基于深度神经网络的未知手写体数字识别方法技术

本发明专利技术提供一种基于深度神经网络的未知手写体数字识别方法，通过关联成像技术提取未知手写体数字的特征，包括首先设计一组傅立叶散斑照射在未知手写数字图像上，然后使用一个没有空间分辨率的桶探测器收集每次检测结果，并通过四步相移方法获得未知手写体数字的特征信息，然后将该特征信息输入至已设计的、且训练过的深度神经网络中进行识别，实现对未知的数字图像进行分类。仿真结果表明，该方案具有较好的识别性能，且能够在不恢复手写体数字图片前提下对其进行识别。本发明专利技术具有识别率高、识别时间短特点，具有非局域特性，且所设计的深度神经网络结构简单，因而具有巨大的应用前景。

【技术实现步骤摘要】
基于深度神经网络的未知手写体数字识别方法
本专利技术涉及关联成像领域，尤其涉及一种基于深度神经网络的未知手写体数字识别方法。
技术介绍
“鬼”成像(GhostImaging,GI)，又称关联成像(CorrelatedImaging)，是近些年来量子光学领域的前沿和热点之一。关联成像采用两条光路，一支称为信号光路，指散斑通过物体后的光用一个无空间分辨能力的桶探测器接收；另一支称为参考光路，指散斑在传输一段距离后由具有空间分辨能力的探测器接收。最后对两条光路的探测结果进行二阶关联可以在参考光路得到物体的恢复图像。与传统的成像方式不同的是关联成像可以在不包含物体的光路上恢复出物体图像，这一特性称为非定域性。随着关联成像的发展，热光“鬼”成像、计算“鬼”成像等新型“鬼”成像技术被不断提出。与此同时，随着“鬼”成像性能的提高，各种基于“鬼”成像的应用也得以实现。大量研究表明，“鬼”成像可广泛应用在军事、加密、激光雷达等领域。上世纪80年代，前苏联学者D.N.Klyshko根据自发参量下转换光子对的纠缠行为，提出了量子关联成像方案。1995年，Pittma本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的未知手写体数字识别方法，其特征在于：所述方法包括以下步骤：/n步骤一：以频谱中心为原点，选取频谱(f

【技术特征摘要】
1.一种基于深度神经网络的未知手写体数字识别方法，其特征在于：所述方法包括以下步骤：
步骤一：以频谱中心为原点，选取频谱(fx,fy)(-h/2≤fx≤h/2，-v/2≤fy≤v/2)，其中h为所取中心区域的宽度，v为所取中心区域的高度为频谱中心区域，根据选取的傅里叶频谱中心区域每个位置，设计一组傅里叶的正弦散斑(P0，Pπ/2，Pπ，P3π/2)，其中每组有相差π/2相位的四幅散斑，因此，正弦散斑有M＝h×v组正弦散斑的大小与手写体数字图片的大小相同，均为N×N，然后将设计好的散斑依次加载到数字微镜阵列设备上；
步骤二：将经过DMD调制后的正弦散斑照射到手写体数字图片上，透过光强经过透镜聚焦后都由一个无空间分辨的桶探测器接收，分别获得到四个相位相差π/2的桶探测器值Dφ(fx,fy)，φ(0，π/2，π，3π/2)；
步骤三：将傅里叶四步相移的正弦散斑照射到已知手写体数字图片上，通过关联成像系统，记录桶探测器值通过计算[D0(fx,fy)-Dπ(fx,fy)]+j·[Dπ/2(fx,fy)-D3π/2(fx,fy)]获取手写体数字图片对应(fx,fy)的频谱系数，从而获得手写体数字的特征信息；
步骤四：重复以上过程，当获得M个频谱系数后，将M频谱系数构成矢量且作为特征信息输入至一设计的深度神经网络中进行训练；
步骤五：不断重复步骤一至四，完成神经网络的训练；
步骤六：对于未知的手写体数字，根据步骤一至四，获得它傅里叶频谱中心区域的M个频谱系数，并输入至...

【专利技术属性】
技术研发人员：何行，赵生妹，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32