基于卷积神经网络的手写数字识别方法研究开题报告

1. 研究目的与意义

数字识别最初起源于美国邮政编码的自动分类，如今已经广泛应用于包括公安、交通、娱乐、金融等生活的方方面面。近年来，随着人工智能、深度学习的兴起，深度置信网络（DBN）、卷积神经网络（CNN）等新型深度学习模型正在兴起，而传统的数字识别技术有望被这些新型深度学习模型所取代，继而对数字识别的准确率也有望得到提高。

手写体数字识别技术是模式识别下一个重要的支派,拥有非常广泛的应用前景。该技术可以应用在财政报表、邮政自动分拣、试卷成绩统计、银行单据、金融数字统计等手写数字自动化识别录入系统上。在全球信息化全面发展和自动化程度提升的背景下,对手写体数字识别技术的需求变得十分急迫,研究出精准且高效率的识别方式有重要的意义和价值。而随着卷积神经网络对图像分类的研究兴起,给手写体数字识别带来了无限的可能。卷积神经网络有着独特的二维数据处理方式和有在分类识别时自动提取图像特征的特点,而只要能很好的将这些特点利用到手写体数字识别技术上，相信就可以提高手写体数字识别的泛化能力和准确度。当前，就据我自己查阅的相关文献上，基于当下传统的手写数字识别方法研究，大多都只是单层次的、二维数据处理的方式，这样就导致了对手写体数字识别的准确度上不是很高，识别准确率大多在90%左右，精度不算高。而像在上文中提到的，在全球信息化全面发展和自动化程度提升的背景下,对手写体数字识别技术的需求就变得十分急迫,对手写体数字的识别准确率上要求精度就越高。

本毕业设计欲采用基于卷积神经网络对手写体数字进行多层次的识别，在现有的基于传统神经网络对手写体数字单层次识别技术的基础上，通过改善对图片的预处理，提高对数字的正负平移、缩放和扭曲的纠错能力等方法，以此来提高基于卷积神经网络对手写体数字识别的准确率。希望可以提高在财政报表、邮政自动分拣、试卷成绩统计、银行单据、金融数字统计等领域的工作效率，减少这些领域的投入成本。

2. 研究内容与预期目标

手写体数字识别的基本原理是把输入数字样本的特征与标准样本的特征进行模式匹配，以最大相似度为度量原则，输出识别结果。在整个识别过程中，关键的是特征的选取提取额分类器的设计。而卷积神经网络主要应用于二维数据处理，它能够通过大量学习，求解出输入与输出之间的关系。有着预处理工序少，可进行特征学习的优点。针对传统手写体数字识别方法中特征提取数据冗余、图片预处理复杂、收敛速度缓慢、泛化能力差等问题,提出将卷积神经网络应用到手写体数字识别上。

本毕业设计就将利用卷积神经网络的这些优点，通过改善对图像的预处理，提高对数字的正负平移、缩放和扭曲的纠错能力等方法，以此来提高对于手写体数字识别的准确率。即本毕业设计是基于卷积神经网络对手写数字识别方法的研究，让较传统数字识别技术的识别准确率上得到提高。

3. 研究方法与步骤

研究方法：

首先利用Matlab技术对手写体数字进行图像预处理，图像降噪、图像增强，以提高数字图像的质量。

接着针对传统手写体数字识别方法中特征提取数据冗余、图片预处理复杂、收敛速度缓慢、泛化能力差等问题，利用卷积神经网络预处理工序少，可进行特征学习的优点，让其对数字的正负平移、缩放和扭曲进行强大的纠错。

4. 参考文献

[1] 陈玄, 朱荣, 王中元. 基于融合卷积神经网络模型的手写数字识别[J]. 计算机工程, 2017, 43(11).[2] 李斯凡, 高法钦. 基于卷积神经网络的手写数字识别[J]. 浙江理工大学学报（自然科学版）, 2017(3).[3] 黄一天, 陈芝彤. Pytorch框架下基于卷积神经网络实现手写数字识别[J]. 电子技术与软件工程, 2018, 141(19):163.[4] 刘威. 基于动态随机卷积神经网络的手写数字识别方法[D].[5] 邓长银 , 张杰 . 基于改进LeNet-5模型的手写数字识别[J]. 信息通信, 2018.[6] 代贺, 陈洪密, 李志申. 基于卷积神经网络的数字识别[J]. 贵州师范大学学报(自然科学版), 2017(05):100-105.[7] 刘辰雨. 基于卷积神经网络的手写数字识别研究与设计[D]. 2018.[8] Xiao-Xiao Niu, Ching Y.Suen, A novel hybrid CNN–SVM classifier for recognizing handwritten digits, Pattern Recognition, 2012, 45:1318-1325.

[9] Digital Image Processing Second Edition[M]Publishing House of Electronic Industry，2006.

[10] Ciaccio#8194;E.#8194;J.,#8194;Dunn#8194;S.M,#8194;Akay#8194;M,#8194;Binominal#8194;Pattern#8194;Recognition#8194;and#8194;interpretation#8194;Systems(Review#8194;of#8194;Applications),IEEE#8194;Engineering#8194;in#8194;Medicine and#8194;Biology#8194;Magazine[M].1994,#8194;13#8194;.2:269~273,#8194;283.

5. 工作计划