| 【中文题名】 | 基于支持向量机的脱机手写字符识别研究 |
| 【英文题名】 | Research on Off-line Handwritten Character Recognition Based on Support Vector Machine |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-25 |
| 【中关键词】 | 特定人,脱机手写字符,支持向量机,特征提取,核函数,参数 |
| 【英关键词】 | Specific Persons,Off-line Handwritten Characters,Support Vector Machine,Feature Extraction,Kernel Function,Parameter,Penalty Parameter, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
字符是人类进行信息交流的重要工具。随着国家信息化进程的加快,手写字符识别的应用需求将越来越广泛,因此应当加强这方面的研究工作。经过长期的工作,脱机手写体字符识别的研究受到更多关注,在字符的分割、预处理等方面已经取得了大量的成果,技术已经趋于成熟。但在字符的识别方面,由于脱机手写字符识别处理的仅是二维的字符点阵图像,而且存在字符变形大等原因,使得实现高效的手写字符识别存在一定的困难。此外,传统统计模式识别的方法是在样本数目足够多的前提下进行的,只有在样本数趋于无穷时才能获得较好的效果。但在实际问题中,样本数通常是有限的,这时原有方法都难以取得理想的结果。然而,统计学习理论是专门为小样本设计的,它的出现为研究有限样本情况下的统计模式识别建立了一个较好的理论框架,并推出了一种新的模式识别方法——支持向量机SVM。它是一种普遍适用的方法,已经广泛的用于模式识别、回归估计、函数逼近、密度估计等方面。
本文的研究对象为特定人手写体数字(包括10个阿拉伯数字)。根据实验需要采用了自己建立样本库的方案。通过在VC++6.0环境下的编程进行了仿真实验,完成了字符从输入到计算机识别的全过程。在输入阶段,通过鼠标... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-10 |
|
1 绪论 |
10-15 |
|
1.1 问题的背景以及研究意义 |
10-11 |
|
1.1.1 问题的背景 |
10-11 |
|
1.1.2 研究的意义 |
11 |
|
1.2 国内外研究状况 |
11-12 |
|
1.2.1 国内研究状况 |
11 |
|
1.2.2 国外研究状况 |
11-12 |
|
1.3 印刷体数字与手写体数字的特点 |
12-13 |
|
1.4 联机手写体数字识别与脱机手写体数字识别的区别 |
13 |
|
1.5 本文所做的工作 |
13-14 |
|
1.6 论文的组织 |
14-15 |
|
2 字符识别技术基本原理 |
15-24 |
|
2.1 引言 |
15 |
|
2.2 字符的输入和预处理 |
15-17 |
|
2.2.1 输入 |
15-16 |
|
2.2.2 预处理 |
16-17 |
|
2.3 特征提取 |
17-21 |
|
2.3.1 结构特征 |
18-19 |
|
2.3.2 统计特征 |
19-20 |
|
2.3.3 两种特征的融合 |
20-21 |
|
2.4 分类和输出 |
21-23 |
|
2.5 本章小结 |
23-24 |
|
3 支持向量机理论 |
24-39 |
|
3.1 引言 |
24 |
|
3.2 机器学习概述 |
24-26 |
|
3.3 线性学习器 |
26-28 |
|
3.4 核函数 |
28 |
|
3.5 统计学习理论 |
28-31 |
|
3.5.1 机器学习的基本问题和方法 |
28-29 |
|
3.5.2 VC维 |
29-30 |
|
3.5.3 结构风险最小化思想 |
30-31 |
|
3.6 支持向量机 |
31-36 |
|
3.6.1 最优分类面 |
31-32 |
|
3.6.2 线性可分 |
32-34 |
|
3.6.3 近似线性可分 |
34-35 |
|
3.6.4 非线性可分 |
35-36 |
|
3.7 SVM 中核函数与参数的选取 |
36-38 |
|
3.7.1 核函数的选取 |
36 |
|
3.7.2 参数的选取 |
36-38 |
|
3.8 本章小结 |
38-39 |
|
4 基于支持向量机的脱机手写字符识别 |
39-64 |
|
4.1 引言 |
39-40 |
|
4.2 系统界面 |
40 |
|
4.3 输入 |
40-41 |
|
4.4 预处理 |
41-44 |
|
4.4.1 平滑 |
41 |
|
4.4.2 锐化 |
41-42 |
|
4.4.3 细化 |
42-44 |
|
4.5 特征提取 |
44-47 |
|
4.6 分类和输出 |
47-48 |
|
4.7 核函数与参数的确定 |
48-63 |
|
4.7.1 不同核函数及参数建立的SVM 对结果的影响 |
48-61 |
|
4.7.2 与其它识别方法的比较 |
61-63 |
|
4.8 本章小结 |
63-64 |
|
5 结论和展望 |
64-65 |
|
5.1 主要结论 |
64 |
|
5.2 后续研究工作展望 |
64-65 |
|
致谢 |
65-66 |
|
参考文献 |
66-69 |
|
硕士期间发表的论文 |
69 |
|
| 【DOI】 | LunWen.ID:2.2008.370334 |
