下载文档原格式
手写字体识别系统的设计与实现随着科技的不断进步，手写字体识别技术也在不断发展。
手写字体识别系统可以将手写字体转换成可编辑的电子文本，方便用户进行编辑和处理。
在本文中，我们将学习手写字体识别系统的设计与实现。
一、手写字体识别系统的基本原理手写字体识别系统的基本原理是将手写字体转化成数字信号，然后通过模式识别技术对数字信号进行分析和处理，最终得到手写文字的识别结果。
具体的步骤如下：1. 手写输入：用户通过手写板、电子笔等设备将手写文字输入到计算机中。
2. 数字信号转换：手写文字被转换成数字信号，这个过程称为采样。
采样的目的是将连续的信号转换成离散的信号。
3. 特征提取：从采样得到的离散信号中提取出特征，这个过程称为特征提取。
特征提取的目的是从众多的数字信号中提取出与手写字符相关的特征。
4. 模式匹配：将特征提取出来的信号与存储在数据库中的标准手写字符进行比较，找到最匹配的字符作为识别结果。
二、在实际应用中，手写字体识别系统的设计与实现是一个非常复杂的过程。
下面我们将从数据采集、特征提取、分类器设计和系统优化等几个方面讨论手写字体识别系统的设计与实现。
1. 数据采集数据采集是手写字体识别系统的开端，对于手写字体识别系统的准确性和鲁棒性有着重要的影响。
因此，需要收集大量的手写字符数据，以构建一个完整的数据集。
数据集应包括不同字体、不同大小、不同风格的手写字符。
2. 特征提取特征提取是手写字体识别系统的核心环节。
常用的特征提取方法包括端点检测、曲率检测、方向检测、HOG特征提取等。
每个方法都有其优缺点，需要根据实际情况进行选择和组合。
3. 分类器设计分类器是手写字体识别系统中用于模式匹配的关键组件。
常用的分类器包括逻辑回归、支持向量机、神经网络等。
每个分类器都有其优缺点，需要根据实际情况进行选择和优化。
4. 系统优化手写字体识别系统涉及到多个环节，每个环节都会影响系统的准确性和鲁棒性。
因此，在设计和实现完整的系统后，需要对系统进行优化和调试。
《手语识别系统设计》篇一一、引言手语是聋人群体主要的交流方式，随着信息技术的飞速发展，手语识别系统的设计变得越来越重要。
然而，手语识别的准确性和效率仍是待解决的挑战。
本文将深入探讨手语识别系统设计的基本概念、目的及重要性，并提供系统设计的全面概述。
二、手语识别系统概述手语识别系统是一种将手语动作转化为文字或语音信息的技术。
该系统主要包括图像采集、预处理、特征提取、模式识别和后处理等几个主要部分。
图像采集是获取手语动作的原始数据，预处理则是对原始数据进行清洗和增强，以便后续的特征提取和模式识别。
特征提取是从预处理后的数据中提取出手语的关键特征，模式识别则是根据这些特征对手语进行分类和识别。
三、手语识别系统设计1. 硬件设计手语识别系统的硬件设计主要包括图像采集设备，如高清摄像头或穿戴式设备。
为了获取更精确的手语数据，我们需要选择高分辨率、高帧率的摄像头。
此外，为了方便用户使用，还可以设计穿戴式设备，如手套或腕带等，以实时捕捉手部动作。
2. 软件设计软件设计是手语识别系统的核心部分，主要包括图像处理算法、特征提取算法和模式识别算法等。
（1）图像处理算法：图像处理算法主要用于对原始图像进行预处理，如去噪、二值化、边缘检测等。
这些算法可以有效地提高图像的清晰度和对比度，为后续的特征提取和模式识别提供更好的数据基础。
（2）特征提取算法：特征提取算法是手语识别的关键技术之一。
常用的特征提取算法包括基于统计的方法、基于机器学习的方法和基于深度学习的方法等。
这些算法可以从图像中提取出手语的关键特征，如手势形状、动作轨迹等。
（3）模式识别算法：模式识别算法是手语识别的核心部分。
常用的模式识别算法包括基于规则的方法、基于统计的方法和基于深度学习的方法等。
这些算法可以根据提取出的特征对手语进行分类和识别。
四、系统实现与优化在系统实现过程中，我们需要对算法进行不断的调试和优化，以提高系统的准确性和效率。
此外，我们还需要考虑系统的实时性和用户体验等因素。
基于人工智能的手写文字识别与录入系统实现随着科技的飞速发展，人工智能已经逐渐融入我们生活的各个方面。
其中，手写文字识别与录入系统作为一种新兴的技术，极大地提高了文字处理的效率和准确性。
本文将介绍基于人工智能的手写文字识别与录入系统的实现原理和应用场景。
首先，我们需要明确手写文字识别与录入系统的目标。
该系统的主要任务是将手写的文字转化为可编辑的电子文档，并且保持识别的准确性。
传统的手写文字识别方法通常依赖于特定的表达形式，例如字库和模板匹配。
然而，这种方法对于多样性的手写样式和笔画变化较大的汉字无法很好地适应。
所以，基于人工智能的手写文字识别与录入系统采用了深度学习算法和神经网络，能够更好地识别复杂的手写文字。
在实现过程中，我们需要收集大量的手写文字数据作为训练样本，以建立一个有效的模型。
可以通过要求用户进行手写字的输入，并记录其手写样式来获取训练数据。
同时，还可以借助于已有的手写文字数据集，进行数据预处理和清洗，以剔除一些无效的数据和噪声。
然后，使用深度学习算法，例如卷积神经网络（CNN）或循环神经网络（RNN）等，对数据进行训练，使得系统能够学习到不同手写字的特征，并进行识别。
经过训练，系统就可以对用户输入的手写文字进行识别了。
当用户输入手写文字时，系统会将输入的图像转化为数字化的矩阵，并输入到训练好的模型中。
模型将对输入的图像进行特征提取和识别。
然后，识别后的文字可以被系统进一步处理，例如自动转化为可编辑的电子文档或存储在数据库中。
通过这种方式，我们实现了手写文字的快速识别和录入。
基于人工智能的手写文字识别与录入系统具有广泛的应用场景。
首先，它可以被应用于教育领域，帮助学生更好地完成笔记和作业。
学生可以通过手写的方式输入文字，系统能够及时识别并转化为电子文档，方便存储和分享。
其次，该系统可以应用于金融领域，方便银行和保险公司对客户的手写签名和表单进行自动识别和录入，提高工作效率。
另外，该系统还可以应用于医学领域，帮助医生记录和输入病历，减少人为输入错误的发生。
中南大学本科生毕业论文（设计）题目基于神经网络的手写数字识别系统的设计与实现目录摘要 (Ⅰ)ABSTRACT (Ⅱ)第一章绪论 (1)1.1手写体数字识别研究的发展及研究现状 (1)1.2神经网络在手写体数字识别中的应用 (3)1.3 论文结构简介 (4)第二章手写体数字识别 (5)2.1手写体数字识别的一般方法及难点 (5)2.2 图像预处理概述 (6)2.3 图像预处理的处理步骤 (6)2.3.1 图像的平滑去噪 (6)2.3.2 二值话处理 (7)2.3.3 归一化 (8)2.3.4 细化 (10)2.4 小结 (11)第三章特征提取 (12)3.1 特征提取的概述 (12)3.2 统计特征 (12)3.3 结构特征 (13)3.3.1 结构特征提取 (14)3.3.2 笔划特征的提取 (14)3.3.3 数字的特征向量说明 (15)3.3 知识库的建立 (15)第四章神经网络在数字识别中的应用 (17)4.1 神经网络简介及其工作原理 (17)4.1.1神经网络概述[14] (17)4.1.2神经网络的工作原理 (17)4.2神经网络的学习与训练[15] (18)4.3 BP神经网络 (20)4.3.1 BP算法 (20)4.3.2 BP网络的一般学习算法 (21)4.3.3 BP网络的设计 (22)4.4 BP学习算法的局限性与对策 (26)4.5 对BP算法的改进 (27)第五章系统的实现与结果分析 (29)5.1 软件开发平台 (29)5.1.1 MATLAB简介 (29)5.1.2 MATLAB的特点 (29)5.1.3 使用MATLAB的优势 (30)5.2 系统设计思路 (30)5.3 系统流程图 (31)5.4 MATLAB程序设计 (31)5.5 实验数据及结果分析 (32)结论 (27)参考文献 (28)致谢 (30)附录 (31)摘要手写体数字识别是模式识别中一个非常重要和活跃的研究领域，数字识别也不是一项孤立的技术，它所涉及的问题是模式识别的其他领域都无法回避的；应用上，作为一种信息处理手段，字符识别有广阔的应用背景和巨大的市场需求。
石河子大学信息科学与技术学院毕业论文课题名称：手写体数字识别系统设计学生姓名：学号：学院：信息科学与技术学院专业年级：电子信息工程2007级指导教师：职称：完成日期：二○一一年六月十一日手写体数字识别系统设计学生：指导教师：[摘要] 随着科学技术的迅速发展，在邮政编码、统计报表、财务报表、银行票据等处理大量字符信息录入的场合，手写数字识别系统的应用需求越来越强烈，如何将数字方便、快速地输入到计算机中已成为关系到计算机技术普及的关键问题。
本文设计实现了一个基于Matlab软件的手写体数字识别系统，采用模块化设计方法，编写了摄像头输入、直接读取图片、写字板输入三个模块，利用摄像头等工具，将以文本形式存在的手写体数字输入进计算机，完成对手写体数字图片的采集，并设计了一种手写数字识别方法，对手写体数字图像进行预处理、结构特征提取、分类识别，最终以文本形式输出数字，从而实现手写体数字的识别。
[关键词] 预处理，结构特征提取，分类识别，手写体数字识别Handwritten Digit Recognition SystemStudents：Teacher：Abstract:With the rapid development of science and technology, in zip code, statistics, reports, financial statements, Bank bills dealing with a large number of characters, such as information recorded occasions, handwritten digit recognition system of requirement has become stronger and stronger, how easily and quickly the number entered in the computer has become a key issue relates to the popularization of computer technology. This article design implementation has a based on Matlab software of handwriting body digital recognition system, used module of design method, write has camera entered, and directly read pictures, and write Board entered three a module, using camera, tools, will to text form exists of handwriting body digital entered into computer, completed on handwriting body digital pictures of collection, and design has a handwriting digital recognition method, on handwriting body digital image for pretreatment, and structure features extraction, and classification recognition, eventually to text form output digital, to implementation handwriting body digital of recognition.Key words: Pretreatment, structure feature extraction, classification and recognition, handwritten digit recognition.目录第一章引言 (1)1.1课题背景 (1)1.2课题研究目的及意义 (2)1.2.1 手写体数字识别的研究目的 (2)1.2.2 手写体数字识别的研究意义 (3)1.3课题研究现状及发展趋势 (3)1.4课题整体结构 (5)1.5课题难点分析 (5)第二章开发运行环境 (6)2.1系统开发环境和运行环境 (6)2.2开发工具介绍 (6)2.2.1 硬件部分介绍 (6)2.2.2 软件部分介绍 (8)第三章手写体数字识别系统构成及原理 (10)3.1图像处理基础知识 (10)3.2手写体数字识别系统构成 (13)3.3手写体数字识别系统原理 (13)3.3.1预处理 (13)3.3.2图像分割 (17)3.3.3特征提取 (19)3.3.4分类识别 (20)第四章手写体数字识别系统设计分析 (21)4.1程序主界面 (21)4.2基准库的选择与建立 (23)4.3手写体数字识别系统设计 (23)4.3.1摄像头输入模块的设计 (23)4.3.2直接读图模块的设计 (25)4.3.3写字板输入模块的设计 (27)第五章系统性能评价及实验结果分析 (30)5.1识别系统性能的评价 (30)5.2实验结果分析 (31)第六章结论 (33)6.1毕业设计总结 (33)6.2课题前景与展望 (34)致谢 (37)参考文献 (37)附录 (39)附1、识别部分主程序 (39)附2、创建模板部分函数 (40)附3、切割图片部分函数 (42)附4、输出图片部分函数 (43)第一章引言1.1 课题背景数字已有数千年的历史，在世界上使用很广，然而，在当今社会里，如何快速高效地将数字输入计算机，已成为影响人机接口效率的一个重要瓶颈，也关系到计算机能否真正在我国得到普及应用[1]。
基于深度学习的手写数字识别系统第一章简介手写数字识别是计算机视觉领域的一个重要应用。
近年来，深度学习在图像识别、语音识别、自然语言处理等领域有了广泛的应用。
基于深度学习的手写数字识别系统具有高准确率、灵活性强的特点，是目前最先进的手写数字识别系统之一。
本文将详细介绍基于深度学习的手写数字识别系统的工作原理、实现方法和应用。
第二章工作原理基于深度学习的手写数字识别系统的工作原理是将手写数字图像作为输入，经过一系列卷积、激活、池化等操作，提取出特征向量，然后通过全连接层进行分类，得到数字识别结果。
具体来说，这个系统是一个卷积神经网络模型，由多层卷积层、激活层、池化层和全连接层组成。
每一层都有自己的参数和权重。
在训练过程中，系统通过反向传播算法来调整参数和权重，使得系统能够得到更准确的识别结果。
第三章实现方法基于深度学习的手写数字识别系统的实现方法主要包括数据预处理、模型设计、训练和测试四个步骤。
首先，需要对手写数字图像进行预处理，通常包括将图像调整为统一的大小、降噪、二值化等操作，以便于模型更好地提取特征。
其次，需要设计合适的卷积神经网络模型。
针对手写数字识别问题，常用的模型有LeNet、AlexNet、VGG等。
根据具体的数据集和需求，可以选择合适的模型进行修改和调整。
然后，需要进行训练。
训练需要一定的时间和计算资源，通常需要使用专门的深度学习框架（如TensorFlow、Keras等）来加速训练过程。
在训练过程中，需要设置训练参数、学习率、优化算法等，以便于获得更好的训练结果。
最后，进行测试。
测试时，需要将测试集输入到已经训练好的模型中，得到模型的识别结果。
通过比较识别结果和真实结果之间的差异，可以评估该模型的准确率。
第四章应用基于深度学习的手写数字识别系统已经在很多领域得到了广泛的应用。
例如，在人工智能助手中，用户可以通过手写数字输入命令，节省时间和精力。
在银行卡识别系统中，可以通过手写数字识别技术自动识别卡号。
基于深度学习的手写数字识别系统设计与实现手写数字识别是计算机视觉领域中的一个重要研究方向，它可以应用于自动化识别、数字化转换以及人机交互等领域。
本文将介绍一种基于深度学习的手写数字识别系统的设计与实现。
一、引言在数字化时代，手写数字识别系统扮演着重要角色，为了提高人工误差和效率问题，基于深度学习的手写数字识别系统应运而生。
本文将采用卷积神经网络（Convolutional Neural Network，CNN）作为深度学习模型，并通过系统设计和实现的具体方法，达到提高手写数字识别准确率和效率的目的。
二、深度学习模型1. CNN模型简介CNN是一种深度学习模型，它通过多层卷积和池化层来提取输入数据的特征，并通过全连接层进行最终的分类。
CNN的特点是可以自动学习输入数据的特征，对于图像处理任务具有很好的效果。
2. CNN模型设计手写数字识别任务可以看作是一个图像分类问题，因此我们可以使用经典的CNN模型LeNet-5作为基础模型进行设计。
LeNet-5模型包含了两个卷积层、两个池化层和三个全连接层，能够有效提取手写数字的特征并进行分类。
在设计过程中，我们可以根据实际需求进行调整和优化，例如增加卷积层深度或者全连接层神经元数量等。
三、数据集准备1. 数据集介绍在进行手写数字识别系统设计与实现之前，首先需要准备一个适用于训练和测试的手写数字数据集。
常用的数据集有MNIST、SVHN等。
本文将以MNIST数据集为例进行介绍。
MNIST数据集是一个包含60000个训练样本和10000个测试样本的手写数字数据集，每个样本都是28x28的灰度图像。
2. 数据预处理在使用MNIST数据集进行训练之前，我们需要对数据进行预处理。
预处理步骤包括数据归一化、标签编码等。
归一化可以将原始像素值缩放到0-1的范围内，以便进行更好的训练效果。
标签编码是将原始类别信息进行one-hot编码，方便进行分类模型的训练。
四、系统实现1. 环境搭建在进行系统实现之前，需要搭建相应的开发环境。
版本：V1.0手写字符识别系统设计说明书湖南大学信息科学与工程学院二0一四年六月目录1引言 (2)1.1目的 (2)1.2阅读对象 (2)2项目概述 (2)2.1项目简介 (2)2.2项目任务 (2)2.3实验环境介绍 (2)3任务描述 (3)3.1背景资料概述 (3)3.2系统组成 (3)3.3系统评估 (5)4机器学习算法介绍 (5)4.1支持向量机 (5)4.2BP神经网络 (6)4.3决策树方法 (7)5特征选择 (8)6参考资料和实用网站 (9)1引言1.1目的随着图像处理技术与机器学习技术的发展，机器视觉技术已广泛应用于工业生产、日常生活及城市管理中。
字符识别作为机器视觉的一种基本应用，在车牌识别、光学字符识别（OCR，Optical Character Recognition）等应用中均有涉及。
本说明书旨在介绍基于常用机器学习算法（如BP神经网络、支持向量机、朴素贝叶斯、K近邻分类）的手写字符识别系统的设计需求，设计方法和环境介绍，帮助学生了解字符识别的基本流程，常用机器学习算法的基本原理，掌握机器视觉应用的开发技术。
1.2阅读对象本说明书的阅读对象有：●数字媒体类相关专业学生●相关客户人员，体验用户等2项目概述2.1项目简介本项目旨在基于机器学习算法实现手写字符（包括数字和大小写字母）的识别。
该系统通过读入一张图片或通过鼠标绘制字符的方式，实现识别对象的输入，通过BP神经网络、支持向量机、朴素贝叶斯或K近邻分类方法实现手写字符的识别，并输出识别的结果。
2.2项目任务项目名称：手写字符识别系统的设计项目内容：1）手写字符的输入；2）图片预处理与特征提取；3）机器学习与字符分类；项目周期：1个月（2014年8月25日——2014年9月20日）参与人数：2~4人。
2.3实验环境介绍A）Visual Studio 2010Visual Studio 2010是继VC6.0后微软推出的一款新的高级语言编译器，可支持C#、C++、Basic以及Asp等编程语言的开发，具有强大的代码调试功能，是一个功能强大的可视化软件集成开发工具。
本项目将使用Visual Studio 2010进行代码的编辑、编译与调试。
B）Visual Assist为了提高代码编写的效率，可安装Visual Assist X插件。
Visual Assist X插件是WholeTomato公司针对Visual Studio开发环境开发的一款代码编写辅助工具，能够实现变量名、函数名的自动提示与补全，以及函数定义与声明之间的快速切换，从而达到提高开发效率的目的。
C）OpenCVOpenCV（Open Computer Vision）是一个开源的跨平台计算机视觉库，可以运行于Linux、Windows和Mac OS操作系统上。
它轻量级而且高效，实现了图像处理和计算机视觉方面的很多通用算法。
本项目可利用OpenCV实现图像的读取、显示以及一些基本的预处理算法。
网址：/3任务描述3.1背景资料概述机器学习：利用计算机模拟或实现人类的学习行为，以获取新的知识或技能。
因此，机器学习算法通常包括两个阶段：训练和分类。
训练阶段，即利用一些已知的训练样本训练得到机器学习算法模型的相应参数。
该阶段类似于小孩认字时的学习阶段，老师告诉小孩各种字具有什么样的特征。
分类阶段，即对于训练好的算法模型，给定输入数据，计算机自动给出数据的分类。
该阶段类似于小孩在进行了学习后可以自主的识字。
目前常用的机器学习算法包括：支持向量机（SVM，Support Vector Model）、BP神经网络、决策树3.2系统组成基于机器学习的手写字符识别系统通常包括四个部分：图像预处理、特征提取、字符训练与字符识别四个阶段，如图1所示。
图 1 字符识别系统的功能框架图像预处理：主要包括图像的去噪（中值滤波、高斯滤波），图像的二值化（将彩色图像或灰度图像转化为二值图像），形态学处理（利用闭操作，即先膨胀再腐蚀，将断裂的笔画进行修复）。
特征提取：字符图像由一系列二进制的0和1组成，虽然这些数据包含了字符的全部信息，但是这些数据也包含了大量冗余的信息，并不一定适合于机器进行识别。
正如我们人类在识别各种物体的时候，也是抓住了物体的某些本质特征。
因此，在进行字符识别前，从字符图像中提取尽可能好的特征对于提高识别的正确率具有重要的意义。
常用的特征提取的方法包括：（1）直接将字符图像看成是一个一维特征向量，无需其他处理。
该方法简单，在有些时候也行之有效，但由于特征维数较高，往往需要大量的训练样本学习算法才能收敛。
（2）主成分分析法（PCA，Principal Component Analysis），该方法在人脸识别中应用较多。
（3）基于不变矩的方法字符训练：给定训练样本，每个样本包括字符图像和对应的字符信息，利用相应的机器学习算法进行学习，得到算法模型的各种参数。
本项目中用到的机器学习算法包括：支持向量机、BP神经网络和决策树方法。
为了便于程序的调试，字符训练功能通常作为一个独立的应用程序，无需GUI界面。
训练样本可按如下方式组织，相同字符的图像放在相同的文件夹下，文件夹的名称表明了图像的字符类别。
字符训练程序读取所有文件夹下的训练样本进行训练。
字符识别：字符训练完成后，对于用户输入的一幅图像，利用训练得到的模型识别出对应的字符。
该过程需要实现的功能如图2所示，用户载入一幅字符图像或利用鼠标绘图，通过选择响应的机器学习算法，利用字符训练阶段中获得的模型，识别得到相应的结果。
图 2 字符识别功能3.3系统评估系统完成后，需评估系统的字符识别正确率，并比较不同算法的性能好坏。
评估过程中，需先建立测试集，测试集应包括两部分，一部分即为训练集的子集，另一部分应与训练集不同；而后统计测试集中每个字符图像的识别正确与否情况，并给出各个算法的分析与对比。
4机器学习算法介绍4.1支持向量机我们可以从二维的情况进行理解。
如图3所示，如果我们想把图中的二维特征向量（即二维点）分成两类，可以有许多条分割线将这些点分成两类。
但什么样的分割线才是最好的呢？通常我们希望每一类中的点到该分界线的最近距离最大，如图3中的红线所示，这样这两类特征点具有更大的区分度，在输入新的特征点时，误判的概率越小。
支持向量机算法采用的就是这样的思想，对于二维特征向量而言，即为寻找具有最大区分度的分割线wx+b=0，其中w和b是未知的模型参数，对于高维特征向量而言，分割线变成高维的分割平面，其方程依然可以表示为wx+b=0。
详细的理论过程可以参考：/marvin521/article/details/9286099/marvin521/article/details/9305497C++实现，一个网上的开源库libSVM：.tw/~cjlin/libsvm/图 3 支持向量机的模型示意图4.2BP神经网络BP（Back Propagation）神经网络是1986年由Rinehart和McClelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最为广泛的神经网络模型之一。
它的学习规则使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络的拓扑结构通常包括输入层（Input Layer ）、隐藏层（Hidden Layer ）和输出层（Output Layer ），如图 4所示。
图 4 BP 神经网络的拓扑结构神经元作为神经网络的基本单元，其数学模型为一线性模型，如图 5所示，可表示为：0ni j ij j y x w ==∑图 5 神经元模型BP 神经网络，即通过最速下降法，不断调整每个神经元的权值，使得神经网络的输出值与给定值尽可能一致。
详细过程可参考：/gongxq0124/article/details/76810004.3 决策树方法决策树实际上就是将空间利用超平面进行划分的一种方法，每次分割的时候都将当前的空间一分为二。
比如对二维平面上的点进行分类，可构建如下的决策树（二叉树）此时，对应的二维平面将被分成如下的形式，也即将空间中的点分成了四类。
从以上过程看出，决策树的构建过程中，关键是按照哪一个属性进行分裂，分裂的阈值如何确定。
实际上决策树中分裂属性的选取和分裂阈值的确定是根据最大信息增益的原则确定的。
具体过程可参考：/bourneli/archive/2013/03/15/2961568.html/abcjennifer/article/details/209053115特征选择（1）将图像规整化成相同大小，形成一个一维向量（2）不变矩参考文献：(1) Ming-kuei Hu. Visual pattern recognition by momentinvariants, IRE Transactions on information theory.(2) Alreza Khotanzad, Yaw Hua Hong. Invariant image recognition byZernike moments, IEEE Transactions on Pattern Analysis and MachineIntelligence, 12(5), 1990.6参考资料和实用网站（1）C++机器学习算法库/qll125596718/article/details/8253394（2）杨少荣，吴迪靖，段德山译。
机器视觉算法与应用，清华大学出版社，北京，2008.（3）景丽译。
图像处理与计算机视觉算法与应用，清华大学出版社，北京，2012.（4）李锐，李鹏，曲亚东，王斌译。
机器学习实战（Machine Learning in Action），人民邮电出版社，北京，2013.。
