电脑桌面
添加小米粒文库到电脑桌面
安装后可以在桌面快捷访问

基于深度学习的手写字符识别研究

基于深度学习的手写字符识别研究_第1页
1/67
基于深度学习的手写字符识别研究_第2页
2/67
基于深度学习的手写字符识别研究_第3页
3/67
I 摘 要1、光学字符识别一直是人们最感兴趣的课题之一,它旨在识别自然图像中的文本。尽管这一课题研究多年,但开发出与人类能力相当的光学字符识别技术仍然是一个巨大的挑战。近年来,文档数字化的趋势加剧,纸质文档迫切需要转换成数字文档,以便搜索和保存。光学字符识别可以描述为对图像进行转换,其中图像可以是手写文本图像或者印刷文本图像,半个多世纪以来,这一领域的研究一直在进行,近年来,许多技术已经应用于文档图像中的文本提取。深度学习近年来被频繁用于解决机器学习领域的热门课题,如图像识别、分类、检索等,它的本质是构建多层网络来训练样本,以此学习样本的特征,这大大避免了繁琐复杂的人工特征提取。虽然目前深度学习已被开始用于光学字符识别,但由于手写体字符的复杂性,光学字符识别仍是机器学习领域的热门研究课题。这里我们将使用深度学习的方法进行手写体汉字的识别研究。我们将使用卷积神经网络同时在此基础上结合循环神经网络的特点进行改进,进一步提高手写体汉字识别的准确率。2、图像分割是图像处理、模式识别以及机器视觉等方面必不可少的组成部分,其在医学图像分析和遥感影像的提取等方面起十分重要的作用。自上世纪九十年代以来 ,基于活动轮廓的图像分割方法飞速发展,鉴于该图像分割法在提取目标边界的精度时可以达到亚像素级,且获得的轮廓是光滑封闭的,因此,对接下来进行的图像分析和目标检测提供了良好的基础。本文旨在探索对基于活动轮廓的图像分割模型,这类模型有利于对灰度分布不均匀的图像进行分割,但同时也存在一些局限性和问题,例如该模型常常会出现对初始轮廓的设置敏感以及分割速度偏慢的情况。基于以上的思考,本文提出了两种在原模型基础上的创新点:1.对基于局部拟合的活动轮廓模型进行改进。该方法主要是对曲线演化方向相反的局部区域进行拟合函数值的交换,这样在曲线演化过程中,轮廓内的拟合值一直比轮廓外的拟合值大(或小),则整个曲线将随目标的内边界(或外边界)不断演化,不至于停留在目标的内部,那么就可以解决当能量最小化时陷入局部最优解的问题。 此改进的方法在保留传统方法优点的基础上,更提升了初始轮廓的鲁棒性。2.在基于局部拟合的活动模型驱使曲线演化之前先计算局部图像的平均灰度值,也就是提前定义两个局部拟合的函数。和传统的拟合函数相比,本文所提出的预拟合函数不同之处在于其与水平集函数无关,更新时不需要每次都迭代。所以,与传统的局部拟合函数相比,...

1、当您付费下载文档后,您只拥有了使用权限,并不意味着购买了版权,文档只能用于自身使用,不得用于其他商业用途(如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利)。
2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。
3、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。

碎片内容

基于深度学习的手写字符识别研究

确认删除?
VIP
微信客服
  • 扫码咨询
会员Q群
  • 会员专属群点击这里加入QQ群
客服邮箱
回到顶部