基于matlab的文字識別算法-課程設(shè)計(文件)
【正文】 |(SL(SR+SV)))))沈 陽 理 工 大 學 課 程 設(shè) 計 專 用 紙沈陽理工大學10 Str=39。((SR=*SV)amp。 else if (max(SL,SR)=3)amp。 end end end end end Stroke=[Stroke Str]。P39。 SV=0。 endend %========= 提取結(jié)構(gòu) ===============%if (Count=fix(Range/4)+1) % 發(fā)生突變后，剩余部分可能無法形成字符結(jié)構(gòu)if ((SL=ST)amp。else if ((SV=2*(SL+SR))amp。 else if ((SLSR)amp。((SR=2)||(SL=(SR+SV))))) Str=39。((SR=*SV)amp。 else if (max(SL,SR)=3)amp。 end end end end endStroke=[Stroke Str]。T39。T39。[temp XL]=size(StrokeLeft)。C39。C39。C39。C39。039。amp。amp。239。amp。P39。P39。P39。V39。C39。amp。P39。739。539。% 必須為二值圖像I=im2bw(I0,)。Hy=0。for i=1:x0 if (RangeX(i)=1) Wx=Wx+1。[y x]=size(I)。%I=~I。amp。end%========== 結(jié)構(gòu)特征提取 =============%j=1。 end Y1=j。(j1)) j=j1。 while ((i=1)amp。 end endfor j=1:y1 RightD(j)=Right(j+1)Right(j)。amp。end%==============================%i=1。 end X1=i。(i1))沈 陽 理 工 大 學 課 程 設(shè) 計 專 用 紙沈陽理工大學16 i=i1。 while ((j=1)amp。 end endfor i=1:x1 BottomD(i)=Bottom(i+1)Bottom(i)。圖 9（a）識別原圖沈 陽 理 工 大 學 課 程 設(shè) 計 專 用 紙沈陽理工大學18沈 陽 理 工 大 學 課 程 設(shè) 計 專 用 紙沈陽理工大學19圖 9（b） 仿真結(jié)果 基于字符及單詞的識別 基于字符的識別Strokelets: A Learned Multiscale Representation for Scene Text Recognition（CVPR 2022）通過聚類圖像塊來學習中層筆畫特征，然后使用霍夫（HOG）投票算法檢測字符。但是該算法只能用于水平方向排列的文本的檢測識別。最后，再沈 陽 理 工 大 學 課 程 設(shè) 計 專 用 紙沈陽理工大學20進一步使用語言模型和形狀模型對候選字符組合進行重新排序。 基于單詞的識別Scene Text Recognition using Higher Order Language Priors 以及 LargeLexicon AttributeConsistent Text Recognition in Natural Images 的工作依舊依賴于顯式的字符分類器，但是通過構(gòu)建一個圖結(jié)構(gòu)來推導整個單詞。 Label embedding for text recognition（2022）使用集成的 Fisher 向量以及結(jié)構(gòu)化的支持向量機框架來建立圖片和整個單詞編碼的關(guān)系。他們在街景門牌號識別任務中取得了極大的成功。Synthetic Data and Artificial Neural Networks for Natural Scene Text Recognition（ 2022）和 Reading Text in the Wild with Convolutional Neural Networks（2022 ）對上述模型做了細微變動 :取消了預測字符長度的分類器，并引入了結(jié)束符表示文字結(jié)尾。但是依然存在一些不足:一些研究將深度學習技術(shù)用于單個字符的識別步驟中，但整體框架依舊遵循傳統(tǒng)處理流程設(shè)計，因此在其它步驟中依舊會遇到緒論所述問題。 現(xiàn)存算法的問題 大多文字識別方法依賴于人工定義的特征雖然有大量工作研究如何定義一組好的文字特征，但是大部分實際應用的特征都不具有通用性。然后利用字符分類器來預測字符分類。沈 陽 理 工 大 學 課 程 設(shè) 計 專 用 紙沈陽理工大學22圖 10 極端情況下的文字識別 簡單的單詞整體識別有著較大的局限性基于整個單詞的識別方法直接從整幅圖片中提取特征，然后進行識別。 b)長字符串識別正確率顯著下降?；谧址淖R別方法天然帶有字符定位功能。有些算法還需要結(jié)合切分好的單字符訓練樣本、多字符訓練樣本。沈 陽 理 工 大 學 課 程 設(shè) 計 專 用 紙沈陽理工大學237 參考文獻[1] [M].清華大學出版社，2022：2560[2] 2022 年 12 月[3] ——模糊控制專家控制神經(jīng)網(wǎng)絡(luò)控制 M為了獲得良好的機器學習效果，大部分的機器學習算法都要求盡量使用豐富、大量、貼近真實世界的樣本進行訓練。如 Good fellow 等人的整體識別方法。 c)缺乏字符定位功能。多個字符的組合不一定形成字典中的單詞，有很多時候，圖像中的文字由隨機字符組成(如產(chǎn)品型號、驗證碼、商標名稱)。另外，字符的識別需要上下文的參與，如圖 10（b）所示。另一方面，定義和提取人工特征也是一件極為耗時耗力的工作。但是由于他們需要使用固定大小的圖像作為輸入，并且將輸入圖像編碼為固定長度的特征向量，在圖片中字符較多的情況下，模型的識別精度會顯著下降。將單詞編碼為向量是一種可行的詞典單詞識別方法，但是在無約束情況下，字符之間可以任意組合。該方法在 goggle 街景門牌號識別任務中獲得了 96%以上的識別率。這其實是 Supervised midlevel features for word image representation（2022）方法的擴展:顯式利用字符級別的訓練數(shù)據(jù)來學習中間特征。Whole is Greater than Sum of Parts: Recognizing Scene Text Words（20
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1