一种基于密集残差神经网络的字符识别方法.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CN114330645A(43)申请公布日2022.04.12(21)申请号202111483023.9G06K9/62(2022.01)(22)申请日2021.12.07(71)申请人合肥工业大学地址230009安徽省合肥市包河区屯溪路193号(72)发明人张召郑欢洪日昌汪萌(74)专利代理机构安徽合肥华信知识产权代理有限公司34112代理人余成俊(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06V30/18(2022.01)G06V30/186(2022.01)G06V30/19(2022.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于密集残差神经网络的字符识别方法(57)摘要本发明公开了一种基于密集残差神经网络的字符识别方法，通过充分利用所有卷积层的分层特征来增强密集神经网络的局部和全局特征学习能力，进而捕获深层次的结构特征，用于字符识别。本发明保留原始密集残差块的局部特征融合和残差操作，以保证局部特征的学习能力，同时将特征的串联操作改为求和操作，进而减少内部层的计算工作量。在完全捕获局部密集残差特征之后，本发明通过模仿密集块的构造，以整体方式自适应地学习全局密集残差特征，利用求和运算和几个改进的密集残差块来构造一个称为全局密集块的新块。通过仿真实验，验证了本发明方法可有效提升字符的识别能力。CN114330645ACN114330645A权利要求书1/2页1.一种基于密集残差神经网络的字符识别方法，其特征在于，包括以下步骤：步骤1、将原始的字符图像作为密集残差网络中浅层特征提取层的输入，由浅层特征提取层从原始的字符图像中提取得到浅层特征；步骤2、将步骤1得到的浅层特征作为密集残差网络中改进的密集残差块的输入，基于局部残差学习，改进的密集残差块从浅层特征中提取得到局部密集残差特征；步骤3、将步骤1得到的浅层特征作为密集残差网络中全局密集块的输入，由全局密集块基于全局残差学习从浅层特征中提取得到全局密集残差特征；步骤4、将步骤3得到的全局密集残差特征输入下采样模块，对全局密集残差特征进一步处理，得到下采样全局密集残差特征；步骤5、将提取到的下采样全局密集残差特征输入密集残差网络中的softmax分类器，得到概率预测结果，再经过一个转录层，将数值结果转换为文字输出，得到最后的识别结果。2.根据权利要求1所述的一种基于密集残差神经网络的字符识别方法，其特征在于，步骤1中，浅层特征提取层为一个核为5的卷积层用于处理输入的字符图像数据，得到浅层特征X。3.根据权利要求1一种基于密集残差神经网络的字符识别方法，其特征在于，步骤2中改进的密集残差块由多层卷积层构成，将输入的浅层特征X首先经过第一层卷积，将输出结果F1作为第二层卷积层的输入，得到第二层卷积的结果F2，将第二层卷积的输出结果F2和第一层卷积的输出结果F1相加，作为第三层卷积层的输入，得到第三层卷积层的输出F3，如下列公式所示：其中Fi表示第i层卷积层输出的特征，表示卷积层中使用的激活函数；随后，将第一、二和三层卷积层的输出结果F1，F2和F3和输入的浅层特征X串联，在经过一个核为1的卷积层，进而在融合不同层的特征同时降低输出结果的维度，如下列公式所示：其中FL表示第L层卷积层输出的结果，L是大于1的自然数，最后再加上浅层特征进而实现局部的残差学习，如下列公式所示：Fres＝X+Fc，相加之后的结果Fres作为改进的密集残差块所提取的局部密集残差特征。4.根据权利要求1一种基于密集残差神经网络的字符识别方法，其特征在于，步骤3中全局密集块由改进的密集残差块构成，步骤3中首先将浅层特征输入到五个串联改进的密集残差块，得到五个位于不同层的局部密集残差特征；在全局密集块中，每一个改进的密集残差块的输入都是前面所有改进的密集残差块输出的局部密集残差特征出和浅层特征的和，如下列公式所示：其中，FS表示浅层特征，Fres,i表示第i个密集残差块输出的局部密集残差特征，相加之2CN114330645A权利要求书2/2页后的结果Fglobal作为全局密集块所提取的全局密集残差特征。5.根据权利要求1一种基于密集残差神经网络的字符识别方法，其特征在于，步骤4中，下采样层采用两个级联的卷积层，其中这两个卷积层的卷积核大小都为3，用于对全局密集残差特征进行下采样，进一步提取特征，发现特征的深层结构，得到下采样全局密集残差特征。6.根据权利要求1一种基于密集残差神经网络的字符识别方法，其特征在于，步骤5中，将下采样全局密集残差特征输入softmax分类器，得到概率结果，最后经过转录层输出字符识别结果。3CN114330645A说明书1/7页一种基于密集残差神经网络