1. 研究目的与意义
手写数字识别是图像处理和模式识别领域中的重要研究课题之一。手写数字由于书写者的因素，使它的数字图像的随意性很大，如：字体大小、笔划粗细、字体的倾斜度等差异都会直接影响到数字字符最终的识别结果，因此手写数字识别是模式识别领域内最具有挑战性的课题之一。本课题主要是对手写数字的神经网络方法进行的研究。了解手写数字识别的研究背景和发展状况，并且对手写数字识别的图像预处理技术进行介绍，实现了图像灰度化、二值化、去噪、字符分割、归一化、细化等操作。 常见的两种特征提取的方法：统计特征提取和结构特征提取。我们初步采用的是数字的粗网格特征提取 法，并在Matlab环境下实现了特征提取的过程。此后我们使用BP神经网络的识别结果和传统的数字识别方法，找出缺点和不足。初步的设想的实验结果，BP神经网络法不仅在识别率上有了很大的改进，收敛速度也得到了很大的提高。但是这种方法仍然有许多地方需要改进，这就要求在以后的学习中，不断的改进，以寻找更加完美更加快捷的手写数字的识别方法，促进手写数字识别的发展。
2. 课题关键问题和重难点
1. 图像预处理的问题
（1）要识别手写体数字首先要对其字符图像进行预处理,把原始的图像转换成识别器所能接受的形式。预处理的主要目的是去除字符图像中的噪声、压缩冗余信息得到规范化的点阵，为特征提取做好准备。所以预处理非常重要。
（2）特征输入网络的识别效果要取决于特征集的完备性，这就要求预处理在消除图像中与识别无关的因素时尽量保持原图像的字符特征。由于手写体数字的特点，在预处理阶段的识别增加了困难。针对字符进行预处理，包括二值化、梯度锐化、平滑去噪、分割、倾斜调整、断笔填充、大小归一化，也可能发生失真。预处理是处理过程的第一步，往往非常重要，但有时处理的结果并不如人意。
3. 国内外研究现状（文献综述）
数字识别是人工神经网络中的一项基本又重要的应用研究领域。基于人工神经网络的手写体数字识别方法[5]为此提出了一种用简单ＢＰ神经网络识别手写体数字的方法。利用ＢＰ神经网络的良好监督学习功能，并结合提取的降维数字字符图像的灰度特征进行网络训练，提出了一种基于统计特征分类的手写体数字识别方法。
人工神经网络系统由于具有信息的分布存储、并行处理以及自学习能力等优点，近年来随着其研究的日益深入及其实现手段的逐渐成熟，已被广泛用于解决模式识别问题，特别是用于各种字符的识别。其中ＢＰ神经网络是应用的最普遍的一种神经网络，在一定的字符集上取得了很好的识别效果。数字符号识别问题是根据待识别数字符号特征的观察值将其分类到0－9共10个类别中去。手写体数字识别方法大体可分为两类：基于统计的识别方法和基于结构的识别方法。第一类方法包括模板匹配法、矩法、笔道的点密度测试、字符轨迹法及数字变换法等；第二类则是尽量抽取数字的骨架或轮廓特征，如环路、端点、交叉点、弧状线、环及凹凸性等，两类方法具有一定的互补性.[5]
1994年，手写体数字的神经网络识别方法[5]本文研究了手写体数字识别的新技术采用模式识别传统技术与神经网络模型相结合的方法，即在抽取样本模式有效特征的基础上，训练神经网络分类器进行识别 所采用的神经网络分类器为带有一个隐层的多层网，它能在网络学习过程中自适应地调节隐元数 实验表明本系统的性能大大优于采用最近邻分类器的识别结果 本文研究的方法具有广义性，特别是自组织结构的神经网络分类器，可适用于其它模式识别任务 。基于神经网络数字识别方法的研究[1]是针对无指针式仪表表盘的数字识别问题，提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法 该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征。
4. 研究方案
、设计方案步骤：
首先任意写出0—9个10的数字待识别，用摄像机或者手机摄取图像，之后进行预处理，包括二值化、平滑化、细化和规一化等，其间不能失真。其次进行样本训练特征提取，同时对于BP神经网络进行训练，特征提取传入BP神经网络进行识别。
5. 工作计划
2022-2023-1学期
第15-16周完成选题，查阅相关资料，进行相关技术的了解；
第17-18周与导师沟通进行课题总体规划；
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
