一种专利文本场景下的光学字符识别方法技术

本发明专利技术属于计算机视觉、图像处理、卷积神经网络技术领域，特别涉及一种专利文本场景下的光学字符识别方法。本发明专利技术将CNN和LSTM相结合，同时具备两者的优点，解决了CNN对序列相关性处理弱的问题，以及LSTM对图像特征提取不足的缺陷。本发明专利技术结合了新的损失函数计算方法CTC以一种不需要对齐的方式，解决了文本识别过程中难以对齐样本数据的问题。

【技术实现步骤摘要】
一种专利文本场景下的光学字符识别方法
本专利技术属于计算机视觉、图像处理、卷积神经网络
，特别涉及一种专利文本场景下的光学字符识别方法。
技术介绍
随着计算机硬件，软件的不断更新，以及人工智能(ArtificialIntelligence,AI)的逐步成熟化，将深度学习应用在光学字符识别领域具有十分现实的意义。光学字符识别是通过扫描等光学输入方式将各种票据、报刊、书籍、文稿及其它印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使计算机识别的信息。因为其中影响因素太多，包括书写者的习惯，文件印刷品质、扫描仪的扫描品质、识别方法、学习及测试的样本等，都会影响其正确率。从影像到结果输出，须经过影像输入、影像前处理、文字特征抽取、比对识别、最后经人工校正将识别错误的文字更正，最终将结果输出。OCR技术具有广阔的应用前景，目前文本识别的算法在工业界已经开始应用，市场上有不少针对光学字符识别的软件，充分说明光学字符领域具有较大的应用价值。目前的OCR技术按照特征提取方法可以分为两类：(1)传统方法：首先使用基本文档来自技高网...

【技术保护点】
1.一种专利文本场景下的光学字符识别方法，其特征在于，包括以下步骤：/nS1、获取tif格式的专利文本图片，经过预处理后作为样本集；/nS2、建立深度神经网络模型，包括文本检测网络模型和文本识别网络模型；/n所述文本检测网络模型由3个卷积层、3个压缩激励模块和1个Bi-LSTM构成，一个卷积层连接一个压缩激励模块；每个压缩激励模块包括两个输出分支，一个分支不做任何处理，另一个分支依次经过池化层、全连接层、Relu激励层、全连接层和sigmoid激励层，最后将两个分支结果相加再进行输出；最后一个压缩激励模块经过3×3的卷积核之后，连接Bi-LSTM，最后经过全连接层进行输出；/n所述文本识别网络...

【技术特征摘要】
1.一种专利文本场景下的光学字符识别方法，其特征在于，包括以下步骤：
S1、获取tif格式的专利文本图片，经过预处理后作为样本集；
S2、建立深度神经网络模型，包括文本检测网络模型和文本识别网络模型；
所述文本检测网络模型由3个卷积层、3个压缩激励模块和1个Bi-LSTM构成，一个卷积层连接一个压缩激励模块；每个压缩激励模块包括两个输出分支，一个分支不做任何处理，另一个分支依次经过池化层、全连接层、Relu激励层、全连接层和sigmoid激励层，最后将两个分支结果相加再进行输出；最后一个压缩激励模块经过3×3的卷积核之后，连接Bi-LSTM，最后经过全连接层进行输出；
所述文本识别网络模型由Bi-LSTM和CNN构成，该网络模型首先经过一个由CNN构成的深度可分离模块，该模块包括和输入通道数相同的3×3卷积层，叠加之后进行批量归一化，然后经过一个1×1卷积层，最后经过批量归一化、激活函数后和最大池化层后，输出给深度可分离模块；最后一个深度可分离模块连接Bi-LSTM模块，最后连接序列翻译模块；
S3、使用步骤S1获得的样本集对步骤S2的深度神经网络模型进行训练，获得训练好的神经网络模型，具体包括：
文本检测网络模型的训练：通过前向传播，利用卷积模块提取文本图片特征信息，经过基础网络模块提出的特征图大小为W，H，C；W为特征图宽度，H为特征图高度，C为输出的通道数；
经过C个3×3的卷积核和预先设定的预选框尺寸提取目标候选区域特征，然后输入Bi-LSTM网络得到W×256维的输出，然后经过一个512维的全连接层进行输出，输出层分为2个部分，第一部分用512×(4+10)进行坐标回归，512表示每个点有512种特征数，10表示每个点有10组预选框尺寸，4表示预选框尺寸的组成是(xmin，xmax，ymin，ymax)，代表两点的坐标；第二部分使用512×(2+10)进行类别预测，512和10的含义与第一部分相同，2表示是背景或不是背景两种情况；
每张图片一共会生...

【专利技术属性】
技术研发人员：饶云波，郭毅，程亦茗，张孟涵，王艺霖，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51