基于启发式GA-SVM的手写数字字符识别的研究
基于深度学习的手写数字字符识别算法研究
基于深度学习的手写数字字符识别算法研究手写数字字符识别是计算机视觉领域的一个重要问题，它的应用非常广泛，包括邮政编码识别、银行支票金额识别、自动驾驶等。
随着深度学习的快速发展，基于深度学习的手写数字字符识别算法在近年来取得了显著的突破。
本文将重点研究基于深度学习的手写数字字符识别算法的原理、方法以及应用。
一、手写数字字符识别的背景和意义手写数字字符识别是指将手写文字转化为数字字符的过程。
在计算机视觉和模式识别领域中，手写数字字符识别一直都是一个具有挑战性的问题。
传统的手写数字字符识别算法通常依赖于特征提取和分类器的组合，其准确率受限于特征的选择以及分类器的设计。
而基于深度学习的手写数字字符识别算法，通过自动学习特征和分类器的联合优化，可以大大提升准确率和鲁棒性。
二、基于深度学习的手写数字字符识别算法研究现状基于深度学习的手写数字字符识别算法主要分为两个阶段：特征学习和分类器设计。
特征学习阶段使用卷积神经网络（Convolutional Neural Networks，CNN）来自动学习图像的特征表示。
CNN通过堆叠卷积层、池化层和全连接层构成，可以无需手工设计特征，从而避免了传统方法中复杂的特征选取过程。
分类器设计阶段使用softmax回归、多层感知机（Multilayer Perceptron，MLP）等方法来进行手写数字字符的分类。
近年来，基于深度学习的手写数字字符识别算法取得了显著的研究成果。
一方面，研究者们提出了一系列创新的网络结构和模型，如LeNet-5、AlexNet、VGGNet、GoogLeNet和ResNet等，这些网络结构通过增加网络的深度和宽度，来进一步提升识别性能。
另一方面，数据增强（Data Augmentation）、迁移学习（Transfer Learning）、模型融合（Model Ensembling）和自适应学习率（adaptive learning rate）等技术也被广泛应用于深度学习的手写数字字符识别算法中，以进一步提高算法的鲁棒性和泛化能力。
基于机器学习的手写字符识别研究
基于机器学习的手写字符识别研究1. 前言手写字符识别是计算机视觉领域的一项重要研究内容，在文书处理、自然语言处理等领域都有广泛的应用。
传统的手写字符识别方法主要基于特征提取和分类器的组合，但随着计算机性能的提升和机器学习算法的发展，基于机器学习的手写字符识别成为了当前研究的热点之一。
2. 传统的手写字符识别方法传统的手写字符识别方法主要分为两个步骤：特征提取和分类器。
其中特征提取是将手写字符图像转换成一组符号特征向量的过程，而分类器则通过训练数据集学习每个字符的特征向量和标签的关系，然后将未知字符的特征向量输入到分类器中进行识别。
常见的特征提取方法有如下几种：1）经典的特征描述符SIFT和HOG，它们以图像中局部梯度模式为特征构造。
2）形态学特征，如连通区域数、空心区域比例等，这些特征常用于数字等简单字符的识别。
3）统计特征，如像素占用面积、字形面积比例、基线倾角、笔画数等。
这些特征通常用于书写比较工整的汉字或英文单词。
传统的分类器包括支持向量机（SVM）、k最近邻（KNN）和人工神经网络（ANN）等。
这些分类器适用于不同类型的特征提取方法，但它们都有一个通病，那就是需要详细的手工特征设计和提取，这样往往需要大量的人力和时间。
3. 基于机器学习的手写字符识别方法基于机器学习的手写字符识别方法从根本上解决了传统方法的问题。
机器学习方法能够从原始特征中自动学习最具识别性的特征，并生成分类器，从而可以在不需要大量人工特征工作的同时，提高识别精度和速度。
常见的机器学习方法包括如下几种：1）基于深度学习的方法，如卷积神经网络（CNN）、深度玻尔兹曼机（DBN）、循环神经网络（RNN）等。
这些方法在图像领域中常用，能够直接从像素级别的图像中学习到类别相关的特征。
2）基于传统机器学习的方法，如朴素贝叶斯（NB）、决策树（DT）、随机森林（RF）等。
这些方法的主要思想是根据数据的统计特征来学习分类器模型，相对于深度学习来说，这些方法模型更加简洁，训练时间也更短。
手写数字识别算法的研究与应用
手写数字识别算法的研究与应用在数字化的时代，人们日常生活中使用的数字信息越来越多，如何高效地处理数字信息成为了重要的课题。
手写数字识别算法是一种解决数字化问题的有效方式。
手写数字识别算法的研究与应用已经在数字图书馆、办公自动化、邮政编码等领域得到了广泛的应用。
一、手写数字识别算法的研究手写数字识别算法是将手写数字图像转换成数字信息的过程。
它是一种模式识别技术。
手写数字识别算法的实现需要解决两个主要问题：特征提取和分类器设计。
特征提取是将手写数字图像中的数字特征提取出来，使之具有区分性和不变性。
常用的特征提取算法有：边缘特征提取、基于统计学的特征提取、基于小波变换的特征提取等。
分类器设计是将提取出的数字特征映射到数字类别上。
常用的分类器有：神经网络、支持向量机、决策树算法等。
神经网络是一种有效的分类器，在手写数字识别中得到了广泛的应用。
它的设计需要考虑到网络结构、激活函数、学习算法等因素。
二、手写数字识别算法的应用手写数字识别算法在数字图书馆、办公自动化、邮政编码等领域得到了广泛的应用。
在数字图书馆中，手写数字识别算法可用于图书条形码的自动识别。
该应用可以极大地提高图书馆工作效率，减少错误识别和人工录入信息的工作量。
在办公自动化中，手写数字识别算法可用于自动识别手写的报销单据、表单等信息。
该应用可以简化企业人力、时间等资源的分配，提高工作效率，减少出错率。
在邮政编码中，手写数字识别算法可用于信封地址的识别。
该应用可以减少人工处理信封地址的工作量，提高邮件处理效率，保证邮件发送的准确性。
三、手写数字识别算法的未来随着人工智能技术的不断发展，手写数字识别算法也将得到更进一步的应用。
未来，手写数字识别算法将应用于更多的领域。
例如，在医学领域，手写数字识别算法可用于医生书写的病历信息的自动识别。
该应用可以提高病历信息的准确性和时间效率，减少医疗事故的发生。
在金融领域，手写数字识别算法可用于签名和银行卡识别。
基于Gabor-SVM的文字识别方法
可调 和具 有 最 佳 的 时频 域 分 辨 能 力 。Ｇａ ｏ ｂ ｒ滤 波 器采 用 的 Ｇａ ｏ 变 换是 一类 重要 的 时频 分 析方 法 ， ｂｒ
凭 直觉 在许 多 特征 中选 取 出一 些 可 能 的 分类 能力 强 的特 征用 于汉 字 识 别 ； 因此 ， 要 优 化特 征 以提 需
（ ｎｉｇＵｎｖ ｒｉ ｆ ｃ ｎｅａ ｄＴｅｈ ｏ ｇ ｉｎＣ ｌ ｇ ”， ｎｉｇ ２ ０ ４ ）Ｚ ，Ｎ ｎ ｊ ｇ ２０ １ ） Ｎａｊ ｉｅｓ ｙｏ ｉ ｃ ｎ ｃｎ ｌ ｙＺｊ ｏｌ ｅ Ｎａｊ １０ ６ （ＴＥ ｎ ｔ Ｓｅ ｏ ｉ ｅ ｎ ａ ｇｉ １ ０ ２ ｎ
和 Ｙ方 向上 的标 准差 ， 决定 了函数 的空 间 扩展 。以 ｇ ｘ， 为母 小波 ， 过对 ｇ ｘ ） （ ） 通 （ ， 进行 适 当的 尺 度
重要 特征 的前 提 下 ， 缩 冗 余 信 息 ， 除 局 部 的 噪 压 清
声， 以利 于后续 特 征提取 的进 行 。
３ ２ 特 征提 取 ．
决定 。在 权衡 计算 的有效 性 和处 理 时 间 的情况 下 ， 选择 ０ ，５ ，０ ，３ 。 ４个 方 向对 于字 体 识 别 是 。４ 。９ 。１ ５ 这
足够 的 。实践 表 明对大 多数 纹理 特征 的提取 ， 以上
ｗ （ ， ） Ｉ （ １Ｙ ） Ｓ（ —Ｘ ， —Ｙ ） Ｌ Ｙ ＝ ｚ ，１ ｇ ． ｌ ｚ Ｊ ７ Ｃ １
将 Ｇ ｂｒ ａｏ 特征用于汉字识别 ， 是将汉字图像看 成一种特殊的纹理 图像 ， 使用 Ｇ ｂ ｒ ａｏ 滤波器来提取
其特 征 。 由于 同一 个 文 字 的不 同文 本 图像 在 内容
手写数字识别技术研究及应用
手写数字识别技术研究及应用数字识别技术一直是计算机视觉领域的重要研究方向之一。
手写数字识别技术作为其中的一种，旨在将手写数字图像转换为数值形式进行处理和识别，已经被广泛应用于金融、医疗、交通等行业。
本文将从技术原理、算法研究和应用实践等多个方面探讨手写数字识别技术的研究现状和未来的发展展望。
一、技术原理手写数字识别技术的基本原理是机器学习。
具体而言，将手写数字图像输入计算机系统，系统首先将图像数据进行处理和预处理，接着通过机器学习算法学习数字特征，并将数字特征分类，最终输出数字识别结果。
机器学习算法包括支持向量机、决策树、随机森林等多种。
常用的数字图像处理方法包括二值化、滤波、边缘检测等。
其中，二值化可以将图像的灰度值转化为黑白二值图像，方便进行后续处理和特征提取；滤波可以去除噪声，提高图像质量；边缘检测可以提取图像轮廓，方便数字的识别和分类。
图像预处理能够有效地改善图像质量和提取关键特征，进一步提高数字识别的准确率和效率。
二、算法研究手写数字识别技术目前已有多种算法被广泛采用。
其中，支持向量机（SVM）和深度学习神经网络（DNN）是比较常用的。
支持向量机是一种有监督学习算法，适用于二分类和多分类问题。
它通过在样本空间中寻找最优超平面，将特征空间划分为两个区域，实现对不同数字的分类。
支持向量机算法具有很好的分类效果和泛化能力，但是训练时间相对较长，对于大规模数据的处理需要较强的计算力。
深度学习神经网络是一种层级结构的人工神经网络。
它可以通过多层非线性映射实现特征的自动提取和分类，是目前最为热门的数字识别技术之一。
在深度学习神经网络中，常用的结构包括卷积神经网络（CNN）、循环神经网络（RNN）等。
深度学习算法具有学习能力强、自适应性好、表现效果优良等特点，但是其计算和训练时间比较长，需要大量的数据集和计算资源。
算法的选择取决于数据集的大小、特征的复杂程度和应用场景的不同，因此技术人员需要在具体实践中根据实际情况进行合理的选择。
python实现基于SVM手写数字识别功能
python实现基于SVM⼿写数字识别功能本⽂实例为⼤家分享了SVM⼿写数字识别功能的具体代码，供⼤家参考，具体内容如下1、SVM⼿写数字识别识别步骤：（1）样本图像的准备。
（2）图像尺⼨标准化：将图像⼤⼩都标准化为8*8⼤⼩。
（3）读取未知样本图像，提取图像特征，⽣成图像特征组。
（4）将未知测试样本图像特征组送⼊SVM进⾏测试，将测试的结果输出。
识别代码：#!/usr/bin/env pythonimport numpy as npimport mlpyimport cv2print 'loading ...'def getnumc(fn):'''返回数字特征'''fnimg = cv2.imread(fn) #读取图像img=cv2.resize(fnimg,(8,8)) #将图像⼤⼩调整为8*8alltz=[]for now_h in xrange(0,8):xtz=[]for now_w in xrange(0,8):b = img[now_h,now_w,0]g = img[now_h,now_w,1]r = img[now_h,now_w,2]btz=255-bgtz=255-grtz=255-rif btz>0 or gtz>0 or rtz>0:nowtz=1else:nowtz=0xtz.append(nowtz)alltz+=xtzreturn alltz#读取样本数字x=[]y=[]for numi in xrange(1,10):for numij in xrange(1,5):fn='nums/'+str(numi)+'-'+str(numij)+'.png'x.append(getnumc(fn))y.append(numi)x=np.array(x)y=np.array(y)svm = mlpy.LibSvm(svm_type='c_svc', kernel_type='poly',gamma=10)svm.learn(x, y)print u"训练样本测试："print svm.pred(x)print u"未知图像测试："for iii in xrange (1,10):testfn= 'nums/test/'+str(iii)+'-test.png'testx=[]testx.append(getnumc(testfn))printprint testfn+":",print svm.pred(testx)样本：结果：以上就是本⽂的全部内容，希望对⼤家的学习有所帮助，也希望⼤家多多⽀持。
基于SVM手写体汉字识别
采用递归算法可以计算出16维小波特征
笔画密度投影算法
按照以下公式计算笔画密度投影特征：
Mh1 , Mh2 ,, Mh24 Ms1 , Ms2 ,, Ms24 M Mp1 , Mp2 ,, Mp24 Mn1 , Mn2 ,, Mn24
其中Mh1~ Mh24，Ms1~ Ms24，Mp1~ Mp24， Mn1~Mn24分别表示00，900，450 和1350 方向 线扫描投影笔画灰度累加值。
基于SVM的手写体 汉字识别
姓名： 学号： 高长进 030601504
福州大学数学与计算机科学学院
2018/11/11
福州大学毕业设计答辩讲稿
1
研究目的
脱机手写体汉字识别作为汉字识别领域 中最难的课题，具有相当的研究价值和发 展前景。 为了探寻进行脱机手写体汉字识别的更 加实用有效的方法，本文讨论了利用支持 向量机SVM对脱机手写体汉字进行识别的 方法。
去噪和缩放
细化
特征提取算法
1. 小波多网格算法：16维 2. 笔画密度投影算法：96维 3. 特征融合算法：小于或等于112维
2018/11/11
福州大学毕业设计答辩讲稿
10
小波多网格算法
计算图像的质点坐标 ：
m n m n G i c ( i , j ) / c(i, j ) i i 1 j 1 i 1 j 1 G m n m n G j c ( i , j ) / c(i, j ) j i 1 j 1 i 1 j 1
研究背景
联机手写体汉字识别：难度小，发展成熟 脱机手写体汉字识别：难度高，有待发展
研究意义
理论意义 ：促进相关学科的发展与完善以及各 学科的相互融合与借鉴 应用价值 ：促进人机交互，加快信息流动，创 造巨大的经济效益
基于SVM的手写体数字识别的研究
２ ２ 基 于 我 国 邮政 手 写 数 字 库 的 实验 结 果 ． 中 国 邮政 手 写数 字 库 比较 大 ， 同样 的错误 分 按 类 我 们 对 该 库 进 行 了 实 验 ， 类 错 误 率 如 表 ２所 示 。 各 表２ 在 中国 邮 政 数 据 库 上 的 识 别 结 果
２ ０ ３ ５ ０ １ ５ ０ ． ０ ． ０ ０ ． ０ ． ０ ０ ５ ０ ５ ５ ０
多 类分 类 器 ， 对 库 进 行 预处 理 ， 提 取 特征 后 ， 并 在 输 入 Ｓ ＶＭ 多 类 分 类 器 训 练 ， 后 得 到 实 验 结 果 。 最
１ 训 练 库 与 测 试 库 的 选 取 １ 样 本 来 源 ．１
２１年 ３ ０１ 月 第 ５ 总第 ２１ 期 ３ 期
内 蒙 古 科 技 与 经 济
Ｉ ｎ ｒＭ ｏ ｇ ｌ ｃｅ ｃ ｃ ｎ ｌ ｇ ｎ ｅ ｎ ｏ ｉ Ｓ ｉｎ ｅ Ｔｅ ｈ ｏ ｏ ｙ＆ Ｅｃ ｎ ｍｙ ａ ｏｏ
Ｍ ａ ｃ １１ ｒ ｈ ２０ Ｎ ｏ． ｏ ａ ５ Ｔ ｔ ｌＮｏ．２ ３１
通 用 学 习 方 法 。 由于 支 持 向 量 Biblioteka 能 较 好 地 解 决 有 限
样 本 问 题 、 型 选 择 和 过 学 习 问题 、 线 性 和 维 数 灾 模 非 难 问 题 、 部 极 小 问 题 等 许 多 以 往 困 扰 很 多 机 器 学 局 习方 法 的实 际 问题 ， 以成 为 近 几 年发 展 最 快 的研 所 究 方 向之一 和 国际上机 器学 习领 域 的研究 热点 。 我 们 利 用 支 持 向量 机 对 手 写 体 数 字 识 别 的 实 现 进 行 探 讨 。实 验 中 所 采 用 的 数 字 库 是 中 国 邮 政 手 写 数 字库 和美 国邮政 －－ 数字 库 。 先 基于Ｓ Ｔ￣ － 首 ＶＭ 构 造
基于机器学习的手写体数字识别技术研究
基于机器学习的手写体数字识别技术研究随着数字化时代的到来，数字信息的处理已经成为一项必备的技能。
而现在，人工智能的加入又让数字信息处理变得更加轻松。
其中，机器学习技术被广泛应用于数字图像处理中，手写体数字识别技术也是其中的一个重要领域。
机器学习是一种以数据为中心的算法，可以让计算机自己学习，从而进行预测和决策。
而手写体数字识别技术正是利用机器学习技术对手写数字进行自动识别。
在机器学习的应用中，手写体数字识别技术算得上是一个很经典的例子。
它可以帮助人们把手写数字转化为计算机可以处理的数字化数据。
尤其是在一些需要对大量的手写数字进行处理的场景下，例如邮政编码、银行支票或者透过手写笔录入信息等领域，手写体数字识别技术可以极大地提高工作效率。
那么手写体数字识别的基本原理是什么呢？首先需要明白的是，计算机只能处理数字化信息。
而人们写的数字是以像素为基本单位的图片，因此首先需要将手写数字的图片转换为数字化数据。
以手写数字“0”为例，我们可以将其分割为若干像素点，每个像素点可以表示为0或1。
这样，一个手写数字的图片就可以被转换为一个数字矩阵，矩阵中每个元素表示该像素点的颜色值。
接下来，就需要对这些数字化的数据进行特征提取，以便分析数字的不同特征。
例如，在手写数字“0”的数字矩阵中，我们会发现它的中间是一个白色的圆形，周围围绕着黑色的边缘。
这些特征也可以被表示为数字化的数据。
通过特征提取，我们可以将数字矩阵转换为一组数字表示的特征向量。
在得到特征向量之后，就可以利用机器学习算法进行分类处理，并对不同的数字进行识别。
目前，常用的机器学习算法包括支持向量机（SVM）、神经网络、决策树等。
这些算法不仅可以对手写数字进行有效识别，还可以在遇到新的手写数字时进行自动学习和调整，提高识别的精度。
不过，手写体数字识别技术也存在着一些挑战与限制。
例如，不同人的手写风格可能存在着非常大的差异，这就需要技术能够在不同的人写的数字之间进行有效区分。
基于SVM技术实现手写数字分类识别的研究
基于SVM技术实现手写数字分类识别的研究作者：杨永琪徐欣蕾陈曦来源：《电脑知识与技术》2020年第06期摘要：支持向量机（SVM）是一种二分类模型，通过在给定的特征空间中找到两个类别的数据样本之间的最大间隔超平面，可以使任何两个类别线性地分离。
该文提出了不同核函数的SVM的分类模型，用于识别不同类型的手写识别数字图案。
在此模型中，使用SHeen模块中现有结构作为训练的特征提取器，而核函数SVM的执行作为识别器，该模型自动从原始手写数字集图像中提取特征并生成预测，通过MNIST数字数据库进行了验证，并经多个核函数和惩罚系数的调整、拟舍得到了较高的预测分类准确率，最终呈现的预测结果准确率达98.3%。
关键词：手写数字识别;支持向量机;核函数中图分类号：TP3 文献标识码：A文章编号：1009-3044（2020）06-0195-021简介支持向量机fSVM，Support Vector Machine）是一类按监督学习的方式对数据进行二元分类的一种分类器（方法），其决策边界为求解训练样本的最大边距分割超平面。
支持向量机可分为三种：硬间隔支持向量机、软间隔支持向量机、核函数支持向量机。
其中，硬间隔支持向量机适用于无噪声或离群点的数据集，其损失函数不存在，损失值为0;软间隔支持向量机允许样本集存在一定的分类错误，即存在部分噪声或离群点，其优化函数包括两部分，一部分是支持向量到分割超平面的间隔距离，另一部分为误分类的损失个数;核函数支持向量机适用于非线性部分的数据集，对于在N维空间中线性不可分的数据，在N+I维或更高维度的空间而变成线性可分的，其中常用的核函数为（RBF）高斯核函数，高斯核函数可以将维度扩展到无穷维的空间，SVM的主要优点：（1）有效解决高维特征的分类问题和回归问题，在特征维度大于样本数时依然有很好的效果;（2）仅使用部分支持向量来做超平面的决策无须依赖全部数据;（3）核函数使用广泛、灵活，从而可以从多角度来解决各种非线性的分类回归问题;（4）样本量不是海量数据的时候，分类准确率高，泛化能力强。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计 算 机 技 术 与 发 展
ＣＯＭＰ ＵＴＥＲ ＴＥＣＨＮＯＬ ＯＧＹ ＡＮＤ ＤＥＶＥＬ ＯＰＭＥ ＮＴ
Ｖ０ ＿ ２ Ｎｏ １ Ｉ２ ．Ｏ ０ｃ ． ２ ２ ｔ ０１
基 于 启 发 式 ＧＡ Ｓ Ｍ 的 手 写 数 字 Ｖ
ｄｏ ｎ．Ｆｉ ｔ ｒｌ ｓ ｙ－ｔｅｍｅ ｏ ｓｔ ｏ ｔｅｐ ｔｅｔ ｎ ｏ ｅｉｐ ｔｎ ｍｅａ ｈ ｒｃｅ ｇ ｎ ｄ ｔ ｎＯｔｕｍｅｈ ｄｉ ｓｄｔ ｎｓ ｅｇｏ — ｈ ｔ ｄ ｉ ｏｄ ｒ ｒａｍｅ ｔ ｒｔ ｎ ｕ ｕ ｒｌ ａａｔｒｉ ｈ ｈ ｅ ｆ ｈ ｃ ｍａ ｅ，ａ ｈｅ ｓ ｔｏ ｓｕ ｅ ｆ ｉｈｔ ｌｂ ｏｉ ｈ
Ｒｅ ｅ ｒ ｈ ｏ ｎｄ ｉｔｎ Ｎｕｍ ｅ ａ ｓ ａ ｃ ｎ Ｈａ ｗｒｔｅ ｒ ｌＣｈａ ａ ｔ ｒ Ｒｅ ｏ ｎ ｔｏ ｒ ｃ ｅ ｃ ｇ ｉｉｎ
Ｂａ ｅ ｎ Ｈｅ ｒｓｉ ｓ ｄ ｏ ｕ ｉｔｃ ＧＡ— ＶＭ ． Ｓ
Ｓ Ｉ ｕ—ａ ｇ Ｈ ａ — ｉｇ ＬＵ Ｒ ｉｊ 。 ａ — ｉｇ Ｈ ｉｆｎ 。 Ｕ Ｘｉ ｂｎ 。 Ｉ ｕ－ｉ ＹＥＪ ｎ ｙｎ Ｈ ｏ ｅ ｉ
应用 。预处 理是 手 写数字 识别 中重 要 的一个 环节 ， 的优劣 直接关 系 到识别 算 法 的性 能 。文 中提 出 了一 种 改进 后 的数 字 它
字符 识别处 理方 案 。该方 案首 先对输 入 的数字 字符 图像 进 行 预处 理 ， 后使 用 大 津法 进 行 全局 图像 阈值 选 取 ， 然ｅ ｒ ｓ：ｕ ｒ ｈ ｒｃｅ ｃ ｇ ｉｏ ｙ ｗｏ ｄ ｎ ｍｅ ａ ｃ ａａ ｔｒｒ ｏ ｎｔ ｎ；ｔｒ ｓｏｄ ｐ ｏ ｅｓｎ ｌ ｅ ｉ ｈｅ ｈ ｌ ｒｃ ｓｉｇ；ｓ ｐ ｏ ｔｖ ｃｏ ｃ ｉｅ ｅ ｅｉ ｌｏ ｔｍ ｕ ｐ ｒ ｅｔｒｍａ ｈｎ ；ｇ ｎ ｔｃａｇ ｒｈ ｉ
（ ｏｌｇ ｆ ｔｅ ｔ ｓ ｎ ｔ ｓｃ 。 ｈ ｎ ｑ ｇＵｍｖｍ Ｗ， ｈ ｎｑｎ ０ ３ １ Ｃ ｉａ Ｃ ｌ ｅｏ ｈｍａ ｃ ｄＳａ ｔｓ Ｃ ｏ ｇｉ ｅ Ｍａ ｉ ａ ｉ ｔｉ ｎ ｅ ｉ Ｃ ｏ ｇ ｉｇ４ １３ 。 ｈｎ ）
Ａｂ ｔ ａ ｔ Ｔｈ ｅ ｈ ｏ ｏ ｙ ｏ ｕ ｒ ｌｃ ａ ａ ｔｒｒ ｃ ｇ ｉ ｏ ｓ ａ ｍｐ ｔ ｎ ｅ ｅ ｒ ｈ ｄ ｒ ｃ ｉ ｎ ｉ ｍａ ｅ ｐ ｏ ｅ ｓｎ ｒ ａ ａ ｄ ｔ ｅ ａ ｐ ｉ ａ ｏ ｓｒ ｃ ： ｅ ｔｃ ｎ ｌ ｇ ｆｎ ｍｅ ａ ｈ ｒ ｃ ｅ ｅ ｏ ｎ ｔ ｎ ｉ ｎ ｉ ｏｒ ｔ ｓ ａｃ ｉｅ ｔ ｎ ｉ ｇ ｒ ｃ ｓ ｉ ｇ ａ ｅ ｎ ｈ ｐ ｌ ｔ ｎ ｉ ａ ｒ ｏ ｃｉ ｉ ａ ｉ ｕ ｅ ｄ ｓｍｏ ｄ ｍｏ ｄ ｌ ．Ｐ ｅｒ ａ ｍｅ ｔｉ ｔｌｓｅ ｎ ｒ ｃ ｇ ｉ ｏ ｆｈ ｄ ｉ ｅ ｕ ｒ ｌ ，ｉ ｔｅ ｇ ｓ ａ ｄ ｗｅ ｋ ｅ — ｎ ｖ ｒｏ ｓ ｆ ｌ ｓ ｉ ｉ ｒ ａ ｒ ｗｉ ｅ ｙ ｒ ｔｅ ｔ ｎ ｓ ａｖｉ ｔｐ ｉ ｅ ｏ ｎ ｔ ｎ ｏ ａ ｗｒｔ ｎ ｎ ｍｅ ａ ｓ ｔ ｓ ｎ ｔ ｎ ａ ｎ ｓ ｅｎ ｅ ａ ｉ ｎ ｔ ｓ ｒ ｈ ｓ ｓｉ ｉｅ ｌ ｌｔ ｄ ｔ ｅ ｏ ｍａ ｃ ｆｔ ｅ ｒ ｃ ｇ ｉ ｏ ｌ ｏ ｉ ｍ．Ｉ ｅ ｃ ｂ ｓａ ｍｐ ｏ ｅ ｒ ａｉ ｇ ｐ ａ ｆｎ ｍｅ ａ ｈ ｒ ｃｅ ｅ ｏ ｎ － ｅ ｓ ｄ ｒｃｔ ｒ ａ ｅ ｔ ｐ ｒ ｒ ｎ ｅ ｏ ｅ ｏ ｎ ｔ ｎ ａｇ ｒｔ ｙｅ ｏ ｈｅ ｆ ｈ ｉ ｈ ｔ ｓｒ ｅ ｎｉ ｒ ｖ ｄ ｔ ｔ ｌｎｏ ｕ ｒｌ ａａ ｔｒ ｃ ｇ ｉ ｄ ｉ ｅ ｎ ｃ ｒ
字 符 识 别 的 研 究
石 会 芳 ， 小兵 ， 胡 刘瑞 杰 ， 剑 英 叶
（ 重庆 大 学 数 学与 统计 学 院 ， 庆 ４ １３ ） 重 ０ ３ １
摘 要 ： 字字 符识 别技 术是 图像处 理领 域 中的一 个重 要研 究 方 向 ， 数 并且 在社 会 经 济 生活 的许 多方 面 有 着越 来 越广 泛 的
处理 将灰 度 图像 转 化为二 值 图像 。最后 利用 ｌｓｍ加 强工 具 箱 和启 发式 遗 传 算 法进 行 手 写数 字 的识 别 。实 验 结果 显 示 ｉｖ ｂ 该方 法提 高 了识 别 数字 的准确 度 。
关键词： 数字字符识别； 阈值处理； 支持向量机 ； 遗传算法
中图分 类号 ： Ｐ １ Ｔ ３ 文 献标识 码 ： Ａ 文章编 号 ：６ ３ ６ ９ ２ １ ） ０ ０ ０ — ５ １７ － ２ Ｘ（０ ２ １ ～ ０ ５ ０
ａ ｍａ ｅ ｔ ｒ ｓ ｏ ｄ ｓ ｌｃ ｉ ｎ，ｔ ｒ ｕ ｈ ｔ ｒ ｓ ｏ ｄ ｐ ｏ ｅ ｓｎ ｈ ｆ ｇ ａ ｓ ａｅ ｉ ｇ ｎ ｏ ｂ ｎ ｒ ｍａ ｅ ｉ ａ ｌ ｌ ｉ ｇ ｅ ｈ ｌ ｅ ｅ ｔ ｈ ｏ ｈ ｏ ｇ ｈ ｅ ｈ ｌ ｒ ｃ ｓ ｉ ｇ ｓ ｉｔ ｒ ｙ ｃ ｌ ｍａ ｅ ｉ ｔ ｉ ａ ｙ ｉ ｇ ．Ｆ ｎ ｌ ｙ，ｕ ｅ ｌｂ ｖ ｅ ｈ ｃ ｏ ｌ ｏ ｓ ｉ ｓ ｍ ｎ ａ ｅ ｔ ｏ ｂ ｘ ｎ ａ ｈ ｔ ｏ ｆ ｇ ｎ ｔｃ ａｇ ｒｔ ｍ ｏ ｄｉ ｒｍｉ ａｅ ｄ ｇ ｔ ｎｄ ｔ ｅ ｍｅ ｄ ｏ ｅ ｅ ｉ ｏ ｈ ｈ ｌ ｉ ｔ ｓ ｉ ｎ ｔ ｉ ｉ．Ｅｘ ｒｍｅ ｔ ｌｒ ｓ ｌ ｈ ｗ ａ ｅ ａ ｃ ｒ ｃ ｆｔ ｅ ｎ ｍｅ ａ ｃ ｇ ｉ ｏ ｓ ｉ ｃ ｅ ｐｉ ｎ ａ ｕ ｔ ｓ ｏ ｔ ｔｔ ｃ ｕ ａ ｙ ｏ ｕ ｒ ｌｒ ｏ ｎ ｔ ｎ ｉ ｍ－ ｅ ｓ ｈ ｈ ｈ ｅ ｉ