[发明专利]一种手写数字识别方法

说明书

技术领域

本发明涉及模式识别和机器学习领域，具体涉及一种手写数字识别方法。

背景技术

手写数字识别一直是模式识别和机器学习领域的一个研究热点，该项技术的已经被广泛应用在在税务表格处理、邮件分类和银行支票识别等方面。在这些应用中，通常要求手写数字识别算法具有较高的识别速度和识别精确度以及较高的可靠性和稳定性。通常情况下,手写数字识别可以分为两类:实时识别和静态识别。实时识别技术的实现需要特殊的工具,如手写笔、进行数字信息提取的平板屏幕以及运行识别算法的机器设备。静态手写数字是针对数字化形式的手写数字图像的识别技术，并不需要使用特殊的仪器设备。

现有的静态手写数字识别技术对静态手写数字的识别准确率较低，且计算量大、处理效率较低。

发明内容

本发明提供一种手写数字识别方法，其目的是解决现有的静态手写数字识别技术对静态手写数字的识别准确率较低的问题。

为了实现上述发明目的，本发明采取的技术方案如下：

一种手写数字识别方法，该手写数字识别方法包括：获取待识别的测试手写数字图像；确定测试手写数字图像对应的向量，以作为测试样本；利用基于谱回归判别分析(Spectral Regression Discriminant Analysis,SRDA)方法对测试样本降维；针对预定的多个类别参考向量中的每一个类别，计算降维后的测试样本与该类别参考向量之间的平均相似度；以及选择与降维后的测试样本之间的平均相似度最大的参考向量类别，将该参考向量类别确定为测试手写数字图像的类别。

优选地，针对预定的多个类别参考向量中的每一个类别、计算降维后的测试样本与该类别参考向量之间的平均相似度的步骤包括：计算降维后的测试样本与该类别参考向量之间的平均距离；以及根据降维后的测试样本与该类别参考向量之间的平均距离，利用径向基核函数，计算降维后的测试样本与该类别参考向量之间的平均相似度。

优选地，手写数字识别方法还包括：利用基于谱回归判别分析方法对训练样本集中每个训练样本降维，其中，训练样本集包括多个类别，训练样本集的每个类别包括该类别下的至少一个参考手写数字图像对应的向量，作为该类别下的训练样本；以及针对训练样本集的每个类别，计算该类别下每两个训练样本之间的相对距离，以获得该类别下的每个训练样本的局部密度，针对该类别下的每个训练样本，将该类别下局部密度比该训练样本的局部密度大的训练样本作为该训练样本对应的候选样本，将候选样本到该训练样本之间的相对距离中的最小值确定为该训练样本的代表距离。

优选地，训练样本集的多个类别包括如下10个数字类别：数字“0”、数字“1”、数字“2”、数字“3”、数字“4”、数字“5”、数字“6”、数字“7”、数字“8”和数字“9”。

优选地，利用基于谱回归判别分析方法对训练样本集中每个训练样本降维的步骤包括：设训练样本集中第v类有m_v个训练样本，v＝1,2,…,c，c为所述训练样本集所包含训练样本的类别总数，训练样本集共有m个训练样本，分别用x₁,x₂,…,x_m表示，每个训练样本为多维向量；令a₀＝[1,1,…,1]^T和a_v＝[0,…,0,1,…,1,0,…,0]^T，其中a₀中包括m个1元素，a_v中包括m_v个1元素、m-m_v个0元素，使用Gram-Schmidt正交化法则来处理向量组{a₀,a₁,…,a_c}，获得b₀＝a₀以及另外c-1个正交向量r＝1,2,…,c-1；给每个训练样本x_i添加一个新元素1以更新每个训练样本及训练样本集；求解更新后的训练样本集中训练样本的c-1个特征向量，得到其中b_j^(r)表示b_r的第j维元素，α是非负的尺度参数；利用c-1个向量所构成的(n-1)×(c-1)维投影矩阵P，并根据如下公式来对更新后的每个训练样本进行降维，其中，为对更新后的第i个训练样本x_i降维后得到的c-1维向量。