[发明专利]手写字模型训练方法、汉字识别方法、装置、设备及介质

说明书

本发明公开了一种手写字模型训练方法、汉字识别方法、装置、设备及介质。该方法包括：获取手写字训练样本，将手写字训练样本划分成训练集和测试集；将训练集输入到卷积循环神经网络模型中，获取卷积循环神经网络模型的前向输出，根据卷积循环神经网络模型的前向输出，采用基于批量梯度下降的反向传播算法更新卷积循环神经网络模型中的权值和偏置，获取手写字训练模型；将测试集输入到手写字训练模型中，获取每一手写字图像对应的识别汉字，基于识别汉字和标签汉字获取识别准确率，若识别准确率大于预设准确率，则确定手写字训练模型为手写字识别模型。该手写字识别模型对手写字的识别具有较高的准确性。

技术领域

本发明涉及手写字识别领域，尤其涉及一种手写字模型训练方法、汉字识别方法、装置、设备及介质。

背景技术

传统汉字的识别方法大多会采用OCR(Optical Character Recognition，光学字符识别)技术进行识别。由于汉字的类别繁多，比如“宋体、楷体、姚体和仿宋”，而且部分汉字的结构比较复杂，比如“魑、魅”，并且汉字中存在着较多的结构相似的字，比如“受和爱”，使得汉字识别准确性无法保证。对标准的、书写简单且规范的句子，采用OCR(光学字符识别)技术可以识别，但是对于手写的字组成的句子，由于每个人的书写习惯不相同且不是标准的横竖撇捺组成的汉字，采用OCR技术识别时，会存在识别不准确的情况，极大限制了识别系统的性能，造成识别的精确度不高，使得识别效果不理想。

发明内容

基于此，有必要针对上述技术问题，提供一种可以提高识别准确度的手写字模型训练方法、装置、设备及介质。

一种手写字模型训练方法，包括：

获取手写字训练样本，所述手写字训练样本包括手写字图像和与所述手写字图像关联的标签汉字；

将所述手写字训练样本划分成训练集和测试集；

将所述训练集输入到卷积循环神经网络模型中，获取卷积循环神经网络模型的前向输出，根据所述卷积循环神经网络模型的前向输出，采用基于批量梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型；

将所述测试集输入到所述手写字训练模型中，获取每一手写字图像对应的识别汉字，基于所述识别汉字和所述标签汉字获取识别准确率，若所述识别准确率大于预设准确率，则确定所述手写字训练模型为手写字识别模型。

一种手写字模型训练装置，包括：

训练样本获取模块，用于获取手写字训练样本，所述手写字训练样本包括手写字图像和与所述手写字图像关联的标签汉字；

训练样本处理模块，用于将所述手写字训练样本划分成训练集和测试集；

训练模型获取模块，用于将所述训练集输入到卷积循环神经网络模型中，获取卷积循环神经网络模型的前向输出，根据所述卷积循环神经网络模型的前向输出，采用基于批量梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型；

识别模型获取模块，用于将所述测试集输入到所述手写字训练模型中，获取每一手写字图像对应的识别汉字，基于所述识别汉字和所述标签汉字获取识别准确率，若所述识别准确率大于预设准确率，则确定所述手写字训练模型为手写字识别模型。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述手写字模型训练方法的步骤。

一种非易失性存储介质，所述非易失性存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述手写字模型训练方法的步骤。

基于此，有必要针对上述技术问题，提供一种识别准确度较高的汉字识别方法、装置、设备及介质。

一种汉字识别方法，包括：