[发明专利]一种基于神经网络的文字识别方法

权利要求书

1.一种基于神经网络的文字识别方法，采用如下步骤：

S1：采用待识别文本图像，且转换为灰度图像，形成训练样本图片；

S2：对S1中的训练样本图片，输入至cnn卷积神经网络，通过对卷积层的输出通道、卷积核和步长的参数设定，以及层归一化处理，然后提取特征，输出特征矩阵；

S3：基于lstm神经网络的cell组成的双向rnn的语言模型；

S4：将S2中的得到的特征矩阵，输入至S3中的双向rnn的语言模型中，通过对多层卷积的输出通道、卷积核和步长的参数设定，进行提取特征，输出特征矩阵，以及多次对训练数据进行归一化处理，激活、以及最大池化处理，得到对S1中训练样本图片中的文字序列的识别结果。

2.根据权利要求1所述的一种基于神经网络的文字识别方法，其特征在于：S2中的利用cnn卷积神经网络，对S1中的训练样本图片，进行特征提取，采用如下步骤：

S201：对S1中的训练样本图片，进行卷积运算，进行特征提取，形成特征矩阵；上述卷积运算的参数如下：输出：64，卷积核：3，步长：1；上述最大池化的参数如下：卷积核：2,步长：2；

S202：对S201中的特征矩阵；进行卷积运算，进行特征提取；上述卷积运算的参数如下：输出：128，卷积核：3，步长：1；上述最大池化的参数如下：卷积核：2，步长：2；

S203：对S202中的特征矩阵；进行卷积运算，进行特征提取；上述卷积运算的参数如下：输出：256，卷积核：3，步长：1；

S204：对上述训练数据，进行卷积神经网络的归一化操作；

S205：然后再使用卷积神经网络的激活函数，进行激活处理，将激活信息向后传入下一层的神经网络；

S206：通过卷积运算，进行特征提取，形成特征矩阵，其参数如下：输出：256，卷积核：3，步长：1；

S207：对上述的训练数据，进行层归一化运算；S208：再使用卷积神经网络的激活函数，进行激活处理；

S209：然后通过卷积神经网络，进行最大池化操作，抽取其最大值，形成特征矩阵；其参数如下：池化窗口大小：2；池化步长：宽为2，高为2；padding：valid；

S210：进行卷积运算，其参数如下：输出：512，卷积核：3，步长：1，进行特征提取，形成特征矩阵；

S211：对S210中的特征矩阵，进行卷积神经网络的归一化操作；

S212：然后再使用卷积神经网络的激活函数，进行激活处理；

S213：再进行卷积运算操作，进行特征提取，形成特征矩阵，其参数如下：输出：512，卷积核：3，步长：1；

S214：对上述产生的训练数据，进行层归一化操作；

S215：再使用卷积神经网络的激活函数，进行激活处理；

S216：然后，再次对上述产生的训练数据，再进行最大池化操作，其参数如下：卷积核大小：高为2，宽为1；步长大小：高为2，宽为1；

S217：再次进行卷积运算，进行特征提取，形成特征矩阵；其参数如下：输出：512；卷积核：2；卷积核步长：高为2，宽为1；

S218：再进行层归一化操作；

S219：然后再使用卷积神经网络的激活函数，进行激活处理。

3.根据权利要求1所述的一种基于神经网络的文字识别方法，其特征在于：对S3中的基于lstm神经网络的cell组成的双向rnn的语言模型，进行特征提取，采用如下步骤：

S301：对S2中经cnn卷积神经网络提取的特征矩阵，利用双向rnn的语言模型，再次进行卷积运算处理；其参数如下：输出：64，卷积核：3，padding：vali；

S302：进行卷积运算，进行特征提取，形成特征矩阵，其参数如下：输出：64，卷积核：3，padding：same；

S303：对上述训练数据，进行层归一化运算处理；

S304：使用卷积神经网络的激活函数，进行激活处理；

S305：然后再进行池化层最大池化操作，其参数如下：池化窗口大小：2，池化步长：宽为2，高为2；padding：valid；

S306：进行卷积运算操作，进行特征提取，其参数如下：输出：128，卷积核：3，padding：same；

S307：对上述产生的训练数据，采用归一化运算处理；

S308：使用卷积神经网络的激活函数，进行激活处理；

S309：进行卷积运算，进行特征提取，形成特征矩阵，其参数如下：输出：128，卷积核：3，padding：same；

S310：对上述的训练数据，进行层归一化运算处理；

S311：使用卷积神经网络的激活函数，进行激活处理；

S312：然后再进行池化层最大池化操作，其参数如下：池化窗口大小：2；池化步长：宽为2，高为1；padding：valid；

S313：进行卷积运算，进行特征提取，形成特征矩阵，其参数如下：输出：256，卷积核：3，padding：same；

S314：对上述训练数据，进行层归一化运算处理；

S315：使用卷积神经网络的激活函数，进行激活处理；

S316：进行卷积运算，进行特征提取，形成特征矩阵，其参数如下：输出：256，卷积核：3，padding：same；

S317：对上述训练数据，进行层归一化运算处理；

S318：使用卷积神经网络的激活函数，进行激活处理；

S319：再进行池化层最大池化操作，提取其特大值，形成特征矩阵，其参数如下：池化窗口大小：2；池化步长：宽为2，高为1；padding：valid；

S320：进行卷积运算，进行特征提取，形成特征矩阵，其参数如下：输出：512，卷积核：3，padding：same；

S321：对上述训练数据，进行层归一化运算处理；

S322：使用卷积神经网络的激活函数，进行激活处理；

S323：进行卷积运算，进行特征提取，形成特征矩阵，其参数如下：输出：512，卷积核：3，padding：same；

S324：对上述训练数据，进行层归一化运算处理；

S325：使用卷积神经网络的激活函数，进行激活处理；

S326：再进行池化层最大池化操作，提取其特大值，其参数如下：池化窗口大小：宽为3,高为1；池化步长：宽为3，高为1；Padding：valid。