1.一种基于模板中心化深度判别分析的手写字符识别方法,其特征在于,包括以下步骤:步骤S1、构建手写体字符训练集,并预设手写字符的种类数为C;
步骤S2、以与手写字符种类数相同的C个打印体字符图像构建打印体字符模板集;
步骤S3、利用骨干网络对打印体字符模板集和手写体字符训练集中的图像进行特征提取,构建模板中心化深度判别分析模型,以打印体字符模板集和手写体字符训练集中的图像为输入,提取图像的特征作为输出,训练模板中心化深度判别分析模型,利用梯度进行反向传播更新骨干网络参数,直到损失函数下降率低于设定阈值,则获得训练好的模板中心化深度判别分析模型;
所述步骤S3的具体步骤如下:
步骤S3.1、随机取n幅训练集图像组成一个batch,假设属于第i类字符的有个样本;
步骤S3.2、打印体字符模板集经过骨干网络后的特征输出记为,,batch中每类图像经过骨干网络后的特征输出记为;
步骤S3.3、根据上述特征输出计算类间散度矩阵和类内散度矩阵:其中:表示属于第i类的第j个样本的特征输出,表示属于第i个类的模板的特征输出;
对于计算得出的增加λ倍的单位矩阵得出新的类内矩阵;
步骤S3.4:直接对进行特征值分解得到特征值和特征向量,取C-1个最大特征值, 然后用其中k个最小特征值构造损失函数表达式:根据损失函数L计算一个batch的损失值,梯度反向传播更新骨干网络参数;
步骤S3.5:重复S3.1至S3.4,直到损失函数下降率低于设定阈值,获得训练好的模板中心化深度判别分析模型;
步骤S4、使用训练好的模板中心化深度判别分析模型对新的字符图像进行识别。
2.根据权利要求1所述的一种基于模板中心化深度判别分析的手写字符识别方法,其特征在于,步骤S1中,使用MNIST数据集构建手写体字符训练集,种类数为10。
3.根据权利要求1所述的一种基于模板中心化深度判别分析的手写字符识别方法,其特征在于,所述步骤S4的具体步骤如下:步骤S4.1:根据训练好的模板中心化深度判别分析模型,计算所有训练集样本的特征映射输出,假设每类有Ni个,记为,模板的特征映射输出与步骤S3.2中的一致;
步骤S4.2:计算类间散度矩阵和类内散度矩阵:
其中:表示属于第i类的第j个样本的特征输出,表示属于第i个类的模板的特征输出;
对进行特征值分解,得到特征向量和特征值是特征值,由C-1个最大特征值所对应的特征向量组成稳定的投影矩阵;
步骤S4.3:基于上述所得的投影矩阵和步骤S3.2的模板特征映射输出,,假设待识别字符图像经过骨干网络的输出为,到线性决策超平面的距离为:其中:是投影矩阵的转置,是决策超平面的法向量;
用得出每一类的概率,并通过进一步归一化,最后用得到概率最高的类确定为样本的类别。
4.一种基于模板中心化深度判别分析的手写字符识别的系统,其特征在于,包括手写字符获取模块、特征提取模块和字符识别模块,通过上述模块执行如权利要求1所述的基于模板中心化深度判别分析的手写字符识别方法;
所述手写字符获取模块,用于获取待识别的手写字符;
所述特征提取模块,将待识别的手写字符输入预构建的判别模型进行特征提取,获取特征向量;
所述字符识别模块,将得到的特征向量根据决策函数计算每一类的概率,将概率最大的值作为字符的识别结果。