[发明专利]基于图信号重建的手写数字识别方法

说明书

本发明公开了一种基于图信号重建的手写数字识别方法，主要解决现有手写数字识别方法的识别精度低，算法的时间复杂度高的问题。其实现步骤是：(1)构造拓扑图；(2)设置覆盖拓扑图所有节点的图信号；(3)生成采样集合；(4)计算拉普拉斯算子的第K个特征值；(5)设计近似低通滤波器；(6)对图信号采样；(7)将采样后的图信号恢复成采样前的图信号；(8)识别手写数字图像。本发明具有识别精度高，识别速度快的优点，有效的克服了现有手写数字识别方法存在的识别精度低和算法时间复杂度高的问题。

技术领域

本发明属于图信号处理领域，更进一步涉及机器学习技术领域中的一种基于图信号重建的手写数字识别方法。本发明是利用手写数字信息构建的图信号具有近似带宽有限的特性，恢复测试集合中手写数字的信号，实现对手写数字的识别。本发明可适用于处理大规模数据统计、财务报表、银行票据及邮件分拣。

背景技术

手写识别HR(HandWriting Recognition)是指将在手写设备上书写时产生的有序轨迹信息转化为汉字内码的过程，实际上是手写轨迹的坐标序列到汉字的内码的一个映射过程，是人机交互最自然、最方便的手段之一。随着智能手机、掌上电脑等移动信息工具的普及，手写识别技术也进入了规模应用时代。手写识别能够使用户按照最自然、最方便的输入方式进行文字输入，易学易用，可取代键盘或者鼠标。用于手写输入的设备有许多种，比如电磁感应手写板、压感式手写板、触摸屏、触控板、超声波笔等。手写识别中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方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。

西安电子科技大学在其申请的专利文献“基于卷积神经网络与支持向量机的手写数字识别方法”(申请号：201611136985.6，公开号：CN106599941A)中公开了一种基于卷积神经网络与支持向量机的手写数字识别方法。该方法首先选择大量包含不同手写数字的样本作为训练样本集，然后进行归一化操作，搭建并训练两个卷积神经网络，再将两个卷积神经网络的全连接层串接并与搭建的支持向量机连接得到组合网络，最后多次迭代训练组合网络，对手写数字图片测试集测试得到手写数字识别结果。该方法存在的不足之处是，需要大量样本支撑进行训练才能得到较好的识别结果。

Akshay Gadde,Aamir Anis,和Antonio Ortega在其发表的论文“Active semi-supervised learning using sampling theory for graph signals”(in:Proceedingsof the20th ACM SIGKDD international conference on Knowledge discovery anddata mining Pages,2014,pp.492-501)中提出了一种采用迭代最小二乘重建ILSR(Iterative Least Squares Reconstruction)算法的手写数字识别的方法。该方法基于在凸集的投影POCS(projection onto convex sets)，先将待识别的数字对应的信号，投影到采样空间，得到样本值，再将得到的样本值投影到带宽有限的低维空间，恢复待识别的数字对应的信号，该信号为一个列向量。如此反复迭代恢复所有待识别的数字对应的信号，恢复的所有待识别的数字对应的信号组成一个矩阵。在此矩阵的每行中选择最大元素，最大元素对应的列索引即为所识别出的手写数字。该方法存在的不足之处是：由于需要反复迭代恢复所有待识别的数字对应的信号，在识别数字量达到10^3及以上时，所采用的算法时间复杂度很高，导致手写数字的识别用时长，在投影过程中，每次迭代用的是上次的迭代结果，而上次迭代恢复的待识别数字对应的信号与原始信号本身就有误差，由于每次迭代恢复采样后的图信号导致采样前的图信号和恢复的采样后的图信号之间的误差累积，导致所采用算法的识别精确度低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于图信号重建的手写数字识别方法，并将其运用在手写数字识别领域。