液晶字符识别的CNN和SVM组合分类器

• 作者: 刘昶 徐超远 张鑫 薛磊
• 来源期刊: 图学学报
• 关键词: 计算机视觉 机器学习 液晶字符识别 支持向量机 卷积神经网络
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 图像处理与计算机视觉|Image Processing and Computer Vision
• 页码范围: 15-22
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11996/JG.j.2095-302X.2021010015

摘要

针对仪表液晶显示字符识别问题,提出一种结合了卷积神经网络(CNN)和支持向量机(SVM)的字符识别方法.分别采用具有并联结构的CNN模型和基于梯度方向直方图(HOG)特征的SVM方法构建基本分类器,当2个分类器的结果存在冲突时,利用CNN的softmax输出最大值判决最终结果,当其大于设定阈值时采用CNN分类器的结果,反之采用SVM分类器的结果.建立字符图像的误差模型并利用仿真方法构建了数据集用于分类器的训练和测试,给出一种基于投票原理的最优阈值的估计算法.在MNIST和仿真数据集上的测试实验结果表明,最优阈值估计算法的结果可靠,组合分类器的准确率较2种单一分类器均有提高,在实际测试系统上其准确率达到99.81％,验证了该组合分类器方法对液晶字符识别问题的有效性;在C1FAR-10数据集上的实验结果验证了该方法也可用于其他分类问题.