[发明专利]一种基于深度学习的压印字符识别方法及系统

说明书

本发明提出一种识别图像字符序列方法，所述方法包括以下步骤：对原始图像进行预处理，来获得待处理像素级图像数据；将待处理像素级图像数据输入到卷积神经网络进行特征提取的处理，从而得到特征图，将得到的特征图进行矩阵转置运算处理；使用分类算法对转置后的特征图进行分类判别，得到含有多个分类结果的序列；使用CTC算法对多个分类结果的序列进行处理，得到具有J个字符的序列。本发明通过对现有卷积神经网络进行改进，根据实际得到特征图的特点，再结合使用神经网络、softmax分类器和CTC算法，现了高效、准确和稳定的图像字符序列识别，尤其是压印字符的识别。创新点在于通过少样本多样式的深度学习训练技术，实现了多样式字体识别。

技术领域

本发明涉及图像识别领域，尤其是一种图像字符序列识别方法。

背景技术

压印字符与作为字符载体的背景相比，是凸起或者凹陷的，往往具有一定的高度或者深度，属于三维立体字符；压印字符很容易磨损，磨损后由于字符和背景的材质相同，因此与背景没有明显的颜色差别，属于无色差字符；不同的字模压制出来的字符字体大小、风格可能不同；就算时由同一字模压制，由于松动或标牌材质等现场加工因素的影响，形成的同一字符的高度、形状亦有所差别。这些都给压印字符的识别带来了难度。

传统的字符识别方法是采用模板匹配来定位字符并分割和识别，这种方法鲁棒性很差，在字体变化、模糊或背景干扰时泛化能力迅速下降。所以，有必要提出一种图像字符序列识别方法，过少样本多样式深度学习训练技术完成高效、准确和稳定的字符序列识别，实现对多样式字体的识别，尤其是对压印字符实现高效、准确和稳定的字符序列识别。

发明内容

本发明的发明目的在于：针对上述现有技术中存在的问题，提供一种图像字符序列识别方法，可以通过卷积神经网络对图像进行提取特征值，对特征值数据进行进一步的处理后进行字符序列识别，实现了高效、准确和稳定的图像字符序列识别，尤其是压印字符的识别。创新点是通过少样本多样式的深度学习训练技术，实现了多样式字体识别。

本发明通过以下技术方案实现：提供一种图像字符序列识别方法，所述方法包括以下步骤：

S1：对原始图像进行预处理，获得待处理像素级图像数据；

S2：将待处理像素级图像数据输入卷积神经网络进行特征提取处理，得到大小为N*M*K的特征图，即大小为N*M的K个通道的特征图；

S3：将N*M*K特征图进行矩阵转置运算得到M*N*K特征图；对M*N*K 特征图像进行平铺处理，转换成大小为M*(N*K)的二维特征图；

S4：将M*(N*K)的特征图是使用分类算法进行I个类别的分类判别，得到含有M个分类结果的序列；所述M个分类结果中每判别结果为I个类别中的一类；

S5：使用CTC算法对M个分类结果的序列进行处理，得到具有J个字符的序列，所述MJ。

进一步地，所述使用分类算法对M*(N*K)的特征图进行I类的分类处理步骤具体为：将M*(N*K)特征图输入神经网络，神经网络对M*(N*K)特征图中针对M张一维的N*K特征图分别进行识别，得到M组识别数据，将M组识别数据输入softmax分类器，得到含有M个分类结果的序列。

进一步地，所述I类为I-1类字符类和1类冗余类。

进一步地，所述原始图像为数字字符序列图像、字母字符序列图像或字母与数字组合字符序列图像。

进一步地，所述原始图像中的字符序列为压印字符。

进一步地，所述待处理像素级图像数据为大小H*W*1或H*W*3。

进一步地，所述H的值为32。

进一步地，所述N的值为9。