基于ARM和Linux的字符采集与识别系统

t ion Analysis,LDA)是有效的特征抽取方法之一, 广泛用于人脸识别和字符识别等领域[ 6] 。其基本思想是选择使F isher准则函数达到极值的一组矢量作为最佳投影方向, 样本在该矢量集上投影后, 达到最大的类间离散度和最小的类内离散度。为找到投影轴, 应最大化类间离散矩阵Sb 和类内离散矩阵Sw 的比值：

类间离散矩阵Sb 和类内离散矩阵Sw 的定义为

其中, c表示为模式的类别数; j 表示为第j 类的均值(其概率为pj ); 0 为全部样本均值; xji 为第j 类模式i的h维向量; nj 是第j 类的样本数; N 是所有样本数。j 和0 定义为：

最优化问题可以通过Sb 和Sw 的特征值的求解而获得。如果在样本离散矩阵中非目标样本占有比重较大, LDA 并不能保证找到最优子空间。LDA 的最优分类标准并不一定对分类准确性最优, 有可能使得已经分开的邻近类引起不必要的重迭。本文采用一种新的加权LDA 方法( ILDA ), 其计算S^b 和S^w 方法如下：

显然, 如果( )是个常数, 在投影方向上, S^b和S^w 分别等同Sb 和Sw。如果每一类的( )是不同的, 这将对临近类的重迭样本的分类产生影响。可以看出, 如果 ij较大, 则( )较小。

实验样本取自手写体通用数据库UC I, 在Bhattacharyya距离( BD)分类器下对加权线性判别分析与相应的算法进行实验比较和分析, 取得较好的识别性能, 证实了该方法提取的特征的有效性。

3.结束语

本文采用嵌入式Linux 和ARM 处理器软硬件平台, 利用C IS传感器配合运动平台实现了图像的采集和存储, 为嵌入式字符识别系统构建了一个图像采集平台。在字符识别的应用方面, 探讨了广泛应用的手写数字识别算法, 在已有的线性判别分析算法基础上, 提出了一种改进的加权线性判别分析算法, 并对该算法进行了实验验证, 获得了较好的识别率。