基于SVM的手写数字识别

张来君

（西南大学商贸学院 重庆市 402460）

手写数字识别是模式识别学科的一个传统研究领域。由于数字类别只有10个，其识别率较其他字符高，可用于验证新的理论。

王娜等人使用客观聚类算法对手写数字识别进行研究[1]，解决了噪声以及图像结构敏感导致的识别准确度下降的问题，用简单易行的方法有效地提高了识别准确度；王爱丽等人将条件生成对抗网络应用于手写数字识别中[2]，解决了训练样本不足时出现的训练不稳定、识别准确度较低等问题，为条件生成对抗网络在图像识别领域提供了参考；陈虹州基于SVM对手写数字识别进行了深入研究[3]，解决了在小样本空间中传统学习方法出现的过拟合问题并深入分析了SVM的核函数以及分类策略对数字识别的影响，为其它研究人员提供了参考。支持向量机的出现为小容量样本集的统计识别提供了新的工具，其表现在某些方面更是优于已知的一些传统方法。

1 方案架构

如图1所示，使用SVM实现手写数字识别的流程分为数据集划分、图像预处理、训练模型与测试、分类等步骤。

图1：基于SVM的手写数字识别流程图

1.1 SVM原理

支持向量机（support vector machines, SVM）是定义在特征空间使得分类间隔最大的线性分类器[4]，其目标是找出能够实现上述要求的最优分类面。在线性可分的情况下，若给定的样本集有m个样本，即：

其中xi表示特征空间中的第i个样本，yi表示其分类结果。支持向量机的核心就是在样本集T的特征空间中找到一个最优分类面w*x+b=0。……