[发明专利]一种手写数字识别的方法、装置及相关组件

说明书

本申请公开了一种手写数字识别的方法，所述方法包括获取书写模板上第一预设区域内字体格式为液晶体数字的手写数字样本；其中，所述书写模板的第一预设区域内设有多个液晶体数字的轮廓线，以便用户根据所述轮廓线书写液晶体数字格式的数字；提取所述手写数字样本中每一手写数字的特征信息，并将所有所述特征信息与标准数字特征信息匹配得到匹配结果；根据所有所述匹配结果生成所述手写数字样本的识别结果。本方法能够提高手写体数字的识别准确率。本申请还公开了一种手写数字识别的系统、一种计算机可读存储介质及一种电子设备，具有以上有益效果。

技术领域

本申请涉及字符识别技术领域，特别涉及一种手写数字识别的方法、装置、一种计算机可读存储介质及一种电子设备。

背景技术

字符识别是模式识别的一个研究热点，手写数字识别技术作为其重要的研究分支，得到了广泛的关注与发展。手写数字识别是一种利用计算机以及一些识别设备自动辨认手写阿拉伯数字的技术。常见应用主要包括邮件自动分拣、财务报表、银行单据的检查和处理、数据录入等。这些任务一般都需要非常高的识别精确度和非常快的识别速度，然而，由于不同人的手写风格迥异，差距较大，因此手写体数字的格式难以规范，准确识别有较大的难度。

近年来，深度学习技术的发展为解决手写体数字识别提供了新途径，现有技术基于神经网络的对手写体数字进行识别。深度学习基于一组算法，试图通过使用多个非线性信息处理阶段对数据建模进行更高层次的抽象，重点学习数据的表达。在深度学习环境中，基于表示学习的模式识别任务已经成功实现。由于数据的可用性和对分类任务的高准确性和良好泛化能力，神经网络已经成为解决问题的主要方法.CNN(Convolutional NeuralNetwork，卷积神经网络)在字符和数字识别上展示了优秀的识别率。CNN技术的优势在于能够自动提取了输入字符中不变的显著特征。虽然这些模型具有较高的精度，但是为了实现对神经网络的权值进行了微调以便提取出更好的特征，并使收敛速度慢于最优解需要付出一些相应的代价，即大量的计算和复杂的体系结构开发。

对于手写体数字的识别，目前大都基于MNIST手写体数据集进行训练识别，但若使用MNIST数据库上训练出的模型来对该数据库以外的手写体数字样本进行测试，识别率很低。也就是说，基于特定数据集进行训练的神经网络模型，对非数据库中的样本进行识别时准确率并不理想。目前在实际应用中CNN识别系统不稳定，其泛化性能的提高是一个瓶颈性的难点。

因此，如何提高手写体数字的识别准确率是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种手写数字识别的方法、装置、一种计算机可读存储介质及一种电子设备，能够提高手写体数字的识别准确率。

为解决上述技术问题，本申请提供一种手写数字识别的方法，该方法包括：

获取书写模板上第一预设区域内字体格式为液晶体数字的手写数字样本；其中，所述书写模板的第一预设区域内设有多个液晶体数字的轮廓线，以便用户根据所述轮廓线书写液晶体数字格式的数字；

提取所述手写数字样本中每一手写数字的特征信息，并将所有所述特征信息与标准数字特征信息匹配得到匹配结果；

根据所有所述匹配结果生成所述手写数字样本的识别结果。

可选的，所述书写模板包括第二预设区域，所述第二预设区域内设有字体格式为所述液晶体数字的标准数字样例。

可选的，提取所述手写数字样本中每一手写数字的特征信息包括：

通过每一液晶体数字笔画对应的检测窗口提取所述手写数字样本中每一手写数字的特征向量；

其中，所述检测窗口位于每一所述液晶体数字笔画对应的轮廓线上且所述检测窗口的尺寸在预设尺寸范围内。