摘要

　　模式識別的研究成果在文本分類(lèi)、語(yǔ)音識別、圖像識別、視頻識別、信息檢索、醫學(xué)圖像分析與數據挖掘等領(lǐng)域得到了廣泛的應用。字符識別是模式識別研究的重要內容，印刷體文字識別在國內外經(jīng)過(guò)多年的研究并取得了應用性很好的成果，但手寫(xiě)字母識別具有大量的隨意性和筆畫(huà)的不規則性，對手寫(xiě)字母識別具有更大的難度。隨著(zhù)研究的深入和大量的技術(shù)引入，研究人員對手寫(xiě)體字母識別提出了很多種解決方案，產(chǎn)生了多種識別算法。所有研究提出的這些方法和相應的算法，都是在特定條件下可行，并且各有其優(yōu)缺點(diǎn)，至今還沒(méi)有發(fā)展成統一的、有效的可應用于手寫(xiě)字母識別的模式識別模型。集成神經(jīng)網(wǎng)絡(luò )之所以能夠成為如今就手寫(xiě)字母識別研究方面研究的核心，是因為其能大幅度地提高系統在泛化方面的能力。

　　在參考相關(guān)文獻之后，本文重點(diǎn)研究 BP（Back Propagation）神經(jīng)網(wǎng)絡(luò )算法和遺傳算法相結合的方式來(lái)實(shí)現手寫(xiě)字母識別。識別系統有學(xué)習與識別兩大板塊，其中學(xué)習部分是由 7 個(gè) BP 神經(jīng)網(wǎng)絡(luò )學(xué)習訓練所組成的，自適應訓練是按照選定的參考數值進(jìn)行訓練，計算出輸出的誤差，再按照輸出的誤差選擇計算局部最優(yōu)的神經(jīng)網(wǎng)絡(luò )算法或者選擇全局最優(yōu)的遺傳算法，充分發(fā)揮人工神經(jīng)網(wǎng)絡(luò )算法局部尋優(yōu)的計算能力和利用遺傳算法全局尋優(yōu)的計算能力。識別部分包括由特征提取模塊和神經(jīng)網(wǎng)絡(luò )識別模塊構成。字母識別只是通過(guò)網(wǎng)絡(luò )的前饋計算得出最終的識別結果；數字識別是直接網(wǎng)絡(luò )的前饋計算得到最終的識別結果，沒(méi)有運用更為復雜的算法。

　　利用 VC++編程實(shí)現遺傳神經(jīng)網(wǎng)絡(luò )算法并結合對字母識別的實(shí)驗，手寫(xiě)字母識別測試平均識別正確率為 71．92％，識別結果比較令人滿(mǎn)意的。實(shí)驗結果表明，遺傳神經(jīng)網(wǎng)絡(luò )既能完成特征提取又能完成分類(lèi)功能，經(jīng)過(guò)足夠多的原始樣本訓練后的遺傳神經(jīng)網(wǎng)絡(luò )，其容錯性和識別性比較好。

　　關(guān)鍵詞：手寫(xiě)字母識別，BP 神經(jīng)網(wǎng)絡(luò )，遺傳神經(jīng)網(wǎng)絡(luò )

ABSTRACT

　　Research of pattern recognition has been widely used in text classification, speech recognition, image recognition, video recognition, information retrieval, medical image analysis and data mining etc.. Character recognition is an important content in the research of pattern recognition, the printed character recognition at home and abroad after years of research and have made use of very good results, the production of a number of companies out of the character recognition of appropriate equipment put on the market, has brought great convenience to the text entry. Irregular handwritten character recognition has a large number of random and stroke, is more difficult for handwritten character recognition, handwritten character recognition is also a big challenge to researchers is very exciting, is a research hotspot in recent years. With the introduction of the in-depth study and a large number of technology, researchers handwritten letter recognition proposed many solutions, produced a variety of recognition algorithm. At present, there are a variety of character recognition methods,such as the identification of template method is applicable to printed text; statistical decision method is a statistical classification method of pattern, cannot reflect the fine structure pattern; syntactic structure is pattern recognition using pattern and sub pattern of hierarchical tree structure information completed, anti interference the ability is too weak. All of these methods and the corresponding algorithm, are under certain conditions is feasible, and each has its advantages and disadvantages, still did not develop into a unified, efficient and can be used for the handwritten pattern recognition letters recognition model. Integrated neural networks have become the core now handwritten character recognition research, because it can greatly improve the ability of generalization of the system in the.

　　On the handwritten letter recognition at present is the use of genetic algorithm,which is also based on the genetic algorithm in order to improve the recognition ability of BP (Back Propagation) neural network algorithm, and this article is through the study of relevant information to analyze the both the effect of use. Recognition system two plate learning and recognition, in which the learning part is composed of 7 BP neural network learning and training the composition, adaptive training is training according to the reference values of selected, calculating the output error, then according to the output error calculation of local optimal neural genetic algorithm network or global optimum, give full play to the role of computing ability of artificial neural algorithm of local search and genetic algorithm for global optimization. Recognition component includes a feature extraction module and recognition module, used to identify the letters just through the network to forward calculation obtains the final recognition results. For the feedforward direct network digital identification calculation to get the final recognition results, without the use of more complex algorithm.

　　The realization of genetic neural network algorithm and the combination of letter recognition experiment with VC++ programming, handwritten letter recognition test average recognition rate of 71.92%, the recognition results are quite satisfactory. The results show that: there is a direct relationship between recognition and handwritten letter specification, when handwritten letter is standardized, good recognition effect.

　　Key Words: handwritten letter recognition, numerical optimization of BP neural network, genetic neural network

　　經(jīng)過(guò) 30 多年的研究，光學(xué)字符識別技術(shù)使陷入困境的文檔數字化迎來(lái)了管理上的飛躍。OCR（Optical Character Recognition，光學(xué)字符識別）是對報刊、書(shū)籍、文稿以及其他印刷品等文本資料經(jīng)過(guò)掃描設備轉換為圖像，再根據設計好的文字識別算法對圖像進(jìn)行灰度化、二值化處理，然后再提取字符相應特征，取得可被計算機應用軟件進(jìn)行編輯處理的文字信息。在這之后研究人員不斷努力，又研究出了基本原理大致相同的圖像字符識別技術(shù)和智能字符識別技術(shù)，簡(jiǎn)稱(chēng)為 ICR（intelligent character recognition，人工智能文字識別）技術(shù)，這一技術(shù)應用領(lǐng)域包括氣象測預、來(lái)自衛星傳回圖片解釋、產(chǎn)品質(zhì)檢、文字識別、聲音識別、分析醫學(xué)檢測中的圖像、人體指紋的識別等[1]

　　許多方面，在各行業(yè)應用前景廣闊，許多研究機構和業(yè)界廠(chǎng)商投入了很大的力量來(lái)研究這一技術(shù)，國外的知名企業(yè)有 IBM 公司、東芝公司等，國內如清華紫光、文通等廠(chǎng)商都一直在從事這一技術(shù)的研究工作。隨著(zhù) OCR 技術(shù)的發(fā)展和成熟，辦公文檔等印刷品的管理就不再會(huì )因數據處理困難而產(chǎn)生困惑了。在企業(yè)實(shí)現數據資料的信息化管理中，利用 OCR 技術(shù)實(shí)現辦公文檔等印刷品的管理可以節省人力物力，減少了大量的成本和損耗。

　　通過(guò)電子計算機這種高科技去自動(dòng)地識別人們手寫(xiě)的字母，這就是我們所說(shuō)的手寫(xiě)英文字符識別，同時(shí)，它也是上述 OCR 技術(shù)的應用之一；目前，手寫(xiě)字母識別存在一個(gè)很大的難關(guān)：對脫機式手寫(xiě)字母的辨別。近年來(lái)通過(guò)人們的研究和努力，結合現代計算機技術(shù)深入研究了脫機識別手寫(xiě)數字、字母、漢字技術(shù)并取得了應用性的成果，推動(dòng)了文字識別技術(shù)的進(jìn)步和發(fā)展。手寫(xiě)字母識別是在手寫(xiě)數字識別研究的基礎上被提出并應用于很多地方，在對手寫(xiě)字母識別的研究過(guò)程中，研究人員發(fā)現了很多對于其今后的發(fā)展有利的成果，它能夠使手寫(xiě)字母輸入在一定的情形下變得可能實(shí)現。在模式識別這個(gè)研究范圍之內，手寫(xiě)體識別是最難以攻克的，但是如果對手寫(xiě)體識別的研究取得了一定的進(jìn)展，就會(huì )促進(jìn)其發(fā)展與效益的增長(cháng)。

　　針對手寫(xiě)字母識別這一研究方向，經(jīng)過(guò)多個(gè)領(lǐng)域的專(zhuān)家和學(xué)者的不斷努力，提出了多種解決方法，經(jīng)過(guò)實(shí)驗和實(shí)踐取得了各自特定要求下的研究成果。在手寫(xiě)字母識別系統中，特定要求包括手寫(xiě)的正規程度，要求對手寫(xiě)字母的字體有較多限制，最常見(jiàn)的限制是訓練樣本和測試樣本要由同一個(gè)人來(lái)書(shū)寫(xiě)；此外還包括規范化字符書(shū)寫(xiě)要求或字符書(shū)寫(xiě)位置、選用的筆、選用的紙張都有要求，如識別賬表文字就要求字符書(shū)寫(xiě)用規定的字型。目前真正的沒(méi)有限制的手寫(xiě)字母識別還有待進(jìn)一步的研究和提高。

　　手寫(xiě)字符識別技術(shù)涉及多個(gè)學(xué)科理論的相關(guān)技術(shù)，如人工智能、模糊數學(xué)、形式語(yǔ)言、數字圖像處理和自動(dòng)機、組合類(lèi)數學(xué)；在理論上有統計理論與信息論；另外與其他方面的學(xué)科也有聯(lián)系，包括語(yǔ)言文字學(xué)、心理學(xué)以及生物學(xué)等，這就說(shuō)明手寫(xiě)字符識別技術(shù)聚集了很多學(xué)科的知識[2-5]。模式（Pattern）是指對現實(shí)生活中感官感知的外界信息或從生產(chǎn)實(shí)踐中的直接經(jīng)驗進(jìn)行歸類(lèi)和抽象后提取出來(lái)信息，把同類(lèi)模式歸在一起的集合稱(chēng)為模式類(lèi)，例如我們知道的文字、圖片信息、語(yǔ)言、聲音和景物信息等。對模式的研究就是尋找解決某一類(lèi)問(wèn)題的方法，而且會(huì )得到解決問(wèn)題的最佳辦法。

　　通過(guò)計算機這種工具來(lái)實(shí)現對事物進(jìn)行自動(dòng)辨別，這就是我們所說(shuō)的模式識別（Pattern Recognition），基于研究的基礎上制造出模仿人識別事物的機器系統來(lái)自動(dòng)進(jìn)行事物分類(lèi)和事物描述，模仿人對客觀(guān)事物進(jìn)行區分并處理各類(lèi)不同信息。

　　在二十世紀二十年代，模式識別第一次被人們提出，最初的模式識別僅限于在文字、車(chē)牌號、圖像等方面進(jìn)行識別，其主要的職能是使機器能具備自動(dòng)分類(lèi)與辨別。而后隨著(zhù)對模式識別深入地認識與研究，發(fā)現模式識別同樣可以應用到計算機中，由此使得智能系統高速發(fā)展。

　　手寫(xiě)字符識識別是模式識別方法論在對書(shū)寫(xiě)的文字符號按相似的程度,正確地歸入某一類(lèi)別。例如，手寫(xiě)字母“G”時(shí)，書(shū)寫(xiě)字體因人而異會(huì )得到多種書(shū)寫(xiě)字體，但它們都是同一個(gè)字母的不同寫(xiě)法，熟悉英文的人從未見(jiàn)過(guò)的某種寫(xiě)法的“G”，也能正確地將其歸屬于字母“G”類(lèi)。與上述理論相同，盡管當我們去看一個(gè)人時(shí)，會(huì )因為觀(guān)看角度的不同就會(huì )導致看到的效果不同，然而我們僅需要知道人的身份，就可以把觀(guān)看到的所有統稱(chēng)為這個(gè)人的臉部特征。研究過(guò)程中用特定的符號給每個(gè)類(lèi)命名，模式識別就可以看成是用符號來(lái)表示采集到對象的時(shí)間和空間分布的信息。

　　模式是對客觀(guān)各類(lèi)事物分類(lèi)、抽象，并對其重要的屬性進(jìn)行抽取，加以結構的描述或者定量描述所生成的表達式。是我們從觀(guān)測事物是否相同或是否相似所獲得的時(shí)間分布信息和空間分布信息的集合[6]。采用計算機等機器代替人或動(dòng)物進(jìn)行模式識別，信息要經(jīng)過(guò)取樣和量化之后輸入計算機，在計算機內用向量(即數組)來(lái)表示模式，用數組中元素來(lái)表示時(shí)空分布的信息，達到標識客觀(guān)對象的目的。在模式識別領(lǐng)域中，模式的數字特征可用矢量形式描述,也可以使用句法結構表示成字符串，也可用圖、語(yǔ)義網(wǎng)絡(luò )、框架結構等描述。

　　手寫(xiě)字母識別系統功能實(shí)現：

手寫(xiě)字母識別系統開(kāi)發(fā)

二值化后的圖片

銳化后與去噪后的圖片

銳化后的圖片

BP 網(wǎng)絡(luò )訓練結果

數字型字符識別

英文大寫(xiě)字母識別

英文小寫(xiě)字母識別

目 錄

　　第一章 緒 論
　　　　1.1 引言
　　　　1.2 模式和模式識別
　　　　　　1.2.1 模式
　　　　　　1.2.2 模式的描述方法
　　　　　　1.2.3 模式識別系統
　　　　　　1.2.4 模式識別的應用
　　　　1.3 圖像模式識別
　　　　　　1.3.1 圖像模式識別原理
　　　　　　1.3.2 圖像模式識別過(guò)程
　　　　　　1.3.3 圖像模式識別方法
　　　　　　1.3.4 圖像識別的應用
　　　　1.4 手寫(xiě)字母識別
　　　　　　1.4.1 手寫(xiě)文字識別簡(jiǎn)介
　　　　　　1.4.2 手寫(xiě)文字識別系統
　　　　　　1.4.3 手寫(xiě)字母識別的方法
　　　　　　1.4.4 手寫(xiě)字母識別研究的目標和意義
　　　　　　1.4.5 手寫(xiě)字母識別研究的現狀
　　　　1.5 研究?jì)热?br /> 　　第二章 遺傳神經(jīng)網(wǎng)絡(luò )算法研究
　　　　2.1 遺傳算法
　　　　　　2.1.1 遺傳算法的基本原理
　　　　　　2.1.2 遺傳算法特點(diǎn)
　　　　2.2 人工神經(jīng)網(wǎng)絡(luò )
　　　　　　2.2.1 BP 神經(jīng)網(wǎng)絡(luò )組成
　　　　　　2.2.2 BP 神經(jīng)網(wǎng)絡(luò )的基本原理
　　　　　　2.2.3 BP 神經(jīng)網(wǎng)絡(luò )算法
　　　　2.3 本章小結
　　第三章 手寫(xiě)字母識別系統設計
　　　　3.1 系統總體結構設計
　　　　3.2 系統工作流程設計
　　　　3.3 手寫(xiě)字母圖像的預處理模塊設計
　　　　　　3.3.1 二值化處理
　　　　　　3.3.2 平滑去噪
　　　　　　3.3.4 字符分割
　　　　　　3.3.5 圖像的歸一化
　　　　　　3.3.6 書(shū)寫(xiě)的傾斜矯正
　　　　　　3.3.7 圖像的重新排列
　　　　　　3.3.8 圖像的細化
　　　　3.4 手寫(xiě)體字母的特征提取方案
　　　　　　3.4.1 實(shí)驗數據特征集
　　　　　　3.4.2 提取壓縮特征
　　　　　　3.4.3 傅里葉變換特征的提取
　　　　　　3.4.4 提取特征邊緣
　　　　　　3.4.5 基元特征的提取
　　　　　　3.4.6 提取矩特征
　　　　3.5 手寫(xiě)體字母的特征提取設計
　　　　　　3.5.1 確定分類(lèi)器設計中的參數
　　　　　　3.5.2 特征提取設計
　　　　　　3.5.3 特征選擇設計
　　　　　　3.5.4 優(yōu)化特征空間設計
　　　　　　3.5.5 判別函數設計
　　　　3.6 本章小結
　　第四章 訓練與識別設計
　　　　4.1 遺傳神經(jīng)網(wǎng)絡(luò )結構設計
　　　　4.2 訓練模塊設計
　　　　　　4.2.1 訓練集設計
　　　　　　4.2.2 測試集設計
　　　　　　4.2.3 評價(jià)原則設計
　　　　　　4.2.4 訓練算法設計
　　　　4.3 識別模塊設計
　　　　4.4 本章總結
　　第五章 手寫(xiě)體字母識別系統的實(shí)現
　　　　5.1 構造位圖處理類(lèi)
　　　　　　5.1.1 位圖基本格式
　　　　　　5.1.2 WinSDK 中的 BMP 相關(guān)函數
　　　　　　5.1.3 構造 CDib 類(lèi)
　　　　5.2 圖像預處理實(shí)現
　　　　　　5.2.1 派生 Mydiblib 類(lèi)
　　　　　　5.2.2 圖像二值化的算法實(shí)現
　　　　　　5.2.3 圖像銳化和去噪的實(shí)現
　　　　　　5.2.4 圖像細化的實(shí)現
　　　　　　5.2.5 圖像特征提取實(shí)現
　　　　5.3 訓練的實(shí)現
　　　　　　5.3.1 BpNet 類(lèi)的定義
　　　　　　5.3.2 訓練算法實(shí)現
　　　　　　5.3.3 訓練實(shí)驗結果
　　　　5.4 字符識別的實(shí)現
　　　　　　5.4.1 字母圖像的繪制
　　　　　　5.4.2 手字母識別實(shí)驗結果
　　　　5.5 手字母識別系統的識別率分析
　　　　5.6 本章總結
　　第六章 總結
　　致謝
　　參考文獻

（如您需要查看本篇畢業(yè)設計全文，請您聯(lián)系客服索取）