本發(fā)明涉及一種基于混合特征提取的手寫數(shù)字識(shí)別方法。
背景技術(shù)：
：隨著智能手機(jī)、平板電腦等手持設(shè)備的廣泛應(yīng)用，手寫輸入作為一種更便捷的人機(jī)交互方式，越來(lái)越得到人們的青睞，聯(lián)機(jī)手寫識(shí)別技術(shù)得到了快速發(fā)展。而手寫數(shù)字缺乏上下文聯(lián)系，給識(shí)別帶來(lái)了更大的困難。對(duì)手寫數(shù)字進(jìn)行識(shí)別，首先要對(duì)從手寫輸入裝置獲取的手寫數(shù)字信息進(jìn)行預(yù)處理，然后再進(jìn)行特征提取，最后進(jìn)行特征分類。其中特征提取和分類是最重要的環(huán)節(jié)，而特征提取的好壞決定了識(shí)別正確率的高低。目前常用的特征提取算法有如下幾種：統(tǒng)計(jì)特征提取和結(jié)構(gòu)特征提取(1.dasn,reddyjm,sarkarr,etal.astatistical-topologicalfeaturecombinationforrecognitionofhandwrittennumerals[j].appliedsoftcomputing,2012,12(8):2486-2495.2.babuur,chinthaak,venkateswarluy.handwrittendigitrecognitionusingstructural,statisticalfeaturesandk-nearestneighborclassifier[j].internationaljournalofinformationengineeringandelectronicbusiness(ijieeb),2014,6(1):62.)；統(tǒng)計(jì)特征對(duì)圖像細(xì)節(jié)和噪聲不敏感，但是對(duì)一些精細(xì)結(jié)構(gòu)不能有效提?。唤Y(jié)構(gòu)特征能把握數(shù)字固有的筆畫結(jié)構(gòu)，但是對(duì)數(shù)字結(jié)構(gòu)的變動(dòng)較為敏感，對(duì)于不同的手寫字形不能給出較滿意的分離效果。靜態(tài)特征提取和動(dòng)態(tài)特征提取(3.hafsa,w.,kherallah,m.,benjemaa,m.,benamara,en.,2004.ahybridapproachofneuralnetworks/hiddenmarkovmodelforon-linerecognitionofthearabicdigits[c]//ieeeinternat.conf.onscs’04.mounastir,tunisie,pp.137–141.4.kherallah,m.,haddadl.,alimim.a.,mitichea.on-linehandwrittendigitrecognitionbasedontrajectoryandvelocitymodeling[j].patternrecognitionletters,2008,29:580-594.)；靜態(tài)特征對(duì)數(shù)字筆劃書寫先后順序不敏感，但容易受到局部噪聲的影響；動(dòng)態(tài)特征對(duì)噪聲和數(shù)字的細(xì)小變形不敏感，但書寫順序的不同會(huì)造成誤識(shí)別。局部特征提取和全局特征提取(5.dixonrs,dolfingjg,meieru,etal.integratingstroke-distributioninformationintospatialfeatureextractionforautomatichandwritingrecognition:u.s.patent20,140,363,082[p].2014-12-11.6.nibarandas,ramsarkar,subhadipbasu,etal.ageneticalgorithmbasedregionsamplingforselectionoflocalfeaturesinhandwrittendigitrecognitionapplication[j].appliedsoftcomputing.2012,12(5):1592-16067.minorumori；seiichiuchida；hitoshisakano.globalfeatureforonlinecharacterrecognition[j].patternrecognitionletters2014,35,142-148.)等。局部特征能夠把握數(shù)字局部筆劃、形狀等的特點(diǎn)，但易受到噪聲的干擾；全局特征考慮了手寫數(shù)字的非馬爾可夫特征，并且對(duì)局部噪聲不敏感，但書寫順序、書寫習(xí)慣的不同會(huì)影響全局特征的正確提取。傳統(tǒng)的特征提取算法一般是提取手寫數(shù)字的某類特征，一旦對(duì)某個(gè)數(shù)字的某類特征提取失敗，將會(huì)得到錯(cuò)誤的分類結(jié)果。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種基于混合特征提取的手寫數(shù)字識(shí)別方法，對(duì)一種溫度陣列手寫數(shù)字輸入終端數(shù)據(jù)進(jìn)行采集和識(shí)別，從而實(shí)現(xiàn)在線手寫數(shù)字識(shí)別的方法，能夠有效抑制環(huán)境噪聲對(duì)在線識(shí)別產(chǎn)生的影響，同時(shí)避免了不同手寫者、不同手寫比劃順序等造成的誤識(shí)別或拒識(shí)別，解決現(xiàn)有技術(shù)中存在的上述問(wèn)題。本發(fā)明的技術(shù)解決方案是：一種基于混合特征提取的手寫數(shù)字識(shí)別方法，包括以下步驟，s1、手寫數(shù)字信息獲取，對(duì)溫度陣列手寫數(shù)字輸入終端進(jìn)行手寫數(shù)字信息的數(shù)據(jù)采集、預(yù)處理，隨著手寫數(shù)字的書寫，采用溫度陣列手寫數(shù)字輸入終端采集到的數(shù)據(jù)幀的值的分布隨之變化，判斷落筆時(shí)刻和起筆時(shí)刻，消除無(wú)效數(shù)據(jù)幀；s2、手寫數(shù)字混合特征提取，根據(jù)溫度變化信息，對(duì)手指尖運(yùn)動(dòng)軌跡進(jìn)行跟蹤檢測(cè)，在獲得跟蹤軌跡的基礎(chǔ)上，提取手寫數(shù)字的動(dòng)態(tài)特征；同時(shí)對(duì)采集到的一個(gè)數(shù)字的多幀數(shù)據(jù)進(jìn)行平均求和后，提取反映手寫數(shù)字結(jié)構(gòu)、比劃特征等的靜態(tài)特征；由此得到包括靜態(tài)特征和動(dòng)態(tài)特征的混合特征向量；s3、手寫數(shù)字特征選擇，對(duì)步驟s2得到的動(dòng)態(tài)特征和靜態(tài)特征進(jìn)行分析，對(duì)特征向量歸一化處理后，采用主分量分析法進(jìn)行特征選擇，選擇能反映手寫數(shù)字本質(zhì)特征的主分量，構(gòu)成手寫數(shù)字的特征向量；s4、手寫數(shù)字識(shí)別，將步驟s3得到手寫數(shù)字的特征向量用于支持向量機(jī)svm分類器的訓(xùn)練或分類，實(shí)現(xiàn)對(duì)手寫數(shù)字的識(shí)別。進(jìn)一步地，步驟s1中，基于溫度陣列手寫數(shù)字輸入終端的手寫數(shù)字信息的獲取與預(yù)處理，具體步驟如下：s11、計(jì)算機(jī)通過(guò)串口采集溫度陣列輸入終端的手寫輸入數(shù)據(jù)幀，并根據(jù)數(shù)據(jù)幀中溫度的變化特征，去掉落筆前和起筆后的無(wú)效幀；s12、當(dāng)一個(gè)數(shù)字書寫完成后，將得到的多幀數(shù)據(jù)進(jìn)行去噪處理，然后加權(quán)平均，得到一個(gè)手寫數(shù)字的靜態(tài)數(shù)據(jù)幀。進(jìn)一步地，步驟s2中，動(dòng)態(tài)特征提取步驟如下：首先，建立手寫數(shù)字動(dòng)態(tài)特征庫(kù)，并給出每個(gè)特征的定義；其次，建立手寫數(shù)字動(dòng)態(tài)特征識(shí)別規(guī)則庫(kù)；再次，用測(cè)試樣本集對(duì)識(shí)別規(guī)則庫(kù)進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)果對(duì)特征和規(guī)則進(jìn)行調(diào)整，直到滿意的測(cè)試結(jié)果為止；最后，根據(jù)測(cè)試結(jié)果得出最優(yōu)的動(dòng)態(tài)特征。進(jìn)一步地，步驟s2中，提取了手寫數(shù)字的六個(gè)動(dòng)態(tài)特征，分別為：特征一：起筆點(diǎn)與落筆點(diǎn)之間的距離；特征二：起筆點(diǎn)到落筆點(diǎn)的矢量方向；特征三：每個(gè)筆劃矢量角度的代數(shù)和；特征四：相鄰兩筆劃矢量的夾角；特征五：相鄰兩筆劃矢量夾角絕對(duì)值的最大值；特征六：所有筆劃矢量旋轉(zhuǎn)方向的變化次數(shù)。進(jìn)一步地，步驟s2中，采用粗網(wǎng)格特征提取方法提取手寫數(shù)字的溫度分布特征，即靜態(tài)特征，首先對(duì)一個(gè)數(shù)字的多幀數(shù)據(jù)進(jìn)行求和平均，然后把平均數(shù)據(jù)幀中的矩陣分成幾個(gè)局部小區(qū)域，把每個(gè)小區(qū)域上的點(diǎn)陣密度作為描述特征，即統(tǒng)計(jì)每個(gè)小區(qū)域中圖像像素所占百分比作為特征數(shù)據(jù)。進(jìn)一步地，步驟s3進(jìn)行手寫數(shù)字特征選擇，具體為：假設(shè)xi為第i個(gè)輸入樣本，用列向量表示，輸入樣本為x＝(x1,x2,…,xn)(1)s31、計(jì)算輸入樣本中所有的混合特征向量的平均向量；其中，n為輸入樣本的樣本數(shù)量；s32、計(jì)算輸入樣本中每個(gè)特征向量與平均向量的向量差；s33、計(jì)算輸入樣本中特征向量的協(xié)方差矩陣；式中，d＝[d1,d2,…，di…,dn]，i為1到n間的一個(gè)整數(shù)；t表示向量轉(zhuǎn)置；s34、采用奇異值分解方法計(jì)算測(cè)試樣本特征向量協(xié)方差矩陣的非零特征值λj,及其對(duì)應(yīng)的特征向量uj，j為1到r間的一個(gè)整數(shù)由此得到特征子空間為u＝[u1,u2,…,uj,…，ur](4)式中，r為選擇的主特征向量的數(shù)目；s35、將訓(xùn)練樣本或測(cè)試樣本投影到特征子空間，即可得到被選擇的特征向量：pi＝utdi(5)。進(jìn)一步地，步驟s4中，手寫數(shù)字識(shí)別的具體步驟如下：首先，設(shè)置支持向量機(jī)svm分類器的參數(shù)；其次，選擇訓(xùn)練樣本集，用于支持向量機(jī)svm分類器的訓(xùn)練，得到支持向量機(jī)svm模型；再次，采用測(cè)試樣本集用訓(xùn)練得到的支持向量機(jī)svm模型進(jìn)行分類，得到測(cè)試分類結(jié)果，即最終的識(shí)別結(jié)果。進(jìn)一步地，對(duì)測(cè)試分類結(jié)果進(jìn)行評(píng)估，包括對(duì)正確識(shí)別率和識(shí)別時(shí)間的評(píng)估，從而得到對(duì)識(shí)別方法的優(yōu)劣判斷：正確識(shí)別率越高，識(shí)別方法越好；識(shí)別時(shí)間越短，識(shí)別方法越好。進(jìn)一步地，步驟s4中，采用一對(duì)一法實(shí)現(xiàn)多類支持向量機(jī)svm分類器，具體為：在任意兩類樣本之間設(shè)計(jì)一個(gè)支持向量機(jī)svm分類器，對(duì)k個(gè)類別的樣本設(shè)計(jì)k(k-1)/2個(gè)支持向量機(jī)svm分類器。本發(fā)明的有益效果是，與現(xiàn)有技術(shù)相比，本發(fā)明不僅能夠有效抑制環(huán)境噪聲對(duì)在線識(shí)別產(chǎn)生的影響，同時(shí)避免了不同手寫者、不同手寫比劃順序等造成的誤識(shí)別或拒識(shí)別，對(duì)不同人、不同手寫筆順的手寫數(shù)字識(shí)別能夠達(dá)到較高的正確識(shí)別率。附圖說(shuō)明圖1是本發(fā)明實(shí)施例基于混合特征提取的手寫數(shù)字識(shí)別方法的流程示意圖。圖2是實(shí)施例中溫度傳感陣列的說(shuō)明示意圖。圖3是實(shí)施例中基于溫度陣列手寫輸入終端得到的數(shù)據(jù)幀顏色分布示意圖，顏色越紅表示溫度越高，顏色越藍(lán)表示溫度越低，其中，(a)為數(shù)字1的數(shù)據(jù)幀顏色分布示意圖，(b)為數(shù)字7的數(shù)據(jù)幀顏色分布示意圖。圖4是實(shí)施例中手寫數(shù)字軌跡示意圖。圖5是實(shí)施例中基于動(dòng)態(tài)特征的手寫數(shù)字識(shí)別規(guī)則示意圖。圖6是實(shí)施例中不同參數(shù)下的支持向量機(jī)svm分類器的識(shí)別率結(jié)果圖，橫坐標(biāo)為懲罰因子，縱坐標(biāo)為核函數(shù)參數(shù)，二位顏色分布圖表示分類器識(shí)別率，其中，(a)為基于靜態(tài)特征的支持向量機(jī)svm分類器識(shí)別率，(b)為基于動(dòng)態(tài)特征的支持向量機(jī)svm分類器識(shí)別率，(c)為基于混合特征的支持向量機(jī)svm分類器識(shí)別率。具體實(shí)施方式下面結(jié)合附圖詳細(xì)說(shuō)明本發(fā)明的優(yōu)選實(shí)施例。實(shí)施例的基于混合特征提取的手寫數(shù)字識(shí)別方法，首先根據(jù)手寫過(guò)程中手指尖與溫度陣列手寫數(shù)字輸入終端接觸引起的溫度變化特征，對(duì)采集到的數(shù)據(jù)幀進(jìn)行預(yù)處理，去除落筆前和起筆后的無(wú)效幀。接下來(lái)收集了大量的測(cè)試樣本，對(duì)動(dòng)態(tài)特征的提取進(jìn)行反復(fù)實(shí)驗(yàn)，得到能反映不同數(shù)字書寫特征的六個(gè)動(dòng)態(tài)特征。采用粗網(wǎng)格特征提取方法提取手寫數(shù)字的溫度分布特征，即靜態(tài)特征。該特征對(duì)噪聲有較強(qiáng)的容忍度，特別是對(duì)數(shù)字部分筆劃的形變和孤立的噪聲點(diǎn)不敏感。實(shí)施例進(jìn)一步針對(duì)溫度陣列手寫輸入終端，提出了基于混合特征的支持向量機(jī)svm分類器，該過(guò)程通過(guò)對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和參數(shù)選擇，得到具有高分類正確率和強(qiáng)泛化能力的支持向量機(jī)svm模型。采用測(cè)試數(shù)據(jù)集對(duì)支持向量機(jī)svm分類器進(jìn)行測(cè)試，得到具有高的測(cè)試正確率的混合特征支持向量機(jī)svm分類器。實(shí)施例結(jié)合圖1，一種基于混合特征提取的手寫數(shù)字識(shí)別方法，包括以下步驟：第一步，手寫數(shù)字信息獲取。即對(duì)溫度陣列手寫數(shù)字輸入終端進(jìn)行數(shù)據(jù)采集、預(yù)處理等。根據(jù)溫度陣列輸入終端傳感器的特點(diǎn)，隨著手寫數(shù)字的書寫，采集到的數(shù)據(jù)幀的值的分布隨之變化，判斷落筆時(shí)刻和起筆時(shí)刻，消除無(wú)效數(shù)據(jù)幀。溫度陣列手寫數(shù)字輸入終端采用基于溫度傳感器陣列的手寫數(shù)字輸入終端，進(jìn)行手寫數(shù)字的數(shù)據(jù)采集。如圖2所示，采用溫度傳感陣列，陣列大小為8×16作為手寫輸入終端，當(dāng)手指接觸輸入終端，接觸點(diǎn)的溫度開始升高，隨著手指移動(dòng)，不同位置或區(qū)域的溫度傳感器的溫度隨之升高，由此得到一序列的具有不同溫度分布的數(shù)據(jù)幀，如圖3所示。第二步，手寫數(shù)字混合特征提取?；旌咸卣靼▌?dòng)態(tài)特征和靜態(tài)特征。動(dòng)態(tài)特征是表示手寫數(shù)字過(guò)程中指尖的運(yùn)動(dòng)特征。選擇了代表不同數(shù)字的手寫比劃特點(diǎn)的六個(gè)特征作為動(dòng)態(tài)特征。在手寫數(shù)字輸入過(guò)程中，根據(jù)連續(xù)幀的溫度變化，提取指尖運(yùn)動(dòng)軌跡，如圖4所示，在此基礎(chǔ)上進(jìn)行動(dòng)態(tài)特征的提取，如表1所示。表1基于溫度傳感陣列的手寫數(shù)字動(dòng)態(tài)特征特征數(shù)物理意義特征符號(hào)1手寫數(shù)字起筆點(diǎn)與落筆點(diǎn)之間的距離；f12手寫數(shù)字起筆點(diǎn)到落筆點(diǎn)的矢量方向；f23手寫數(shù)字中每個(gè)筆劃矢量角度的代數(shù)和；f34手寫數(shù)字中相鄰兩筆劃矢量的夾角；f45手寫數(shù)字中相鄰兩筆劃矢量夾角絕對(duì)值的最大值；f56手寫數(shù)字中所有筆劃矢量旋轉(zhuǎn)方向的變化次數(shù)；f6并建立基于動(dòng)態(tài)特征的手寫數(shù)字識(shí)別規(guī)則，如表2、表3和圖5所示，根據(jù)該規(guī)則，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行分類。根據(jù)分類效果選擇最終的動(dòng)態(tài)特征。表2基于動(dòng)態(tài)特征的識(shí)別規(guī)則前項(xiàng)內(nèi)容表3基于動(dòng)態(tài)特征的手寫數(shù)字分類規(guī)則表采用粗網(wǎng)格特征提取方法提取手寫數(shù)字的溫度分布特征，即靜態(tài)特征。首先對(duì)一個(gè)數(shù)字的多幀數(shù)據(jù)進(jìn)行求和平均。然后把平均數(shù)據(jù)幀中的矩陣分成幾個(gè)局部小區(qū)域,把每個(gè)小區(qū)域上的點(diǎn)陣密度作為描述特征，即統(tǒng)計(jì)每個(gè)小區(qū)域中圖像像素所占百分比作為特征數(shù)據(jù)。粗網(wǎng)格特征對(duì)噪聲有較強(qiáng)的容忍度，特別是對(duì)數(shù)字部分筆劃的形變和孤立的噪聲點(diǎn)不敏感，并且有利于識(shí)別率的提高。這里實(shí)施例采用5×5的網(wǎng)格進(jìn)行特征提取，得到25×1的靜態(tài)特征向量。第三步，手寫數(shù)字特征選擇，即對(duì)第二步得到的動(dòng)態(tài)特征和靜態(tài)特征進(jìn)行分析，選擇能反映手寫數(shù)字本質(zhì)特征的主分量。采用主分量分析法，選擇具有代表性的手寫數(shù)字特征，得到降維的向量空間。具體為：假設(shè)xi為第i個(gè)輸入樣本，用列向量表示，輸入樣本為x＝(x1,x2,…,xn)(1)s31、計(jì)算輸入樣本中所有的混合特征向量的平均向量；其中，n為輸入樣本的樣本數(shù)量；s32、計(jì)算輸入樣本中每個(gè)特征向量與平均向量的向量差；s33、計(jì)算輸入樣本中特征向量的協(xié)方差矩陣；式中，d＝[d1,d2,…，di…,dn]，i為1到n間的一個(gè)整數(shù)；t表示向量轉(zhuǎn)置；s34、采用奇異值分解方法計(jì)算測(cè)試樣本特征向量協(xié)方差矩陣的非零特征值λj,及其對(duì)應(yīng)的特征向量uj，j為1到r間的一個(gè)整數(shù)由此得到特征子空間為u＝[u1,u2,…,uj,…，ur](4)式中，r為選擇的主特征向量的數(shù)目；s35、將訓(xùn)練樣本或測(cè)試樣本投影到特征子空間，即可得到被選擇的特征向量：pi＝utdi(5)。第四步，手寫數(shù)字識(shí)別，即手寫數(shù)字分類器的訓(xùn)練和分類。選擇訓(xùn)練數(shù)據(jù)集對(duì)支持向量機(jī)svm分類器進(jìn)行訓(xùn)練，輸入為選擇后的混合特征向量，輸出為實(shí)際的數(shù)字。在訓(xùn)練過(guò)程中通過(guò)調(diào)節(jié)支持向量機(jī)svm分類器的參數(shù)包括懲罰因子和核函數(shù)參數(shù)，得到不同的訓(xùn)練精度，如圖6所示，最后得到分類器的最優(yōu)參數(shù)范圍，建立支持向量機(jī)svm模型。對(duì)支持向量機(jī)svm模型，采用測(cè)試數(shù)據(jù)進(jìn)行測(cè)試分類，測(cè)試分類結(jié)果是最終的識(shí)別結(jié)果?；跍囟葌鞲嘘嚵械氖謱憯?shù)字特征分類是一種非線性可分的多元(10個(gè)類別：數(shù)字0-9)分類問(wèn)題。基本支持向量機(jī)svm只針對(duì)兩類分類問(wèn)題，為了實(shí)現(xiàn)多類分類，實(shí)施例采用一對(duì)一法實(shí)現(xiàn)多類支持向量機(jī)svm分類器，其做法是在任意兩類樣本之間設(shè)計(jì)一個(gè)支持向量機(jī)svm分類器，因此k個(gè)類別的樣本就需要設(shè)計(jì)k(k-1)/2個(gè)支持向量機(jī)svm分類器，本實(shí)施例中需要構(gòu)造45個(gè)支持向量機(jī)svm分類器。當(dāng)對(duì)一個(gè)未知樣本進(jìn)行分類時(shí)，最后得票最多的類別即為該未知樣本的類別。當(dāng)訓(xùn)練樣本量很大時(shí)，支持向量機(jī)svm分類器計(jì)算量會(huì)很大，為了減小其計(jì)算量，實(shí)施例采用了piatt的序列最小優(yōu)化算法即smo算法。手寫數(shù)字識(shí)別的具體步驟如下：首先，設(shè)置支持向量機(jī)svm分類器的參數(shù)；其次，選擇訓(xùn)練樣本集，用于支持向量機(jī)svm分類器的訓(xùn)練，得到支持向量機(jī)svm模型；再次，采用測(cè)試樣本集用訓(xùn)練得到的支持向量機(jī)svm模型進(jìn)行分類。最后，對(duì)測(cè)試分類結(jié)果進(jìn)行評(píng)估，包括對(duì)正確識(shí)別率和識(shí)別時(shí)間的評(píng)估，從而得到對(duì)識(shí)別方法的優(yōu)劣判斷：正確識(shí)別率越高，識(shí)別方法越好；識(shí)別時(shí)間越短，識(shí)別方法越好。將基于混合特征的手寫數(shù)字識(shí)別方法與基于動(dòng)態(tài)特征的手寫數(shù)字識(shí)別方法、基于靜態(tài)特征的手寫數(shù)字識(shí)別方法進(jìn)行比較，得到圖6、表4、表5所示的識(shí)別結(jié)果。表4基于混合特征的識(shí)別方法在不同分類器參數(shù)下的識(shí)別率表5三種識(shí)別方法的處理時(shí)間表識(shí)別方法*預(yù)處理時(shí)間(秒)特征提取時(shí)間(秒)分類時(shí)間(秒)總的處理時(shí)間(秒)svm10.013840.015030.0010560.02993svm20.013780.000360.0008340.01497svm30.013970.015040.0011370.03015*注：svm1是基于靜態(tài)特征的識(shí)別方法；svm2是基于動(dòng)態(tài)特征的識(shí)別方法；svm3是基于混合特征的識(shí)別方法。由圖6可以看出，相比于基于動(dòng)態(tài)特征或靜態(tài)特征的手寫數(shù)字識(shí)別方法，基于混合特征的手寫數(shù)字識(shí)別方法在分類參數(shù)相同的情況，具有較高的識(shí)別率，并且在識(shí)別率高于99％時(shí)分類器參數(shù)的選擇范圍更廣，因此該識(shí)別方法具有更高的識(shí)別穩(wěn)定性和泛化能力。由表4可以看出，當(dāng)分類器的參數(shù)滿足以下條件：懲罰因子c〉1.48，核函數(shù)參數(shù)γ>0.01時(shí)，基于混合特征的手寫數(shù)字識(shí)別方法的正確識(shí)別率大于95％；當(dāng)分類器的參數(shù)滿足以下條件：懲罰因子c〉1.48，核函數(shù)參數(shù)γ>0.1時(shí)，基于混合特征的手寫數(shù)字識(shí)別方法的正確識(shí)別率達(dá)到100％。由表5可以看出，基于混合特征的手寫數(shù)字識(shí)別方法的處理時(shí)間與基于靜態(tài)特征的手寫數(shù)字識(shí)別方法的處理時(shí)間相當(dāng)，但正確識(shí)別率較高；基于混合特征的手寫數(shù)字識(shí)別方法的處理時(shí)間大于基于動(dòng)態(tài)特征的手寫數(shù)字識(shí)別方法的處理時(shí)間，但基于混合特征的手寫數(shù)字識(shí)別方法的正確識(shí)別率遠(yuǎn)遠(yuǎn)高于基于動(dòng)態(tài)特征的手寫數(shù)字識(shí)別方法。當(dāng)前第1頁(yè)12