基于神经网络的印刷体字母识别基于神经网络的印刷体字母识别.doc

基于BP神经网络的印刷体字母识别 1背景 随着社会的发展，英语作为国际通用语言得到了日益广泛的应用，因此有大量的英文文档整理、查询、统计的工作需要完成，而英文字母识别系统可以轻而易举地完成很多以前难以想象的工作。 智能控制作为一门新兴的交叉学科，在许多方面都优于传统控制，而智能控制中的人工神经网络由于模仿人类的神经网络，具有感知识别、学习、联想、记忆、推理等智能，更是有着广阔的发展前景。 人工神经网络理论的应用主要在人工智能,自动控制,模式识别,机器人,信息处理,CAD/CAM等方面。如: (1)空间科学。航空飞行器及汽车的自动驾驶导航系统,飞行路径模拟，飞行器制导和飞行程序优化管理等。 (2)控制和优化。机器人运动控制,各种工业过程控制和制造过程控制，如集成电路布线设计,生产流程控制等等。 (3)模式识别和图像处理。如人脸识别,语言识别,指纹识别,签??识别,手写体和印刷体字符识别,目标检测与识别,图像复原,图像压缩等等。 (4)智能信息管理系统。如股价预测,不动产价格预测,外汇,黄金等大宗产品价格预测,公司财务分析,地震及各种自然灾害预报等等。 其中最核心的是反向传播网络(Back Propagation Network),简称BP网络。本文介绍了运用matlab工具箱确定隐层神经元的个数和构造BP神经网络，并用两组样本对该神经网络进行训练，然后运用训练后的网络对字母进行识别。 2 BP网络介绍 BP神经网络又称误差反向传递神经网络。它是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。它的整个体系结构分为输入层、隐藏层和输出层,其中隐藏层根据具体情况的需要,可以是一层结构也可为多层结构。 BP算法的基本思想是:学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐藏层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐藏层向输入层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受到的程度,或进行到预先设定的学习次数为此。 3系统实现思想 字母识别系统一般分为预处理、特征提取和分类器三部分。其中，预处理包括将图片从模拟图像到进行二值化、归一化等过程；特征提取和分类器的设计是整个系统的核心部分。通过对各个部分分别进行编程处理来实现，将每部分编为可调用的函数，最后统一对函数进行调用，清晰方便。 3.1字母识别整体框图 a BP神经网络训练过程 b BP神经网络识别过程 图2.1 BP神经网络识别系统 3.2 预处理及其特征提取方法 本文使用傅里叶描述符及其反变换进行图片的二值化、字母轮廓提取，之后进行归一化，将其特征变成1*120的矩阵，之后选取里面的六十个点变为1*60的矩阵。特征提取程序： function FD=Feature_Building(RGB) %RGB=imread(d:A.bmp); %figure(1),inshow(RGB) [B]=outline(RGB); %figure(2) %subplot(221),draw_outline(B); %title(outline of object); [m,n]=size(B); FD=fsd(B,30,m,4); 其中outline、fsd为傅里叶描述及其反变换程序。 outline程序： %%Function for extracting outline of object; Q.K., 2008.4.29 %%Deaprtment of Automation, Tsinghua Univ. Beijing 100084, China. function [outline]=outline(RGB) I=rgb2gray(RGB); [junk threshold] = edge(I, sobel); fudgeFactor = .5; BWs = edge(I,sobel, threshold * fudgeFactor); %Step 3: Dilate the image se90 = strel(line, 3, 90); se0 = strel(line, 3, 0); BWsdil = imdilate(BWs, [se90 se0]); %Step 4: Fill interior gaps BWdfill = imfill(BWsdil, holes); %Step 5: Remove