基于朴素贝叶斯分类器手写体数字识别.ppt

基于朴素贝叶斯分类器的简单手写体数字识别 By shenye 手写数字识别(Handwritten Numeral Recognition)是光学字符识别技术（ Optical Character Recognition,简称OCR)的一个分支。它研究的对象是： 研究的实际背景 在整个OCR领域中，最为困难的就是脱机手写字符的识别。 研究的理论意义 阿拉伯数字是唯一的被世界各国通用的符号，对手写数字识别的研究基本上与文化背景无关。 研究的难度 一些测试结果表明，数字的正确识别率并不如印刷体汉字识别正确率高，甚至也不如联机手写体汉字识别率高 。主要原因是： 1.不同数字之间字形相差不大，使得准确区分 某些数字相当困难； 2.数字虽然只有十种，笔划简单，但同一数字 写法千差万别，全世界各个国家各个地区的 人都用，其书写上带有明显的区域特性，很 难完全做到兼顾世界各种写法的极高识别率 的通用性数字识别系统。 算法的理论基础 贝叶斯定理 设D1，D2，……，Dn为样本空间S的一个划分，如果以P(Di)表示事件Di发生的概率，且P(Di)0(i=1，2，…，n)。对于任一事件x，P(x)0，则有： P(Dj/x)=p(x/Dj)P(Dj)/∑P(X/Di)P(Di),其中P(x) = ∑P(X/Di)P(Di) P ( Dj)为先验概率, P ( x | Dj)为联合概率(条件概率) , P ( Dj | x)后验概率。 算法的理论基础 朴素贝叶斯分类器 朴素贝叶斯分类器基于一个简单的假定:在给定目标值时属性值之间相互条件独立。换言之,该假定说明给定实例的目标值情况下,观察到联合的a1a2 ?am 的概率正好是对每个单独属性的概率乘积。 设x = a1 , a2 ?am ,则P ( x | Dj) = P ( a1 , a2?am | Dj)。 对未知样本X分类时,对每个类Di计算p (X/Di) p (Di) 。样本X被指派到类Di,当且仅当p (X/Di) P (Di) P (X/Dj) P (Dj) j≠i,也就是X被指派到其p (X/Di) p (Di)最大的类Di中。 方法介绍 从手写体数字提取5个特征向量 方法介绍—训练 计算方法通过代码来解析： while (read.Read())//从数据库中读取训练集 { count[pV]++; //当前数字PV 出现的总个数 datH[pH, pV]++; //在V=PV条件下H=pH的个数 datS[pS, pV]++; datP[pP, pV]++; datN[pN, pV]++; datA[pA, pV]++; i++;//数据总数 } 这样做的优点是： 用户可按照自己的书写习惯自行创造数据集，这使得工具变得有「灵性」，不同的用户将创造不同的数据集，工具因此有了不同的记忆，训练得越多，工具的识别能力越强，识别率越高。 总结 在特征向量的提取上，我还有如下几种想法： 将方向设为8个（避免2和3的错误识别）。 与边框的交点（避免8和3的错误识别）。 每一笔的走势（避免1和7的错误识别）。 数字字体的长宽比。 边框内红色像素与非红色像素之比。 一些想法： 另外，通过这个小实验，使我对汉字的识别也有了一些思路： 用上述方法识别输入的每一个比划（横，竖，撇，捺，折等），即模拟人在手写时候的方式，通过朴素贝叶斯分类器（也可不用），按汉字部首的比划组合方式识别出部首，由部首的组合，最终识别出汉字。 这需要非常巨大的数据训练集。 谢 谢！ * 如何利用电子计算机自动辨认 人手写在纸张上的阿拉伯数字。 手写数字识别的应用范围广泛，阿拉伯数字组成的各种编号和统计数据如：邮政编码、统计报表、财务报表、银行票据等等。 目前为止机器的识别本领还无法与人的认知能力相比，这仍是一个有难度的开放问题。 手写数字的识别方法扩展范围广。 特征向量 与横线相交 的点数（H） 与竖线相交 的点数（S） 比划数（B） 与撇线相交 的点数（P） 与捺线相交 的点数（N） 记X=(cntH, cntS, cntB, cntP,cntN) 通过处理板得到手写数字与横竖撇捺线的交点个数及笔画数 即： H, S, B, P,N 和从输入框中得到的输入值V 插入到数据库 ▲通过处理板得到手写数字与横竖撇捺线的交点个数及笔画数 即： cntH, cntS, cntB, cntP,cntN 方法介绍—识别 表1：训练集部分数据 由公式： P ( x | Dj) = P ( a1 , a2?am | Dj) 得到，x= （cntA,cntH,cntS