一种高精度盲文识别方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108052955A(43)申请公布日2018.05.18(21)申请号201711070466.9(22)申请日2017.11.03(71)申请人中国科学院计算技术研究所地址100080北京市海淀区中关村科学院南路6号(72)发明人刘宏黎仁强王向东钱跃良(74)专利代理机构北京律诚同业知识产权代理有限公司11006代理人祁建国梁挥(51)Int.Cl.G06K9/62(2006.01)G06K9/20(2006.01)G09B21/00(2006.01)权利要求书2页说明书9页附图4页(54)发明名称一种高精度盲文识别方法及系统(57)摘要本发明涉及一种高精度盲文识别方法及系统，包括：利用采集设备获取纸版盲文的数字化图像；对数字化图像的盲文进行盲文点标注，并将标注完成的数字化图像作为训练样本，其中盲文点为凸点或凹点；根据训练样本中盲文点的标注信息，将数字化图像划分为包含盲文点的正样本和包含背景点的负样本；提取正样本和负样本的多种特征，分别训练多个分类器；对待检测盲文图像的盲文方进行定位，将以各盲文方对应的6个盲文点为中心的区域作为待检测区域，将待检测区域的多种特征分别输入至相应分类器；通过融合各分类器的识别结果，确定待检测盲文图像内盲文点的位置和类型信息。由此通过融合多分类器的检测结果，实现对盲文的高精度识别。CN108052955ACN108052955A权利要求书1/2页1.一种高精度盲文识别方法，其特征在于，包括：步骤1、利用采集设备获取纸版盲文的数字化图像；步骤2、对该数字化图像的盲文进行盲文点标注，并将标注完成的数字化图像作为训练样本，其中该盲文点为凸点或凹点；步骤3、根据该训练样本训练多个分类器，并用训练完成的分类器对待检测盲文图像内的盲文点进行识别，将检测到的各盲文点的位置和类型信息保存并输出；其中该步骤3包括：步骤31、根据该训练样本中盲文点的标注信息，将该数字化图像划分为包含盲文点的正样本和包含背景点的负样本；步骤32、提取该正样本和该负样本的多种特征，分别训练多个分类器；步骤33、对该待检测盲文图像的盲文方进行定位，将以各盲文方对应的6个盲文点为中心的区域作为待检测区域，将该待检测区域的多种特征分别输入至相应分类器；步骤34、通过融合各分类器的识别结果，确定该待检测盲文图像内盲文点的位置和类型信息。2.如权利要求1所述的高精度盲文识别方法，其特征在于，该步骤32具体包括：根据该正样本和该负样本的灰度特征、梯度直方图特征、局部二值特征，分别训练多个支持向量机分类器或随机森林分类器。3.如权利要求1所述的高精度盲文识别方法，其特征在于，该步骤34还包括：将该待检测盲文图像内盲文点的位置信息转化为盲文方信息。4.如权利要求3所述的高精度盲文识别方法，其特征在于，该步骤34还包括：将该盲文方信息转化为汉字和句子，根据句子排查检测错误的盲文方信息。5.如权利要求1所述的高精度盲文识别方法，其特征在于，步骤1中该采集设备包括扫描仪、摄像机或盲文图像采集仪器；该纸版盲文包括凸点和/或凹点形式的盲文点。6.一种高精度盲文识别系统，其特征在于，包括：采集模块，用于通过采集设备获取纸版盲文的数字化图像；标注模块，用于对该数字化图像的盲文进行盲文点标注，并将标注完成的数字化图像作为训练样本，其中该盲文点为凸点或凹点；训练模块，用于根据该训练样本训练多个分类器，并用训练完成的分类器对待检测盲文图像内的盲文点进行识别，将检测到的各盲文点的位置和类型信息保存并输出；其中该训练模块包括：提取模块，用于根据该训练样本中盲文点的标注信息，将该数字化图像划分为包含盲文点的正样本和包含背景点的负样本，提取该正样本和该负样本的多种特征，分别训练多个分类器；识别模块，用于对该待检测盲文图像的盲文方进行定位，将以各盲文方对应的6个盲文点为中心的区域作为待检测区域，将该待检测区域的多种特征分别输入至相应分类器，并通过融合各分类器的识别结果，确定该待检测盲文图像内盲文点的位置和类型信息。7.如权利要求6所述的高精度盲文识别方系统，其特征在于，该提取模块包括：根据该正样本和该负样本的灰度特征、梯度直方图特征、局部二值特征，分别训练多个支持向量机分类器或随机森林分类器。2CN108052955A权利要求书2/2页8.如权利要求6所述的高精度盲文识别系统，其特征在于，该识别模块还包括：将该待检测盲文图像内盲文点的位置信息转化为盲文方信息。9.如权利要求8所述的高精度盲文识别系统，其特征在于，该识别模块还包括：将该盲文方信息转化为汉字和句子，根据句子排查检测错误的盲文方信息。10.如权利要求6所述的高精度盲文识别系统，其特征在于，该采集设备包括扫描仪、摄像机或盲文图像采集仪器；该纸版