采用卷积神经网络的数字手写体识别的研究

卷积神经网络(Convolutional Neural Network,CNN)是近年发展起来并引起广泛重视的一种高效的识别方法。计算机对于数字手写体的识别,从根本上说是数字读取和图像分类。本文针对传统的卷积神经网络中激活函数收敛速度慢且梯度易弥散的问题,对CNN中的激活函数进行改进。在遵循Le Net-5模型的基础上,将改进后的CNN模型的算法进行推导,并对比不同迭代次数下CNN的正确率。实验结果表明,改进后的CNN模型收敛性有所改善,数字手写体识别的准确率也有明显提高。

基于深度学习的CNN手写体数字识别

从深度学习卷积神经网络(CNN)的结构功能出发,重点研究了手写体数字通过神经网络的识别性能,以及当手写体数字染有各种噪声(高斯噪声、椒盐噪声、泊松噪声和斑点噪声等)时的性能。为了改善和提高卷积神经网络的性能,采用迁移学习技术,将ReLu学习单元更换为LeakyReLu学习单元,其他层保持不变,其目的是为了进一步改善Sigmod神经元函数易饱和的缺点,提高了学习效率和速度。

基于手写体数字识别的激活函数对比研究

针对手写体数据集在卷积神经网络训练时分别使用sigmoid、tanh、relu与mish激活函数进行实验,对这四种激活函数下训练集误差值收敛曲线以及测试集精度曲线进行算法结果分析,实验结果表明,mish激活函数在手写体数据集上进行卷积神经网络训练时效果更佳,而同样得出不同的训练数据集、激活函数的选择会影响算法对数据的拟合度和神经网络的收敛性。

基于CNN网络的手写体数字识别系统的实现

手写体数字识别现在仍是图像识别分类的一个热点,而基于卷积神经网络的深度学习算法具有局部区域连接、权值共享、降采样的结构特点,使得卷积神经网络在图像处理领域有出色表现。以实现手写体数字高精度识别为目标,设计并实现一个基于卷积神经网络的高精度手写体数字识别系统。首先,通过Pyqt5平台设计一个人机交互的GUI界面,其次进行手写体数字图像的采集与预处理,变换成规范的三维向量输入到CNN网络卷积层中,接着进行各个网络层的运算处理,最后通过Softmax输出分类结果。仿真实验结果下MNIST数据集识别模式下的识别率为99.9%,手写输入识别模式下的识别率为98%。结果表明:基于CNN的神经网络识别准确率高,实现技术简单,实用性高。

基于多分类器组合的手写体数字识别

本文提出了一个基于多分类器组合的手写体数字识别方法．文中首先给出了一个客观评价分类器性能的参数，其后基于此参数提出了多分类器的组合方法，并从理论上研究了此方法的一些性质．本文实验采用Concordia大学模式识别与机器智能中心的手写体数字数据库，在实验中，使用了9个利用不同特征分类器进行组合．组合后识别率、拒识率和可靠性分别可达到97．05％，2．05％，99．08％．

基于轮廓分段特征的手写体阿拉伯数字识别

文中提出了一种新的手写体数字识别的结构方法，将字符轮廓划分为特征片段：凸弧、凹弧、直线段、端点、洞，并由特征片段得到特征基元，构成对字符结构的完整描述．文中还提出了一种轮廓点的曲率滤波方法以及利用字符的特征基元序列测量两样本之间的相似度方法．在此基础上，提出了一个两阶段的识别方法及两种拒识准则．在第一阶段，通过基于相似度比较的分类器，对每个待识字符识别或拒识．拒识的字符进入第二阶段识别．拒识分两种情况：待识字符与任一类训练样本都不相似，称为第一类拒识；与两类训练样本都相似，为第二类拒识．在第二阶段，对于第一类拒识，重新提取特征后再入分类器．对于第二类拒识，用一个专用的二义识别过程识别．

基于结构特征的手写体数字识别算法

提出了基于结构特征的手写体数字识别方法。首先，采用14模板法进行细化，然后提取了点、线、圆等结构特征，并根据相关信息进行特征组合，最后采用粗细两阶段分类法进行分类。

手写体数字识别技术的研究

手写体数字识别特征提取方面，有模板匹配，统计特征和结构特征，在分类器设计上有基于距离的分类器和神经网络分类器等。分析和评价了这些问题后，指出今后的研究方向应在特征综合、分类器集成以及新的分类器的研究上。

手写体数字有效鉴别特征的抽取与识别

文中提出了基于后验概率估计的多特征多分类器组合识别的估计法，并提出了基于具有统计不相关性的最佳鉴别变换与ＫＬ变换抽取手写体数字的有效鉴别特征的方法．实验采用Ｃｏｎｃｏｒｄｉａ Ｕｎｉｖｅｒｓｉｔｙ ＣＥＮＰＡＲＭＩ手写体数字数据库．用最近邻距离分类器与最近邻相关分类器这两个分类器，对手写体数字的１２ 个特征做多特征多分类器组合识别实验． 实验结果表明：估计法优于常用的投票法与计分法，估计法的识别率高达９７％ ．本文最后基于一个严格的结构分类器与估计法提出了一个集成分类器，该集成分类器获得了更好的实验结果：识别率、拒识率与可靠性分别可达到９７．１５％ 、２．０５％ 、９９．１８％ ，这是目前在该手写体数字数据库上所得到的最好的实验结果．

基于轮廓和统计特征的手写体数字识别

提出了数字规范化模板特征,并利用这一特征与轮廓分段特征相结合对手写体数字进行识别。首先使用基于轮廓分段特征的分类器进行识别,通过提高拒识率获得高可靠性的分类结果。然后由基于数字规范化模板特征的分类器对前一级分类器的拒识样本分类。实验结果表明分别基于这两个特征的分类器在分类结果上具有较强的互补性。实验的数据为真实支票上采集的10000个手写体数字样本,该方法的识别率为98.06%。

UK心理测试自动分析系统的手写体数字识别

针对 UK心理测试自动分析系统的手写体数字识别问题 ,提出了结构特征和统计特征相组合的三级分类方案 .经过印刷体去除、二值化、作业量判别等预处理之后 ,一级分类器提取点、线、圆等结构特征并进行组合构造相应模板 ,然后采用粗细两阶段方案进行模板匹配 ;二级分类器提取区域模糊统计特征 ,构造了 10个一对多的SVM分类器 ;三级分类器提取投影特征、笔划特征、Fourier变换特征等 ,然后利用 RBF神经网络进行分类 .实验表明该方法合理有效 .

基于SVM的手写体数字快速识别方法研究

手写体数字识别是图像处理与模式识别中具有较高实用价值的研究热点之一。在保证较高识别精度的前提下,为提高手写体数字的识别速度,提出了一种基于SVM的快速手写体数字识别方法。该方法通过各类别在特征空间中的可分性强度确定SVM最优核参数,快速训练出SVM分类器对手写体数字进行分类识别。由于可分性强度的计算是一个简单的迭代过程,所需时间远小于传统参数优化方法中训练相应SVM分类器所需时间,故参数确定时间被大大缩减,训练速度得到相应提高,从而加快了手写体数字的识别过程,同时保证了较好的分类准确率。通过对MNIST手写体数字库的实验验证,结果表明该算法是可行有效的。

集成型神经网络手写体数字识别

采用边缘检测算子对手写体数字进行特征提取,分别得到数字的水平、垂直、左右对角线方向特征以及全局特征,然后利用Kirsch5个改进的神经网络分类器分别对这种特征进行训练和初分类,最后再利用一个神经网络对个子网络的识别结果进行集成识别,取得BP5BP5了较好的实验效果。

手写体数字识别系统中一种新的特征提取方法

本文对手写体数字的特征提取方法进行了讨论,分析了当前使用较多的三种特征提取方法,指出了各自的优缺点,并在此基础上提出了一种新的特征提取方案,即13点特征提取方法,该方法从每个字符中提取关键的13个点作为特征点,其主要特点是特征提取简单有效,节省了特征提取时间,提高了识别系统的运行速度.用同一种网络对特征提取后的结果进行训练和识别.仿真结果表明,13点特征提取法用于手写体数字的识别有着极好的适应性,在运行速度和识别率上比起其它算法都有很大的提高,从而极大地证实了新算法的有效性及实用性.

基于组合分类器的自由手写体数字识别方法

自由手写体数字识别广泛应用于信息录入和文本识别中。基于组合分类器实现手写数字的识别,克服了单因子识别的局限性,识别中使用距离法和改进的BP神经网络方法,以多种特征向量作为分类器的输入,以举手法则确定识别输出。实验证明,该系统具有较高的识别率和极低的误识率,有令人鼓舞的应用价值。

基于整体特征的快速手写体数字字符识别

该文通过模拟人眼识别数字字符的过程,提出了一种基于字符整体特征(凹凸特征)的快速手写体数字字符识别方法。该方法不需要对字符图像做复杂的细化处理,减少了细化形变可能带来的误识和拒识;也不需要进行复杂的笔道特征分析,因此速度非常快。同时,由于不同人书写的数字字符的整体特征都相同,因此该方法的识别率也非常高。

多尺度特征和神经网络相融合的手写体数字识别

针对传统特征提取方法无法有效解决书写随意性的干扰问题,提出了一种多尺度特征和神经网络相融合的手写体数字识别方法。首先提取手写体数字二值图像的轮廓、笔画次序等结构特征,并旋转坐标轴,提取多角度结构特征;然后将字符从中心点到外边框划分为K层矩形子层,提取每层图像的灰度特征,最后以两种多尺度特征构建神经网络模型,并预测测试集合样本。将该算法实际用于以MNIST字体库构建的两个数据集识别,其精度高达99.8%,并能有效降低倾斜等手写字体的随意性影响。

手写体数字识别中一种新的倾斜校正的方法

介绍了在手写体数字识别预处理过程中一种新的倾斜校正的方法,该方法利用手写数字的图像的高与宽的比值是否最大来确定倾斜校正是否完毕。在校正过程中,手写体数字的图像高度逐渐变高,宽度逐渐变窄,所以当图像的高与宽的比值最大的时候倾斜角度最小。

基于神经网络及多层次信息融合的手写体数字识别

以信息融合技术为基础 ,提出了一种新的基于神经网络及多层次信息融合的手写体数字识别方法 .该方法通过提取字符图像不同机制的 4个互补特征 ,组合形成 6个融合特征 ,利用优化的BP神经网络算法 ,对多融合特征进行识别分类 ,然后用神经网络对 6个识别结果进行融合决策 .实验结果表明 ,新的融合识别方法能有效提高识别率 ,并具有较高的系统可靠性 .

手写体数字识别系统中一种新的特征提取方案

本文时手写体数字识别系统中的数字特征提取方法进行了深入的研究,分析了当前用得比较多的三种特征提取方法,在此基础上提出了一种新的特征提取方案。该方案从每个字符中提取关键的13个点作为特征点,其主要特点是特征提取简单有效.节省了特征提取时间,提高了识别系统的运行速度。进行仿真时,用同一种网络对特征提取后的结果进行训练和识别,仿真结果表明,13点特征提取法用于手写体数字的识别有着极好的适应性,在运行速度和识别率上比起其它算法都有很大的提高,从而极大地证实了新算法的有效性及实用性。