[发明专利]字符识别模型的训练方法及装置、字符识别方法及装置

说明书

本发明公开了一种字符识别模型的训练方法及装置、字符识别方法及装置，该字符识别模型的训练方法包括：获取训练样本，所述训练样本中包含具有字符的正样本图像及不具有字符的负样本图像；对所述训练样本进行分割，得到目标训练字符；根据所述目标训练字符提取第一目标训练特征；根据所述第一目标训练特征对深度可分离卷积神经网络模型进行训练，得到深度可分离卷积字符识别模型。本发明通过采用深度可分离卷积神经网络模型，可以实现空间信息和深度信息解耦合，减少网络参数量，提高训练准确率。

技术领域

本发明涉及识别技术领域，具体涉及一种字符识别模型的训练方法及装置、字符识别方法及装置。

背景技术

随着计算机的发展，信息技术也飞速发展，图像作为信息技术中的重要传播载体，在信息的传播中占有非常重要的地位，然而计算机并不能像人类一样通过视觉直接获取图像中所包含的信息，从而图像信息识别为文本信息这一过程对于计算机理解图像具有重要的意义。

传统的字符识别算法包含了大量的手工特征提取的过程，提取过程复杂且缓慢，而基于卷积神经网络的特征提取可以直接对图像进行处理，自动提取特征，但是提取过程网络参数量巨大，训练过程复杂，训练速度慢，训练准确率低。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的基于卷积神经网络对特征提取时网络参数量大的缺陷，从而提供一种字符识别模型的训练方法及装置、字符识别方法及装置。

根据第一方面，本发明实施例公开了一种字符识别模型的训练方法，包括如下步骤：获取训练样本，所述训练样本中包含具有字符的正样本图像及不具有字符的负样本图像；对所述训练样本进行分割，得到目标训练字符；根据所述目标训练字符提取第一目标训练特征；根据所述第一目标训练特征对深度可分离卷积神经网络模型进行训练，得到深度可分离卷积字符识别模型。

结合第一方面，在第一方面第一实施方式中，在所述对所述训练样本进行分割，得到目标训练字符之前，还包括：确定所述训练样本中字符倾斜度；当所述字符倾斜度不满足第一预设条件时，对所述训练样本进行倾斜矫正。

结合第一方面第一实施方式，在第一方面第二实施方式中，在根据所述第一目标训练特征对深度可分离卷积神经网络模型进行训练，得到深度可分离卷积字符识别模型之后，还包括：获取字符图像测试样本，所述字符图像测试样本中包含具有字符的正样本图像及不具有字符的负样本图像；根据所述字符图像测试样本提取第一测试特征；根据所述第一测试特征对所述深度可分离卷积字符识别模型进行测试，得到第一测试结果；当所述第一测试结果满足第二预设条件时，将所述深度可分离卷积字符识别模型确定为可用的深度可分离卷积字符识别模型。

根据第二方面，本发明实施例还公开了一种字符识别方法，包括如下步骤：获取待识别字符图像；对所述待识别字符图像进行分割，得到目标识别字符；根据所述目标识别字符提取目标识别特征；根据深度可分离卷积字符识别模型对所述目标识别特征进行识别，得到字符识别结果；所述深度可分离卷积字符识别模型为根据第一方面或第一方面任一实施方式所述的字符识别模型的训练方法训练得到；将所述字符识别结果进行组合，得到待识别字符。

根据第三方面，本发明实施例还公开了一种字符识别模型的训练装置，包括：第一获取模块，用于获取训练样本，所述训练样本中包含具有字符的正样本图像及不具有字符的负样本图像；第一分割模块，用于对所述训练样本进行分割，得到目标训练字符；第一提取模块，用于根据所述目标训练字符提取第一目标训练特征；训练模块，用于根据所述第一目标训练特征对深度可分离卷积神经网络模型进行训练，得到深度可分离卷积字符识别模型。

结合第三方面，在第三方面第一实施方式中，所述装置还包括：第一确定模块，用于确定所述训练样本中字符倾斜度；矫正模块，用于当所述字符倾斜度不满足第一预设条件时，对所述训练样本进行倾斜矫正。