[发明专利]一种基于寻找特征值的K近邻手写识别系统算法

说明书

技术领域

本发明涉及一种基于寻找特征值的K近邻手写识别系统算法。

背景技术

手写字符识别是当前模式识别领域的研究热点，也是有难度的公开问题，由于其在生活中应用广泛，因此其具有深远的应用需求，近年来随着计算机技术和数字图像处理技术的飞速发展，手写识别在文字输入、电子商务、机器自动输入等场合已经获得成功的实际应用。

对于手写字符的识别，目前已经发展了很多种方法，其中有基于神经网络算法，基于概率统计算法，基于傅里叶变换算法，基于模板匹配算法和基于fisher分类算法等等，由于手写字体变体极多，识别效果仍然不理想。因此研究简单高效的手写识别依然是一个重要的研究方向。

发明内容

为实现上述目的，本发明采用如下技术方案：一种基于寻找特征值的K近邻手写识别系统算法，其特征在于包括以下步骤：

步骤S1：对字符图像进行预处理，将所述字符图像转化成1*A²二维矩阵，且A=32；

步骤S2：取不同字符的对照图像各B张作为训练集，经矩阵合并，阈值设定及数值重置得到其各字符对应的特征矩阵M，且B=100；

步骤S3：根据所述特征矩阵M及最近邻算法确定最终匹配的字符。

在本发明一实施例中，所述步骤S1的具体内容如下：先将所述字符图像变成A*A像素的0-1图像，再将所述A*A像素的0-1图像展平成1*A²二维矩阵，其中0代表没有手写笔迹的地方，1代表有手写笔迹的地方；

在本发明一实施例中，所述步骤S2的具体内容如下：

步骤S21：取同一字符的对照图像B张作为训练集，对每一张对照图像进行如步骤S1所述的预处理，可得到B个1*A²二维矩阵，进行合并得到一个B*A²二维矩阵；

步骤S22：将所述B*A²二维矩阵中相同列的值进行相加，得到一个新的1*A²二维矩阵，所述新的1*A²二维矩阵中每个数的取值范围为（0，B）；

步骤S23：设定一阈值n，取步骤S22得到的1*A²二维矩阵中数值最大的n列，并将该n列的数值重置为1，其余A²-n列的数值重置为0，最终得到一个1*A²的0-1取值的二维矩阵M，M即为该字符的特征矩阵；

步骤S24：取其余字符按步骤S21至步骤S23处理，分别得到其相应的特征矩阵M。

在本发明一实施例中，所述步骤S3的具体内容如下：

步骤S31：将待识别图像按步骤S1处理，转化成1*A²二维矩阵；

步骤S32：将步骤S31得到的1*A²二维矩阵分别与步骤S2得到若干个特征矩阵M的倒置相乘，得到若干个特征值；

步骤S33：取所述若干个特征值最大的前i个特征值对应的B*A²二维矩阵，运用最近邻算法将i个B*A²二维矩阵分别与待识别图像对应的1*A²二维矩阵求得的欧式距离进行比较，取其中的最小值，所述最小值对应的字符即为最终匹配的字符。

本发明与现有技术相比具有以下有益效果：本发明极大减少了直接使用最近邻算法（knn）进行文字识别时的计算复杂度的问题及其所需要的大量存储空间，当直接使用knn进行100*1024的二维矩阵的匹配时，需要为每个测试向量做2000次距离计算，每个距离计算包括1024个维度浮点运算，总共要执行900次，而这个在匹配超过10⁷以上的字符时，其计算复杂度将是不可接受的。

附图说明

图1是本发明方法流程图。

图2是本发明实施例字符0的32*32像素0-1矩阵图。

图3是本发明实施例字符1的32*32像素0-1矩阵图。

图4是本发明实施例字符2的32*32像素0-1矩阵图。

图5是本发明实施例字符0生成的100*1024矩阵局部图。

图6是本发明实施例字符0特征矩阵局部图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种基于寻找特征值的K近邻手写识别系统算法，其特征在于包括以下步骤：