一种基于CNN的手写中文文本识别方法技术

本发明专利技术公开了一种基于CNN的手写中文文本识别方法，所述方法将单个手写中文识别与文字分割算法结合起来，实现了手写中文文本的自动识别，所述方法包括以下步骤：对文本图片进行灰度化、二值化处理，再利用直方图投影对中文文本进行分割；先通过横向扫描分割出单行文字，再利用纵向扫描分割出单个文字；对单个中文图片进行扫描处理，对中文进行正射纠正，并使其位于图片中间位置，上下左右各留出10个空白像素；基于TensorFlow框架构造一个包括：4个卷积层、4个池化层和2个全连接层的卷积神经网络，利用训练集进行训练；输入待测图片，根据构建的卷积神经网络进行识别。

A Handwritten Chinese Text Recognition Method Based on CNN

【技术实现步骤摘要】
一种基于CNN的手写中文文本识别方法
本专利技术涉及计算机图像处理领域，尤其涉及一种基于CNN(卷积神经网络)的手写中文文本识别方法。
技术介绍
手写中文识别是计算机图像和视觉研究领域的热点之一，在识别历史文档，邮件分类，手写笔记的转录等方面都得到了广泛地应用。尽管在过去的几十年中，国内外学者已经在该领域作了大量研究，但仍然有许多问题没有得到有效解决。手写中文识别的主要困难来自中文结构复杂，字符种类多，数据大，各人风格不同，手写失真等。在某些情况下，相似中文之间的无约束手写样本的差异可能非常小，例如字符“天”，“夫”和“夭”，“已”，“己”和“巳”，“目”，“白”和“自”等，使得识别任务更加具有挑战性。到目前为止，各国科研人员在手写中文识别领域已经进行了半个多世纪的研究，提出了许多离线识别方法来实现手写中文文本的机器识别，其中，以基于修改的二次判别函数(MQDF)[1]的方法最具代表性。此外，一些传统方法(如修改的二次判别函数MQDF、判别学习型二次判别函数DLQDF)，对手写中文识别数据库CASIA-HWDB取得了较好的识别效果，但识别准确率仍然低于93％，与人类表现尚有一定差距。本文档来自技高网...

【技术保护点】
1.一种基于CNN的手写中文文本识别方法，其特征在于，所述方法将单个手写中文识别与文字分割算法结合起来，实现了手写中文文本的自动识别，所述方法包括以下步骤：对文本图片进行灰度化、二值化处理，再利用直方图投影对中文文本进行分割；先通过横向扫描分割出单行文字，再利用纵向扫描分割出单个文字；对单个中文图片进行扫描处理，对中文进行正射纠正，并使其位于图片中间位置，上下左右各留出10个空白像素；基于TensorFlow框架构造一个包括：4个卷积层、4个池化层和2个全连接层的卷积神经网络，利用训练集进行训练；输入待测图片，根据构建的卷积神经网络进行识别。

【技术特征摘要】
1.一种基于CNN的手写中文文本识别方法，其特征在于，所述方法将单个手写中文识别与文字分割算法结合起来，实现了手写中文文本的自动识别，所述方法包括以下步骤：对文本图片进行灰度化、二值化处理，再利用直方图投影对中文文本进行分割；先通过横向扫描分割出单行文字，再利用纵向扫描分割出单个文字；对单个中文图片进行扫描处理，对中文进行正射纠正，并使其位于图片中间位置，上下左右各留出10个空白像素；基于TensorFlow框架构造一个包括：4个卷积层、4个池化层和2个全连接层的卷积神经网络，利用训练集进行训练；输入待测图片，根据构建的卷积神经网络进行识别。2.根据权利要求1所述的一种基于CNN的手写中文文本识别方法，其特征在于，所述4个卷积层、4个池化层和2个全连接层的卷积神经网络具体为：layer1为卷积层，采用64个3×3的卷积核对输入图像做卷积，输出64个64×64的特征图像；layer2为池化层，输入layer1的输出图像，池化窗口大小为2×2，步长设为2×2，选择填充方式为SAME，故64个大小为64×64的图像，经layer2计算后输出为64个大小为32×32的特征图像；layer3为卷积层，采用128个3×3的卷积核对layer2的输出图像做卷积，输出是128个大小为32×32的特征图像；layer4为池化层，输入为layer3的输出图像，池化窗口大小为2×2，步长设为2×2，选择填充方式为SAME，故128个大小为32×32的图像，经la...

【专利技术属性】
技术研发人员：何凯，黄婉蓉，冯旭，高圣楠，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12