基于融合形态特征的自适应多卷积神经网络文字识别方法.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CN110738201A(43)申请公布日2020.01.31(21)申请号201910338759.3(22)申请日2019.04.25(71)申请人上海海事大学地址201306上海市浦东新区临港新城海港大道1550号(72)发明人刘晋余超李云辉栾翠菊(74)专利代理机构上海精晟知识产权代理有限公司31253代理人冯子玲(51)Int.Cl.G06K9/20(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图5页(54)发明名称基于融合形态特征的自适应多卷积神经网络文字识别方法(57)摘要本发明公开了一种基于融合形态特征的自适应多卷积神经网络文字识别方法，其中，包括：对待识别图像进行文字轮廓特征提取；对待识别图像中的文字图像通过自适应分类算法进行分类；根据分类结果将文字图像分配到不同密度的文字识别卷积神经网络中，将提取的文字轮廓特征与对应的文字图像特征进行融合，获得识别结果。本发明对待识别图像进行文字轮廓特征提取，并通过自适应分类算法对文字图像进行分类，将不同的文字图像给到不同的卷积神经网络进行文字识别，卷积神经网络对文字轮廓特征与文字图像融合，使得本发明所述的深度神经网络技术在加快识别速度的同时可以提高文字的总体识别率，特别是针对相似文字具有很好的识别效果。CN110738201ACN110738201A权利要求书1/2页1.一种基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，包括：对待识别图像进行文字轮廓特征提取；对待识别图像中的文字图像通过自适应分类算法进行分类；根据分类结果将文字图像分配到不同密度的文字识别卷积神经网络中，将提取的文字轮廓特征与对应的文字图像特征进行融合，获得识别结果。2.根据权利要求1所述的基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，对待识别图像进行处理前进行图像预处理。3.根据权利要求1所述的基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，不同密度的文字识别卷积神经网络包括：低密度文字识别卷积神经网络、中密度文字识别卷积神经网络、高密度文字识别卷积神经网络。4.根据权利要求2所述的基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，图像预处理包括：灰度化处理、归一化处理。5.根据权利要求1所述的基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，文字轮廓特征提取包括：获取文字整体外形比例；获取文字整体外形比例包括：获取文字的最小外接矩形外框，获取矩形外框的长宽比信息。6.根据权利要求5所述的基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，根据外框尺寸及文字所占的像素点信息获取密度值，对外框尺寸进行等比例放大至设定值，获取放大后的相对密度值；根据相对密度值落入的范围，将文字图像分配到对应的文字识别卷积神经网络中识别。7.根据权利要求6所述的基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，将文字图像分配到对应的第一文字识别卷积神经网络中识别后，获得识别结果，获取第一识别率；如果识别率低于一设定阈值，则将文字图像分配到最接近的密度值范围对应的第二文字识别卷积神经网络中进行识别，获取第二识别率；如果第二识别率高于第一识别率，则对应该密度值的文字图像分配到第二第二文字识别卷积神经网络中进行识别；如果第二识别率低于第一识别率，则将第二识别率乘以一惩罚系数后与第一识别率，再次进行比较。8.根据权利要求3所述的基于融合形态特征的自适应多卷积神经网络文字识别方法，其特征在于，低密度文字识别卷积神经网络包括：步骤1.1：文字图像特征输入后通过四个卷积层、四个池化层对图像特征进行抽取；卷积层采用5×5的卷积核；步骤1.2：文字轮廓特征输入后通过一个展开层、一个全连接层对特征进行提取；步骤1.3：将步骤1.1、步骤1.2的特征进行合并；步骤1.4：将合并后的特征通过两个全连接层进行连接并输出。中密度文字识别卷积神经网络包括：步骤2.1：文字图像特征输入后通过四个卷积层、四个池化层对图像特征进行抽取，卷积层采用5×5的卷积核；步骤2.2：文字轮廓特征输入后通过一个展开层、一个全连接层对特征进行提取；步骤2.3：将步骤2.1、步骤2.2的特征进行合并；步骤2.4：将合并后的特征通过两个圈连接层进行连接并输出。2CN110738201A权利要求书2/2页高密度文字识别卷积神经网络包括：步骤3.1：文字图像特征输入后通过四个卷积层、八个池化层对图像特征进行抽取，卷积层采用3×3的卷积核；步骤3.2：文字轮廓特征输入后通过一个展开层、一个全连接层对特征进行