【技术实现步骤摘要】
一种基于抗干扰卷积神经网络的手写数字识别系统及方法
[0001]本专利技术属于信息安全领域，具体涉及一种基于抗干扰卷积神经网络的手写数字识别系统及方法。
技术介绍
[0002]近年来应用于文字识别技术日新月异，应用到了很多的行业，为这些行业大大提高了工作效率。但手写体汉字随意、不规则、并且由于手写汉字的纸张不是一定十分整洁，可能会因为一些意外如漏墨、水滴、或者本身纸张模糊不清的原因，很容易导致标签卷积神经网络识别错误，让文字识别率在稍微恶劣一点的环境中大大降低，为了解决或者减轻这些由恶劣环境或者人为字迹潦草带来的神经网络识别错误因此为了解决这个问题专利技术了一种基于生成式对抗网络抗干扰高精度的手写数字图像神经网络系统及方法，我们通过找出数据集中大量这样的图片，进行针对性的放大神经网络弱点，产生大量针对神经网络弱点的图像或者图像背景，让神经网络进行针对性的训练大大提高了标签卷积神经网络效率。本专利技术优点在于，通过对标签卷积神经网络进行弱点训练，可以获取一个更高精度的网络，识别那些字迹潦草，图像有污点的手写数字图像。
【技术保护点】
【技术特征摘要】
1.一种基于抗干扰卷积神经网络的手写数字识别系统，其特征在于，包括：手写文字收集系统、上位机；所述手写文字收集系统与所述上位机连接；所述手写文字收集系统用于采集用户手写数字图像，并根据手写数字图像标记手写数字图像的正确数字标签。2.一种根据权利要求1所述的基于抗干扰卷积神经网络的手写数字识别系统进行基于抗干扰卷积神经网络的手写数字识别方法，其特征在于，包括以下步骤：步骤1：手写文字收集系统获取由不同的用户手写的每幅手写数字图像，以及每幅手写数字图像的真实数字标签；步骤2：构建干扰手写数字图像生成式对抗网络，将每幅手写数字图像通过干扰手写数字图像生成式对抗网络，预测得到每幅手写数字图像的加噪后弱点特征图像的预测标签，结合每幅手写数字图像的真实数字标签构建对抗网络损失函数模型，通过RMSprop迭代优化训练得到优化后干扰手写数字图像生成式对抗网络；步骤3：通过手写文字收集系统采集实时手写数字图像，将实时手写数字图像输出至所述上位机，所述上位机通过所述优化后干扰手写数字图像生成式对抗网络的标签卷积神经网络预测，得到实时手写数字图像的预测标签。3.根据权利要求2所述的基于抗干扰卷积神经网络的手写数字识别方法，其特征在于，步骤1所述每幅手写数字图像定义为：WD
i
＝{wd
i
(x,y)|x∈[1,U],y∈[1,V]}i∈[1,N]其中，WD
i
表示第i幅用户手写数字图像，wd
i
(x,y)表示第i幅手写数字图像第x行第y列的像素，U表示第i幅手写数字图像的行数，V表示第i幅手写数字图像的列数；N表示手写数字图像的数量；所述每幅手写数字图像的真实数字标签定义为：{Tlb
i
},Tlb
i
∈[0,9]其中，Tlb
i
为第i幅手写数字图像的真实数字标签。4.根据权利要求2所述的基于抗干扰卷积神经网络的手写数字识别方法，其特征在于：步骤2所述干扰手写数字图像生成式对抗网络由标签卷积神经网络、干扰手写数字图像生成模块、生成器、判别器、弱点特征抽取模块、噪声放大模块构成；所述的标签卷积神经网络、干扰手写数字图像生成模块、生成器、判别器依次连接；所述的生成器、弱点特征抽取模块、噪声放大模块、标签卷积神经网络依次连接；将每幅手写数字图像输入至所述干扰手写数字图像生成模块；将每幅手写数字图像的加噪后弱点特征图像输入到标签卷积神经网络，标签卷积神经网络输出每幅手写数字图像的加噪后弱点特征图像的预测标签；将每幅手写数字图像的加噪后弱点特征图像的预测标签输出至干扰手写数字图像生成模块；通过RMSprop初次迭代优化训练中，将每幅手写数字图像作为每幅手写数字图像的加噪后弱点特征图像；所述每幅手写数字图像的加噪后弱点特征图像由所述噪声放大模块生成。
5.根据权利要求4所述的基于抗干扰卷积神经网络的手写数字识别方法，其特征在于：所述干扰手写数字图像生成模块，在多幅手写数字图像中筛选出Plb
i
≠Tlb
i
的手写数字图像定义为干扰手写数字图像，通过多幅干扰数据图像构建干扰数据集；其中，为第k
j
幅手写数字...
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。