自由手写体数字识别系统的设计与实现
自由手写体数字识别系统的设计和实现
摘要：本文论述并设计实现了一个脱机自由手写体数字识别系统。文中首先对待识别数字的预处理进行了介绍，包括二值化、平滑滤波、规范化、细化等图像处理方法；其次，探讨了如何提取数字字符的结构特征和笔划特征，并详细地描述了知识库的构造方法；最后采用了以知识库为基础的模板匹配识别方法,并以MATLAB作为编程工具实现了具有友好的图形用户界面的自由手写体数字识别系统。实验结果表明，本方法具有较高的识别率，并具有较好的抗噪性能。
关键词：手写体数字；预处理；模式识别；特征提取
Abstrct： This paper describes and designs a free handwritten number recognition system. Firstly,
the pretreatment of the character to be recognized is introduced, including binarization,
smoothing, normalization and thinning. Next, how to extract the structural features of the numbers
is discussed, and we describe the constructing method of repository. Finally, we use the method
of template matching, based on repository, to recognize the digital number. Matlab is used as
a program tool to realize this free handwritten digital recognition system with friendly graphical
user interface. The experimental results show that the rate of the recognition system is high,
and the proposed method is robust to noise.
Keywords: handwritten number; pretreatment；pattern recognition; feature extraction
1 引言
OCR（Optical Character
Recognition）即光学字符识别技术，是通过扫描仪把印刷体或手写体文稿扫描成图像，然后识别成相应的计算机可直接处理的字符。OCR是模式识别的一个分支，按字体分类主要分为印刷体识别和手写体识别两大类。对于印刷体识别又可以分成单一字体单一字号和多种字体多种字号几类。而手写体识别又可分为受限手写体和不受限手写体两类；按识别方式可分为在线识别和脱机识别两类。
字符识别处理的信息可分为两大类：一类是文字信息，处理的主要是用各国家、各民族的文字（如：汉字，英文等）书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟，并推出了很多使用系统；另一类是数据信息，主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据，如：邮政编码、统计报表、财务报表、银行票据等等，处理这类信息的核心技术是手写数字识别。因此，手写数字的识别研究有着重大的现实意义，一旦研究成功并投入使用，将产生巨大的社会和经济效益。
在整个OCR领域中，最为困难的就是脱机自由手写字符的识别。到目前为止，尽管人们在脱机手写英文、汉字识别的研究中已取得很多可喜成就，但距离实用还有一定距离。而在手写数字识别这个方向上，经过多年研究，研究工作者已经开始把它向各种实际使用推广，为手写数据的高速自动输入提供了一种解决方案。
本文首先介绍了自由手写体数字识别的基本原理，包括数字图像预处
理、特征提取和模式识别的基本原理和方法；其次介绍了；最后通过基于MATLAB的实验结果，对本系统的性能进行了分析。
2 手写体数字识别的基本原理 本系统主要由手写体数字识别的训练过程和识别过程组成，训练过程和识别过程均包括预处理、特征提取和模式识别三部分。系统构成如图2.1所示。
图2.1 系统流程图下面分别介绍各部分工作的基本原理。
2.1 预处理
预处理主要由二值化，平滑去噪，规范化，细化等组成。
本文采用了基于阈值的二值化算法，通过最大类间方差法即OTSU方法，统计图像的灰度直方图选取全局阈值，然后进行二值化处理。
其次，在二值化后利用均值滤波的方法消除孤立点、线的噪声，这样图中就只剩下手写体数字。在滤波中本文采用的是3*3大小的模板。
平滑去噪后，对图像进行规范化处理。找出图像中数字的边界，然后提取出数字把它居中放置在正方形方框中，再对此正方形图像进行线性插值缩放，使它变为统一规格大小的图像，本文中归一化图像的大小是36*36。
在提取特征之前，要对手写体数字进行细化。本文是采用的基于数学形态学的细化算法。细化可用两步腐蚀来实现：第一步是正常的腐蚀，但它是有条件的，也就是说，那些被标为可除去的像素点并不立即消去；在第二步中，只将那些消除后并不破坏连通性的点消除，否则保留。以上每一步都是一个3*3邻域运算。细化是将一个曲线性数字细化为一条单像素宽的线，从而图形化地显示出其拓扑性质。
数字图像预处理前后效果比较如下图所示。图2.2为数字“5”的原始图像，图2.3为对图2.2预处理后的结果图。类似地，图2.4为数字“6”的原始图像，图2.5为对图2.4预处理后的结果图。
图2.2 原始图像 识别过程
训练过程 数据采集，
预处理 特征提取
和选择 分类识别
数据采集，
预处理 分类识别
改进数据采集，
预处理 改进分类识别 待识对象
训练样本
人工干预 特征提取
和选择
改进特征提取和选择 正确率
测试
图2.3 预处理后图像
图2.4 原始图像
图2.5 预处理后图像
2.2 特征提取
特征提取的目的是从原始数据中抽取出用于区分不同类型的本质特征。无论是识别过程还是学习过程，都要对研究对象固有的、本质的重要特征或属性进行量测并将结果数值化，形成特征矢量。
通常能描述对象的元素很多，为了节约资源，节省计算机存储空间、处理时间、特征提取的费用，有时更是为了可行性，在保证满足分类识别正确率要求的条件下，按某种准则尽量选用对正确分类识别作用较大的特征，使得用较少的特征就能完成分类识别任务。这项工作表现为减少特征矢量的维数或符号字符数。在本系统中采用对待识别数字图像进行行列扫描和数字起点结合的方法提取特征。
2.2.1 结构特征的提取
首先对经预处理后的图像进行分割，如图2.6所示。
图2.6 图像分割
对图像分割后，结构特征提取的算法如下：
(1) 对细化后的数字图像取竖直的三条直线,分别取在5/12,1/2,7/12处,记下这三条竖直直线和数字笔段的交点数。
(2) 再取水平三条直线,分别取在1/3,1/2,2/3处, 分别记下这三条水平直线和数字笔段的交点数。
(3) 再取对角两条直线, 分别记下这两条对角直线和数字笔段的交点数。
2.2.2 笔划特征的提取
经细化后的数字图像其特征较为
稳定,且笔划简单,因此对其抽取的基本结构组件能反映数字的本质特征,从而可快速有效地识别数字符,并达到较好的分类效果。数字端点如图2.7所示。
提取笔划特征的算法如下：
(1) 按从上到下,从左到右的顺序扫描预处理后图像并选择黑像素点P；
(2) 计算像素P的8－邻域之和N；
(3) 若N=1,则像素P为端点,端点计数器加一；
(4) 重复步骤(1)-(3),直到遍历整个图像。
图2.7 数字端点 2.2.3 数字的特征向量说明
依据上述特征提取方法,本系统中的特征矢量由9个分量组成,其排列如下所示:
DATA=[ 竖直中线交点数，
竖直5/12处，
竖直7/12处，
水平中线交点数 ，
水平1/3处交点数，
水平2/3处交点数，
左对角线交点数，
右对角线交点数，
端点数 ];
2.3 知识库的建立
由于本文采用的是基于模式知识库的识别方法，所以对字符的结构特征的分析以及字符模型的构造是一个十分重要的环节，图2.8就是对识别数字的标准形态进行具体分析而构造的模板。
图2.8 规范手写体数字形态DATA01＝[2,2,2,2,2,2,2,2,0]；
DATA11＝[1,0,0,1,1,1,1,1,2]；
DATA21＝[3,3,3,1,1,1,1,1,3]；
DATA31＝[3,2,3,1,1,1,2,2,3]；
DATA41＝[1,1,1,2,2,1,3,2,4]；
DATA51＝[3,3,3,1,1,1,2,2,4]；
DATA61＝[3,3,2,1,1,2,3,2,1]； DATA71＝[2,2,2,1,1,1,1,1,2]；
DATA81＝[4,4,4,2,2,2,2,2,0]；
DATA91＝[3,3,3,1,2,1,3,1,1]。
由于本系统是对自由手写体进行识别, 因而要考虑数字书写体的多变性。通过对图2.9所示数字变体的分析来对知识库进行补充。
图2.9 手写体数字变体DATA02＝[1,1,2,2,2,2,1,2,2]；
DATA22＝[3,2,2,1,1,1,1,3,2]；
DATA32＝[3,1,4,2,1,1,2,2,3]；
DATA42＝[1,2,2,3,3,1,2,2,2]；
DATA52＝[3,3,3,1,1,1,2,2,4]；
DATA62＝[3,1,3,1,1,2,2,2,2]；
DATA82＝[4,4,4,2,1,2,1,2,2]；
DATA92＝[3,2,3,2,1,1,3,1,3]。
最后得到知识库由上述两套模板所组成。
2.4 本系统的模式识别方法
在本次设计过程中，我们选择了模板匹配的识别方法。通过计算欧氏距离来衡量匹配程度。本系统中的特征矢量有9个分量，其计算距离公式如下：
12291iiidxy 公式(2.1)
但在本次设计中我们计算距离时对上述公式进行了改进，对于可靠性较高的端点数即最后一维特征值加大了权重，改进后的距离计算公式如下：
182229913iiidxyxy
公式(2.2)
在识别过程，分别计算待识别图像的特征值和知识库中两个模板的距离，和10个数字逐个比较，距离最小的对应的数字就是最后识别结果。该算法具有特征提取和模板建立都比较直观，时间复杂度低，易于实现等优点。其缺点是在建立知识库时需要进行大量的训练，当知识库中的模板增多时，特征矢量间的距离会减小。
3 MATLAB程序设计
本次设计使用MATLAB语言实现该系统,其用户界面分别介绍如下。
(1) 读入图像：
读入图像的用户界面如图3.1所示。
图3.1 读入图像
(2) 对图像进行各种处理：
选择对图像的各种操作的用户界面如图3.2所示，对图像取反的用户界面如图3.3所示，对图像平滑去噪的用户界面如图3.4所示，对图像进行二值化操作的用户界面如图3.5所示，对图像进行规范化处理的用户界面如图3.6所示，对图像进行细化操作的用户界面如图3.7所示，
手写数字识别的原理及应用-Read
手写数字识别的原理及应用
林晓帆 丁晓青 吴佑寿
一、引言
手写数字识别(Handwritten Numeral Recognition)是光学字符识别技术(Optical Character Recognition,简称OCR)的一个分支，它研究的对象是：如何利用电子计算机自动辨认人手写在纸张上的阿拉伯数字。
在整个OCR领域中，最为困难的就是脱机手写字符的识别。到目前为止，尽管人们在脱机手写英文、汉字识别的研究中已取得很多可喜成就，但距实用还有一定距离。而在手写数字识别这个方向上，经过多年研究，研究工作者已经开始把它向各种实际应用推广，为手写数据的高速自动输入提供了一种解决方案。
二、研究的实际背景
字符识别处理的信息可分为两大类：一类是文字信息，处理的主要是用各国家、各民族的文字（如：汉字，英文等）书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟，并推出了很多应用系统；另一类是数据信息，主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据，如：邮政编码、统计报表、财务报表、银行票据等等，处理这类信息的核心技术是手写数字识别。这几年来我国开始大力推广的“三金”工程在很大程度上要依赖数据信息的输入，如果能通过手写数字识别技术实现信息的自动录入，无疑会促进这一事业的进展。因此，手写数字的识别研究有着重大的现实意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。
三、研究的理论意义
手写数字识别作为模式识别领域的一个重要问题，也有着重要的理论价值： 1.阿拉伯数字是唯一的被世界各国通用的符号，对手写数字识别的研究基本上与文化背景无关，这样就为各国，各地区的研究工作者提供了一个施展才智的大舞台。在这一领域大家可以探讨，比较各种研究方法。
2.由于数字识别的类别数较小，有助于做深入分析及验证一些新的理论。这方面最明显的例子就是人工神经网络（ANN）------相当一部分的ANN模型和算法都以手写数字识别作为具体的实验平台，验证理论的有效性，评价各种方法的优缺点。
基于MATLAB手写体数字识别程序设计
• 139
•ELECTRONICS WORLD・技术交流
基于MATLAB手写体数字识别程序设计
广东工业大学自动化学院 刘思慧 江 维
手写体识别由于其实用性，一直处于研究进步的阶段，本文主要针对的是对0-9十个手写数字体脱机识别，在Matlab中对样本部分为进行16特征的提取，分别采用最小距离法，最近邻法，KNN法以及BP神经网络算法进行0-9十个数字进行识别，得到每类的分类结果以及各种方法的识别准确率，比较各种方法的优缺点，最后分析比较结果，得出分类结论。
1.引言
本文先是以统计学的方法进行数字识别。识别的数字是从0到9并利用图象处理软件把这些数字处理成相同大小32*32的二值图。
将图像转换为文本格式存储，文档中只包含0和1，共计1934个样本，每类样本数目大致200个，测试样本共计946个。读取txt文档后，从生成的矩阵中提取16个特征，然后先用统计学的理论，用最小距离法，最近邻法和KNN法，在Matlab中编写相关程序，得出相关的分类结果和错误率。然后再使用BP神经网络，确定输入，输出节点数和隐藏层节点数，对0-9的样本特征进行训练，得到训练后的网络进行样本测试。将基于BP神经网络的识别结果和错误率和基于统计学的方法的结果进行比较，最终得出分类的结论。
2.数字识别
本文是对手写数字识别，即对0-9十个数字进行识别，我们将存储0-9十个数字的图片利用图像处理软件处理成大小相同的(32*32)的二值图，然后将图像转化成文本格式。总共有1934个训练
样本，946个测试样本。对每个样本提取特征，这儿我们选用提取了16个特征，然后应用最小距离法，KNN在K=1，K=3，K=5时，以及神经网络，在Matlab环境下，编程分别对训练样本进行训练，测试样本进行测试识别，得到分类结果和错误率，然后对每种结果进行对比，分析错误率和分类结果，比较几种方法的优点和缺点，最终得出结论。2.1 字符特征选择与提取
特征提取是为了去除信息中对分类没有帮助的部分，将信息集中到有代表性的几个特征上来的过程。选择稳定的、有代表性的特征往往是一个识别系统成功的关键。按照统计的观点，好的特征提取方法必须满足三个条件：一是提取的特征组相互独立或者互不相关；二是特征具有较小的类内差异，而具有较大的类间差异；三是特征向量的维数尽量小。而在实际应用中，寻找满足这三点要求的特征提取方法是一项富有挑战性的工作。本次手写数字识别中，样本为图片，因此我们可以先将图片二值化，此时图片中的每个点像素不是0和1，然后我们将图片n等分，统计每份中1的个数，以每份中1的个数为特征，得到n个特征，组成n维的特征向量，这里我们选取n=16，然后用最小距离，
手写数字识别讲课教案
手写数字识别
1.1 字符识别概述
OCR（Optical Character Recognition）即光学字符识别技术，是通过扫描仪把印刷体或手写体文稿扫描成图像，然后识别成相应的计算机可直接处理的字符。OCR是模式识别的一个分支，按字体分类主要分为印刷体识别和手写体识别两大类。对于印刷体识别又可以分成单一字体单一字号和多种字体多种字号几类。而手写体识别又可分为受限手写体和不受限手写体两类；按识别方式可分为在线识别和脱机识别两类。
字符识别处理的信息可分为两大类：一类是文字信息，处理的主要是用各国家、各民族的文字（如：汉字，英文等）书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟，并推出了很多应用系统；另一类是数据信息，主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据，如：邮政编码、统计报表、财务报表、银行票据等等，处理这类信息的核心技术是手写数字识别。
在整个OCR领域中，最为困难的就是脱机自由手写字符的识别。到目前为止，尽管人们在脱机手写英文、汉字识别的研究中已取得很多可喜成就，但距离实用还有一定距离。而在手写数字识别这个方向上，经过多年研究，研究工作者已经开始把它向各种实际应用推广，为手写数据的高速自动输入提供了一种解决方案。 1.2 数字识别研究的目的及意义
人类社会己开始进入信息时代，信息产业的发展将对国家的发达和民族的兴旺产生重大的影响。因此，世界各国对信息产业的发展都给予了极大的关注和重视。人类社会的不断进步带来了信息空间的增长和积累，而计算机的出现为现代化信息处理提供了有效的手段。但是，在信息技术高速发展的同时，一个难题也摆在我们面前，那就是计算机数据处理和网络传输的高速度与数据输入的低速度之间的矛盾。目前，人类的许多信息是记录在纸上的文字图像，将这些信息输入计算机是非常繁琐而低效率的工作，这在一定的程度上减缓了社会信息化的进程。因而，作为信息化基础的数据输入成了计算机应用中的瓶颈问题。人们接受信息最频繁的是视觉通道.在日常学习和生活中，所处理的信息有75%—85%是视觉信息，其中文字信息愈来愈占重要地位.比如对各种期刊文献的阅读、查找、翻译:对各种统计报表的汇总、计算、分析;对各种函件票证的分拣、传送、验核等。要实现对这些文字信息处理过程的机械化、自动化，其先决条件就是利用计算机对这些文字信息进行识别。
中文手写识别技术研究报告
一、概念定义：
模式识别：指识别出给定物体所归属的类别。
文字识别：由计算机自动识别各种字符，如字母、数字、汉字或其他语言中的字符
二、识别分类：
根据文字的字体：可分为手写体文字识别和印刷体文字识别。
根据采用的输入设备:可以分为联机识别和脱机识别。
根据识别对象的不同：文字识别又相应地分为西文识别、数字识别和汉字识别等。
汉字识别系统的分类：通常分为手写汉字识别系统和印刷汉字识别系统两大类。按输入方式不同，手写汉字识别系统又分为联机和脱机两种。
联机手写识别：
指将字符书写在与计算机相连的书写板上，由计算机根据字符的书写轨迹进行实时识别，因此联机识别是针对手写体而言的；
它又叫做实时，在线手写体识别。使用光笔在图形输入板上写字，人在书写的同时，机器根据书写的笔画、笔顺提取特征信息进行识别，是一种方便的文字输入手段，也是文字识别最简单的一种。
目前市面上使用的主要就是基于联机的手写识别。
优点：
联机识别可以采集到更多的信息，如时间、点的座标、笔画运动轨迹、笔顺等动态信息，为文字识别提供更多依据，降低识别难度
缺点：
一个是联机手写时，用户对写字板或书写设备的不适应性，会产生比较多的干扰；二是用户书写的习惯，主要是不同用户书写时笔画的顺序各有不同，增加识别难度；三是书写时笔画连笔的问题,会造成笔画的误识别。
脱机手写识别：
指将字符书写或打印在纸张上，用扫描仪或其他光电转换装置将其转换成电信号输入到计算机中，再由机器进行识别。
脱机手写体识别:又叫做离线手写体识别。由书写者预先将字写在纸上，通过扫描仪转换成图像，再由计算机识别成汉字。
由于手写风格因人而异，同一个人书写时变化较多，且无法获得实时信息，它是文字识别领域最难的分支，目前实现仍是困难的。
缺点：
涉及的识别模式繁杂，技术难度大。
目前已成熟并实际应用的主要是汉字印刷体的脱机识别，脱机手写识别目前可能还处于实验阶段，实现难度大。
手写体数字的生成模式和智能训练集设计
手写体数字的生成模式和智能训练集设计
李天牧;李学群
【期刊名称】《计算机应用与软件》
【年(卷),期】1994(011)002
【摘 要】本文从神经心理学的观点出发，用数学方法描述手写体数字的生成模式，给出了计算机模拟结果并提出一种用于神经网络学习的智能训练集的构成方法。
【总页数】6页(P9-14)
【作 者】李天牧;李学群
【作者单位】不详;不详
【正文语种】中 文
【中图分类】TP391.4
【相关文献】
1.基于ARM9的手写体数字识别技术设计与实现 [J], 刘文杰;吴刚
2.利用少量标签训练集的半监督OLTV算法的设计 [J], 闫军;胡晓东
3.非约束性手写体数字识别系统的设计与实现 [J], 邓文艳
4.基于MATLAB手写体数字识别程序设计 [J], 刘思慧;江维
5.人工智能图书采访系统的学习训练集构建与维护 [J], 原小玲;王红
因版权原因，仅展示原文概要，查看原文内容请购买
基于主成分分析的手写体数字识别方法探究
---------------本文为网络收集精选范文、公文、论文、和其他应用文档，如需本文，请下载--------------
---------------本文为网络收集精选范文、公文、论文、和其他应用文档，如需本文，请下载-------------- 基于主成分分析的手写体数字识别方法探究
本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！
0. 引言
随着计算机技术的发展，人类对模式识别技术提出了更高的要求，特别是对于纸质的手写材料，如印刷材料、手稿等，计算机自动识别输入成为必须的研究课题。手写体数字识别在财税、金融、邮寄分类、数据统计等领域有着广阔的应用前景。在手写体数字识别领域中，由于同一数字的形状数不胜数，对此不能直接根据数字形状进行识别，在识别前需要进行特征提取。特征提取质量的好坏必然影响到字符的识别。针对如何从模式中提取最有效的鉴别特征，学者们已经提出了多种方法。其中，主成分分析( Principal
Component Analysis，PCA) 被认为是一种经典的特征提取方法。它的目标是在低维子空间中表示高维数据，使得在最小误差平方和的意义下，低维表示能够较好地描述原始数据。正因为它在理论和实践中的简洁易行，同时能减小冗余信息和计算量，所以在对象识别和应用在得到了广泛的应用。然而在手写识别系统领---------------本文为网络收集精选范文、公文、论文、和其他应用文档，如需本文，请下载--------------
---------------本文为网络收集精选范文、公文、论文、和其他应用文档，如需本文，请下载-------------- 域存在一定的问题阻碍着实现特征提取。如每个书写者的书写风格、外来干扰等。PCA 方法由于在对外来干扰和数据描述的有限性的限制下，很难精确地描述那些复杂的非线性的手写体数字特征。为了消除这些缺点，提出改进的PCA 方法，即基于距离核的PCA 设计一个高效的手写数字识别方法。距离核的主成分分析不仅可以清晰地描述高斯分布的数据，而且可以很好地描述非高斯分布数据。首先，针对PCA 的不足，提出对其的改进方法- 距离核PCA方法并描述其方法的原理。然后，把改进方法创新性应用在手写体数字识别领域。最后，使用支持向量机作为分类器，在MNIST 手写体数据库中验证该算法的可行性与识别率。
用专家乘积系统实现手写体数字识别
第２３卷第５期 计算机仿真 ２００６年５月
文章编号：１００６—９３４８（２００６）０５—０１９７—０３
用专家乘积系统实现手写体数字识别
孙征 ，李宁
（１．中国科学技术大学计算机系，北京１０００４０；２．曙光信息产业（北京）有限公司，北京１０００８４）
摘要：手写体数字识别网络的训练过程需耗费大量时间，训练时间的优化有着重要的意义。利用专家乘积系统是一种理想 的解决方法。在专家乘积系统训练过程中，每个数字都将建立一个独立的专家模型，并分别使用各自的样本进行训练。待 获得所有模型的概率分布特征后，再送人一个分类器网络进行混合训练。由于各数字模型是独立的，因此利用并行训练可 大大减少系统的训练时间。专家乘积系统的识别效果非常理想，反映出专家乘积系统是一个高效的模型。 关键词：专家乘积；玻耳兹曼机；分类网络；手写体识别
中图分类号：ＴＰ３９ 文献标识码：Ａ
Ｒｅｃｏｇｎｉｚｉｎｇ Ｈａｎｄｗｒｉｔｔｅｎ Ｄｉｇｉｔｓ ｕｓｉｎｇ Ｐｒｏｄｕｃｔｓ ｏｆ Ｅｘｐｅｒｔｓ
ＳＵＮ Ｚｈｅｎｇ ，ＬＩＮＧ Ｎｉｎｇ
（１．Ｃｏｍｐｕｔｅｒ Ｄｅｐａｒｔｍｅｎｔ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｈｉｎａ，ＢｅＯｉｎｇ １０００４０，Ｃｈｉｎａ；
２．Ｄａｗｎｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ Ｉｎｄｕｓｔｒｙ（Ｂｅｒｉｎｇ）Ｃｏｒｐ．Ｌｔｄ，Ｂｅｒｉｎｇ １０００８４，Ｃｈｉｎａ）
ＡＢＳＴＲＡＣＴ：Ｆｏｒ ｒｅｃｏｇｎｉｚｉｎｇ ｈａｎｄｗｒｉｔｔｅｎ ｄｉｇｉｔｓ，ｔｈｅ ｔｒａｉｎｉｎｇ ｐｒｏｃｅｓｓ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ ｔｏ ｎｅｅｄ ｔｏ ｗａｓｔｅ ａ ｇｒｅａｔ ｄｅａｌ ｏｆ
ｔｉｍｅ．Ｈｏｗ ｔｏ ｏｐｔｉｍｉｚｉｎｇ ｔｒａｉｎｉｎｇ ｔｉｍｅ ｉｓ ｉｍｐｏｒｔａｎｃｅ．Ｗｅ ｃａｎ ｕｓｅ ｔｈｅ Ｐｒｏｄｕｃ￣ｏｆ Ｅｘｐｏｒｔｓ ｔｏ ｓｏｌｖｅ ｉｔ．Ｄｕｒｉｎｇ ｔｈｅ ｔｒａｉｎ－ ｉｎｇ ｐｅｒｉｏｄ，Ｅｖｅｒｙ ｄｉｇｉｔ ｎｅｅｄ ｔｏ ｓｅｔ ｕｐ ａ ｅｘｐｅｒｔ ｍｏｄｅｌ ｔｏ ｈａｖｅ ａ ｔｒａｉｎｉｎｇ ｗｈｉｃｈ ｏｎｌｙ ｆｏｒ ｓａｍｐｌｅｓ ｏｆ ｔｈｅｍｓｅｌｖｅｓ ＳＯ ｔｈａｔ
手写数字识别论述
手写数字识别论述
樊康
a匕京交通大学，北京市100044)．廛围抖蕉
I摘要】数字是字符的一种，数字识别技术是字符识别技术的一个重要方面。因此，数字的识别方法应该是一种具有自适应、抗干扰、能够有效地解决手写数字分割、统计模式识别与结构模式识别相结合的方法。手写数字识别研究的对象是：如伺利用电子计算机自动辨认人手写在纸张上的阿拉伯数字。饫；键词】数孛识别；光学字符识另怕睐；识别精度
1研究的理论意义手写数宇识别作为模式识别领域的一个重要问题，也有着重要的理
论价值：
1)阿拉伯数字是唯一的被世界各国通用的符号，对手写数宇识别的研究基本上与文化背景无关，这样就为各国、各地区的研究工作者提
供了一个施展才智的大舞台。在这一领域大家可以探讨，比较各种研究
方法。
2)由于数字识别的类别数较小，有助于做深入分析及验证一些新
的理论。这方面最明显的例子就是人工神经网络(ANN)——相当一部
分的ANN模型和算法都以手写数字识别作为具体的实验平台，验证理论的有效性，评价各种方法的优缺点。
3)尽管人们对手写数字的识别已从事了很长时间的研究，并已取
得了很多成果，但到目前为止机器的识别本领还无法与人的认知能力相
比，这仍是一个有难度的开放问题(Openproblem)。4)手写数字的识别方法很容易推广到其它一些相关问题，一个直
接的应用是对英文这样的拼音文字的识别。】I实上，很多学者就是把数
字和英文字母的识别放在一块儿研究的。2识别系统性能的评价
作为一个识别系统，我们最终要用某些参数来评价其性能的高低，
手写数字识别也不例外。评价的指标除了借用一般文字识别里的通常做
法外，还要根据数字识别的特点进行修改和补充。
对一个手写数字识别系统，可以用三方面的指标表征系统的性能：
正确识别率
A=正确识别样本数／全部样本数。100％
替代率(误识率)
S=误识样本数／全部样本数。100％
拒识率
R=拒识样本数，全部样本数*100％
三者的关系是：
A+S+R=100％数字识别的应用中人们往往很关心的一个指标是“识别精度”，即：
有限字符识别的研究与实现
ＶＡ 黼魏 【高新技术产业发展】
有限字符识别的研究与实现
石 （１．烟台南山学院计算机应用能力教学部 山东烟台 萍１王李桔２
２６５７０６；２．烟台南山学院机电工程学院 山东烟台２６５７１３）
摘要： 论述并设计实现一个自由手写体数字识别系统。首先对待识别数字的预处理进行介绍，主要是平滑滤波的处理方法；其次探讨如何提取数字字符的特征 最后进行关键点对比匹配识别并分析实验结果
关键词： 手写体数字；预处理；模式识别；特征提取
中图分类号：ＴＰ３文献标识码：Ａ文章编号：１６７１－－７５９７（２０１０）１２１００１２一Ｏ１
０ ｇｌ畜
字符识别处理的信息可分为两大类：一类是文字信息，处理的主要是用
各国家、各民族的文字（如：汉字，英文等）书写或印刷的文本信息；另一
类是数据信息，主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计
数据，如：邮政编码、统计报表、财务报表等，处理这类信息的核心技术是
手写数字识别。因此，手写数字的识别研究有着重大的现实意义，一旦研究
成功并投入应用，将产生巨大的社会和经济效益。
１囊目描述
字符分割与识别是先将整个区域分割成单个的字符，然后再进行识别，
难点是模糊、断裂的字符的识别。
字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。
基于模板匹配算法稳定性较差、时间花费也较大，因此在此基础上提出了基
于关键点的匹配算法 此算法先对待识别字符进行关键点提取，然后对关键
点去噪，最后再确定字符的分类。这种匹配算法只利用了字符的关键点进行
匹配，因此提高了识别速度又具有较高的识别率。
２算法分析
本系统主要由手写体数字识别的训练过程和识别过程组成，训练过程和
识别过程均包括预处理、特征提取和模式识别三部分。系统构成如下：
识别
训练
２ １预处理。本文针对２５６色灰度图进行处理，首先利用均值滤波的方
法消除孤立点、线的噪声，这样图中就只剩下手写体数字。在滤波中本文采
手写体数字识别方法的研究与实现.doc
1 / 1 手写体数字识别方法的研究与实现
摘要
1 引言
手写体数字识别是文字识别中的一个研究课题,是多年来的研究热点,也是模式识别领域中最成功的应用之一。由于识别类型较少,在实际生活中有深远的应用需求,一直得到广泛的重视。近年来随着计算机技术和数字图像处理技术的飞速发展,数字识别在电子商务、机器自动输入等场合已经获得成功的实际应用。尽管人们对手写数字的研究己从事了很长时间的研究,并己取得了很多成果,但到目前为止,机器的识别本领还无法与人的认知能力相比,这仍是一个有难度的开放问题,所以对手写数字识别的进一步研究,寻求如何更高效更准确更节能地实现手写数字的自动录入和识别的解决方案对提高经济效益、推动社会发展都有深远的意义。
近年来, 人工神经网技术发展十分迅速, 它具有模拟人类部分形象思维的能力, 为模式识别开辟了新的途径, 成了模拟人工智能的一种重要方法,特别是它的信息并行分布式处理能力和自学习效用等显著优点, 更是激起了人们对它的极大的兴趣。BP（Back Propagation）网络是神经网络中一种,是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,可以很好地解决非线性问题,在函数逼近、模式识别和数据压缩等方面都有很广泛的应用。我们在认真地研究了神经网络的基本原理和机制的基础上, 结合手写体数字识别这一具体课题, 提出了用BP神经网络方法来实现手写体数字识别的方案。
2 手写体数字识别概述
2.1 手写数字识别简述
模式识别是六十年代初迅速发展起来的一门学科。由于它研究的是如何用机器来实现人及某些动物对事物的学习、识别和判断能力,因而受到了很多科技领域研究人员的注意,成为人工智能研究的一个重要方面。
字符识别是模式识别的一个传统研究领域。从50年代开始,许多的研究者就在这一研究领域开展了广泛的探索,并为模式识别的发展产生了积极的影响。