基于二叉树和adaboost算法的纸币号码识别

《基于二叉树和adaboost算法的纸币号码识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第31卷第2期计算机应用V01．31No．22011年2月JournalofComputerApplicationsFeb．2011文章编号：1001—9081(2011)02—0396—03doi：10．3724／SP．J．1087．2011．00396基于二叉树和Adaboost算法的纸币号码识别潘虎，陈斌，李全文(中国科学院成都计算机应用研究所，成都610041)(tt．timmy@hotmail．con)摘要：运用一种快速弱分类器训练算法和高速缓存策略来加速Adaboost算法的训练。集成学习算法Adabo

2、ost能够精确构建二分类器，运用二叉树型结构快速灵活地将纸币号码识别转化为一系列的Adaboost二分类问题。实验结果证明，快速Adaboost训练算法能加快训练速度，基于二叉树和Adaboost的纸币号码识别系统具有较好的识别率和处理速度，已经应用在点钞机、清分机和ATM中。关键词：Adaboost算法；快速Adaboost算法；z-X树；号码识别中图分类号：TP391．41文献标志码：APapercurrencynumberrecognitionbasedonbinarytreeandAdaboostalgor

3、ithmPANHu，CHENBin，LIQuan—wen(Chengdub~stituteofComputerApplication，ChineseAcademyofSciences，ChengduSichuan610041，China)Abstract：AfastweakclassifiertrainingalgorithmandafastcachingstrategywereusedtoaccelerateAdaboosttraining．IntegratedlearningalgorithmAdaboostc

4、anaccuratelyconstructtwoclassifiers，SOpapercurrencynumberrecognitionwasformulatedasaseriesofAdaboosttwo—classclassificationproblemsquicklyandflexiblybyusingbinarytreestructure．TheexperimentalresultsdemonstratethatthefastAdabosttrainingalgorithmcanspeedupthetra

5、iningandthepapercurrencynumberrecognitionsystembasedonbinarytreeandAdaboostalgorithmhasgoodrecognitionrateandprocessingspeed，andithaswidelybeenusedincurencycounter，cashso~erandATM．Keywords：Adaboostalgorithm；fastAdaboostalgorithm；binarytree；numberrecognitionCor

6、rect，PAC)即可。1990年，Schapire通过构造性方法证明了弱学习算法和强学习算法的等价性，即可以将若干个略好纸币是市场上一般等价物的主要形式，它在人们的社会于随机猜测的弱学习算法提升为强学习算法，而不必直接去生活中起着不可替代的作用。纸币上的号码是纸币的非常重找通常情况下很难获得的强学习算法，这就是著名的弱可学要的标识之一，可以用来识别纸币的身份。如果能开发一种习定理。．智能纸币号码识别系统，自动记录下通过点钞机的纸币的号1．2Adaboost算法码，并存储备案，就可以实现对纸币号码的便捷管理。这就要

7、弱可学习定理是Boosting算法的理论基础。1990年，求所采用的识别算法既有很高的识别率，又具备足够快的识Schapire提出了Boosting算法，该算法的基本思想是找出若干别速度。Adaboost算法是一种构造准确分类器的学习算法，预个精度比随机预测略高的弱学习规则，再将这些弱学习规则组合先把负样本和正样本加入待学习样本，通过机器学习，将一系列成一个高精度的强学习规则。在众多的Bosting算法中，Freund比随机预测略好的弱分类器线性组合为识别能力很强、识别范围和Schapirel在1995年提出的Ad

8、aboost算法最具有实用价值，也更广的强分类器。是目前研究的热点。Adaboost算法的美妙之处在于它使用加权Adaboost广泛地应用在人脸检测⋯、汽车牌照号码快速定后选取的训练数据代替随机选取的训练样本；将弱分类器联合起位等领域。文献[3]将Adaboost成功用于手写体数字的识别。来，使用加权的投票机制代替平均投票机制。Adaboost的训练随着样本