里，光学字符识别已经成为许多研究者的研究目标，它在许多不同的领域，如银行，航运，商业，通信以及国防等都有重要影响。
德国科学家Tausheck于1929年正式提出OCR的概念，但电子计算机诞生后才得以真正实现。现代商品化OCR系统分为三代：第一代OCR出现在1960年到1965年，最早为IBM公司的IBM1418。此产品识别字符少，需经过特殊指定。第二代OCR产品出现在60年代中期到70年代初期，典型系统为IBM1287。日本东芝公司首先实现了手写邮政编码识别的信函自动分拣系统。第三个时期开始于上世纪70年代中期。这一时期，人们已经把目光投向了解决质量较差的字符识别，以及大字符集的识别，例如汉字识别，高精度手写体数字识别。近年来也出现了能够识别印刷体、手写体的汉字、韩文、日文、数字、英文等多种字符的系统。而银行票据自动处理系统也成为了手写体字符识别系统中的热点。
我国的OCR技术，基本上起步于上述第三个时期，商业OCR产品的识别率最高己经可以达到99%以上，并且可以识别多种字体。但是目前还没有针对国防科技领域，例如遥控码表、航天器弹道以及其他特殊文件的识别与验证等对错识率有严格要求的小字符集智能识别方法及相关产品。
发明内容
本发明的目的在于克服上述不足，提供一种基于LVQ神经网络的光学字符识别方法，可以显著降低错识率，对印刷质量较好的小字符集识别效果达到零错识率。
本发明的目的是这样实现的：一种基于LVQ神经网络的光学字符识别方法，所述LVQ神经网络分为输入层、竞争层和输出层，所述方法包括以下步骤：
 步骤A、对待识别字符图像进行预处理，包括图像去噪、字符切分、二值化以及特征提取。其中图像去噪处理是去除字符图像在采样、数据传输过程中产生的墨点、折痕等噪声信号；字符切分处理是对整个字符图像进行行列划分，获取每个字符的大小与位置；图像二值化处理可以减少大量冗余信息，将单个字符图像转化为一个二维像素矩阵， 0表示白色像素，1表示黑色像素；特征提取过程是对单个字符的二维像素矩阵进行某种运算，提取可用于分类的关键特征。本方法提取的特征为网格特征，网格特征体现了字符整体形状的分布，具有平移和缩放不变性，有较强的容错能力和区分相似字符的能力。网格特征的计算方法如下：
将字符图像均分为                                                
Figure 309317DEST_PATH_IMAGE002
的网格，记第
Figure 115730DEST_PATH_IMAGE004
个网格的中黑色像素的数量与总像素的比值为
Figure 870060DEST_PATH_IMAGE006
，网格的总数为，则字符特征可用向量表示为：
Figure 192774DEST_PATH_IMAGE010
     （1）
步骤B、对LVQ神经网络进行初始化设置。输入层神经元的个数与字符特征向量的长度相同，设置为；竞争层神经元的个数由目标字符集的范围决定，设置为
Figure DEST_PATH_IMAGE013
；记
Figure 934203DEST_PATH_IMAGE014
为输入层神经元
Figure DEST_PATH_IMAGE015
与竞争层神经元
Figure DEST_PATH_IMAGE017
之间的权值，初始化
Figure DEST_PATH_IMAGE019
及学习速率
Figure DEST_PATH_IMAGE021
（
Figure DEST_PATH_IMAGE023
）。其中网络权值将在字符识别的过程中不断调整，以提高神经网络的分类能力，学习速率
Figure 388635DEST_PATH_IMAGE021
决定了网络权值的调整速率。
步骤C、将字符特征向量
Figure DEST_PATH_IMAGE025
送入LVQ神经网络的输入层，根据竞争规则找出获胜神经元和次获胜神经元，序号分别记为K1和K2。 
步骤D、根据拒判规则（严格地判断两个输入向量是否属于同一类的方法）对获胜神经元进行检验，若符合拒判条件，则将该字符标记为非目标字符，拒绝识别；否则进入步骤E。
步骤E、记获胜神经元的字符标签为
Figure DEST_PATH_IMAGE027
，输入向量对应的字符标签为
Figure DEST_PATH_IMAGE029
，则
Figure DEST_PATH_IMAGE031
。获胜神经元的权值按式（2）进行调整；次获胜神经元的权值按式（3）进行调整：
Figure DEST_PATH_IMAGE033
       （2）
Figure DEST_PATH_IMAGE035
       （3）
步骤F、重复步骤C和E，直至全部字符被正确地分类。
上述基本识别过程中，步骤C所述的竞争规则包括距离竞争和相似度竞争。距离竞争衡量的是竞争层神经元与输入向量在空间中的欧氏距离，距离越小越好；相似度竞争衡量的是竞争层神经元与输入向量在空间中夹角的余弦，相似度越大越好。
距离竞争规则为：根据式（4）计算每个竞争层神经元与输入向量的距离，距离最小的竞争层神经元为获胜神经元，其次为次获胜神经元。
Figure DEST_PATH_IMAGE037
    
Figure DEST_PATH_IMAGE039
      （4）
相似度竞争规则为：根据式（5）计算每个竞争层神经元与输入向量的相似度，相似度最大的竞争层神经元为获胜神经元，其次为次获胜神经元。其中
Figure DEST_PATH_IMAGE041
表示第
Figure DEST_PATH_IMAGE043
个竞争层神经元的权值向量。
Figure DEST_PATH_IMAGE047
         （5）
上述基本识别过程中，步骤D所述的拒判规则包括距离判决、相似度判决以及区分度判决，其中区分度判决可与距离判决或者相似度判决结合使用。距离判决的拒判条件为 ，
Figure DEST_PATH_IMAGE052
为可接受的最大距离偏差；相似度判决的拒判条件为
Figure DEST_PATH_IMAGE054
 ，
Figure DEST_PATH_IMAGE056
为可接受的最小相似度；区分度判决的拒判条件为，为可接受的最小区分度，
Figure DEST_PATH_IMAGE062
为输入向量在两个获胜神经元之间的区分度（图2），计算公式如下：
Figure DEST_PATH_IMAGE064
        （6）
 上述基本识别过程中，步骤E中的学习速率
Figure 859948DEST_PATH_IMAGE021
除了选择经验常值外，还可随着训练次数进行同步调整，调整方法选择式（7）时，学习速率先快后慢，逐渐减缓，适用于待识别字符样本特征比较固定的情景；调整方法选择式（8）时，学习速率先快后慢，在训练次数达到最大记忆次数
Figure DEST_PATH_IMAGE066
时，学习速率恒定，可以逐渐适应新的样本特征，适用于待识别字符样本特征不固定的情景。
Figure 900454DEST_PATH_IMAGE068
         （7）
Figure 41585DEST_PATH_IMAGE070
        （8）
与现有技术相比，本发明具有以下有益效果：
1、LVQ神经网络是一种用于训练竞争层的有监督学习方法的前向神经网络，本方法在基本的LVQ神经网络模型上进行了改进，使用了完善的拒判规则代替监督的作用，使用距离判决、相似度判决以及区分度判决对模糊字符、相似字符进行了严格的筛选，有效降低了错识率。
2、本方法优化了学习速率的计算方式，学习与自适应能力强，能够快速适应新的样本特征，有效提高了识别准确率。
3、LVQ神经网络的竞争层、输出层神经元的个数决定可识别的字符集大小，在实际使用过程中可根据需求调整识别范围，实现了目标字符集的动态定制。
附图说明
图1是本发明说述的LVQ人工神经网络基本结构示意图，由输入层，竞争层和输出层组成，竞争层神经元与每一个输出层神经元相连接，网络权值
Figure 539563DEST_PATH_IMAGE014
为输入层神经元
Figure 311210DEST_PATH_IMAGE015
与竞争层神经元
Figure 74897DEST_PATH_IMAGE017
之间的连接强度。
图2是本发明所述的区分度示意图，未知类别X在类别A与B之间的区分度为距离d2与d1的比值，在图2所示的球形范围内，即认为类别X属于类别A并且区别于B。
图3是本发明对字符样本进行识别的效果对比图，识别范围设定为十六进制字符（0～9、A～F），图中的“※”为拒识字符标记，包括一个模糊字符“0”和非目标字符“码”。
具体实施方式
实施方式一：参见图1所示，本实施方式所述的基于LVQ人工神经网络的光学字符识别方法，其具体过程如下：
步骤A、对待识别字符图像进行预处理，包括图像去噪、字符切分、二值化以及特征提取。其中图像去噪处理是去除字符图像在采样，数据传输过程中产生的墨点、折痕等噪声信号；字符切分处理是对整个字符图像进行行列划分，获取每个字符的大小与位置；图像二值化处理可以减少大量冗余信息，将单个字符图像转化为一个二维像素矩阵， 0表示白色像素，1表示黑色像素；特征提取过程是对单个字符的二维像素矩阵进行某种运算，提取可用于分类的关键特征。本方法提取的特征为网格特征，计算方法如下：
 将字符图像均分为
Figure DEST_PATH_IMAGE071
的网格，记第
Figure 19720DEST_PATH_IMAGE072
个网格的中黑色像素的数量与总像素的比值为
Figure DEST_PATH_IMAGE073
，网格的总数为
Figure 372204DEST_PATH_IMAGE074
，则字符特征可用向量表示为：
     （1）
步骤B、对LVQ神经网络进行初始化设置。输入层神经元的个数与字符特在向量的长度相同，设置为
Figure 126588DEST_PATH_IMAGE074
；竞争层神经元的个数由目标字符集的范围决定，设置为
Figure DEST_PATH_IMAGE077
；记
Figure 360254DEST_PATH_IMAGE078
为输入层神经元
Figure 832824DEST_PATH_IMAGE015
与竞争层神经元
Figure 8590DEST_PATH_IMAGE017
之间的权值（图1），则第
Figure 933821DEST_PATH_IMAGE017
个竞争层神经元的权值向量可以表示为
Figure DEST_PATH_IMAGE079
。初始化
Figure 475573DEST_PATH_IMAGE078
及学习速率
Figure 599386DEST_PATH_IMAGE080
（
Figure DEST_PATH_IMAGE081
）。
步骤C、将字符特征向量送入LVQ神经网络输入层，根据式（2）计算每个竞争层神经元与输入向量的距离，距离最小的竞争层神经元为获胜神经元，记为K1；其次为次获胜神经元，记为K2。
Figure 109313DEST_PATH_IMAGE082
    
Figure 199629DEST_PATH_IMAGE039
      （2）
步骤D、对获胜神经元进行检验，若并且
Figure 692796DEST_PATH_IMAGE084
，则将该字符标记为非目标字符，拒绝识别；否则进入步骤E。其中
Figure DEST_PATH_IMAGE085
为可接受的最大距离偏差；
Figure 882469DEST_PATH_IMAGE086
为可接受的最小区分度，
Figure DEST_PATH_IMAGE087
为输入向量在两个获胜神经元之间的区分度（图2），计算公式如下：
Figure DEST_PATH_IMAGE089
        （3）
步骤E、记获胜神经元的字符标签为
Figure 844609DEST_PATH_IMAGE027
，输入向量对应的字符标签为，则
Figure 525437DEST_PATH_IMAGE031
。获胜神经元的权值按式（4）进行调整；次获胜神经元的权值按式（5）进行调整：
Figure DEST_PATH_IMAGE091
       （4）
Figure DEST_PATH_IMAGE093
       （5）
步骤F、重复步骤C和E，直至全部字符被正确地分类。
实施方式二：参照具体实施方式一，不同之处在于，在步骤C中，根据式（6）计算每个竞争层神经元与输入向量的相似度，相似度最大的竞争层神经元为获胜神经元，记为K1；其次为次获胜神经元，记为K2。
Figure DEST_PATH_IMAGE095
      
Figure 322230DEST_PATH_IMAGE048
   （6）
相应地，在步骤D中，对获胜神经元进行检验，若
Figure 709348DEST_PATH_IMAGE054
并且
Figure 79150DEST_PATH_IMAGE058
，则将该字符标记为非目标字符，拒绝识别；否则进入步骤E。其中
Figure 782795DEST_PATH_IMAGE056
为可接受的最小相似度。 
实施方式三：参照具体实施方式一和二，不同之处在于， 在步骤E中，学习速率
Figure 579850DEST_PATH_IMAGE021
随着训练次数根据式（7）进行同步调整：
Figure DEST_PATH_IMAGE097
           （7）
实施方式四：参照具体实施方式一和二，不同之处在于， 在步骤E中，学习速率
Figure 251002DEST_PATH_IMAGE021
随着训练次数根据式（8）进行同步调整：
     （8）。

Claims (9)

1.一种基于LVQ神经网络的光学字符识别方法，其特征在于所述方法包括以下步骤：
步骤A、对待识别字符图像进行预处理，包括图像去噪、字符切分、二值化以及特征提取，本方法提取的特征为网格特征，将字符图像均分为                                                
Figure 264345DEST_PATH_IMAGE001
的网格，统计每个网格中的字符像素所占的面积比例，记字符特征向量为；
Figure 368567DEST_PATH_IMAGE002
     （1）
步骤B、记为输入层神经元
Figure 259480DEST_PATH_IMAGE004
与竞争层神经元
Figure 868316DEST_PATH_IMAGE005
之间的权值，初始化
Figure 979491DEST_PATH_IMAGE006
及学习速率
Figure 990173DEST_PATH_IMAGE007
；
步骤C、将字符特征向量
Figure 394347DEST_PATH_IMAGE008
送入LVQ神经网络输入层，设竞争层神经元的个数为m，根据竞争规则找出获胜神经元和次获胜神经元； 
步骤D、根据拒判规则对获胜神经元进行检验，若符合拒判条件，则将该字符标记为非目标字符，拒绝识别；否则进入步骤E；
步骤E、调整神经元的权值，获胜神经元的权值按式（2）进行调整，次获胜神经元的权值按式（3）进行调整；
       （2）
Figure 936504DEST_PATH_IMAGE010
       （3）
步骤F、重复步骤C和E，直至全部字符被正确地分类。
2.根据权利要求1所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：
在步骤C中，所述竞争规则为：根据式（4）计算每个竞争层神经元与输入向量的距离，距离最小的竞争层神经元为获胜神经元，其次为次获胜神经元，序号分别记为K1和K2
Figure 4954DEST_PATH_IMAGE011
          （4）。
3.根据权利要求2所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：在步骤D中，拒判条件为 ，
Figure 914638DEST_PATH_IMAGE014
为可接受的最大距离偏差。
4.根据权利要求2所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：在步骤D中，拒判条件为
Figure 899912DEST_PATH_IMAGE013
或者
Figure 147353DEST_PATH_IMAGE015
，
Figure 218077DEST_PATH_IMAGE016
为输入向量在两个获胜神经元之间的区分度，计算公式如下：
        （5）。
5.根据权利要求1所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：
在步骤C中，所述竞争规则为：根据式（6）计算每个竞争层神经元与输入向量的相似度，相似度最大的竞争层神经元为获胜神经元，其次为次获胜神经元，
Figure 565061DEST_PATH_IMAGE018
         （6）。
6.根据权利要求5所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：在步骤D中，拒判条件为
Figure 275845DEST_PATH_IMAGE020
 ，
Figure 132942DEST_PATH_IMAGE021
为可接受的最小相似度。
7.根据权利要求5所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：在步骤D中，拒判条件为
Figure 827229DEST_PATH_IMAGE020
或者
Figure 416473DEST_PATH_IMAGE015
，
Figure 461789DEST_PATH_IMAGE022
为可接受的最小区分度。
8.根据权利要求1至7所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：在步骤E中的学习速率
Figure 794682DEST_PATH_IMAGE007
随着训练次数t根据式（7）进行同步调整，
Figure 343475DEST_PATH_IMAGE023
           （7）。
9.根据权利要求1至7所述的一种基于LVQ神经网络的光学字符识别方法，其特征在于：在步骤E中的学习速率
Figure 431517DEST_PATH_IMAGE007
随着训练次数t根据式（8）进行同步调整：
           （8）
式（8）中
Figure 68089DEST_PATH_IMAGE025
为最大记忆次数。
CN201310709595.3A 2014-02-28 2014-02-28 基于lvq神经网络的光学字符识别方法 Pending CN103745213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310709595.3A CN103745213A (zh) 2014-02-28 2014-02-28 基于lvq神经网络的光学字符识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310709595.3A CN103745213A (zh) 2014-02-28 2014-02-28 基于lvq神经网络的光学字符识别方法

Publications (1)

Publication Number Publication Date
CN103745213A true CN103745213A (zh) 2014-04-23

Family

ID=50502230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310709595.3A Pending CN103745213A (zh) 2014-02-28 2014-02-28 基于lvq神经网络的光学字符识别方法

Country Status (1)

Country Link
CN (1) CN103745213A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021376A (zh) * 2014-06-05 2014-09-03 北京乐动卓越科技有限公司 验证码识别方法和装置
CN104897992A (zh) * 2015-06-08 2015-09-09 湖南城市学院 一种分布式电源扰动分类装置及其在线检测方法
CN105260734A (zh) * 2015-10-10 2016-01-20 燕山大学 一种具有自建模功能的商品油表面激光标码识别方法
CN105574513A (zh) * 2015-12-22 2016-05-11 北京旷视科技有限公司 文字检测方法和装置
CN106845505A (zh) * 2017-02-12 2017-06-13 刘俊杰 一种基于深度学习的陈皮检测方法
CN107679505A (zh) * 2017-10-13 2018-02-09 成都准星云学科技有限公司 一种实现对手写体字符拒识的方法
CN107766816A (zh) * 2017-10-18 2018-03-06 河海大学 一种基于lvq神经网络的高压断路器机械故障识别方法
CN108171127A (zh) * 2017-12-13 2018-06-15 广东电网有限责任公司清远供电局 一种基于深度学习的发票自动识别方法
CN109784341A (zh) * 2018-12-25 2019-05-21 华南理工大学 一种基于lstm神经网络的医疗单据识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622610A (zh) * 2012-03-05 2012-08-01 西安电子科技大学 一种基于分类器集成的手写维文字符识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622610A (zh) * 2012-03-05 2012-08-01 西安电子科技大学 一种基于分类器集成的手写维文字符识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
居琰: "基于多层次信息融合的手写体汉字识别研究", 《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》 *
彭健: "多类小字符集自适应字符识别技术及系统的研究", 《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021376A (zh) * 2014-06-05 2014-09-03 北京乐动卓越科技有限公司 验证码识别方法和装置
CN104021376B (zh) * 2014-06-05 2017-11-21 北京乐动卓越科技有限公司 验证码识别方法和装置
CN104897992A (zh) * 2015-06-08 2015-09-09 湖南城市学院 一种分布式电源扰动分类装置及其在线检测方法
CN105260734A (zh) * 2015-10-10 2016-01-20 燕山大学 一种具有自建模功能的商品油表面激光标码识别方法
CN105574513A (zh) * 2015-12-22 2016-05-11 北京旷视科技有限公司 文字检测方法和装置
CN106845505A (zh) * 2017-02-12 2017-06-13 刘俊杰 一种基于深度学习的陈皮检测方法
CN107679505A (zh) * 2017-10-13 2018-02-09 成都准星云学科技有限公司 一种实现对手写体字符拒识的方法
CN107679505B (zh) * 2017-10-13 2020-04-21 林辉 一种实现对手写体字符拒识的方法
CN107766816A (zh) * 2017-10-18 2018-03-06 河海大学 一种基于lvq神经网络的高压断路器机械故障识别方法
CN108171127A (zh) * 2017-12-13 2018-06-15 广东电网有限责任公司清远供电局 一种基于深度学习的发票自动识别方法
CN109784341A (zh) * 2018-12-25 2019-05-21 华南理工大学 一种基于lstm神经网络的医疗单据识别方法

Similar Documents

Publication Publication Date Title
CN103745213A (zh) 基于lvq神经网络的光学字符识别方法
Liu et al. A new benchmark on the recognition of handwritten Bangla and Farsi numeral characters
Afroge et al. Optical character recognition using back propagation neural network
Majhi et al. Novel features for off-line signature verification
Delakis et al. Text detection with convolutional neural networks
Choudhury et al. Handwritten bengali numeral recognition using hog based feature extraction algorithm
CN107480620A (zh) 基于异构特征融合的遥感图像自动目标识别方法
CN105160303A (zh) 基于混合匹配的指纹识别方法
Shelke et al. A novel multi-feature multi-classifier scheme for unconstrained handwritten devanagari character recognition
Pant et al. Off-line Nepali handwritten character recognition using Multilayer Perceptron and Radial Basis Function neural networks
CN108681735A (zh) 基于卷积神经网络深度学习模型的光学字符识别方法
CN110826408A (zh) 一种分区域特征提取人脸识别方法
CN106529490B (zh) 基于稀疏自编码码本实现笔迹鉴别的系统及方法
Babu et al. Handwritten digit recognition using structural, statistical features and k-nearest neighbor classifier
Jana et al. Intra-class recognition of fruits using color and texture features with neural classifiers
Neri et al. A Convolutional Neural Network for Handwritten Digit Recognition.
Patel et al. Multiresolution technique to handwritten English character recognition using learning rule and Euclidean distance metric
Zheng et al. Capturing micro deformations from pooling layers for offline signature verification
Salau et al. Image-based number sign recognition for ethiopian sign language using support vector machine
Xu et al. Coin recognition method based on SIFT algorithm
Bhattacharya et al. Recognition of handprinted Bangla numerals using neural network models
US10657404B2 (en) Character recognition device, character recognition method, and character recognition program
Aghdam et al. A unified framework for coarse-to-fine recognition of traffic signs using bayesian network and visual attributes
CN110780270B (zh) 一种目标库属性判别局部正则学习子空间特征提取方法
Gao et al. An English Handwriting Evaluation Algorithm Based on CNNs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20140423