论文部分内容阅读
支持向量机(SupportVectorMachines,简称SVM)是在统计学习理论基础上发展起来的一种新的通用学习方法，它已初步表现出很多优于已有方法的性能。由于采用了结构风险最小化原则代替经验风险最小化原则，使得它较好地解决了小样本学习的问题；又由于采用了核函数思想，使它把非线性空间的问题转化到线性空间，降低了算法的复杂度。正是因为其完备的理论基础和出色的学习性能，该技术已成为机器学习界的研究热点，并在很多领域都得到了成功应用，如人脸检测、数字识别、文本自动分类等。
本文将支持向量机引入纸币号码的识别系统，主要进行的工作如下：
(1)整理总结了国内外学术界关于统计学习理论方面的研究成果与现状，介绍了统计学习理论的基本概念和支持向量机的基本原理；
(2)将支持向量机应用于纸币号码的识别问题中。号码识别包括图像的采集、图像的预处理以及字符的识别三个步骤，先用高速图像采集设备CMOS摄像头进行纸币号码图像的采集，利用Hough变换与数学形态学方法进行特征提取，在识别阶段采用支持向量机算法进行字符的识别。经典的支持向量机仅针对两类分类问题，本文提出并实现了几种多类分类器策略，并针对数字识别对它们的实际效果进行了比较；
(3)在硬件系统设计上，由于考虑到实时性，所以采用DSP作为处理器，纸币的号码图像通过CMOS的高速采集及数据转换，存入DSP的存储空间；然后由DSP处理器对读入的数据进行一系列的处理，继而实现纸币号码的识别功能。
本文实现的系统满足了号码识别实时性和准确性的技术要求，具有较高的实用价值。