基于神经网络的数字识别技术研究

摘要：将图像的像素特征与矩特征结合，构建了神经网络分类器，利用提取的特征向量对分类器进行了训练和测试。将图像二值化，并归一化为16*16大小，提取了其每个像素点的0、1特征共16*16=256维，图像的网格特征13维，及Hu矩特征7维，一共276维特征。建立了BP神经网络分类器，分别使用最速下降BP算法、动量BP算法、学习率可变BP算法对BP神经网络分类器进行了训练，得出了在相同条件下学习率可变BP算法训练时间短，收敛快的结论。建立了PNN神经网络分类器，与BP神经网络分类器性能进行比较，实验结果表明，PNN神经网络分类器性能更好。

关键词关键词：神经网络；数字识别；特征提取

中图分类号：TP312文献标识码：A 文章编号：16727800（2014）002005803

0引言

数字识别是模式识别领域的一个重要分支，在表单自动读取、信息录入等方面有着重要作用。图像的像素特征反映了图像的大量信息，稳定性好、易于实现。其矩特征具有平移、旋转和缩放不变性，匹配性好[1]。

人工神经网络是由大量简单的基本元件——神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和分线性转换的复杂网络系统[2]。自1943年心理学家McCulloch和数学家Pitts提出神经元生物学模型以来，人工神经网络经过不断地发展成熟，至今已经广泛地应用于各个领域。本文将图像的像素特征和矩特征相结合，用于人工神经网络分类器的训练和测试，获得了良好的识别效果。

1图像特征提取

特征提取是根据测量数据确定出对分类有意义的数据作为特征数据，这些特征类内样本距离应尽量小，类间样本距离应尽量大[3]。特征提取算法应具有较高的稳定性和鲁棒性，同时又便于提取，易于实现。在特征提取之前，需要对图像进行预处理。首先，将图像进行二值化处理，保证目标像素值为1，背景像素值为0；然后，将图像归一化为16*16像素大小。在完成图像二值化和归一化的基础上，再对图像的像素特征和Hu矩特征进行特征提取。

1.1像素特征提取

将16*16的二值图像矩阵转化为256维的0、1向量，得到图像的256维像素特征。

将图像水平分成四份，垂直分成两份，分别统计这8个区域内白像素的个数，得到8维特征。水平和垂直各划两条线把水平和垂直分割成三分，统计这四条线穿过的白像素的个数，得到4维特征。字符图像全部白像素数作为1维特征，得到图像的13网格特征[4]，数字1-9的13网格特征如表1所示。

本文设计的PNN神经网络输入向量为上文提取的276维特征向量，激活函数采用高斯函数，与BP神经网络采用相同的测试集，识别率达到92.5%。与BP神经网络相比，识别率有了大大提高，且省去了训练时间。

3结语

BP神经网络采用学习率可变的训练算法，收敛速度最快，可有效节省时间。PNN神经网络在创建网络的过程中对网络进行训练，简化了BP神经网络复杂的学习过程，且与BP神经网络相比具有更好的分类性能。在模式识别领域，PNN神经网络有着巨大的优越性。当然，本文使用的276维特征存在一定程度的冗余，是制约分类器性能的一方面原因，在以后的研究中需要在这些方面作出改进。

参考文献：

[1]李晓慧. 基于MATLAB的BP神经网络的应用[J].科技信息，2010（26）.

[2]徐远芳，周旸，郑华. 基于MATLAB的BP神经网络实现研究[J].微型电脑应用，2006（08）.

[3]Neural Network Toolbox[M].Mathworks，2007：113.

[4]TAN， KOK KIONG.Neural network control：theory and applications[M].Research Studies Press，2004.

[5]周明，孙树栋.遗传算法原理及应用[M].北京：国防工业出版社，1999.

[6]魏海坤.神经网络结构设计的理论与方法[M].北京：国防工业出版社，2005.

[7]吕琼帅.BP神经网络的优化与研究[D].郑州：郑州大学，2011.

[8]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.

[9]王建梅，覃文忠.基于L-M算法的BP神经网络分类器[J].武汉大学学报：信息科学版，2005（10）.

[10]J LIM，A V OPPENHEIRN.Advanced topics in signal processing[M].PrenticeHall，2005.