学位论文 > 优秀研究生学位论文题录展示

基于人工神经网络的光学字符识别系统及硬件实现

作　者: 杨扬
导　师: 李祥
学　校: 贵州大学
专　业: 计算机软件与理论
关键词: 光学字符识别人工神经网络 K-L变换 ARM 嵌入式系统
分类号: TP391.4
类　型: 硕士论文
年　份: 2006年
下　载: 486次
引　用: 5次
阅　读: 论文下载

内容摘要

经过几十年的研究，人工神经网络目前已经广泛地用来解决模式识别和人工智能领域的一些复杂问题，并取得了以往传统算法无法获得的成功。光学字符识别(OCR)算法的研究属于模式识别领域的一个重要分支。很自然地，我们在光学字符识别算法设计中引入了人工神经网络。从上世纪70年代以来，光学字符识别技术逐渐走向成熟。对于印刷体字符的识别，目前已经有了很高的识别率；对于小规模的手写体字符识别，也已经走向实用。相对于大规模字符识别(如汉字识别)系统，小规模字符识别系统实现难度相对较小，但在日常生活中却应用广泛。如阿拉伯数字识别系统，仅对10个阿拉伯数字和少量符号进行识别，可以广泛应用于邮政编码识别、汽车牌照识别，流水线上产品编号识别等领域。本课题选题的初衷，就是利用人工神经网络实现一套通用的小规模光学字符识别系统对邮政编码进行识别。当前，由于半导体加工工艺的进步，微处理器的体积越来越小，速度越来越快。由这些微处理器组成的嵌入式系统，结构简单，成本低廉，被广泛应用于家电、工业控制等各个方面。正是出于生产成本和产品尺寸的考虑，本文的硬件模块将使用基于ARM系列微处理器的嵌入式系统取代传统的PC机。本文的研究工作可以划分为硬件和软件两部分；所做工作、技术难点与技术创新如下： 1．研究ARM体系的嵌入式系统的设计。 a) 以Atmel公司的AT91RM9200处理器为核心，设计一套嵌入式系统。 b) 研究了高频电子印刷板的设计原理，并掌握了制作工艺。 c) 研究Linux操作系统代码，在嵌入式系统上移植了Linux操作系统。 2．实现基于人工神经网络的光学字符识别算法 a) 研究图像的获取、和预处理算法。 b) 研究K-L变换在字符特征抽取中的应用。 c) 利用美国邮政服务数据库，训练了BP网络的分类器。使用测试集，验证了我们的分类器对手写体数字的识别率为92％。 d) 研究了其他一些分类器，并同我们的人工神经网络分类器进行了性能比较。本文所实现的光学字符识别系统，成本较低，体积较小。结构上具有一定的通用性，能够使用在各种图像处理、图像识别或监控应用中。今后，我们将进一步改进视频采集部分，提高视频图像的分辨率，将本文成果作为机器视觉系统产品进行市场推广。做论文期间，作者已在《计算机科学》上发表论文一篇。

全文目录

摘要  4-6
ABSTRACT  6-14
第一章人工神经网络和光学字符识别  14-23
  1.1 人工神经网络  14-20
    1.1.1 历史回顾  14
    1.1.2 人工神经元模型  14-17
    1.1.3 网络的结构  17-19
    1.1.4 BP神经网络  19-20
  1.2 光学字符识别  20-23
    1.2.1 历史和现状  20
    1.2.2 字符识别方法简介  20-22
    1.2.3 神经网络在字符识别中的应用  22-23
第二章基于ARM的硬件实现  23-34
  2.1 硬件功能及硬件选型  23-26
    2.1.1 硬件的基本功能  23-24
    2.1.2 ARM微处理器简介  24-25
    2.1.3 微处理器选型  25-26
  2.2 硬件的设计  26-34
    2.2.1 电源部分  26-27
    2.2.2 微处理器及复位电路  27-28
    2.2.3 SDRAM部分  28-29
    2.2.4 FLASH部分  29-30
    2.2.5 USB部分  30-31
    2.2.6 UART部分  31-32
    2.2.7 JTAG接口  32-34
第三章系统的软件设计与原理  34-50
  3.1 软件的原理  34-36
    3.1.1 工作原理概述  34-35
    3.1.2 K-L变换  35-36
  3.2 图像的采集和图像处理  36-41
    3.2.1 简述  36
    3.2.2 图像的采集  36-37
    3.2.3 图像的灰度化  37
    3.2.4 图像的二值化  37-38
    3.2.5 图像亮度效正  38
    3.2.6 字符图像的倾斜效正  38-41
  3.3 图像的分割与字符提取  41-42
    3.3.1 图像分割简介  41-42
    3.3.2 算法基本思想  42
  3.4 字符特征抽取  42-46
    3.4.1 简述  42-43
    3.4.2 准备K-L变换矩阵  43-45
    3.4.3 字符图像标准化处理  45-46
    3.4.4 计算字符图像特征  46
  3.5 基于反向传播神经网络的分类器  46-49
    3.5.1 分类器的设计  46
    3.5.2 BP神经网络的设计  46-47
    3.5.3 分类失败和扩展神经网络  47-48
    3.5.4 可能的改进  48-49
  3.6 基于近邻法的分类器  49-50
    3.6.1 近邻法分类器  49
    3.6.2 同BP神经网络分类器的比较  49-50
第四章系统的训练及讨论  50-60
  4.1 样本的准备与生成  50-52
    4.1.1 USPS数据库的读取  50-51
    4.1.2 生成自己的样本  51-52
  4.2 利用Matlab的神经网络工具  52-57
    4.2.1 Matlab的神经网络工具简介  52-53
    4.2.2 Matlab在本课题中的作用  53-54
    4.2.3 将数据在Matlab中读取  54-55
    4.2.4 利用Matlab训练神经网络  55-56
    4.2.5 将Matlab中的训练结果导出  56-57
  4.3 几种分类方法的比较  57-60
    4.3.1 基于近邻法的分类器  57-58
    4.3.2 基于向量长度比较的分类器  58-59
    4.3.3 基于 BP神经网络的分类器  59-60
第五章系统的应用实例  60-65
  5.1 信件自动分拣机  60-63
    5.1.1 信件自动分拣机简介  60
    5.1.2 邮政编码图像定位原理  60-61
    5.1.3 边缘检测  61-62
    5.1.4 直线检测  62-63
    5.1.5 定位和识别  63
  5.2 其他可能的应用  63-65
    5.2.1 汽车牌号识别  63-64
    5.2.2 可能的方法  64-65
文中的图表索引  65-66
致谢  66-67
参考文献  67-68
附录  68
  作者在学习其间的主要工作  68
  发表论文  68
  参与项目  68

基于人工神经网络的光学字符识别系统及硬件实现

内容摘要

全文目录

相似论文