现有一个数字手写体识别问题,手写数字识别方法

　　手写识别(3)数字分割，识别1。比较简单的数字分割方法是根据统计的灰度对图像进行分割。首先统计每一行的灰度值，将遇到的空白区间作为拆分行，然后用同样的方法拆分列，从而确定拆分。但很明显，如果数字密集或者稍微倾斜，这种方法就会出现问题。

　　我写的是用bfs区分，先展开，然后对所有未标记的黑点遍历一次bfs，把同一个连接块当作一个数，然后同时标记为bfs，这样就区分成一个框了。同时我注意到数字“5”的横向宽度可能会偏离主体。这时候考虑所有长宽比增加几倍的盒子(因为普通数字的长宽比很宽)，找最近的盒子合并。

　　效果：

　　2.最基本的数字识别是SVM，但普通的SVM是无效的。为了提高效果，有必要使用hog进行特色工程。

　　一种简便的方法是用Keras构造神经网络，训练MNIST数据集。网上也有很多教程，但是这里用的是CNN。

　　#loaddata(x_train，y_train)，)X_test，Y _ test)=mnist . load _ data(# reshape tobe[samples][pixels][width][height]X _ train=X _ train . resen . re one two eight，28)。astype(float 32))x _ train=x _ train/255 x _ test=x _ test/255 x _ train=numpy . round)x _ train onehotencodeoutputsy _ train=NP _ utils . to _ categorial(y _ train)y _ y createmodelmodel=sequential)model . add)conv2d)32)，5，5)，input_shape=).activation= relu (model . add(max pooling 2d(pool _ size=(2))(model . add)dropout)0.2))activation= relu )(model . add(dense(num _ classes，activation= soft max )(compile model . compile))com come metrics=[ accuracy ])return model # buildthemodelmodelmodel=Baseline _ model(# themodel validation _ data=(x batch _ size=200)# finalautationofmodelmodelsoderboses=0)Print(基线误差3360%)。

　　char命令[1000]；FILE *fp /*要运行的命令是buf */string python _ order= python digit _ rec . py FILE _ name；sprintf(command，sizeof)命令)、python _ order . c _ str)；/*执行预置命令，读取命令的标准输出*/FP=popen(command， r )；If(null==FP) perror(popen执行失败！);退出(1；}printf(完成)；而且数码图像保存默认是28*28。图像保存的话，找到对应的盒子，用一个比盒子略大的正方形矩阵，把盒子里的内容，也就是数字，复制到一个长方形里。即使两个框中有重复的区域，在框中的黑色像素上标记什么并不重要。将矩形大小保存为28*28的矩形。

　　3.最终结果包括原始图片中标识为四个角的数字。