基于卷积神经网络的试卷卷头手写分数识别算法研究
| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 基于试卷分数的手写数字识别 | 第12-14页 |
| 1.3.1 手写数字识别的概述 | 第12-13页 |
| 1.3.2 手写数字识别的性能评价 | 第13页 |
| 1.3.3 试卷分数识别的难点 | 第13页 |
| 1.3.4 试卷分数识别的总体设计 | 第13-14页 |
| 1.4 本文的主要工作与章节安排 | 第14-16页 |
| 第2章 试卷卷头图像预处理 | 第16-26页 |
| 2.1 图像增强 | 第16-19页 |
| 2.2 手写分数区域提取 | 第19-21页 |
| 2.2.1 RGB到HSV颜色空间的转化 | 第19-21页 |
| 2.2.2 投影法 | 第21页 |
| 2.3 断裂字符填补与去噪处理 | 第21-23页 |
| 2.4 字符分割 | 第23-24页 |
| 2.5 图像大小归一化 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于改进卷积神经网络的手写数字识别算法 | 第26-47页 |
| 3.1 神经网络理论 | 第26-31页 |
| 3.1.1 前馈神经网络的结构 | 第26-27页 |
| 3.1.2 误差反向传播算法 | 第27-31页 |
| 3.2 卷积神经网络理论 | 第31-37页 |
| 3.2.1 局部连接与权值共享特性 | 第31页 |
| 3.2.2 卷积神经网络结构 | 第31-34页 |
| 3.2.3 卷积神经网络训练过程 | 第34-37页 |
| 3.3 卷积神经网络的改进 | 第37-41页 |
| 3.3.1 激活函数 | 第37-38页 |
| 3.3.2 下采样操作 | 第38-39页 |
| 3.3.3 训练算法的优化 | 第39-41页 |
| 3.4 实验结果与分析 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于特征融合及SVM的手写数字识别算法 | 第47-58页 |
| 4.1 二维Gabor滤波器 | 第47-49页 |
| 4.2 融合特征与SVM相结合 | 第49-53页 |
| 4.2.1 特征融合 | 第50-51页 |
| 4.2.2 SVM分类器 | 第51-52页 |
| 4.2.3 Gabor-CNN-SVM算法 | 第52-53页 |
| 4.3 实验结果及分析 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 工作总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 工作展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间获得与学位相关的科研成果目录 | 第65页 |
