【摘要】基于模板匹配的数字识别算法需要保证训练样本和模板样本一致，基于深度学习的数字识别算法需要保证有大量的训 练样本。 然而户外环境复杂，很难找到所有与训练样本相匹配的模板样本，搜集到的图像也比较有限，很难建立一个大的数据集，因 此识别准确率欠佳。 基于这种情况，本文提出了一种采用方向梯度直方图（ｈｉｓｔｏｇｒａｍ ｏｆ ｏｒｉｅｎｔｅｄ ｇｒａｄｉｅｎｔｓ， ＨＯＧ）特征提取和支持向量 机（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ， ＳＶＭ）分类器训练的方法对数字进行识别。 为了增强复杂样本识别的鲁棒性，本文还对获取的图像进行了 一系列的投影分割操作。 实验后发现，本文所提算法可以有效避免模板匹配和深度学习方法的缺点，具有较高的识别准确率，且运行 速度较快。