基于DS-SVM的手写体数字识别的研究

摘要

支持向量机(Support Vector Machine，SVM)作为近年来发展迅速的一种新型的、基于机器学习的一种模式识别算法，具有很好的推广能力，使其应用于多个不同的领域中。目前，SVM分类器的识别技术在信号处理、图像识别和基因图谱识别过程中产生强烈的反响，得到了界内人士的大量好评。由于手写体数字识别属于模式识别领域中的基础的研究课题，因此，SVM分类器在手写体数字识别过程中同样得到了可观的识别结果。
　　本文主要对手写体数字从以下三方面进行了较为详实的研究:预处理、特征提取、分类识别。预处理部分包含了图像的灰度化、滤波去噪、阈值变换以及图像的归一化操作等，通过不同的算法进行对比选择出适应该实验的最佳算法;图像特征提取主要是采用三种不同的方式从图像的不同角度进行了抽取，包括粗网格特征提取、投影特征提取以及轮廓特征提取。在数字的具体识别算法中采用了SVM分类与D-S证据理论相融合的算法进行识别。该方法是在三种不同的特征提取（证据体）的方法之上，利用改进的一对一投票分类原理的一级SVM分类器进行粗分类，同时生成不同类别在不同证据体下相对应的BPA函数;经过改进的D-S证据理论中的组合规则，生成不同证据源与其他证据体之间的冲突度因子，修正原始基本信任度函数，融合多个特征的BPA函数，形成新的信任度函数，作为二级SVM分类器的输入，进行最终的决策识别。
　　实验样本来自阅卷中的手写体数字，统计了大量的0～9的数字。通过C++平台进行编写仿真实验过程表明，本文提出的识别算法能够有效的减少由于单特征识别或SVM识别引起的较大误识率和较低的识别率。同时查阅相关文档，根据本文算法的识别率与BP神经网络、模板匹配、Bayes算法的识别率以及识别所用的时间进行比较，表明该算法在具有相似识别率的情况下能够节约大量的识别时间，同时系统具有一定的容错能和鲁棒性。

目录

声明

摘要

第一章 绪论

1．1 手写数字识别背景

1．2 手写体识别的现状

1．3 手写体数字的特点及识别难点

1．4 内容的相关安排

第二章 手写数字的特征

2．1 预处理

2．1．1 灰度操作

2．1．2 滤波去噪

2．1．3 二值化

2．2 特征提取

2．2．1 粗网格特征提取

2．2．2 投影特征提取

2．2．3 轮廓特征提取

2．3 特征实验结果

2．4 本章小结

第三章 融合识别的理论基础

3．1 支持向量机

3．1．1 支持向量机的统计学习

3．1．2 支持向量机的分类思想

3．1．3 从线性分化到非线性分化

3．1．4 推广到多类的算法

3．2 D-S证据理论

3．2．1 基本概率分配

3．2．2 信任函数和似然函数

3．2．3 组合规则

3．3 构建二级的识别框架

3．3．1 改进SVM一对一的投票算法

3．3．2 BPA函数构造

3．3．3 二级SVM决策识别

3．4 本章小结

第四章 多特征融合算法的实现过程

4．1 图像归一化

4．2 粗分类

4．2．1 粗网格分类

4．2．2 投影特征分类

4．2．3 轮廓特征分类

4．3 细分类

4．3．1 改进的D-S证据理论融合过程

4．3．2 融合识别模式

4．4 字符仿真结果和对比分析

4．4．1 样本选取

4．4．2 SVM核函数选取

4．4．3 仿真实验对比

4．4．4 误识样本的采集

4．5 本章小结

第五章 手写数字识别的仿真系统

5．1 实验平台

5．2 手写体数字识别仿真系统的设计

5．3 实验结果

5．4 本章小结

第六章 结论与展望

参考文献

致谢

攻读学位期间发表的学术论文目录