[发明专利]一种基于连续卷积SPP网络的手写笔迹识别系统

说明书

本发明公开了一种基于连续卷积SPP网络的手写笔迹识别系统，输入单元、预处理单元、智能识别单元和输出单元依次连接，所述用户端的输出与输入单元连接，输出单元的输出与云端和用户端连接，云端还与预处理单元和智能识别单元连接；输入单元的输入为手绘图像数据；所述预处理单元进行平滑去噪、二值化和裁剪；所述智能识别单元对连续卷积SPP网络模型进行预训练、分析和模型投票，得到识别结果；所述输出单元将识别结果分别发送给用户端和云端。本发明除了可以提取螺旋线笔迹震颤特征，也可以同时提取螺旋线匝间距变化和形状特征，同时对多种类型震颤手绘图进行分类。

技术领域

本发明属于图像识别领域，特别涉及一种基于连续卷积SPP网络的手写笔迹识别系统。

背景技术

震颤被描述为身体的一个或多个部分的不自主的、有节奏的和振荡的运动。震颤一般分为静息性震颤和动作性震颤。当身体部位处于静止位置并且没有自主肌肉活动时，就会出现静止性震颤。然而，动作性震颤会随着肌肉的自主收缩而出现。最常见的震颤形式是生理性震颤、特发性震颤和帕金森震颤，主要见于老年人。精神压力或自主行为会增强帕金森震颤的幅度和频率。精神压力也会增强特发性震颤，但最重要的一点是特发性震颤在保持对抗重力的位置(姿势)的同时存在，并且可能发生在对抗重力的肌肉收缩。

作为包含运动和知觉成分的复杂活动，手写笔迹是手部震颤的有效标志物。笔迹分析已经发展成为神经病学的一种临床工具，简单的笔试只需几秒钟就能完成。通过观察患者的书写过程、分析手绘样本的形式和内容，专业人员可对相应手部震颤类型进行分析和分类。螺旋线作为没有使用场景、没有语言限制的图案，是手写笔迹分析的首选图案。

近年来为了使基于手写笔迹的震颤类型辅助判别更加方便快捷，研究者们引入了机器学习和深度学习技术。尽管相关的研究已经取得了一定的成果，并且建立了多种手写数据集，但仍然存在以下问题：第一，目前的螺旋线特征分类方法通常利用固定的极坐标展开算法，导致大部分手写数据集都要求受试者在规定的书写模板上进行绘制；第二，笔迹动态特征的采集只能依靠专业的数据采集设备，采集程序严格且繁琐，大多需要设计专门的数据处理系统完成特征识别和样本分类，因此不适用于常态化评估；第三，大多数针对手绘图的分类网络在输入端都会对图像进行缩放或者随机裁剪操作，而对于具有形状特点的手绘图而言，这些操作会改变原有的特征，造成一定的识别误差。

发明内容

有鉴于此，本发明提供了一种基于连续卷积SPP网络的手写笔迹识别系统，包括输入单元、预处理单元、智能识别单元、输出单元、用户端和云端，其中，

所述输入单元、预处理单元、智能识别单元和输出单元依次连接，所述用户端的输出与输入单元连接，输出单元的输出与云端和用户端连接，云端还与预处理单元和智能识别单元连接；

所述输入单元的输入为手绘图像数据；所述预处理单元进行平滑去噪、二值化和裁剪；所述智能识别单元对连续卷积SPP网络模型进行预训练、分析和模型投票，得到识别结果；所述输出单元将识别结果分别发送给用户端和云端。

优选地，所述输入单元将手绘图像数据处理为阿基米德螺旋线图像。

优选地，所述预处理单元包括滤波模块、二值化模块和分区模块，其中，滤波模块对图像进行平滑去噪，二值化模块根据笔迹的色彩范围将滤波后的图像进行二值化，分区模块裁剪原螺旋线图像为左上、左下、右上和右下四部分。

优选地，所述二值化模块的二值公式为：

式中，F代表原图像，Nⁱ(F)代表更新后的图像，Rⁱ(F)、Gⁱ(F)、Bⁱ(F)分别代表F中第i个像素的红、绿、蓝三通道的值。

5、根据权利要求1所述的系统，其特征在于，所述连续卷积SPP网络模型包括输入层、连续卷积层、池化层、SPP空间金字塔池化层和全连接层。