BP神经网络手写体数字识别研究

论文摘要

手写体数字识别是字符识别的一个重要研究分支。手写数字识别在大规模数据统计中,在财务、税务、金融领域中,在邮件分拣中具有广泛的应用,利用计算机自动处理这些数据,可以节约大量的时间、金钱和劳力,具有较大的实用价值。手写数字虽然只有10个种类,在实际应用中,对识别的精度要求非常高,而手写体数字的变动性却非常大,在这种情况下,要想提高识别精度存在难度。本研究识别的对象是单个的手写体数字,论文首先阐述计算机字符识别技术的必要性,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;接着讨论了手写数字识别的预处理技术,包括平滑、去噪声、二值化、归一化和细化等。对数字图像预处理的各种常用方法进行分析和比较后,提出用中值滤波法对图像进行去噪处理,用整体阈值法进行二值化,整体阈值由灰度直方图确定,用横井法进行细线化处理;然后对常用手写数字特征提取方法进行比较研究的基础上,提出用逐像素特征法提取数字特征;建立了一个基于BP神经网络的手写体数字识别系统,用30组训练样本进行训练,10组测试样本进行测试,其识别准确率分别达到98%、86%,取得了较好的系统性能;本研究使用VC++实现了所研究的手写体数字识别系统。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 引言
• 1.2 字符识别发展历史及其研究现状
• 1.3 手写数字识别研究的目的和意义
• 1.4 研究难度
• 1.5 手写数字识别的一般方法
• 1.6 研究内容
• 第二章 图像预处理
• 2.1 数字图像的读取
• 2.2 手写体数字图像平滑滤波
• 2.2.1 频域上的平滑算法
• 2.2.2 实域上的平滑方法
• 2.3 数字图像二值化
• 2.3.1 阈值的确定方法
• 2.3.2 整体阈值二值化
• 2.4 数字图像归一化
• 2.4.1 位置归一化
• 2.4.2 大小归一化
• 2.5 数字图像细化
• 2.5.1 基本条件
• C'>2.5.2 连接数N_C
• 2.5.3 保持连接性的条件
• 2.5.4 去除1─像素条件
• 2.5.5 横井法细线化
• 第三章 特征提取
• 3.1 手写数字特征提取方法简介
• 3.1.1 逐像素特征提取法
• 3.1.2 骨架特征提取法
• 3.1.3 垂直方向数据统计特征提取法
• 3.1.4 13特征点提取法
• 3.2 手写数字识别的特征选择
• 3.2.1 特征选择原则及方法
• 3.2.2 本研究的特征提取算法
• 第四章 神经网络概述
• 4.1 人工神经网络简述
• 4.1.1 基本原理
• 4.1.2 BP神经元
• 4.2 BP网络
• 4.2.1 正向传播
• 4.2.2 反向传播
• 4.2.3 BP算法的改进
• 4.3 本研究BP神经网络的设计
• 4.3.1 确定BP网络的结构
• 4.3.2 误差的选取
• 4.3.3 算法改进
• 4.4 神经网络分类器设计结果
• 第五章 基于BP神经网络的手写数字识别系统实现
• 5.1 数字识别系统组成
• 5.2 系统程序设计语言
• 5.3 手写体数字识别系统各部分实现
• 5.3.1 获得待识别手写体数字图片
• 5.3.2 图像预处理和特征提取模块
• 5.3.3 神经网络的训练和识别模块
• 5.4 系统识别性能
• 5.5 系统使用方法
• 结论
• 致谢
• 参考文献
• 附录 1:攻读硕士研究生期间发表的论文目录、参加科研项目
• 附录 2:部分源程序