手写体数字识别系统的设计与实现

手写体数字识别系统的设计与实现DESIGNANDIMPLEMENTATIONOFHANDWRITTENDIGITRECOGNITIONSYSTEM[11]。输入原始的像素灰度值有其优点也有其缺点，优点是数字字符图片的所有信息都得以保留；缺点是特征维数输入值增大，网络建设工程量提高，神经网络变的更加复杂，判别一个分类器的好坏所需要的数据量在分类器训练过后都随着所用特征量的数目呈指数增长。该系统没有采用二值化特征向量，而是根据占据空格面积大小作为特征值。特征提取后图片变化如图5：图5特征提取Fig5FeatureExtraction（3）利用BP网络训练数据该系统使用两层BP神经网络对样本数据进行训练，网络单输入单输出，每层网络包含十个隐含层，其训练过程如图6：图6BP网络训练过程Fig6BPNetworkTrainingProcess这类方法，优点是输入的特征维数和神经网络的复杂度得以降低，大大提升了学习效率。但是，不是所有的手写数字类型都能够适用提取到的特征，想要提升分类器的性能，即使是多种较好的特征的集合也未必能做到。而且进一步抽取新的有效特征十分困难。从实验数据分析，大多数人并不满意这种方法，无法有效推广。4.3系统结果分析（1）当使用自建数据库中的图像,即原图像中用来预测的十个手写数字，系统误差率很低，预测结果如下：原始数字预测结果图7系统预测Fig7SystemDetection但是当重新建立数据库时，其预测准确率将会有所下降，经分析其主要原因是由于所新建的手写体数据库图片较之系统自建手写体数据库图片的分辨率有所差别，从而在经过图片预处理后，得到的特征向量会有所不同，因为该系统并非使用二值化特征向量，从而造成了其预测准确率的下降。（2）造成误差率下降还有一种情况，当BP神经网络隐含层个数被降低时，经分析造成原因主要是所建数据库太小，即包含的训练样本太小，使其的泛化能力较差，应先适当将数据库扩大，然后再用BP神经网络进行训练，可以降低其误差率。图8识别结果Fig8IdentificationResults4.4识别结果统计有关字符识别的研究，最后都绕不开精度这一问题，一个好的识别软件，它的识别率肯定是极高的。识别精度的计算公式为： A表示识别正确的数字，S表示错误识别与没有识别的数字之和，P为识别率。取100个手写数字进行识别，其识别结果如表1所示。表1识别结果Table1Identificationresults识别数字识别个数识别率识别数字识别个数识别率0660%5880%1550%6880%2880%7990%3990%8440%4880%9660%现实，但是仍有提升空间，识别率与实验次数成一定的正比关系，当实验测试总数达到某个临界值时，测试结果会渐渐趋于稳定，采取BP神经网络对手写体数字识别后的一个识别率可以达到相对较高的水平，因此还是有一定可取之处的，也具备一定的优势，虽仍存在少许错误，但也在一个可接受范围之内。5结论人的一生难免出现很多的第一次，作为第一次学习研究手写体数字识别系统，我本着严谨认真的态度认真学习了手写体数字识别的算法及院里，也参考了一些有关手写体数字识别的相关资料，并制定了以下几项步骤来识别手写体数字。先是经过图像预处理、特征提取，其中预处理的作用是将图像进行简单的处理，为接下来的特征提取提供便利，随后在识别系统中输入提取出来的特征值并将其识别出来。系统的核心其实是识别程序，主要采用的是BP神经网络算法。由于能力有限，时间安排的不合理，导致还有许多地方存在着不足，需加以完善，但仍能实现基本功能，我也将把这些学到的经验运用到将来其它种类的字符识别中去。在设计该软件的过程中我遇到了很多问题。首先MATLAB与我而言，还十分陌生，尽管曾经的课程设计用的就是MATLAB，但是对一些算法仍是一知半解。比如边缘检测函数和膨胀函数，对我来说是完全陌生的，但万事开头难，只要我们想去做，有这个时间、精力，我相信都是能做出一番成绩的，因此我也借着这个机会去系统的学习了一番。由浅入深的学习才是较为合理的方式，所以先通过一些比较简单的小程序，用以熟悉软件的基本工作原理。通过学习也知道了许多MATLAB的函数，这些函数对于我进行程序的编写起到了极大的促进作用。其实想要设计出一款完善的软件，还涉及到很多方面的知识，光是课堂上所学习到的还远远不够，所以我只能在网上翻阅资料、付费学习网课中有关图像处理的知识。经过这一段时间认真的自学后，我也算是迈开了一小步。针对特征提取的方法，我只是粗略的学习了粗网格提取的方法。除此之外还有许多种类的特征提取的方法并没有进行学习，希望能有机会学习这些方法。与我而言，从零开始，一步一个脚印的完成了这项设计，这是我以前一直不敢去尝试的，因此我很感激学校给了我这样的一个机会，不仅锻炼了我独立创作的能力，也让我对MATLAB这款软件的了解更加深刻。人的一生不是永远都一帆风顺的，总会或多或少的遇到一些阻碍，如何克服这些阻碍正是我们应该去思考的，相信通过这次毕业设计，许多同学包括我都获益良多，也希望以后能再有这样的机会去独立完成一项软件的设计。参考文献[1]DigitalImageProcessingSecondEdition[M].PublishingHouseofElectronicindustry，2006.[2]刘刚,张洪刚,郭军.用于脱机手写数字识别的隐马尔可夫模型%ApplicationofHMMinHandwrittenDigitOCR[J].计算机研究与发展,2003,040(008):1252-1257.[3]孔燕，袁辉，柯敏勇，范宇鑫，赵启林，潘大荣.基于支持向量机与BP神经网络的裂缝识别算法研究[J].山西建筑，2020.[4]毕玉珊.基于聚类分析与决策树算法的社交网络客户细分研究[D].北京工业大学，2019.[5]黄一格，张炎生.基于BP神经网络的手写数字识别系统[J].机电工程技术，2020，49（01）：108-110.[6]孙即祥.模式识别中的特征提取与计算机视觉不变量[M].国防工业出版社,2001.[7]耿西伟,张猛,沈建京.基于结构特征分类BP网络的手写数字识别[J].计算机技术与发展,2007(01):136-138.[8]邓丽华.脱机手写体数字识别技术研究[J].中国科技信息,2008(03):81-82.[9]范艳峰,肖乐,甄彤.自由手写体数字识别技术研究[J].计算机工程,2005,031(010):168-170.[10]卢畅畅,宁少文,唐德昌.光学字符识别技术(OCR)的研究于应用[J].中国战略新兴产业,2018,000(07X):P.1-3.[11]陈军胜,CHENJunsheng.组合结构特征的自由手写体数字识别算法研究[J].计算机工程与应用,2013,49(5):179-184.[12]胡小峰.VisualC++/MATLAB图像处理与识别实用案例精选[M].北京：人民邮电出版社，2004：32~35.[13]徐野,刘铁强.基于BP神经网络算法的手写数字识别技术研究[J].沈阳理工大学学报,2010,029(005):13-16.[14]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社,2013.[15]张充,史青宣,苗秀芬,等.基于BP神经网络的手写体数字识别[J].计算机技术与发展,2008,018(006):128-130,163.[16]任丹,陈学峰.手写数字识别的原理及应用[J].计算机时代,2007,000(003):17-18,21.[17]马锐.人工神经网络原理[M].机械工业出版社,2010.[18]张铮徐超任淑霞.数字图像处理与机器视觉--VISUALC++与MATLAB实现(第2版)(附光[M].人民邮电出版社,2014.[19]田一然.手写体数字识别技术的研究与实现[D].吉林大学,2015.[20]周政.BP神经网络的发展现状综述[J].山西电子技术,2008,000(002):90-92.[21]杨宇轩.基于神经网络的手写数字识别[J].通讯世界,2019(12).[22]王沂蒙;孙沐钰;吉庆元;杜书宁.基于MATLAB图像信号处理的交通灯设计[J].计算机产品与流通，2020.致谢时光荏苒，大学的四年即将迎