本发明专利技术涉及一种基于寻找特征值的K近邻手写识别系统算法，包括以下步骤：步骤S1：对字符图像进行预处理，将所述字符图像转化成1*A2二维矩阵；步骤S2：取不同字符的对照图像各B张作为训练集，经矩阵合并，阈值设定及数值重置得到其各字符对应的特征矩阵M；步骤S3：根据所述特征矩阵M及最近邻算法确定最终匹配的字符。本发明专利技术极大地降低了原本knn的计算复杂度和所需的存储空间，加快了手写输入的识别速度，让极大规模的最近邻的数据处理变为可能，并且该算法使每个训练集的字符都保持相对的独立，可以极大方便的将其转变为并行计算模型，进一步提升算法的执行速度和实用性。
【技术实现步骤摘要】
本专利技术涉及一种基于寻找特征值的K近邻手写识别系统算法。
技术介绍
手写字符识别是当前模式识别领域的研宄热点，也是有难度的公开问题，由于其在生活中应用广泛，因此其具有深远的应用需求，近年来随着计算机技术和数字图像处理技术的飞速发展，手写识别在文字输入、电子商务、机器自动输入等场合已经获得成功的实际应用。对于手写字符的识别，目前已经发展了很多种方法，其中有基于神经网络算法，基于概率统计算法，基于傅里叶变换算法，基于模板匹配算法和基于fisher分类算法等等，由于手写字体变体极多，识别效果仍然不理想。因此研宄简单高效的手写识别依然是一个重要的研宄方向。
技术实现思路
为实现上述目的，本专利技术采用如下技术方案:一种基于寻找特征值的K近邻手写识别系统算法，其特征在于包括以下步骤: 步骤S1:对字符图像进行预处理，将所述字符图像转化成1*A2二维矩阵，且A=32 ; 步骤S2:取不同字符的对照图像各B张作为训练集，经矩阵合并，阈值设定及数值重置得到其各字符对应的特征矩阵M,且B=10 ； 步骤S3:根据所述特征矩阵M及最近邻算法确定最终匹配的字符。在本专利技术一实施例中，所述步骤SI的具体内容如下:先将所述字符图像变成A*A像素的0-1图像，再将所述A*A像素的0-1图像展平成1*A2二维矩阵，其中O代表没有手写笔迹的地方，I代表有手写笔迹的地方； 在本专利技术一实施例中，所述步骤S2的具体内容如下: 步骤S21:取同一字符的对照图像B张作为训练集，对每一张对照图像进行如步骤SI所述的预处理，可得到B个1*A2二维矩阵，进行合并得到一个B*A 2二维矩阵； 步骤S22:将所述B*A2二维矩阵中相同列的值进行相加，得到一个新的1*A2二维矩阵，所述新的1*A2二维矩阵中每个数的取值范围为(0，B)； 步骤S23:设定一阈值n，取步骤S22得到的1*A2二维矩阵中数值最大的η列，并将该η列的数值重置为1，其余Α2-η列的数值重置为0，最终得到一个1*Α2的0_1取值的二维矩阵M，M即为该字符的特征矩阵； 步骤S24:取其余字符按步骤S21至步骤S23处理，分别得到其相应的特征矩阵Μ。在本专利技术一实施例中，所述步骤S3的具体内容如下: 步骤S31:将待识别图像按步骤SI处理，转化成1*Α2二维矩阵； 步骤S32:将步骤S31得到的1*Α2二维矩阵分别与步骤S2得到若干个特征矩阵M的倒置相乘，得到若干个特征值； 步骤S33:取所述若干个特征值最大的前i个特征值对应的B*A2二维矩阵，运用最近邻算法将i个B*A2二维矩阵分别与待识别图像对应的1*A 2二维矩阵求得的欧式距离进行比较，取其中的最小值，所述最小值对应的字符即为最终匹配的字符。本专利技术与现有技术相比具有以下有益效果:本专利技术极大减少了直接使用最近邻算法(knn)进行文字识别时的计算复杂度的问题及其所需要的大量存储空间，当直接使用knn进行100*1024的二维矩阵的匹配时，需要为每个测试向量做2000次距离计算，每个距离计算包括1024个维度浮点运算，总共要执行900次，而这个在匹配超过17以上的字符时，其计算复杂度将是不可接受的。【附图说明】图1是本专利技术方法流程图。图2是本专利技术实施例字符O的32*32像素0_1矩阵图。图3是本专利技术实施例字符I的32*32像素0_1矩阵图。图4是本专利技术实施例字符2的32*32像素0_1矩阵图。图5是本专利技术实施例字符O生成的100*1024矩阵局部图。图6是本专利技术实施例字符O特征矩阵局部图。【具体实施方式】下面结合附图及实施例对本专利技术做进一步说明。请参照图1，本专利技术提供一种基于寻找特征值的K近邻手写识别系统算法，其特征在于包括以下步骤: 步骤S1:对字符图像进行预处理，将所述字符图像转化成1*A2二维矩阵，于本实施例中基于计算精确度及方便计算机储存的角度出发，将A设为32，即生成1*1024 二维矩阵，具体内容如下:先将所述字符图像变成32*32像素的0-1图像，再将所述32*32像素的0_1图像展平成1*1024 二维矩阵，其中O代表没有手写笔迹的地方，I代表有手写笔迹的地方，如图2、图3、图4所示分别为字符0、1、2的32*32像素0_1矩阵图。步骤S2:取不同字符的对照图像各B张作为训练集，经矩阵合并，阈值设定及数值重置得到其各字符对应的特征矩阵M，于本实施例中基于计算精确度及方便计算机储存的角度出发，将B设为100 ； 所述步骤S2的具体内容如下: 步骤S21:取同一字符的对照图像100张作为训练集，对每一张对照图像进行如步骤SI所述的预处理，可得到100个1*1024 二维矩阵，进行合并得到一个100*1024 二维矩阵；如图5所示为字符O生成的100*1024矩阵局部图。步骤S22:将所述100*1024 二维矩阵中相同列的值进行相加，得到一个新的1*1024 二维矩阵，所述新的1*1024 二维矩阵中每个数的取值范围为(0，100)； 步骤S23:设定一阈值n，取步骤S22得到的1*1024 二维矩阵中数值最大的η列，并将该η列的数值重置为1，其余1024-η列的数值重置为0，最终得到一个1*1024的0_1取值的二维矩阵M，M即为该字符的特征矩阵，图6所示为字符O特征矩阵局部图。步骤S24:取其余字符按步骤S21至步骤S23处理，分别得到其相应的特征矩阵Μ。步骤S3:根据所述特征矩阵M及最近邻算法确定最终匹配的字符。所述步骤S3的具体内容如下: 步骤S31:将待识别图像按步骤SI处理，转化成1*1024 二维矩阵； 步骤S32:将步骤S31得到的1*A2二维矩阵分别与步骤S2得到若干个特征矩阵M的倒置相乘，得到若干个特征值； 步骤S33:取所述若干个特征值最大的前i个特征值对应的100*1024 二维矩阵，运用最近邻算法将i个100*1024 二维矩阵分别与待识别图像对应的1*1024 二维矩阵求得的欧式距离进行比较，取其中的最小值，所述最小值对应的字符即为最终匹配的字符。以上所述仅为本专利技术的较佳实施例，凡依本专利技术申请专利范围所做的均等变化与修饰，皆应属本专利技术的涵盖范围。【主权项】1.一种基于寻找特征值的K近邻手写识别系统算法，其特征在于包括以下步骤: 步骤S1:对字符图像进行预处理，将所述字符图像转化成1*A2二维矩阵，且A=32 ; 步骤S2:取不同字符的对照图像各B张作为训练集，经矩阵合并，阈值设定及数值重置得到其各字符对应的特征矩阵M,且B=10 ； 步骤S3:根据所述特征矩阵M及最近邻算法确定最终匹配的字符。2.根据权利要求1所述的基于寻找特征值的K近邻手写识别系统算法，其特征在于:所述步骤SI的具体内容如下:先将所述字符图像变成A*A像素的0-1图像，再将所述A*A像素的0-1图像展平成1*A2二维矩阵，其中O代表没有手写笔迹的地方，I代表有手写笔迹的地方； 根据权利要求1所述的基于寻找特征值的K近邻手写识别系统算法，其特征在于:所述步骤S2的具体内容如下: 步骤S21:取同一字符的对照图像B张作为训练集，对每一张对照图像进行如步骤SI所述的预处理，可得到B个1*A2二维矩阵，进行合并得到一个B*A 2二维矩阵； 步骤S22:将所述B*A2二维矩阵本文档来自技高网...
【技术保护点】
一种基于寻找特征值的K近邻手写识别系统算法，其特征在于包括以下步骤：步骤S1：对字符图像进行预处理，将所述字符图像转化成1*A2二维矩阵，且A=32；步骤S2：取不同字符的对照图像各B张作为训练集，经矩阵合并，阈值设定及数值重置得到其各字符对应的特征矩阵M，且B=100；步骤S3：根据所述特征矩阵M及最近邻算法确定最终匹配的字符。
【技术特征摘要】
【专利技术属性】
技术研发人员：姚剑敏，郭太良，林志贤，叶芸，林金堂，郭明勇，周雄图，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。