[发明专利]一种基于图像特征的手写数字识别方法

说明书

本发明公开了一种基于图像特征的手写数字识别方法，包括以下步骤：(1)图像预处理；(2)基于预处理后的手写数字图像数据集，构建网络模型，设计网络的输入区域、卷积区域、池化区域和输出区域，并进行训练，最终训练出用于手写数字识别的网络模型；(3)构建可视化系统界面，展示导入手写数字图像、预处理和识别数字的过程。本发明基于原始图像进行去噪和去冗余特征的操作，基于数字图像特征构建用于识别的网络模型的结构和参数，具有较快的识别速度、较高的准确性以及较好的识别效果；采用图形化界面展现分析和识别数字的过程，以可视化界面展示其分析和识别过程，有效满足了当前对手写数字识别的要求。

技术领域

本发明涉及图像信息的分析与识别方法，尤其涉及一种基于图像特征的手写数字识别方法。

背景技术

手写数字识别技术是模式识别研究的主要领域之一。近年来，随着手写识别技术的发展，对文档中的数字的识别已经达到了不错的识别率，并且很多已经得到了商业应用。由于当今的经济发展，金融市场发展日益加快，票据业务发展很快，例如个人凭证，支票，发票，进账单等票据都需要处理大量信息，如果这些信息全依赖人工输入，无疑会浪费大量人力物力，会造成成本高、效率低等问题。所以，手写数字识别显得非常有必要。目前已有的手写数字识别的方法主要是两种，分别为基于邻近算法的数字识别方法和基于支持向量机的数字识别方法。

基于邻近算法的数字识别方法主要是在文本分类上有着极好的分类效果，包括信息检索、信息过滤等任务。但邻近算法仍然存在不足，主要表现为对于高维文本向量样本规模较大时，算法的时间和空间复杂度较高，当新的待分类样本到来时，每次都要计算其与所有训练样本的距离(或相似度)，这就大大降低了算法的效率。

基于支持向量机的数字识别方法是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。支持向量机在解决小样本数据上相比传统的模型有明显较高的正确率，但是它依然存在不足，主要表现为特征提取难度大，特征提取的好坏直接影响着系统的性能。

在实际运用中，这两种方法的都存在一定的不足，往往表现为模型的抗噪声能力差，容易提取到一些冗余特征，当手写数字像素较低或图像模糊时，识别正确率较低。因此，目前现有的手写数字的识别技术难以满足当前手写数字识别的需求。

发明内容

发明目的：针对现有技术存在的不足，本发明目的是提供一种基于图像特征的手写数字识别方法，对于一些低像素和清晰度较低的手写数字，可以实现较高准确度的识别，进而以可视化界面展示其分析和识别过程，有效满足了当前对手写数字识别的要求。

技术方案：一种基于图像特征的手写数字识别方法，包括以下步骤：

(1)对图像进行预处理操作；

(2)构建网络模型，设计网络的输入区域、卷积区域、池化区域和输出区域，对预处理后的手写数字图像数据集进行训练，得到用于手写数字识别的网络模型；

(3)构建可视化系统界面，展示导入手写数字图像、预处理和识别数字的过程。所述可视化系统包括图像导入模块，预处理模块和手写数字识别模块；其中，所述图像导入模块用于获取手写数字图片，预处理模块对手写数字图像进行预处理并展示，手写数字识别模块利用训练好的手写数字识别网络模型，识别手写数字并输出该数字和识别的时长。

进一步的，所述步骤(1)具体包括如下内容：

(1.1)对导入的原始手写数字图像进行去噪处理；

(1.2)对图像进行整形，再对图像进行灰度化处理，即

Y＝0.3R+0.59G+0.11B

其中，Y是处理后的数值，R、G和B分别是图像色度的三个分量；

(1.3)进行像素矩阵的数值归一化，将像素值范围从0～255之间缩放到0～1之间。