基于多神经网络集成的手写数字识别

论文摘要

手写数字识别是利用机器或计算机自动辨认手写体阿拉伯数字的一种技术,是光学字符识别技术的一个分支。由于阿拉伯数字的世界通用性,并且数字的识别和处理也常常是一些自动化系统的核心和关键,所以对手写体数字识别的研究通用性强,且意义重大。在对多种手写字符识别的相关技术进行调查和研究后,本文提出了一个基于多级神经网络集成的手写数字识别仿真系统,面向脱机手写体孤立数字的识别。整个系统由四个模块构成:首先以图像预处理模块和字符特征提取模块作为模式数据输入的基础;其次采用多个BP神经网络作为识别的核心分类器,即分类模块;然后对这些神经分类器的输出结果进行融合判决来获得最终识别结果,即决策模块。本文的主要研究工作集中在特征提取和多分类器融合识别上。在特征提取方面,在对多种有发展潜力的特征提取方法进行实验分析的基础上,提出了一种全局特征和两种局部特征作为主特征,并组合一系列低维辅助特征的组合方法。实验证明这三组组合的特征向量对手写数字均具有高分类能力。在多分类器融合方面,将本文提出的融合方法与对其它多种融合方法进行了实验分析和对比。实验表明,利用多分类器融合策略均可以达到高精度识别,并且本文提出的融合方法略优于其它融合方法。本文第一章介绍了手写体数字识别的应用前景、研究现状以及研究方法,并介绍了模式识别的常用方法,说明了手写体数字识别的难点和其广阔的应用前景。第二章介绍了手写体数字识别中的预处理技术,包括图像的平滑、二值化、图像规范化,细化等技术,同时介绍了本文提出的细化后处理算法。第三章介绍了特征提取技术,以及本文的识别系统中使用的特征提取算法,并通过实验分析选择了最佳特征组合方案。第四章介绍了神经网络的原理和算法,并指出神经网络用于手写数字识别的内在机理和独特优势。最后,通过本文提出的数字识别仿真系统对MNIST手写数字图像库分别进行了三种单分类器识别实验和多级分类器的若干融合方法实验。实验表明单分类器最好识别率为98.14%,而多分类器融合方法的识别性能均高于单分类器系统,最高识别率达到了98.47%。最后,加入4%左右的据识策略时,得到99.60%的识别精度,错误率仅为0.38%,具备实用价值。

论文目录

• 摘要
• Abstract
• 1. 绪论
• 1.1 字符识别概述
• 1.2 字符识别的研究与发展
• 1.3 手写数字识别的应用前景
• 1.4 手写数字识别的难点
• 1.5 手写数字识别系统概述
• 1.5.1 原始图像获取阶段
• 1.5.2 预处理阶段
• 1.5.3 特征提取阶段
• 1.5.4 分类识别阶段
• 1.5.5 判别处理阶段
• 1.6 手写体数字识别系统性能评价方法
• 1.7 实验数据库简介
• 1.8 论文主要研究内容及章节安排
• 2. 手写数字识别中的预处理技术
• 2.1 引言
• 2.2 图像二值化技术
• 2.2.1 二值图像概论
• 2.2.2 图像二值化的概念和方法
• 2.3 图像规范化技术
• 2.3.1 图像规范化技术概述
• 2.3.2 图像规范化的常用方法
• 2.4 图像的平滑滤波技术
• 2.5 字符的细化技术
• 2.5.1 细化技术概述
• 2.5.2 细化算法分类
• 2.5.3 细化后处理技术
• 2.6 本章小节
• 3. 手写数字识别中的特征提取技术
• 3.1 引言
• 3.2 结构特征
• 3.2.1 结构点特征
• 3.2.2 投影密度特征
• 3.2.3 外轮廓差特征
• 3.2.4 穿越密度特征
• 3.3 统计特征
• 3.3.1 全局Kirsch 边缘方向特征
• 3.3.2 局部链码方向特征
• 3.3.3 局部凹度变换特征
• 3.3.4 网格像素分布特征
• 3.4 特征组合实验
• 3.5 本章小节
• 4. 神经网络分类器
• 4.1 引言
• 4.2 神经网络概述
• 4.3 神经网络的基本模型
• 4.4 BP 神经网络
• 4.4.1 多层前馈网络
• 4.4.2 反向传播学习算法
• 4.5 BP 神经网络分类器设计
• 4.6 神经网络分类器的训练和比较
• 4.7 本章小节
• 5. 多分类器的融合识别
• 5.1 引言
• 5.2 多分类器融合的分类
• 5.3 多分类器并联融合
• 5.4 动态权值方法
• 5.5 实验结果及分析
• 6. 结论
• 参考文献
• 后记
• 致谢
• 在读期间科研成果目录