[发明专利]基于深度神经网络的未知手写体数字识别方法

说明书

本发明提供一种基于深度神经网络的未知手写体数字识别方法，通过关联成像技术提取未知手写体数字的特征，包括首先设计一组傅立叶散斑照射在未知手写数字图像上，然后使用一个没有空间分辨率的桶探测器收集每次检测结果，并通过四步相移方法获得未知手写体数字的特征信息，然后将该特征信息输入至已设计的、且训练过的深度神经网络中进行识别，实现对未知的数字图像进行分类。仿真结果表明，该方案具有较好的识别性能，且能够在不恢复手写体数字图片前提下对其进行识别。本发明具有识别率高、识别时间短特点，具有非局域特性，且所设计的深度神经网络结构简单，因而具有巨大的应用前景。

技术领域

本发明涉及关联成像领域，尤其涉及一种基于深度神经网络的未知手写体数字识别方法。

背景技术

“鬼”成像(Ghost Imaging,GI)，又称关联成像(Correlated Imaging)，是近些年来量子光学领域的前沿和热点之一。关联成像采用两条光路，一支称为信号光路，指散斑通过物体后的光用一个无空间分辨能力的桶探测器接收；另一支称为参考光路，指散斑在传输一段距离后由具有空间分辨能力的探测器接收。最后对两条光路的探测结果进行二阶关联可以在参考光路得到物体的恢复图像。与传统的成像方式不同的是关联成像可以在不包含物体的光路上恢复出物体图像，这一特性称为非定域性。随着关联成像的发展，热光“鬼”成像、计算“鬼”成像等新型“鬼”成像技术被不断提出。与此同时，随着“鬼”成像性能的提高，各种基于“鬼”成像的应用也得以实现。大量研究表明，“鬼”成像可广泛应用在军事、加密、激光雷达等领域。上世纪80年代，苏联学者D.N.Klyshko根据自发参量下转换光子对的纠缠行为，提出了量子关联成像方案。1995年，Pittman等人根据Klyshko的理论首次在实验上实现了量子关联成像。2002年，Bennink等人在实验上利用经典热光源实现了“鬼”成像，证明了利用热光同样可以实现“鬼”成像，在“鬼”成像领域引起了巨大的轰动。2008年，Jeffrey H.Shapiro等人理论上提出了计算“鬼”成像可以作为传统“鬼”成像的一种替代技术， 2009年Bromberg等人在实验上实现了计算“鬼”成像，即单探测光路的“鬼”成像方案，其中旋转的毛玻璃由计算机控制的空间光调制器 (SLM)替代。2010年，Ferri F基于热光“鬼”成像提出差分“鬼”成像方案，在成像时只传输物体的差分信息，降低了背景噪声对恢复图像质量的影响，从而提高了成像的质量。2015年，Zhang Z B等人提出了一种通过获取图像傅里叶频谱的方法来实现单像素成像，该方法大大提高了重建图像的质量。同时基于鬼成像的各种应用也被广泛的研究，例如2015年Liu F等人提出的梯度鬼成像，通过梯度鬼成像可以在不得到物体图像的情况下直接得到物体的边缘信息。

随着“鬼”成像的技术发展，如何用“鬼”成像技术解决实际问题成为“鬼”成像需要解决的问题。传统的手写体数字识别方法是通过提取手写体数字高维数特征集，并筛选出较低维的特征，然后通过神经网络训练得到手写数字的分类器。目前对于手写体数字的研究主要集中在两个方面。

一是研究用于数字识别的神经网络，不断改进网络结构，设计出最有效的数字识别网络，有多层全连接网络，遗传神经网络，多层分组网络等，其次是对算法的研究，最经典的是反向传播算法以及其他改进算法。

二是研究用于神经网络输入的手写体数字特征的提取，许多有效的特征被提取出来，例如：轮廓特征，对称特征，网格特征等等，并且提出了提取特征的方法，比如K-W法，直方图法，不确定选择法等，但是这些方法都必须是在获得手写体数字的情况下才能进行特征提取，对于未知的手写体数字，上述特征提取方法失效。

发明内容