[发明专利]基于极限学习机的扫描证书图像识别方法

摘要

本发明公开了一种基于极限学习机的扫描证书图像分类方法，包括如下步骤：输入扫描证书图像数据样本库，进行预处理；对经过预处理的证书图像利用Hough变换进行圆章定位，得到圆章外接矩形区域，提取圆章区域的HSV颜色特征向量及图像的长宽比向量作为特征数据；利用扫描证书图像样本库特征数据训练极限学习机；输入待分类图像经过A，B步骤处理，利用经过训练的极限学习机完成图像分类。本发明将待分类图像的圆章HSV特征向量作为输入值，得到证书图像最可能的类别。根据图像分类经验及实践证明，极限学习机具有速度快，泛化能力强，分类准确率高的特点。

主权项

1.一种基于极限学习机的扫描证书图像分类方法，其特征在于，包括如下步骤：A：输入扫描证书图像数据样本库，进行预处理；B：对经过预处理的证书图像利用Hough变换进行圆章定位，得到圆章外接矩形区域，提取圆章区域的HSV颜色特征向量及图像的长宽比向量作为特征数据；C：利用扫描证书图像样本库特征数据训练极限学习机；其具体操作步骤如下：C1根据神经网络基本模型及极限学习机的特点，随机生成输入权重wi与偏置bi，i＝1ΛL；C2根据公式计算训练样本的特征在隐藏层的响应H，其中h(x)＝[g(w₁·x+b₁)g(w₂·x+b₂)...g(w_L·x+b_L)]，g为神经元的激励函数；C3根据公式计算输出权重矩阵β，其中H⁺＝(H^TH+λI)^‑1H^T,L＞N或者H⁺＝H^T(HH^T+λI)^‑1,L≤N，H⁺是隐藏层响应矩阵H的Moore‑Penrose增广逆，在H^TH或HH^T的对角线上添加一个小的正数λ以使得整个系统更加稳定；当计算完毕时，一个单隐藏层反馈神经网络就完成了；D：输入待分类图像经过A，B步骤处理，利用经过训练的极限学习机完成图像分类。