1．3 特征提取
由于數(shù)字具有明顯的局部結構特征，因此本文采用一種非對稱分塊統(tǒng)計特征，作為表征數(shù)字的特征向量。方法如下：
(1)應用otsu方法將分割出的數(shù)字圖像二值化，然后將圖像歸一化為70×50大?。?br /> (2)將圖片等分為35塊，每塊子圖為10×10大小，按式(1)計算每一塊中背景點的分布特征；

式中：p(m，n)為10×10子圖中m行n列像素灰度值，前景點為255，背景點為0。
(3)將每一塊子圖的背景點統(tǒng)計特征作為一維特征向量，構造35維向量[a1 a2 … a34 a35]作為支持向量機的輸入特征向量。
1．4 數(shù)字識別
基于支持向量機的數(shù)字識別支持向量機(Support Vector Machines，SVM)基于結構風險最小化準則工作，能在訓練誤差和分類器容量間達到較好平衡，因而具有更好的性能，在模式識別領域有著廣泛的應用。對于兩類模式識別問題，假設給定n個樣本作為訓練集：

這里yi=+1或-1，要找到一個最優(yōu)超平面，使訓練集中的點距離分類面盡可能的遠，也就是使M=2／‖ω‖最大的分類面就是最優(yōu)分類面。對于線性可分的情況，要找到最優(yōu)超平面：

即求解下面的二次規(guī)劃問題：

此二次規(guī)劃問題，可用Lagrange乘子法把式(5)化成其對偶形式：

設[a1 a2 … a3]為二次優(yōu)化問題的解，可以證明解中只有小部分ai不為0，稱對應的xi為支持向量，ai是對應的Lagrange系數(shù)，b是常數(shù)(閾值)。于是最優(yōu)超平面方程為：

最優(yōu)超平面的分類規(guī)則為：

對于線性不可分情，在條件式(5)中引入非負松弛變量ξi，原約束條件改為：

相應的目標函數(shù)改為：

最優(yōu)分類面的對偶問題改為：