[发明专利]一种手写体数字识别方法及系统

说明书

技术领域

本申请涉及模式识别技术领域，特别是涉及一种手写体数字识别方法及系统。

背景技术

近年来随着计算机技术和数字图像处理技术的飞速发展，手写体数字识别技术在大规模数据统计，邮件分拣，财务，税务和金融等领域中都有着较为深远的应用需求，所以它一直都是模式识别领域的研究热点。手写体数字识别技术作为模式识别领域的一个重要问题，也有着重要的理论价值，由于数字在各个领域中往往代表精确的数值，微小的错误很可能带来不可预知的后果，因此对手写体数字识别技术的正确率有着极高的要求。

现有技术中，有很多用于实现手写体数字识别的方法，如基于笔画特征的算法、基于K近邻的算法和基于支持向量机的算法。但是，由于手写数字因人而异且变化很多，导致各类算法的识别效果仍然不够理想，手写体数字识别的识别率较低。

基于上述现有技术存在的缺点，如何提供一种手写体数字识别方法及系统，能够提高手写体数字识别的识别率，是本领域人员急需解决的问题。

发明内容

有鉴于此，本申请提供一种手写体数字识别方法及系统，以解决现有技术在进行手写体数字识别的过程中，由于手写数字因人而异且变化很多，导致各类算法的识别效果仍然不够理想，手写体数字识别的识别率较低的问题。

为了实现上述目的，本申请实施例提供的技术方案如下：

一种手写体数字识别方法，包括：

接收用户输入的待测手写体数字样本；

通过训练得到的第一分类器、第二分类器、第三分类器分别对所述待测手写体数字样本进行预测，并输出第一分类器、第二分类器、第三分类器对所述待测手写体数字样本的预测结果；

比较所述第一分类器、第二分类器、第三分类器对所述待测手写体数字样本的预测结果，若至少2个分类器得出的是相同的预测结果，则判定所述待测手写体数字样本属于该预测结果的类别，否则，判定所述待测手写体数字样本属于第二分类器输出的预测结果的类别。

优选地，所述第一分类器、第二分类器、第三分类器的训练，包括：

对神经网络的两个隐藏层进行逐层预训练，分别得到原始输入层和第一隐藏层之间的权重参数和偏置参数第一隐藏层与第二隐藏层之间的权重参数和偏置参数

根据所述和得到第一隐藏层的输出特征表示，根据所述和以及第一隐藏层的输出特征表示得到第二隐藏层的输出特征表示；

利用优化算法分别对所述第一隐藏层的输出特征表示、第二隐藏层的输出特征表示进行优化得到第一隐藏层与分类器层之间的权重参数和偏置参数第二隐藏层与分类器层之间的权重参数和偏置参数

分别将作为所述神经网络原始输入层和第一隐藏层之间、第一隐藏层和分类器层之间的初始化参数，然后使用反向传播算法结合优化算法得到第一分类器；

分别将作为所述神经网络原始输入层与第一隐藏层、第一隐藏层与第二隐藏层、第二隐藏层与分类器层之间的初始化参数，然后使用反向传播算法结合优化算法得到第二分类器；

将所述第一隐藏层的输出特征表示与所述第二隐藏层的输出特征表示按列链接在一起得到融合特征，根据所述融合特征训练出第三分类器。

优选地，所述对神经网络的两个隐藏层进行逐层预训练包括：

将无标签的训练样本集作为输入，得到第一代价函数：

其中，x⁽ⁱ⁾∈R^d，m表示训练样本的个数，d表示训练样本的维数，h_W,b(x⁽ⁱ⁾)表示第i个训练样本在输出层的激活值，λ表示权重衰减系数，n_l表示网络的层数，s_l表示第l层网络神经元的个数，表示第l层网络第i个神经元和第l+1层网络第j个神经元之间的权重，β表示控制稀疏性惩罚因子的权重，ρ表示稀疏性参数，表示第i层第j个神经元的输出；

通过优化算法最小化所述第一代价函数，完成第一隐藏层的训练，得到原始输入层和第一隐藏层之间的权重参数和偏置参数

对所述无标签的训练样本集执行公式得到集合并将其作为输入，得到第二代价函数：

通过优化算法最小化所述第二代价函数，完成第二隐藏层的训练，得到第一隐藏层与第二隐藏层之间的权重参数和偏置参数

优选地，所述权重衰减系数λ具体为3e-3，所述控制稀疏性惩罚因子的权重β具体为3，所述稀疏性参数ρ具体为0.1。

优选地，所述第一隐藏层的输出特征表示具体为：其中，第二隐藏层的输出特征具体为：其中，