基于模版对比的手写体数字识别神经网络模型

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (9): 226-228.

基于模版对比的手写体数字识别神经网络模型

徐哲¹,楼文高^1,2

1.上海理工大学管理学院，上海 200093
2.上海理工大学出版印刷学院，上海 200093

收稿日期:2007-07-11 修回日期:2007-10-15 出版日期:2008-03-21 发布日期:2008-03-21
通讯作者: 徐哲

Artificial Neural Network model for handwritten digit recognition based on template matching

XU Zhe¹,LOU Wen-gao^1,2

1.Business School，University of Shanghai for Science and Technology，Shanghai 200093，China
2.College of Publishing and Printing，University of Shanghai for Science and Technology，Shanghai 200093，China

Received:2007-07-11 Revised:2007-10-15 Online:2008-03-21 Published:2008-03-21
Contact: XU Zhe

摘要/Abstract

摘要： 针对现有手写体数字识别神经网络模型的不足，提出基于模版对比的改进方法。建立8×12像素的手写体数字0～9的标准模版，则模版中每个数字与其他数字之间存在一定的像素差异，以此作为标准模版差异值。由于书写存在不确定性，采用在一定范围内随机增大或减小标准模版差异值的方法来构建神经网络模型的训练样本、检验样本与测试样本。在遵循建模基本原则和步骤的情况下，建立了泛化能力较好的手写体数字识别的神经网络模型。实验表明：该方法建模便捷、实用性好，测试样本的正确识别率达99.6%以上。

关键词: 模版对比, 手写体数字, 识别, 神经网络

Abstract: The shortcomings of the models，established in before，for Handwritten Digit Recognition（HDR） using Artificial Neural Network（ANN） are analyzed.A new method based on template matching is thus put forward.A standard template of handwritten digits 0～9 with 8×12 pels is created in this paper.The standard difference among one digit with the others is existed and picked up.Due to the uncertainty of handwritten digits，the training data，the verification data and testing data are then generated by adding a random number in a certain range to the standard differential value between the handwritten digit and the digits of standard template.The ANN model for HDR based on matching the template with good generalization ability is then established obeying to modeling principles and steps in this paper.The case study shows that the established model has good practicability.The accuracy of testing data is more than 99.6%.

Key words: template matching, handwritten digit, recognition, neural network

徐哲¹,楼文高^1,2. 基于模版对比的手写体数字识别神经网络模型[J]. 计算机工程与应用, 2008, 44(9): 226-228.

XU Zhe¹,LOU Wen-gao^1,2. Artificial Neural Network model for handwritten digit recognition based on template matching[J]. Computer Engineering and Applications, 2008, 44(9): 226-228.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[10]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[11]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[12]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[13]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[14]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[15]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.