摘要：手写体识别是图像识别领域的一个活跃分支，数字手写体的精确度随着支持向量机、卷积神经网络等图像技术的发展与MNIST数据集的诞生让数字手写体识别的精度非常接近人工辨别的正确率。字母与数字字符结构相似，在数字手写体识别中大放异彩的图像识别技术可延伸到字母识别领域。

本项目设计了以深度残差网络模型为系统模型的数字、字母手写体识别系统，其中使用PyQt框架实现系统的GUI界面。本系统具有图片预处理功能，利用投影法的思想实现了字符分割，可以识别具有多字符的图片。

 

关键词：手写体识别；卷积神经网络；深度残差网络

 

目 录

摘 要

Abstract

1 绪论-1

1.1 项目的背景和意义-1

1.2 国内外研究开发现状分析-1

1.3 项目的目标-2

1.4 论文结构简介-2

2 开发工具及环境介绍-4

2.1 开发环境-4

2.1.1 硬件环境-4

2.1.2 软件环境-4

2.2 Python编程语言-4

2.3 PyCharm-5

2.4 TensorFlow深度学习框架-5

2.5 PyQt5-5

2.6 OpenCV-5

3图片预处理流程与技术-6

3.1 图片预处理流程-6

3.2 图象缩放-7

3.3 图像灰度化-8

3.3.1 为什么要进行图像灰度化-8

3.3.2 如何进行图像灰度化-8

3.4 自适应中值滤波去噪-9

3.5 二进制图像阈值化-10

3.6 字符分割-10

3.7 字符重整-13

3.7.1 字符图像大小重整-13

3.7.2 字符图像格式重整-15

4 神经网络分类器-16

4.1 神经网络概述-16

4.2 卷积神经网络概述及运算过程-17

4.3 深度残差网络模型设计及训练-20

4.3.1 深度残差网络层数-22

4.3.2 激活函数-22

4.3.3 损失函数-22

4.3.4 优化函数-22

4.3.5 学习率-22

4.3.6 最大迭代次数-23

4.3.7 批尺寸-23

4.3.8 深度残差网络代码实现-23

4.3.9 深度残差网络模型图例-27

4.3.10 深度残差网络模型训练结果-33

4.4 分类说明-34

5 系统设计与实现-35

5.1 系统设计-35

5.2 系统流程描述-35

5.3 系统界面-37

5.4 系统识别结果-40

6 总结-42

参 考 文 献-43

致谢