基于深度学习技术的手写数字识别方法研究与实现.doc

摘要:光学字符识别技术自从提出以来，就引起了很多学者的关注，随着光学技术的发展以及人们生活水平的提高，手写体识别一度成为人们研究的热点问题。

本文利用深度学习技术对手写数字进行识别。研究的内容主要如下： 

（1）手写数字图像采集。本课题选择了5名在校大学生为手写数字采集对象，每个人手写100张图片。

（2）特征提取。基于卷积神经网络建立一个可以区分每个写字人特点的图像特征提取方法。分别对300张训练图像和200张测试图像进行预处理，然后用深度学习技术中的卷积神经网络对图像文本进行特征提取，得到深度学习特征。

（3）分类器构建。本课题采用了K-近邻分类器对深度学习特征进行分类，并进行预测。

测试结果表明，从本课题识别手写数字的错误率为3.53%，说明本算法具有较好的精确度。

关键词：卷积神经网络；数字识别；特征抽取；K近邻分类器

目录

摘要

Abstract

1 绪论-1

1.1 本课题的背景及意义-1

1.2 国内外研究历史和现状-2

1.3 本文研究内容-3

1.4 本文组织结构-3

2 相关技术-4

2.1手写数字图像预处理技术-4

2.1.1 二值化-4

2.1.2 归一化-5

2.2 分类器介绍-5

2.2.1 K-近邻分类器-5

2.2.2 朴素贝叶斯分类器-6

2.2.3 高斯过程分类器-6

2.2.4 支持向量机（SVM）-7

2.3 深度学习-7

2.3.1 深度学习概述-7

2.3.2 深度学习训练过程-8

2.3.3 深度学习常用的模型或方法-8

3 算法-12

3.1 手写数字识别的过程-12

3.1.1 手写数字识别的一般过程-12

3.1.2 手写数字识别难点-13

3.2 手写数字图像库的建立-14

3.2.1 图像文本的选择-14

3.2.2 手写数字图像库-14

3.2.3 建立训练集和测试集-15

3.3 图像处理-15

3.3.1 图像灰度二值化-15

3.3.2 图像归一化-15

3.4 图像特征提取-16

3.4.1 卷积神经网络-16

3.4.2 基于卷积神经网络的特征提取-20

3.5 K-近邻分类器-21

4 仿真实验-23

结    论-25

参 考 文 献-26

致    谢-27