基于SVM和BP神经网络的手写数字识别(7)

图5-3 训练样本II图片

图5-4 测试样本II图片

5.1.3设计与实现

基于SVM的识别流程分五步走：

27

图像预处理图像特征提取训练训练集建立支持向量机预测测试集

图5-5 SVM识别流程图

（1）图像预处理：二值化处理后批量剪裁，图片转化成标准16?16像素。 （2）图像特征提取：使用统计识别进行提取。

（3）训练训练集：载入训练样本，预处理后生成样本矩阵。

（4）建立支持向量机：借助RBF核函数并使用GA算法来找到最符合特征的最佳参数。 （5）预测测试集：载入测试集，预处理后作识别处理。 5.1.3.1 图像预处理

由于图片中数字的大小和位置不尽相同，为了消除这些影响，首先对每张图片做标准化预处理：将每张图片进行二值化反色预处理后，批量剪裁，转变成像素为16?16。经过该操作后，数字上像素点的灰度值变成1，背景的则为0，即原来的数字图片经过上述操作后变成是黑底白字[9]。处理前后的图片如图所示。

图5-6 原始图片（左）与预处理图片（右）

5.1.3.2 图像特征处理

完成二值化后，用统计识别法来获取特征。提取数字的轮廓，将图像分成大小为4?4的小区域，变换产生特征变量，获得所有轮廓像素点方向信息进行统计,生成50?256的属性矩阵形式，其中的行代表字符特征向量。如图5-7所示。

标签1 方向1频数 方向2频数?DTP频数 方向1频数?DTP频数标签2 方向1频数 方向2频数?DTP频数 方向1频数?DTP频数?标签 n方向1频数 方向2频数?DTP频数 方向1频数?DTP频数 图5-7 训练样本矩阵

5.1.3.3 建立支持向量机

建立SVM,采取RBF核函数并利用GA算法找寻最佳参数。本设计中程序代码GA寻优如下：

（1）设置GA相关参数

28

ga_option.maxgen = 100; ga_option.sizepop = 20; ga_option.cbound = [0,100]; ga_option.gbound = [0,100]; ga_option.v = 10; ga_option.ggap = 0.9;（2）GA进行参数寻优

[bestCVaccuracy,bestc,bestg] = ...gaSVMcgForClass(TrainLabel,TrainData,ga_option)5.1.3.4 训练训练集

载入训练图片进行训练，获取最佳参数和适度曲线。 （1）训练

cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg)];model = svmtrain(TrainLabel, TrainData, cmd);（2）训练集上查看识别能力

preTrainLabel = svmpredict(TrainLabel, TrainData, model);（3）训练时间记录

tic?训练程序??

（4）最佳参数获取和适应度曲线 训练样本I：

tocbestCVaccuracy = 98bestc = 3.4933bestg = 9.1004Accuracy = 100% (50/50) (classification)Elapsed time is 35.925217 seconds.

29

适应度曲线Accuracy[GAmethod](终止代数=50,种群数量pop=20)Best c=3.4933 g=9.1004 CVAccuracy=98090 8070适应度60504030最佳适应度平均适应度20 05101520253035404550进化代数

图5-8 训练样本I适应度曲线Accuracy

综上：

最佳参数：惩罚参数c?3.4933，核参数g?9.1004； 建立的SVM在训练集上的识别率是100%；

训练时间为35.92?s，最佳适应度为98%。

训练样本II：

bestCVaccuracy = 98bestc = 77.8335bestg = 0.0128Accuracy = 100% (100/100) (classification)Elapsed time is 111.281083 seconds.

30

适应度曲线Accuracy[GAmethod](终止代数=70,种群数量pop=20)Best c=77.8335 g=0.012779 CVAccuracy=980 9080适应度706050最佳适应度平均适应度40 010203040506070进化代数图5-9 训练样本II适应度曲线Accuracy

综上：

最佳参数：惩罚参数c?77.8335，核参数g?0.0128； 建立的SVM在训练集上的识别率是100%；

训练时间为：111.28s，最佳适应度为98%。 5.1.3.5 预测测试集

对测试样本作反色处理后，借助已建立的支持向量机识别图片中的数字。 （1）测试结果 测试样本I：

Accuracy = 93.3333% (28/30) (classification)ans = Columns 1 through 17 0 0 0 1 1 1 2 2 2 3 3 3 4 4 4 5 5 Columns 18 through 30 5 6 6 6 7 7 7 8 8 8 9 9 9ans = Columns 1 through 17 0 0 0 1 1 7 2 2 2 3 3 3 4 4 4 5 5 Columns 18 through 30 5 6 6 6 7 7 7 8 8 8 7 9 931

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于SVM和BP神经网络的手写数字识别(7)在线全文阅读。