Алгоритм распознавания символьной информации средствами MatLab
Особенности реализации механизма распознавания номера банкноты в терминалах. Исследование особенностей алгоритма предобработки. Анализ области купюры, подготовленной для распознавания. Характеристика алгоритма по распознаванию номера банкноты в MatLab.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 06.04.2016 |
| Размер файла | 571,1 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Алгоритм распознавания символьной информации средствами MATLAB
Должикова Татьяна Викторовна
студент 1 курса
факультета аспирантуры и магистратуры
Евсюков Алексей Сергеевич
студент 1 курса
факультета аспирантуры и магистратуры
Идентификация номера банкноты является весьма актуальной для различных терминалов оплаты, в которых возможно многократное использование одной и той же купюры с целью совершения мошеннических действий.
Основной причиной совершения мошеннических действий является невозможность терминала опознать купюру по ее номеру и в дальнейшем уже не принимать ее к оплате до какого - либо события (инкассации терминала и т. п.).
Разработанный алгоритм по распознаванию номера банкноты реализован в среде MatLab. Данная среда программирования предоставляет широкий спектр средств для цифровой обработки и анализа изображений.
На рисунке 2 приведена схема алгоритма. В первую очередь, нужно подчеркнуть, что для его работы необходимо, чтобы купюра попала в купюроприемник и прошла сканирование. После выполнения сканирования имеется два изображения: лицевая и оборотная стороны купюры. Поскольку купюра может быть вставлена по-разному, то изображения сторон купюры могут оказаться перевернутыми. Алгоритм предобработки должен решать задачу поиска и выделения символов, принадлежащих номеру купюры. Изображения, полученные в результате сканирования, преобразуем к черно-белому типу. Затем на нем выделяются области интереса. Далее эти области анализируются, при необходимости происходит поворот изображения или выбор второго отсканированного изображения и все повторяется.
банкнота терминал matlab
По завершении анализа имеется правильно ориентированная лицевая сторона купюры, на которой выделяем область с номером, затем эту область подвергаем морфологической обработке, суть которой будет заключаться в устранении мелкого шума, восстановлении разрывов границ и др. Для дальнейшего распознавания необходимо инвертировать область с номером - 0 заменить единицами, а 1 - нулями. В результате предварительной обработки мы получаем необходимую область купюры, пригодную для дальнейшего распознавания.
Рисунок 3 Выделенная область купюры, подготовленная для распознавания
Для решения задачи распознавания имеем изображение номера купюры, состоящего из 9 символов, первые 2 из которых - буквы русского алфавита, а следующие 7 - арабские цифры.
В ходе анализа множества банкнот было установлено, что не все буквы русского алфавита используются для печати номера - прежде всего это связано с габаритными размерами буквы. К примеру, использование "Д" недопустимо, так как высота буквы значительно больше остальных. "Ш" не используют из-за большей ширины, а буква "Щ" - одновременно по двум этим причинам. Всего же для печати номера используется 50 символов - 10 арабских цифр, 20 прописных и 20 строчных букв.
Область с номером делится на 2 - только с буквами и только с цифрами. Каждый символ в номере представляют собой однородное включение. Мы определяем границы этих включений и группируем их, зная, что первые два символа - буквы, а оставшиеся - цифры. Алгоритму распознавания не придется работать с буквенными эталоны для распознания области только с цифрами и наоборот. Это направлено на ускорение времени распознавания.
Далее следует процедура сравнения: каждый символ, используемый для печати номера, имеет какие-то количественные характеристики (дескрипторы). Происходит сравнение их с эталонными. Эталонные дескрипторы или вектор признаки будут сформированы из имеющихся одинаковых символов путем вычисления средних значений нескольких дескрипторов для каждого символа.
Происходит выделение одного символа с номера (8-ми связного компонента) и расчет его дескрипторов. Далее происходит сравнение с эталонными вектор-признаками, после чего выбирается самый схожий и его номер заносится в память. Такая процедура повторяется для оставшихся символов в номере.
Точность распознавания данного алгоритма для всех символов составляет 99,76%, а для номера целиком - 97,87%.
Список литературы
1. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB [Текст] / Гонсалес Р., Вудс Р., Эддинс С. - М.: Техносфера, 2006. - 616с.
Размещено на Allbest.ru
...Подобные документы
Методы предобработки изображений текстовых символов. Статистические распределения точек. Интегральные преобразования и структурный анализ. Реализация алгоритма распознавания букв. Анализ алгоритмов оптического распознавания символов. Сравнение с эталоном.
курсовая работа [2,1 M], добавлен 20.09.2014Понятие системы распознавания образов. Классификация систем распознавания. Разработка системы распознавания формы микрообъектов. Алгоритм для создания системы распознавания микрообъектов на кристаллограмме, особенности его реализации в программной среде.
курсовая работа [16,2 M], добавлен 21.06.2014Оптико-электронная система идентификации объектов подвижного состава железнодорожного транспорта. Автоматический комплекс распознавания автомобильных номеров. Принципы и этапы работы систем оптического распознавания. Особенности реализации алгоритмов.
дипломная работа [887,3 K], добавлен 26.11.2013Необходимость в системах распознавания символов. Виды сканеров и их характеристики. Оптимальное разрешение при сканировании. Программы распознавания текста. Получение электронного документа. FineReader - система оптического распознавания текстов.
презентация [469,2 K], добавлен 15.03.2015Методы распознавания образов (классификаторы): байесовский, линейный, метод потенциальных функций. Разработка программы распознавания человека по его фотографиям. Примеры работы классификаторов, экспериментальные результаты о точности работы методов.
курсовая работа [2,7 M], добавлен 15.08.2011Основные цели и задачи построения систем распознавания. Построение математической модели системы распознавания образов на примере алгоритма идентификации объектов военной техники в автоматизированных телекоммуникационных комплексах систем управления.
дипломная работа [332,2 K], добавлен 30.11.2012Основные понятия теории распознавания образов и ее значение. Сущность математической теории распознавания образов. Основные задачи, возникающие при разработке систем распознавания образов. Классификация систем распознавания образов реального времени.
курсовая работа [462,2 K], добавлен 15.01.2014Словесный, графический, табличный, программный способы представления алгоритма. Основные конструкции в любом алгоритмическом языке. Теория обнаружения, различения и оценивания сигналов. Радиолокационные системы обнаружения. Система распознавания образов.
презентация [4,8 M], добавлен 09.06.2015Разработка алгоритма формирования относительных параметров для минюций. Подбор параметров системы допусков и критериев схожести при сравнении отпечатков. Метод пригоден для распознавания битовых изображений: символьной информации, шрифтов и подписей.
дипломная работа [4,0 M], добавлен 23.06.2008Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Процессы распознавания символов. Шаблонные и структурные алгоритмы распознавания. Процесс обработки поступающего документа. Обзор существующих приложений по оптическому распознаванию символов. Определение фиксированного шага и сегментация слов.
дипломная работа [3,3 M], добавлен 11.02.2017Первое систематическое изучение искусственных нейронных сетей. Описание элементарного перцептрона. Программная реализация модели распознавания графических образов на основе перцептрона. Интерфейс программы, основные окна. Составление алгоритма приложения.
реферат [100,5 K], добавлен 18.01.2014Выбор типа и структуры нейронной сети. Подбор метода распознавания, структурная схема сети Хопфилда. Обучение системы распознавания образов. Особенности работы с программой, ее достоинства и недостатки. Описание интерфейса пользователя и экранных форм.
курсовая работа [3,0 M], добавлен 14.11.2013Разработка программной базы для исследований в области распознавания речи и поиска ключевых слов в ней. Расчет mel-фильтров. Скрытые марковские модели. Применение в алгоритме сверточного декодирования Витерби. Методы визуализации и обработки аудиоданных.
курсовая работа [1,1 M], добавлен 01.06.2015Строение артикуляционного аппарата человека с точки зрения возможности распознавания речи по артикуляции. Комплекс параметров артикуляции на основе контура внутренней области губ. Реализация модуля распознавания фонем русской речи по изображениям губ.
дипломная работа [3,1 M], добавлен 19.08.2012Теоретические основы распознавания образов. Функциональная схема системы распознавания. Применение байесовских методов при решении задачи распознавания образов. Байесовская сегментация изображений. Модель TAN при решении задачи классификации образов.
дипломная работа [1019,9 K], добавлен 13.10.2017Литературный обзор методов распознавания кромок для схожих задач. Объекты в приложении и их отображение. Генерация выходных данных. Алгоритм распознавания линии (графика), отличный от градиентных подходов и использующий алгоритм предварительной обработки.
дипломная работа [711,8 K], добавлен 27.04.2014Понятие и особенности построения алгоритмов распознавания образов. Различные подходы к типологии методов распознавания. Изучение основных способов представления знаний. Характеристика интенсиональных и экстенсиональных методов, оценка их качества.
презентация [31,6 K], добавлен 06.01.2014Обзор задач, возникающих при разработке систем распознавания образов. Обучаемые классификаторы образов. Алгоритм персептрона и его модификации. Создание программы, предназначенной для классификации образов методом наименьшей среднеквадратической ошибки.
курсовая работа [645,2 K], добавлен 05.04.2015Разработка программного кода и алгоритма действий приложения "калькулятор". Использование функций в программе Matlab. Разработка кнопок, опций, интерфейса, оформление. Части кода Matlab и тестовый набор. Инструкция пользователя по работе программы.
курсовая работа [527,1 K], добавлен 27.09.2014
