论文部分内容阅读
在现代教学过程中,学生试卷分数的自动识别与录入工作是学校教学管理规范化建设的重要内容.试卷分数的自动识别能有效减轻教师工作量,进而有更多精力投身于教研工作中.手写数字识别是试卷分数自动识别与录入的关键技术,因此本文针对试卷卷头手写分数识别问题,对现有的手写数字识别算法进行总结与分析,提出了以卷积神经网络(CNN)为主线的两种手写数字识别算法.本文主要研究内容及创新点如下:(1)本文采用基于HSV颜色空间的图像分割技术分离出手写分数字符,再结合投影法实现手写分数区域提取.同时使用投影法及滴水算法对各题的分数字符进行分割,其中包括粘连字符和倾斜字符的分割.本文研究的试卷卷头手写分数识别问题主要包括试卷卷头图像预处理和手写数字识别两个部分,其中手写分数区域提取和字符分割是图像预处理的重要环节.(2)为改善CNN模型的识别性能,本文提出了一种基于改进CNN的手写数字识别算法.首先,结合Relu和Softplus两种激活函数的优点,提出一种分段激活函数,改进后的激活函数具有稀疏性和光滑特性.其次,下采样操作过程中提出混合采样法,该算法可以兼顾均值池化法与最大值池化法提取到的特征值,从而使模型产生的误差较小,稳定性较高.最后,在网络训练阶段,通过增加动量项和学习速率自适应的调整策略,提高网络训练速度,在CNN全连接层后添加Dropout随机隐退,防止网络出现过拟合现象.实验结果表明,该算法的识别性能优于传统的CNN模型和其它对比方法,同时在MNIST数据集上的仿真实验充分验证了算法的有效性.(3)为了更加充分的提取图像特征信息,本文提出了基于特征融合及SVM的手写数字识别算法.首先,采用改进的CNN模型和引入曲度系数的Gabor滤波器分别提取字符图像的CNN特征和Gabor特征.其次,将其进行特征融合,得到更加有效的新特征.最后,将融合特征输入SVM分类器进行手写数字识别.实验结果表明,该算法能有效地提高手写数字的识别效果.