手寫(xiě)體數(shù)字識(shí)別中的關(guān)鍵技術(shù)研究.pdf

1、在信息化飛速發(fā)展的今天，光學(xué)字符識(shí)別技術(shù)一直扮演著重要的角色。手寫(xiě)字符識(shí)別作為光學(xué)字符識(shí)別領(lǐng)域中的一個(gè)重要分支，有著廣泛的現(xiàn)實(shí)應(yīng)用。此外，該領(lǐng)域的研究成果也能夠推廣到諸如漢字識(shí)別、人臉識(shí)別等其他模式識(shí)別領(lǐng)域。因此，對(duì)于手寫(xiě)體字符識(shí)別的研究既具有現(xiàn)實(shí)應(yīng)用意義，同時(shí)也具有理論學(xué)術(shù)意義。特征提取和分類(lèi)器設(shè)計(jì)是光學(xué)字符識(shí)別中的兩個(gè)關(guān)鍵技術(shù)環(huán)節(jié)。在特征提取方法中，主成分分析是一種被廣泛采用的方法。但該方法存在運(yùn)算時(shí)間長(zhǎng)、識(shí)別率較低、工程實(shí)際應(yīng)用困

2、難等問(wèn)題。在分類(lèi)器設(shè)計(jì)環(huán)節(jié)，神經(jīng)網(wǎng)絡(luò)憑借其出色的分類(lèi)性能而被廣泛采用。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法中，BP算法是一種被廣泛采用的算法。但BP算法是基于梯度下降理論設(shè)計(jì)的，該算法存在著諸如容易陷入局部極小、隱層神經(jīng)元個(gè)數(shù)選擇缺乏理論依據(jù)、訓(xùn)練時(shí)間長(zhǎng)等諸多問(wèn)題。近年來(lái)，在人臉識(shí)別領(lǐng)域提出了二維主成分分析的特征提取方法，較之傳統(tǒng)主成分分析方法具有更高的識(shí)別率和更短的特征提取時(shí)間。本文在此基礎(chǔ)上，改進(jìn)了主成分分析中的特征生成矩陣，使用了新的樣本像素分類(lèi)方

3、法，提高了系統(tǒng)的識(shí)別率。主要研究?jī)?nèi)容如下： ⑴將近年來(lái)在人臉識(shí)別領(lǐng)域提出的二維主成分分析算法應(yīng)用于手寫(xiě)數(shù)字識(shí)別問(wèn)題，并與經(jīng)典主成分分析算法進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示，二維主成分分析算法在特征提取時(shí)間以及識(shí)別率上都要優(yōu)于經(jīng)典的主成分分析算法。 ⑵在二維主成分分析算法的基礎(chǔ)上，在計(jì)算特征生成矩陣階段提出了新的樣本圖像像素分組策略NetPCA。該方法綜合了統(tǒng)計(jì)特征和結(jié)構(gòu)特征兩種特征提取方法。在樣本測(cè)試階段，使用該策略提取的特

4、征的最佳識(shí)別率要優(yōu)于二維主成分分析。 ⑶使用代數(shù)算法這一新的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器。該算法將復(fù)雜的非線性優(yōu)化問(wèn)題轉(zhuǎn)化為了簡(jiǎn)單的代數(shù)方程組求解問(wèn)題，并實(shí)現(xiàn)了代價(jià)函數(shù)為0的精確映射。解決了傳統(tǒng)BP算法容易陷入局部極小、訓(xùn)練時(shí)間長(zhǎng)、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定缺乏理論依據(jù)等缺陷。 ⑷實(shí)現(xiàn)了基于主成分分析特征提取、神經(jīng)網(wǎng)絡(luò)分類(lèi)器的手寫(xiě)數(shù)字識(shí)別系統(tǒng)。并通過(guò)了對(duì)美國(guó)國(guó)家郵政局USPS字庫(kù)中全部字符完整的識(shí)別實(shí)驗(yàn)，證實(shí)了上述算法的有