的結(jié)果是正確的，候選分割點(diǎn)就是正確的分割點(diǎn)；若置信度小于0. 9,則分割結(jié)果錯(cuò)誤，刪 除這個(gè)候選分割點(diǎn)，選擇下一個(gè)候選分割點(diǎn)進(jìn)行分割識(shí)別，過(guò)程如圖2 ;
[0054] 判斷候選分割點(diǎn)是否為小數(shù)點(diǎn)：
[0055] 小數(shù)點(diǎn)從其高度和中心位置兩點(diǎn)來(lái)確定，設(shè)小數(shù)點(diǎn)高度為Iira3ll，小數(shù)點(diǎn)中心位置 為（Xai，y^i)，統(tǒng)計(jì)出單元格的平均高度為havf3，則小數(shù)點(diǎn)的判斷依據(jù)為：
[0057] 式中，&為邏輯與，yOTl為小數(shù)點(diǎn)橫坐標(biāo)位置，X &為小數(shù)點(diǎn)橫坐標(biāo)位置；
[0058] 若是小數(shù)點(diǎn)，則記錄小數(shù)點(diǎn)的橫縱坐標(biāo)，并將其像素值置為0 ;
[0059] 若不是小數(shù)點(diǎn)，則選擇下一個(gè)候選分割點(diǎn)進(jìn)行分割識(shí)別。
[0060] 其它步驟及參數(shù)與【具體實(shí)施方式】一或二相同。
【具體實(shí)施方式】 [0061] 四、本實(shí)施方式與一、二或三不同的是，所述步驟三中 對(duì)提取分割后的數(shù)字字符進(jìn)行識(shí)別；具體過(guò)程為：
[0062] 步驟三一、采用形態(tài)學(xué)濾波中的腐蝕方法對(duì)提取分割后的數(shù)字字符圖像進(jìn)行細(xì) 化，細(xì)化之后進(jìn)行歸一化，得到歸一化數(shù)字字符圖像，歸一化是將所有的提取分割后的數(shù)字 字符圖像大小尺寸歸一化為64X64,得到單個(gè)數(shù)字字符特征；
[0063] 步驟三二、初期BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
[0064] 對(duì)步驟三一得到的單個(gè)數(shù)字字符特征值進(jìn)行初期BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，如圖3 ;具 體過(guò)程為：
[0065] 初期BP神經(jīng)網(wǎng)絡(luò)包括三層，輸入層、隱含層、輸出層各一層，如圖1，使用70-45-10 的神經(jīng)網(wǎng)絡(luò)，輸入層的輸入向量為：X = (Xi，x2,.......，xp)，X1為輸入層第1個(gè)神經(jīng)元的 特征值，X2為輸入層第2個(gè)神經(jīng)元的特征值，X p為輸入層第p個(gè)神經(jīng)元的特征值，p取值為 70,隱含層輸出向量為：Y = (yi，y2,.......，yq)，yi為隱含層第1個(gè)神經(jīng)元的輸出值隱含層 第2個(gè)神經(jīng)元的輸出值，yq為隱含層第q個(gè)神經(jīng)元的輸出值，q取值為45,輸出層的輸出向 量為：Tciut= (t ^ t2,.......，ts)，h為輸出層第1個(gè)神經(jīng)元的輸出值，12為輸出層第2個(gè)神 經(jīng)元的輸出值，ts為輸出層第s個(gè)神經(jīng)元的輸出值，T _為輸出層的輸出向量，s取值為10， 理想輸出向量為：Z = (Z1, Z2,......，Zs)，Z1為輸出層第1個(gè)神經(jīng)元的理想輸出值，z 2為輸 出層第2個(gè)神經(jīng)元的理想輸出值，Zs為輸出層第s個(gè)神經(jīng)元的理想輸出值，s取值為10 ;輸 入層到隱含層的權(quán)值矩陣為：v = (V1, V2,......，νρ)τ，其中，V1, ......，Vp為q維向量， V1為輸入層第1個(gè)神經(jīng)元到隱含層各個(gè)神經(jīng)元的連接權(quán)值，V 2為輸入層第2個(gè)神經(jīng)元到隱 含層各個(gè)神經(jīng)元的連接權(quán)值，Vp為輸入層第P個(gè)神經(jīng)元到隱含層各個(gè)神經(jīng)元的連接權(quán)值，P 取值為70, q取值為45, T為轉(zhuǎn)置；隱含層到輸出層的權(quán)值矩陣為：W= (Wl，w2,......,wq)T, 其中，W1, w2,......，Wq為s維向量，w i為隱含層第1個(gè)神經(jīng)元到輸出層各個(gè)神經(jīng)元的連接 權(quán)值，W2為隱含層第2個(gè)神經(jīng)元到輸出層各個(gè)神經(jīng)元的連接權(quán)值，w q為隱含層第q個(gè)神經(jīng) 元到輸出層各個(gè)神經(jīng)元的連接權(quán)值，s取值為10, T為轉(zhuǎn)置；
[0066] 轉(zhuǎn)移函數(shù)為sigmoid函數(shù)：
[0068] 其中，g'（X)為轉(zhuǎn)移函數(shù)，g(+ 00 ) = 1，g(- 00 ) = 0, g'（X)的值域?yàn)椋?, 0· 25)， e為自然常數(shù)，X為轉(zhuǎn)移函數(shù)輸入；
[0069] (1)初期BP神經(jīng)網(wǎng)絡(luò)初始化：開(kāi)始創(chuàng)建神經(jīng)網(wǎng)絡(luò)時(shí)，需要
[0070] 對(duì)參數(shù)進(jìn)行初始化，包括對(duì)隱含層到輸出層的權(quán)值矩陣W和輸入層到隱含層的權(quán) 值矩陣V賦予初值，設(shè)置模式計(jì)數(shù)器counterl和訓(xùn)練次數(shù)計(jì)數(shù)器counted均為500,均方 誤差設(shè)為0. 001，學(xué)習(xí)率ξ設(shè)為0.01，初期BP神經(jīng)網(wǎng)絡(luò)經(jīng)訓(xùn)練后所達(dá)到的精度，即誤差門(mén) 限 Umin 為 0.001 ;
[0071] ⑵開(kāi)始進(jìn)行訓(xùn)練，
[0072] 將步驟三一得到的單個(gè)數(shù)字字符特征值輸入初期BP神經(jīng)網(wǎng)絡(luò)，獲得隱含層和輸 出層的輸出值，具體方法如下：
[0073] 將輸入層的輸入向量X與輸入層到隱含層的權(quán)值矩陣相乘，計(jì)算出隱含層的輸入 為：
[0074] net = XV (3)
[0075] 其中，net為隱含層的輸入向量，X為輸入層的輸入向量，V為輸入層到隱含層的權(quán) 值矩陣；
[0076] 隱含層的輸出為：
[0078] 其中，&為隱含層第j2個(gè)的輸出值，《%為隱含層第j2個(gè)的輸入值，/,為輸入層 第12個(gè)與隱含層第」2個(gè)的連接權(quán)值，\為輸入層第i2個(gè)輸入值，為輸入為時(shí) 轉(zhuǎn)移函數(shù)的取值，i2取值為1~70, j 2取值為1~45, p取值為70, q取值為45 ;
[0079] 輸出層輸出為：
[0081] 其中，tk為輸出層第k個(gè)的實(shí)際輸出值，net k為輸出層第k個(gè)的輸入值，wV為隱 含層第j2個(gè)與輸出層第k個(gè)的連接權(quán)值，）\為隱含層第j2個(gè)輸出值，g(netk)為輸入為net k時(shí)轉(zhuǎn)移函數(shù)的取值，s取值為10, k取值為1到10 ;
[0082] (3)通過(guò)理想輸出向量Z和輸出層輸出向量T計(jì)算初期BP神經(jīng)網(wǎng)絡(luò)的輸出誤差 U1,
[0084] 其中，Zk為輸出層第k個(gè)理想輸出值，t k為輸出層第k個(gè)實(shí)際輸出值；
[0085] 設(shè)共有h對(duì)的訓(xùn)練樣本數(shù)據(jù)，h為正整數(shù)，則人工神經(jīng)網(wǎng)絡(luò)的輸出總誤差為：
[0087] (4)輸出層和隱層的權(quán)值調(diào)整公式為：
CN 10bl84z：6b A ^ ^ Ij (V川貝
[0090] 其中，為隱含層第j個(gè)與輸出層第k個(gè)之間的權(quán)值調(diào)整量，為輸入層第 i2個(gè)與隱含層第j 2個(gè)之間的權(quán)值調(diào)整量，
為人工神經(jīng)網(wǎng)絡(luò)的輸出總誤差對(duì)》的偏導(dǎo) 數(shù)，
為人工神經(jīng)網(wǎng)絡(luò)的輸出總誤差對(duì)的偏導(dǎo)數(shù)；比例系數(shù)ξ e (〇, 1)即學(xué)習(xí)率；這 個(gè)過(guò)程所用的算法被稱(chēng)為誤差的梯度下降算法；
[0091] (5)判斷訓(xùn)練是否結(jié)束，即是否有單個(gè)數(shù)字字符特征值剩下，若有單個(gè)數(shù)字字符特 征值剩下，計(jì)數(shù)器counter I、counter2各自增1并將剩下的單個(gè)數(shù)字字符特征值進(jìn)行訓(xùn)練， 若沒(méi)有單個(gè)數(shù)字字符特征值剩下，轉(zhuǎn)到（6)判斷人工神經(jīng)網(wǎng)絡(luò)的輸出總誤差是否小于誤差 門(mén)限U_;
[0092] (6)判斷人工神經(jīng)網(wǎng)絡(luò)的輸出總誤差，若U〈U_，則訓(xùn)練結(jié)束，否則繼續(xù)訓(xùn)練，令U =0, counterl = 1，U為人工神經(jīng)網(wǎng)絡(luò)的輸出總誤差，Umin為誤差門(mén)限，counterl為模式計(jì) 數(shù)器，counted為訓(xùn)練次數(shù)計(jì)數(shù)器，重新執(zhí)行步驟三二的（2);
[0093] 步驟三三、初期神經(jīng)網(wǎng)絡(luò)訓(xùn)練后進(jìn)行初期識(shí)別
[0094] 單個(gè)數(shù)字字符特征值進(jìn)行初期BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，初期神經(jīng)網(wǎng)絡(luò)對(duì)整個(gè)表格圖 像中的單個(gè)數(shù)字字符進(jìn)行識(shí)別；
[0095] 經(jīng)過(guò)步驟三一處理后的圖像，先進(jìn)行表格中表頭特征提取與先先，過(guò)程為：
[0096] 提取表頭特征，將表頭特征與模板庫(kù)中的表頭特征進(jìn)行先先，若表頭特征相同，則 視為有同樣的表頭，即表格與模即庫(kù)中的表格若有相同的表頭則先先成即，若找不到，則將 新的表格中的行坐標(biāo)列坐標(biāo)信息則則的模即庫(kù)中；重復(fù)步驟三一得到單個(gè)數(shù)字字符的特征 值后的入已經(jīng)訓(xùn)練好的初期神經(jīng)網(wǎng)絡(luò)去進(jìn)行識(shí)別；識(shí)別后根據(jù)識(shí)別結(jié)果提取單元格字符串 的整體特征，如字符串"8. 97"，訓(xùn)練整體識(shí)別的神經(jīng)網(wǎng)絡(luò)，即后期BP神經(jīng)網(wǎng)絡(luò)，后期BP神經(jīng) 網(wǎng)絡(luò)的訓(xùn)練方法與初期神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法相同，重復(fù)執(zhí)行步驟三二，使用三層，輸入層、隱 含層、輸出層各一層，不同之處在于采用17-16-10型的神經(jīng)網(wǎng)絡(luò)，輸入特征值為入網(wǎng)格特 征值，入網(wǎng)格特征值粗粗單個(gè)數(shù)字字符特征值；
[0097] 步驟三四、后初BP期神經(jīng)網(wǎng)絡(luò)訓(xùn)練后進(jìn)行后初期識(shí)別，重復(fù)步驟三三。
[0098] 后期識(shí)別當(dāng)后期神經(jīng)網(wǎng)絡(luò)訓(xùn)練成熟，能夠投入使用時(shí)，就用后期BP神經(jīng)網(wǎng)絡(luò)進(jìn)行 整體識(shí)別，如圖4。
[0099] 其它步驟及參數(shù)與【具體實(shí)施方式】一、二或三相同。
【具體實(shí)施方式】 [0100] 五、本實(shí)施方式與一、二、三或四不同的是，所述步驟 三三中的表頭特征提取與先先的過(guò)程為：
[0101] 首先要提取出表格表頭，過(guò)程為：表格表頭為η行，η為正整數(shù)，當(dāng)掃描到前景點(diǎn)時(shí) 記錄其為第一行，記為Η1，繼續(xù)掃描，直到某一行全都為背景點(diǎn)時(shí)停止掃描，記錄其為第η 行，記為Hn，Hl為表頭的上邊界，Hn為表頭的下邊界，在Hl行和Hn行之間搜索，表格表頭為 η列，方向?yàn)閺谋砀癖眍^的第1列到表格表頭的第η列掃描，當(dāng)掃描到前景點(diǎn)時(shí)記錄其為第 一列，記為L(zhǎng)1，繼續(xù)掃描，直到某一列全都為背景點(diǎn)時(shí)停止掃描，記錄