手写体识别
分数: ___________任课教师签字：___________
课程作业
学年学期：2017——2018学年第二学期
课程名称：模式识别
作业名称：作业七
学生姓名：
学号：
提交时间：
一、问题重述
编写手写体识别大作业程序，要求做到以下几点内容：
（1）针对“002手写数字数据集（1934+946）”数据包，进行手写体辨识。要求使用之前作业中用到的各类平均值为类中心的最小距离法、KNN 近邻法（K 取1,3,5）等等。
（2）尝试使用神经网络方法进行辨识过程。
（3）尝试70000个样本的数据集进行辨识，其中60000个用于训练，10000个用于测试。
二、方法原理
1、特征选择准则——类别可分性准则 类别可分性准则值可以衡量样本的可分程度，取值越大表明样本可分程度越小，可以在一定程度上减小最终的分类错误率。
类别可分性准则函数值J 的计算公式如下所示
11
(x m )(x m )n (m m )(m m )i c
T
w i i i x c c T B i i i i B w
S S S J S =∈==--=--=
∑∑∑
其中C 为类别数，m 为总样本均值，mi 为某一类均值，X 表示样本数据。
值得注意的是，并非J 取值越大，最终的分类错误率就一定越小。最终的分
类结果还与数据的分布特性以及分类器的选择有关。因此在J 值取值只需满足条件即可，并非一定要取到最大值。
2、特征提取方法——PCA降维
当样本数据维数较高时，程序当中涉及到矩阵的运算会有很大负荷，算法的执行效率会大幅降低。因此在训练之前，需要将样本数据进行降维处理。
主成分分析法（简称PCA）可以减少样本数据的相关性，突出差异性，是分类、辨识当中常用的降维方法。
PCA可以将高维的数据降到任意低的维度上。但是为了保证样本数据不失真，一般要求PCA算法降维中，特征值占比不小于所有特征值之和75%。
PCA算法的流程如下图所示。
图1 PCA降维算法流程图
3、分类器
分类器是整个分类环节当中的最后一项，也是分类过程的关键所在。分类器分为训练和测试两个环节，相应的算法有很多。常用的有基于类均值的最小距离法、KNN近邻法等基本线性分类算法，以及向量机、神经网络等更为复杂的算法。
分类结束之后，计算训练错误率和测试错误率，以此为标准检验分类器算法的优劣以及整个分类过程的好坏。
（1）基于类均值的最小距离法
基于类均值的最小距离法首先计算每类训练样本的均值点，再分别计算每个均值点到测试样本的距离，测试样本归属于距其最近的均值点所在的数据类型。
基于类均值的最小距离法算法流程如下：
图2基于类均值的最小距离法流程图
（2）KNN近邻法
KNN近邻法源自近邻法。KNN近邻法不再单单寻找距测试样本最近的一个点，而是寻找距其最近的K个点，然后按这K个点类型确定测试样本的类型。判断原则往往是少数服从多数。
K的取值一般取技术。特别的当K取1，这种方法就是常见的最近邻法。
KNN近邻法算法流程如下:
图3KNN近邻法流程图
（3）BP神经网络
BP网络是一类多层的前馈神经网络。它的名字源于网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法的结构简单，可调的参数多，训练的算法也多，而且操作性好。BP网是前向网络的核心部分算法，是神经网络中最精华、最完美的部分。
本次作业利用BP神经网络算法对样本进行训练测试，并将结果与其他方法进行对比。
三、处理流程
本次数据处理的数据集为32*32的二值图，保存格式为文本格式。训练样本数为1934，每个数字大约有200个；测试样本数为926个，每个数字个数从80到120不等。
整个手写体辨识过程可以分为以下四个阶段：
图4 手写体辨识过程
1、数据采集 本次作业所用到的数据为二值化后的文本文档，所以数据采集过程只需要将文档中的数据读取到工作空间即可。
本阶段将训练样本和测试样本分别存到两个元胞数组的变量当中，每个元胞含有10个元胞元素，依次对应0~9；每个元胞元素中存放n*1024的矩阵，其中n 代表该类数据的样本数，1024代表二值化后的点阵数。 2、特征生成
本阶段将原始数据进行处理，提取出16个特征元素。特征生成过程如下。 将32*32的二值化矩阵平均分成16块，求出每块矩阵当中非零元素的个数，作为相应的特征元素。如，将下图所示的一组数据（类型为0）提取特征值后为[3 43 25 0 14 30 19 6 5 30 8 22 0 37 40 11]。
0000000000000110000000000000000000000000000011111100000000000000000000000001111111110000000000000000000001111111111100000000000000000001111111111111100000000000000000001111111000111100000000000000000111111000000111000000000000000001111110000001110000000000000000111111000000011100000000000000001111110000000111100000000000000011111100000000011100000000000000111111000000000111000000000000001111100000000000111000000000000011111000000000001110000000000000011111000000000001110000000000000111110000000000011100000000000001111100000000000111000000000000111110000000000001110000000000001111100000000000011100000000000000111100000000000011100000000000001111000000000001111000000000000011110000000000011110000000000000111100000000001111100000000000000111100000000001111100000000000001111100000000111110000000000000011111000000011111100000000000000111110000001111110000000000000001111110001111111100000000000000000111111111111110000000000000000001111111111111000000000000000000001111111111000000000000000000000000111110000000000000??
??????????????????????????????????????????????????????????????????????????????????????????????????
图5
一组类型为0的原始数据
4等分
4等分
图6 将二值均值分块过程
3、特征选择与提取
为了减小计算量需要对样本进行降维处理。降维方式选择PCA算法，在保证类别可分性准则值满足要求的条件下，特征值占比不小于75%即可。设n表示PCA 处理后的维度。
PCA处理后的维度
1934个样本的数据集70000个样本的数据集
特征值占比（%）可分性准则值特征值占比（%）可分性准则值
1 23.93 2.1504 24.57 0.9538
2 43.9
3 2.1665 44.99 1.0704
3 59.91 1.851
4 60.02 0.7927
4 68.87 1.6222 69.66 0.7709
5 76.87 1.4695 77.50 0.7644
6 82.6
7 1.3072 83.80 0.6956
7 88.09 1.2197 88.93 0.6667
8 90.79 1.1991 92.74 0.6298
9 93.15 1.1681 95.46 0.6068
10 95.32 1.1245 97.01 0.5941
11 96.79 1.0915 97.94 0.5872
12 97.92 1.0703 98.77 0.5798
13 98.80 1.0539 99.31 0.5757
14 99.42 1.0416 99.65 0.5728
15 99.82 1.0353 99.93 0.5707
16 100 1.0316 100 0.5700
图71934样本集PCA降维后的特征值占比和可分性函数值
图870000样本集PCA降维后的特征值占比和可分性函数值为了减少计算量，选择特征值占比大于75%维度最小的情况。因此针对1934数据集，利用PCA将其降成5维；针对70000数据集，也利用PCA降成5维。4、分类器
将PCA降维后的数据（5维）和不进行PCA降维的数据（16维），分别利用基于类均值的最小距离法训练、KNN近邻法（K取1、3、5）、BP神经网络算法，对样本进行训练、测试，得到的错误率如下：
表2 分类错误率
分类器
1934样本集70000样本集
PCA降维后原始数据PCA降维后原始数据训练测试训练测试训练测试训练测试
最小距离0.2291 0.1681 0.1680 0.0655 0.3903 0.3228 0.3295 0.1739 最近邻0.2718 0.1189 0.1586 0.0362 0.3832 0.2526 0.3219 0.1254 3NN 0 0.1755 0 0.0708 0 0.3169 0 0.1731 5NN 0.167 0.1070 0.0655 0.0103 0.3441 0.3420 0.1867 0.2738 BP网络0.1034 0.1543 0.0290 0.0507 0.2127 0.2803 0.1001 0.1690 对分类结果以及之前的工作总结，如下：
（1）当数据集规模变大时，各种算法的错误率会增加；
（2） PCA降维后虽然会减小运算量，但是会增大分类错误率；
（3）几种方法中，基于类均值的最小距离分类算法的效果相对最差，BP 神经网络的分类效果相对最好。
（4）对于基于类均值的最小距离法、KNN近邻法来说，训练错误率一般是略高于测试错误率的。
（5）本作业次设计的分类器对于1934样本集分类效果比较令人满意，但是对于70000样本集分类效果很差，针对大样本数据，算法需要改进
四、代码附录：
手写字符识别系统设计
版本：V1.0 手写字符识别系统设计说明书 湖南大学信息科学与工程学院 二0一四年六月
目录 1引言 (2) 1.1目的 (2) 1.2阅读对象 (2) 2项目概述 (2) 2.1项目简介 (2) 2.2项目任务 (2) 2.3实验环境介绍 (2) 3任务描述 (3) 3.1背景资料概述 (3) 3.2系统组成 (3) 3.3系统评估 (5) 4机器学习算法介绍 (5) 4.1支持向量机 (5) 4.2BP神经网络 (6) 4.3决策树方法 (7) 5特征选择 (8) 6参考资料和实用网站 (9)
1引言 1.1目的 随着图像处理技术与机器学习技术的发展，机器视觉技术已广泛应用于工业生产、日常生活及城市管理中。字符识别作为机器视觉的一种基本应用，在车牌识别、光学字符识别（OCR，Optical Character Recognition）等应用中均有涉及。 本说明书旨在介绍基于常用机器学习算法（如BP神经网络、支持向量机、朴素贝叶斯、K近邻分类）的手写字符识别系统的设计需求，设计方法和环境介绍，帮助学生了解字符识别的基本流程，常用机器学习算法的基本原理，掌握机器视觉应用的开发技术。 1.2阅读对象 本说明书的阅读对象有： ●数字媒体类相关专业学生 ●相关客户人员，体验用户等 2项目概述 2.1项目简介 本项目旨在基于机器学习算法实现手写字符（包括数字和大小写字母）的识别。该系统通过读入一张图片或通过鼠标绘制字符的方式，实现识别对象的输入，通过BP神经网络、支持向量机、朴素贝叶斯或K近邻分类方法实现手写字符的识别，并输出识别的结果。 2.2项目任务 项目名称：手写字符识别系统的设计 项目内容：1）手写字符的输入； 2）图片预处理与特征提取； 3）机器学习与字符分类； 项目周期：1个月（2014年8月25日——2014年9月20日） 参与人数：2~4人。 2.3实验环境介绍 A）Visual Studio 2010
基于知识库的手写体数字识别
HUNAN UNIVERSITY 课程模式识别 题目基于知识库的手写体数字识别学生姓名 学生学号
专业班级 学院名称 2016 年6 月25 日
基于知识库的手写体数字识别 1案例背景： 手写体数字识别是图像识别学科下的一个分支，是图像处理和模式识别研究领域的重要应用之一，并且具有很强的通用性。由于手写数字的随意性很大，如笔画粗细、字体大小、倾斜角度等因素都有可能直接影响到字符的识别准确率，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多识别方法，并取得了一定的成果。在大规模数据统计如例行年检、人口普查、财务、税务、邮件分拣等应用领域都有广阔的应用前景。 本案例实现了手写阿拉伯数字的识别过程，并对手写数字识别的基于统计的方法进行了简要介绍和分析。本文实现的手写字体识别程序具有手写数字图像读取、特征提取、数字模板特征库以及识别功能。 2 理论基础： 2-1手写字体识别方法： 手写体数字识别是一个跨学科的复杂问题，综合了图像处理、模式识别、机器学习等多个领域的知识，其识别过程一般包含图像预处理、特征提取、分类器的设定及其后处理等组成。处理流程如图2-1所示。
图2-1 手写体数子识别流程图 2-2 图像预处理 手写体数字识别的首要工作是图像预处理。在图像预处理过程中需要解决的主要问题有：定位、图像二值化、平滑化(去噪)H J、字符切分、规范化等。图像二值化是指将整个图像呈现出明显的黑白效果。待识别的手写体数字图像在扫描过程中，常会带来一些噪声，用不同的扫描分辨率得到的数字图像，其质量也各不相同，故而要先将这些干扰因素排除掉。另外，还需要正确分割整幅文档图像中的手写体数字，而分割后的数字大小、字体常各不相同，故还需进行归一化处理。 2-3 特征提取 特征提取的目的是从经过预处理后的数字图像中，提取出用以区分与其它数字类别的本质属性并数值化，形成特征矢量的过程。常见的手写体数字特征有：模板特征、统计特征、结构特征和变换特征。 2-4 分类器 不同的分类方式对应不同的分类器，可选的分类器有神经网络、支持向量机
毕业论文计算机手写数字识别技术完整版
毕业论文计算机手写数 字识别技术 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
合肥学院 2007届毕业设计（论文） 基于模板匹配算法的字符识别系 设计（论文）题 目 统研究与实现 院系名称计算机科学与技术系 专业（班级）计算机科学与技术 2003级1班 姓名（学号）宋飞（0） 指导教师赵大政 系负责人袁暋 二O O七年五月二十三日 摘要 自从计算机问世以来，让机器具有模式识别能力一直是计算机科学家们的努力方向。研究表明，对视觉和听觉信息的处理过程，不仅仅是一个感知过程，也是一个认知过程。因此，研究模式识别，是理解人类智能的本质的重要途径。字符识别是一个传统和典型的模式识别问题，脱机手写数字识别是一个典型的大类别的模式识别问题。手写体数字具有不同字符字型相差不大、相同字符有多种不同写法、数字没有上下文关系等等特点，使得脱机手写体数字识别成为识别领域最大的难题和最终的目标。在这种大类别识别的研究中，传统上大多采用模板匹配的方法来解决问题。而在模板匹配算法中，得计算其特征值。图像需要经过二值化，细化等预处理。 关键字模板匹配；特征值；细化；二值化 ABSTRACT Since computer appeared, it has been an effort direction for scientist to let the computer has the ability of pattern recognition. Researching indicates that the procedure to deal with seeing and hearing not only a procedure of perception but also cognition. Therefore, studying pattern recognition is an important way in understanding the mankind’s intelligence
(完整版)手写体数字识别系统设计毕业设计
石河子大学 信息科学与技术学院毕业论文 课题名称：手写体数字识别系统设计 学生姓名： 学号： 学院：信息科学与技术学院
专业年级：电子信息工程2007级指导教师： 职称： 完成日期：二○一一年六月十一日
手写体数字识别系统设计 学生： 指导教师： [摘要] 随着科学技术的迅速发展，在邮政编码、统计报表、财务报表、银行票据等处理大量字符信息录入的场合，手写数字识别系统的应用需求越来越强烈，如何将数字方便、快速地输入到计算机中已成为关系到计算机技术普及的关键问题。本文设计实现了一个基于Matlab软件的手写体数字识别系统，采用模块化设计方法，编写了摄像头输入、直接读取图片、写字板输入三个模块，利用摄像头等工具，将以文本形式存在的手写体数字输入进计算机，完成对手写体数字图片的采集，并设计了一种手写数字识别方法，对手写体数字图像进行预处理、结构特征提取、分类识别，最终以文本形式输出数字，从而实现手写体数字的识别。 [关键词] 预处理，结构特征提取，分类识别，手写体数字识别
Handwritten Digit Recognition System Students： Teacher：
Abstract:With the rapid development of science and technology, in zip code, statistics, reports, financial statements, Bank bills dealing with a large number of characters, such as information recorded occasions, handwritten digit recognition system of requirement has become stronger and stronger, how easily and quickly the number entered in the computer has become a key issue relates to the popularization of computer technology. This article design implementation has a based on Matlab software of handwriting body digital recognition system, used module of design method, write has camera entered, and directly read pictures, and write Board entered three a module, using camera, tools, will to text form exists of handwriting body digital entered into computer, completed on handwriting body digital pictures of collection, and design has a handwriting digital recognition method, on handwriting body digital image for pretreatment, and structure features extraction, and classification recognition, eventually to text form output digital, to implementation handwriting body digital of recognition. Key words: Pretreatment, structure feature extraction, classification and recognition, handwritten digit recognition.
手写数字识别系统的设计与实现
] 手写数字识别系统的设计与实现 摘要本手写数字识别系统是一个以VISUAL STUDIO C++ 为编译环境，使用MFC进行图形图像界面开发的系统。主要功能是通过在点击手写数字识别菜单下的绘制数字标签弹出的绘制数字窗口中完成数字的手写，在此窗口中可以进行数字的保存及清屏，然后通过文件菜单中的打开标签打开所绘制的数字，从而进行数字的预处理，其中包括灰度化及二值化处理，然后进行特征提取，最后实现数字的识别。本系统的界面设计友好，流程正确，功能也较为完善。实验结果表明，本系统具有较高的识别率。 关键词：绘制数字;预处理;特征提取;特征库;数字识别 / ；
目录 前言 (1) 概述 (2) 1 需求分析 (4) 功能需求分析 (4) , 性能需求分析 (4) 数据需求分析 (5) 相关软件介绍 (5) 2 手写数字识别系统的设计与基本原理 (6) 系统整体功能模块设计 (6) 手写数字识别系统的基本原理 (6) 数字图像的绘制 (6) 图像的预处理 (6) ） 图像的特征提取 (7) 特征库的建立 (8) 图像数字的识别 (8) 3 手写数字识别系统程序设计 (8) 数字图像的绘制 (8) 数字的特征提取 (15) 模板特征库的建立 (18) 数字的识别 (20) （
总结 (23) 致谢 (24) 参考文献 (25)
前言 自上世纪六十年代以来，计算机视觉与图像处理越来越受到人们的关注，并逐渐成为一门重要的学科领域。而作为它们的研究对象的数字图像，也因为它含有研究目标的丰富信息而成为越来越重要的研究对象。图像识别的目标是用计算机自动完成某些信息的处理，用来替代人工去处理图像分类及识别的任务。 手写数字识别是图像识别学科下的一个分支，是图像处理和模式识别领域研究的课题之一，由于其具有很强的实用性一直是多年来的研究热点。由于手写体数字的随意性很大，例如，笔画的粗细，字体的大小，倾斜等等都直接影响到字符的正确识别，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多的识别方法，取得了较大的成果。手写体数字识别实用性很强，在大规模数据统计(如例行年检，人口普查)，财务，税务，邮件分拣等等应用领域中都有广阔的应用前景。本课题拟研究手写体数字识别的理论和方法，开发一个小型的手写体数字识别系统。 在研究手写体数字识别理论和方法的基础上，开发这样一个小型的手写体数字识别系统需要完成以下主要方面的研究与设计工作：手写数字绘制的问题、数字的预处理问题、特征提取问题、特征库的建立问题、数字识别问题。
手写体数字的识别
手写体数字识别 第一章绪论 (4) 1.1课题研究的意义 (4) 1.2国内外究动态目前水平 (4) 1.3手写体数字识别简介 (5) 1.4识别的技术难点 (5) 1.5主要研究工作 (6) 第二章手写体数字识别基本过程： (6) 2.1手写体数字识别系统结构 (6) 2.2分类器设计 (7) 2.2.1 特征空间优化设计问题 (7) 2.2.2分类器设计准则 (8) 2.2.3分类器设计基本方法 (9) 3.4 判别函数 (9) 3.5训练与学习 (10) 第三章贝叶斯方法应用于手写体数字识别 (11) 3.1贝叶斯由来 (11) 3.2贝叶斯公式 (11) 3.3贝叶斯公式Bayes决策理论： (12) 3.4贝叶斯应用于的手写体数字理论部分： (16) 3.4.1.特征描述： (16) 3.4.2最小错误分类器进行判别分类 (17) 第四章手写体数字识别的设计流程及功能的具体实现 (18) 4.1 手写体数字识别的流程图 (18) 4.2具体功能实现方法如下： (19) 结束语 (25) 致谢词 (25) 参考文献 (26) 附录 (27)
摘要 数字识别就是通过计算机用数学技术方法来研究模式的自动处理和识别。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。特别是对于大量己有的印刷资料和手稿，计算机自动识别输入己成为必须研究的课题，所以数字识别在文献检索、办公自动化、邮政系统、银行票据处理等方面有着广阔的应用前景。 对手写数字进行识别，首先将汉字图像进行处理，抽取主要表达特征并将特征与数字的代码存储在计算机中，这一过程叫做“训练”。识别过程就是将输入的数字图像经处理后与计算机中的所有字进行比较，找出最相近的字就是识别结果。 本文主要介绍了数字识别的基本原理和手写的10个数字字符的识别系统的设计实现过程。第一章介绍了数字识别学科的发展状况。第二章手写体数字识别基本过程。第三章贝叶斯方法应用于手写体数字识别。第四章手写体数字识别的设计流程及功能的具体实现，并对实验结果做出简单的分析。 关键词：手写体数字识别分类器贝叶斯vc++6.0 错误！未找到引用源。
手写体数字识别系统的设计与实现
大学生研究计划项目 论文报告 项目名称：_手写体数字识别系统的设计与实现 负责人：_________ _______________ 学院/专业：_____ ______ 学号：____ ________ 申请经费：_____ _________________ 指导教师：______ _______ 项目起止时间：2011年6月-2012年3月
摘要 手写体数字识别系统依托计算机应用软件为载体，利用C++程序设计的相关知识，运用模块设计等相关技术，最终完成手写体设计系统的程序综合设计。 关键字：手写体数字处理模式识别程序设计 一、论题概述 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。 字符识别一般可以分为两类:1.联机字符识别;2.光学字符识别(Optical Chara- cter Recognition，OCR)或称离线字符识别。在联机字符识别中，计算机能够通过与计算机相连的输入设备获得输入字符笔划的顺序、笔划的方向以及字符的形状，所以相对OCR来说它更容易识别一些。但联机字符识别有一个重要的不足就是要求输入者必须在指定的设备上书写，然而人们在生活中大部分的书写情况是不满足这一要求的，比如人们填写各种表格资料，开具支票等。如果需要计算机去认识这些己经成为文字的东西，就需要OCR技术。比起联机字符识别来，OCR不要求书写者在特定输入设备上书写，它可以与平常一样书写，所以OCR 的应用更为广泛。OCR所使用的输入设备可以是任何一种图像采集设备，如CCD、扫描仪、数字相机等。通过使用这类采集设备，OCR系统将书写者已写好的文字作为图像输入到计算机中，然后由计算机去识别。由于OCR的输入只是简单的一副图像，它就不能像联机输入那样比较容易的从物理特性上获得字符笔划的顺序信息，因此OCR是一个更具挑战性的问题。 数字识别是多年来的研究热点，也是字符识别中的一个特别问题，它是本文研究的重点。数字识别在特定的环境下应用特别广泛，如邮政编码自动识别系统，税表和银行支票自动处理系统等。一般情况下，当涉及到数字识别时，人们往往要求识别器有很高的识别可靠性，特别是有关金额的数字识别时，如支票中填写
手写数字识别实践指导手册
手写数字系统实践指导手册 1 问题描述 设计一个简单的手写数字识别系统，能够识别手写输入的数字1-9并且能够识别选中的文本文件中的数字，应具有简单方便的操作界面，输入输出等。 1.1功能需求分析 通过分析，以及从用户的角度考虑，系统应该具有以下功能: （1）数字的手写输入。作为一个手写数字识别系统，首先应该能够让用户过绘制窗口进行数字绘制，系统得到用户的手写输入进行处理。 （2）直接选择文件。用户还可以选择系统中的文本文件进行处理。 （3）数据预处理。包括计算数据大小、二值化、格式化处理等。 （4）数字提取。将经过二值化后的图像中的个数字区域进行提取，只有能够将数字进行准确的提取，才能将其一一识别。 （5）基准库的选择与建立。选择一个可供系统训练和测试的样本库非常重要，本系统的训练集和测试集选择的是《机器学习实战》中所给的数据。 （6）识别数字。经过训练集进行训练后，使用knn算法对需要识别的数字识别。 2 数据集获取 ●任务要求： 从网上爬取或者下载适合进行手写数字识别系统的训练集和测试集 ●实践指导： 方式一：自己从网上找适合的数据下载 方式二：推荐数据集：“手写数字数据集的光学识别”一文中的数据集合，该文登载与2010年10月3日的UCI机器学习资料库中https://www.sodocs.net/doc/f49208937.html,/ml
3 功能设计与实现 3.1手写数字识别系统结构图： 图一：系统结构图 3.2识别用户选择手选文件功能设计与实现 ●任务要求： 用户可以自己从电脑中选择文本文件进行识别。 ●实践指导： KNN分类器的构造思路及原理如下： 1）选择训练集和测试集。系统所采用的数据集选用的是“手写数字数据集的光学识别”一文中的数据集合。0-9每个数字大约有200个训练数据20个测试数据。数字的文本格式如图所示。
脱机手写体汉字识别综述
脱机手写体汉字识别综述 赵继印1,郑蕊蕊2,吴宝春1,李 敏1 (1.大连民族学院机电信息工程学院,辽宁大连116600;2.吉林大学通信工程学院,吉林长春130025) 摘 要: 脱机手写体汉字识别是模式识别领域最具挑战性的课题之一.本文分析了近年来脱机手写体汉字识别 的最新进展,讨论了脱机手写体汉字分割、特征提取和分类器设计等关键技术的各种主流方法,介绍了3种典型的汉字识别数据库,并提出了脱机手写体汉字识别的难点问题和今后发展的趋势,为该领域的研究者指明研究方向,共同促进脱机手写体汉字识别技术的发展. 关键词: 脱机手写体汉字识别;字符分割;特征提取;分类器设计;汉字识别数据库中图分类号: TP39114 文献标识码: A 文章编号: 037222112(2010)022******* A Review of Off 2Line Handwritten Chine se Character Recognition ZH AO Ji 2yin 1,ZHE NG Rui 2rui 2,W U Bao 2chun 1,LI Min 1 (1.College o f Electormechanical and Information Engineering ,Dalian Nationalities Univer sity ,Dalian ,Liaoning 116600,China ; 2.College o f Communication Engineering ,Jilin Univer sity ,Changchun ,Jilin 130025,China ) Abstract : Off 2line handwritten Chinese character recognition is one of the most challenging problems in pattern recognition field.This paper analyzed the latest developments of off 2line handwritten Chinese character recognition in recent years.Main meth 2ods of the key technologies such as Chinese characters segmentation ,feature extraction and classifier design were discussed.This pa 2per also introduced 3typical off 2line handwritten Chinese character recognition databases.Finally ,remain difficult issues and future trends of off 2line handwritten Chinese character recognition were proposed.This paper will guide researchers in this field and pro 2mote development of off 2line handwritten Chinese character recognition technology. K ey words : off 2line handwritten Chinese character Recognition ;characters segmentation ;feature extraction ;classifier design ;Chinese recognition database 1 引言 汉字识别是模式识别的一个重要分支,也是文字识 别领域最为困难的问题之一,它涉及模式识别、图像处理、统计理论等学科,呈现出综合性的特点,在办公和教学自动化、银行票据自动识别、邮政自动分拣、少数民族语言文字信息处理等技术领域,都有着重要的理论意义和实用价值[1].汉字识别技术可分为印刷体和手写体汉字识别两大类.手写体汉字识别又可分为联机(on 2line )和脱机(off 2line )手写体汉字识别.脱机手写体汉字识别可分为受限和非受限两种情况,如图1所示. 清华大学、中科院自动化所等著名高校和科研院所都致力于汉字识别的研究,以汉王科技股份有限公司为首的科技企业也推出了一系列成熟的商业产品[2].目前,很多论文提出的脱机手写体汉字识别的方法在不同的字符数据库试验中,取得了95%～99%的识别率,但是对真正的手写文档的识别效果却难以达到实际应用的要求. 目前脱机手写体汉字识别仍处于实验室研究阶 段,成功的商业产品仍未发布[2～4].本文着重讨论脱机手写体汉字识别的现状和存在的问题,明确今后的发展趋势,为脱机手写体汉字识别领域的广大研究人员提供参考和借鉴. 2 手写汉字字体特点 从识别的角度分析,汉字具有如下4个特点.2.1 汉字类别多 汉字的个数很多,国家标准G B1803022000《信息交换用汉字编码字符集基本集的扩充》收录27484个汉字[5].汉字个数在模式识别问题中体现为汉字的类别,因此汉字识别问题属于超大规模数据集的模式识别问题. 收稿日期:2009202216;修回日期:2009206213 基金项目:大连民族学院科研基金(N o.20086201);吉林省科技厅科技引导计划(N o.20090511) 第2期2010年2月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.38 N o.2 Feb. 2010
基于知识库的手写体数字识别
HUNAN UNIVERSITY 2016 年6 月 25 日 课程 模式识别 题 目 基于知识库的手写体数字识别 学生姓名 学生学号 专业班级 学 院 名 称
基于知识库的手写体数字识别 1案例背景： 手写体数字识别是图像识别学科下的一个分支，是图像处理和模式识别研究领域的重要应用之一，并且具有很强的通用性。由于手写数字的随意性很大，如笔画粗细、字体大小、倾斜角度等因素都有可能直接影响到字符的识别准确率，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多识别方法，并取得了一定的成果。在大规模数据统计如例行年检、人口普查、财务、税务、邮件分拣等应用领域都有广阔的应用前景。 本案例实现了手写阿拉伯数字的识别过程，并对手写数字识别的基于统计的方法进行了简要介绍和分析。本文实现的手写字体识别程序具有手写数字图像读取、特征提取、数字模板特征库以及识别功能。 2 理论基础： 2-1手写字体识别方法： 手写体数字识别是一个跨学科的复杂问题，综合了图像处理、模式识别、机器学习等多个领域的知识，其识别过程一般包含图像预处理、特征提取、分类器的设定及其后处理等组成。处理流程如图2-1所示。 图2-1 手写体数子识别流程图 2-2 图像预处理 手写体数字识别的首要工作是图像预处理。在图像预处理过程中需要解决的主要问题有：定位、图像二值化、平滑化(去噪)H J、字符切分、规范化等。图像二值化是指将整个图像呈现出明显的黑白效果。待识别的手写体数字图像在扫描过程中，常会带来一些噪声，用不同的扫描分辨率得到的数字图像，其质量也各不相同，故而要先将这些干扰因素排除掉。另外，还需要正确分割整幅文档图像中的手写体数字，而分割后的数字大小、字体常各不相同，故还需进行归一化处理。 2-3 特征提取 特征提取的目的是从经过预处理后的数字图像中，提取出用以区分与其它数字类别的本质属性并数值化，形成特征矢量的过程。常见的手写体数字特征有：模板特征、统计特征、结构特征和变换特征。
手写数字识别的原理及应用
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。 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（Open problem)。
手写数字识别的实现
燕山大学 课程设计说明书 题目：手写数字识别的实现 学院（系）： 年级专业： 学号： 学生姓名： 指导教师： 教师职称： 2012年 6 月 29 日
燕山大学课程设计（论文）任务书 院（系）：电气工程学院基层教学单位：自动化仪表系 2012年 6 月 29 日
燕山大学课程设计评审意见表
数字图像中手写数字识别的实现 摘要： 数字图像处理（Digital Image Processing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像中手写阿拉伯数字的识别和其他模式的识别所采用的方法是多种多样的。本文论述了图像中手写阿拉伯数字的识别过程，并对手写数字识别的三种方法（基于规则的方法、基于统计的方法和基于神经网络的方法）进行了简要介绍和分析，并通过实例重点对基于规则的方法进行了描述。最后是对这些方法的简要评价。 关键字： 二值化欧拉数矩阵matlab 目录
一、手写数字图像识别简介 (3) 二、正文：手写数字图像识别的主要流程 (3) 第一步................ .. (3) 第二步 (4) 第三步 (4) 第四步 (4) 三、程序 (4) 四、总结体会 (7) 五、参考文献.........................................................................................................,8 (如有不懂加QQ453543115) 一、手写数字图像识别简介 手写阿拉伯数字识别是图像内容识别中较为简单的一个应用领域，原因有被识别的模式数较少（只有0到9，10个阿拉伯数字）、阿拉伯数字笔画少并且简单等。手写阿拉伯数字的识别采用的方法相对于人脸识别、汉字识别等应用领域来说可以采用更为灵活的方法，例如基于规则的方法、基于有限状态自动机的方法、基于统计的方法和基
手写体数字识别方法的研究与实现
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功能等显著优点, 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。 手写体数字识别是多年来的研究热点也是字符识别中的一个特别问题。手写体数字识别在特定的环境下，如邮政编码自动识别系统，税表和银行支票自动处理系统等一般情况。当涉及到数字识别时，人们往往要求识别器有很高的识别可靠性，特别是有关金额的数字识别时，如支票中填写的金额部分，更是如此。因此针对这类问题的处理系统设计的关键环节之一就是设计出高可靠性和高识别率的手写体数字识别方法。这个领域取得了飞速的发展，部分是由于更好的学习算法，部分是由于更优良的训练集。美国国家科学学会（NIST）建立了
cnn实现手写数字识别
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data In [ ]: mnist = input_data.read_data_sets('MNIST_data',one_hot =Tr ue) batch_size =100 n_batch = mnist.train.num_examples // batch_size def weight_variable(shape): initial = tf.truncated_normal(shape,stddev =0.1) return tf.Variable(initial) def bias_variable(shape): initial = tf.constant(0.1,shape=shape) return tf.Variable(initial) def conv2d(x,W): return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME') #strides[0] = strides[3] = 1： def max_pool_2x2(x): return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1], padding='SAME') #ksize #ksize: A list of ints that has length >= 4. The size of th e window for each dimension o f the input tensor. #In general for images, your input is of shape [batch_size, 64, 64, 3] for an RGB image of 64x64 pixels. #The kernel size ksize will typically be [1, 2, 2, 1] if yo u have a 2x2 window over which you take the maximum. # On the batch size dimension and the channels dimension, k size is 1 because we don't want to take the maximum over mu ltiple examples, # or over multiples channels. #strides # The first 1 is the batch: You don't usually want to skip over examples in your batch, or you shouldn't have included them in the first place. :) # The last 1 is the depth of the convolution: You don't usu ally want to skip inputs, for the same reason. x = tf.placeholder(tf.float32,[None,784])#none为任意维度 y = tf.placeholder(tf.float32,[None,10])
手写数字识别(mxnet官网例子)
手写数字识别 简介：通过MNIST数据集建立一个手写数字分类器。（MNIST对于手写数据分类任务是一个广泛使用的数据集）。 1.前提：mxnet 0.10及以上、python、jupyter notebook（有时间可以jupyter notebook的用法，如：PPT的制作） pip install requests jupyter ——python下jupyter notebook 的安装 2.加载数据集： import mxnet as mx mnist = mx.test_utils.get_mnist() 此时MXNET数据集已完全加载到内存中（注：此法对于大型数据集不适用） 考虑要素：快速高效地从源直接流数据+输入样本的顺序 图像通常用4维数组来表示：（batch_size，num_channels，width，height） 对于MNIST数据集，因为是28*28灰度图像，所以只有1个颜色通道，width=28，height=28，本例中batch=100（批处理100），即输入形状是（batch_size，1，28，28） 数据迭代器通过随机的调整输入来解决连续feed相同样本的问题。测试数据的顺序无关紧要。 batch_size = 100 train_iter=,mnist['train_label'], batch_size, shuffle=True) val_iter = , mnist['test_label'], batch_size) ——初始化MNIST数据集的数据迭代器（2个：训练数据+测试数据）
3.训练+预测：（2种方法）（CNN优于MLP） 1）传统深度神经网络结构——MLP（多层神经网络） MLP——MXNET的符号接口 为输入的数据创建一个占位符变量 data = data = ——将数据从4维变成2维(batch_size,num_channel*width*height) fc1 = , num_hidden=128) act1 = , act_type="relu") ——第一个全连接层及相应的激活函数 fc2 = , num_hidden = 64) act2 = , act_type="relu") ——第二个全连接层及相应的激活函数 （声明2个全连接层，每层有128个和64个神经元） fc3 = , num_hidden=10) ——声明大小10的最终完全连接层 mlp = , name='softmax') ——softmax的交叉熵损失 MNIST的MLP网络结构 以上，已完成了数据迭代器和神经网络的申明，下面可以进行训练。超参数：处理大小、学习速率 import logging
手写体数字识别软件设计设计
唐山学院毕业设计 设计题目：手写体数字识别软件设计 系别：智能与信息工程学院班级：12通信2班 姓名： 指导教师： 2016年5月28日
手写体数字识别软件设计 摘要 手写体数字的识别，作为光学字符识别技术中的一类，是图像处理领域中很具代表性的课题，其核心技术是人工神经网络算法。通过计算机来进行图像处理，使手写数字被识别出来。 本软件主要用到的技术有数字图像的灰度化，二值化，图像的边缘检测和膨胀等预处理过程。还有特征提取，建立分类识别器进行识别的过程。本软件用到的主要技术为BP神经网络算法。用MATLAB R2014a软件编写程序，并设计GUI界面来运行程序。经过不断地调试改进，可以良好的对手写数字0-9进行识别。 在经济全球化的今天，对于手写阿拉伯数字的正确识别在金融领域，特别是银行票据处理，业务受理查询方面的应用将极大的方便人们日常生活，提高工作效率，这也使得手写数字的识别研究工作飞速发展。 关键词：字符识别特征提取BP神经网络MATLAB
The Design of Handwritten Numeral Recognition Software Abstract Handwritten number recognition, as a kind of optical character recognition technology, image processing field is the most representative of the topic and its core technology is artificial neural network algorithm.Through the computer to carry out the image processing, so that the handwritten numeral is recognized. The software is mainly used in the technology of digital image of the gray, image edge detection and expansion of the pretreatment https://www.sodocs.net/doc/f49208937.html,ing MATLAB R2014a software written procedures, and write a GUI interface to run the program. After continuously adjustable pilot improved can be a good opponent to write numbers 0-9 identification. In the economic globalization , for handwritten Arabic numerals recognition in the financial sector, especially the bank bill processing, business admissibility inquiry application will be greatly convenient for people daily life, improves work efficiency, which also makes handwritten digital recognition of rapid development. Keywords:Character recognition ; Feature extraction;BP neural network ; MATLAB