本发明专利技术实施例涉及图像处理技术领域，特别涉及一种手写汉字的识别方法、装置、计算设备及存储介质。其中，方法包括：获取待识别的手写汉字图像；将手写汉字图像输入至预先训练生成的手写汉字识别模型中；其中，手写汉字识别模型基于预设的第一神经网络训练得到，预设的第一神经网络包括第一分支模块、第二分支模块和相似度计算模块；第一分支模块的网络参数基于预设的第二神经网络训练得到；输出相似度计算模块的识别结果。本方案，可以提高生成的手写汉字识别模型的识别准确度。汉字识别模型的识别准确度。汉字识别模型的识别准确度。
【技术实现步骤摘要】
手写汉字的识别方法、装置、计算设备及存储介质
[0001]本专利技术实施例涉及图像处理
，特别涉及一种手写汉字的识别方法、装置、计算设备及存储介质。
技术介绍
[0002]随着深度学习技术的快速发展，在手写汉字识别领域也广泛采用了深度学习方法。
[0003]相关技术中，在手写汉字的识别网络中建立两个分支模块，并同时分别向两个分支模块输入印刷字体的模板图像和手写汉字图像，以使该手写汉字识别网络的两个分支模块同时学习模板图像和手写汉字图像的特征，进而生成手写汉字的识别模型。然而，由于反馈机制的存在，两个分支模块在学习特征的训练过程中会互相影响，进而加大了手写汉字的识别网络的学习难度，从而限制了生成的识别模型对手写汉字的识别准确度。
技术实现思路
[0004]为了提高现有手写汉字的识别方法的识别准确度，本专利技术实施例提供了一种手写汉字的识别方法、装置、计算设备及存储介质。
[0005]第一方面，本专利技术实施例提供了一种手写汉字的识别方法，包括：
[0006]获取待识别的手写汉字图像；
[0007]将所述手写汉字图像输入至预先训练生成的手写汉字识别模型中；其中，所述手写汉字识别模型基于预设的第一神经网络训练得到，所述预设的第一神经网络包括第一分支模块、第二分支模块和相似度计算模块；所述第一分支模块的网络参数基于预设的第二神经网络训练得到；
[0008]输出所述相似度计算模块的识别结果。
[0009]在一种可能的设计中，所述手写汉字识别模型的训练方式，包括：
[0010]生成多个训练样本；其中，所述训练样本包括由印刷体汉字生成的目标模板图像和目标手写汉字图像；
[0011]利用多个所述目标模板图像对预设的第二神经网络进行训练，以得到目标模板图像识别模型；
[0012]将所述目标模板图像识别模型中的网络参数输入到预设的第一神经网络的第一分支模块中，并固定所述第一分支模块的网络参数；其中，所述第二神经网络的网络结构是基于所述第一分支模块的网络结构确定的；
[0013]利用多个所述目标模板图像和所述目标手写汉字图像对所述第一神经网络的第二分支模块和相似度计算模块进行训练，得到手写汉字识别模型；其中，所述第一分支模块、所述第二支模块的输出端分别与所述相似度计算模块连接。
[0014]在一种可能的设计中，所述生成多个训练样本，包括：
[0015]确定汉字集合和多个字体种类；
[0016]根据所述汉字集合和所述字体种类，生成所述汉字集合中每个汉字对应的不同字体种类的原始目标模板图像；
[0017]根据所述汉字集合，生成所述汉字集合中每个汉字的原始目标手写汉字图像；
[0018]对每一个所述原始目标模板图像和所述原始目标手写汉字图像进行处理，生成目标模板图像和目标手写汉字图像。
[0019]在一种可能的设计中，所述第二神经网络包括特征提取模块和分类模块；其中，所述特征提取模块包括卷积层、多个残差模块和池化层，所述分类模块包括多个全连接层；所述卷积层、多个所述残差模块、所述池化层和多个所述全连接层依次串联连接；
[0020]所述利用多个所述目标模板图像对预设的第二神经网络进行训练，以得到目标模板图像识别模型，包括：
[0021]针对每一个所述目标模板图像，均执行：
[0022]将该目标模板图像输入至所述特征提取模块，以对该目标模板图像进行特征提取，得到该目标模板图像的特征向量；
[0023]将所述特征向量输入至所述分类模块，以对该目标模板图像中的汉字进行分类，得到对应的分类结果；
[0024]根据所述分类结果和该目标模板图像中预先生成的类型标签，调整所述第二神经网络的网络参数，直至得到符合预期的目标模板图像识别模型。
[0025]在一种可能的设计中，所述第一分支模块的网络结构与所述特征提取模块的网络结构相同；
[0026]所述将所述目标模板图像识别模型中的网络参数输入到预设的第一神经网络的第一分支模块中，包括：将所述目标模板图像识别模型中所述特征提取模块的网络参数输入到预设的第一神经网络的第一分支模块中。
[0027]在一种可能的设计中，所述利用多个所述目标模板图像和所述目标手写汉字图像对所述第一神经网络的第二分支模块和相似度计算模块进行训练，得到手写汉字识别模型，包括：
[0028]针对每一个目标手写汉字图像，均执行：
[0029]将该目标手写汉字图像输入至所述第一神经网络的第二分支模块，以对该目标手写汉字图像进行特征提取，得到该目标手写汉字图像的特征向量；
[0030]将该目标手写汉字图像的特征向量输入至相似度计算模块，分别计算该目标手写汉字图像的特征向量与预先储存的所有目标模板图像的特征向量进行相似度计算，得到对应的识别结果；所述目标模板图像的特征向量由所述目标模板图像输入至所述第一分支模块得到；
[0031]根据所述识别结果和该目标手写汉字图像中预先生成的类型标签，调整所述第二分支模块和所述相似度计算模块的网络参数，直至得到符合预期的手写汉字识别模型。
[0032]在一种可能的设计中，若所述待识别的手写汉字图像中的汉字不属于所述汉字集合，在所述将所述手写汉字图像输入至预先训练生成的手写汉字识别模型中之前，还包括：
[0033]生成所述手写汉字图像中的汉字对应的目标模板图像；
[0034]将所述目标模板图像输入至所述手写汉字识别模型的第一分支模块中。
[0035]第二方面，本专利技术实施例还提供了一种手写汉字的识别装置，包括：
[0036]获取单元，用于获取待识别的手写汉字图像；
[0037]输入单元，用于将所述手写汉字图像输入至预先训练生成的手写汉字识别模型中；其中，所述手写汉字识别模型基于预设的第一神经网络训练得到，所述预设的第一神经网络包括第一分支模块、第二分支模块和相似度计算模块；所述第一分支模块的网络参数基于预设的第二神经网络训练得到；
[0038]输出单元，用于输出所述相似度计算模块的识别结果。
[0039]第三方面，本专利技术实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0040]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0041]本专利技术实施例提供了一种手写汉字的识别方法、装置、计算设备及存储介质，将待识别的手写汉字图像输入至预先训练生成的手写汉字识别模型中，其中，手写汉字识别模型是利用预设的第一神经网络通过训练生成的，第一神经网络包括第一分支模块、第二分支模块和相似度计算模块，在生成手写汉字识别模型之前，第一神经网络的第一分支模块已经生成了网络参数，其中第一分支模块的生成了网络参数是基于预设的第二神经网络训练得到的。因此，第一神经网络的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种手写汉字的识别方法，其特征在于，包括：获取待识别的手写汉字图像；将所述手写汉字图像输入至预先训练生成的手写汉字识别模型中；其中，所述手写汉字识别模型基于预设的第一神经网络训练得到，所述预设的第一神经网络包括第一分支模块、第二分支模块和相似度计算模块；所述第一分支模块的网络参数基于预设的第二神经网络训练得到；输出所述相似度计算模块的识别结果。2.根据权利要求1所述的方法，其特征在于，所述手写汉字识别模型的训练方式，包括：生成多个训练样本；其中，所述训练样本包括由印刷体汉字生成的目标模板图像和目标手写汉字图像；利用多个所述目标模板图像对预设的第二神经网络进行训练，以得到目标模板图像识别模型；将所述目标模板图像识别模型中的网络参数输入到预设的第一神经网络的第一分支模块中，并固定所述第一分支模块的网络参数；其中，所述第二神经网络的网络结构是基于所述第一分支模块的网络结构确定的；利用多个所述目标模板图像和所述目标手写汉字图像对所述第一神经网络的第二分支模块和相似度计算模块进行训练，得到手写汉字识别模型；其中，所述第一分支模块、所述第二支模块的输出端分别与所述相似度计算模块连接。3.根据权利要求2所述的方法，其特征在于，所述生成多个训练样本，包括：确定汉字集合和多个字体种类；根据所述汉字集合和所述字体种类，生成所述汉字集合中每个汉字对应的不同字体种类的原始目标模板图像；根据所述汉字集合，生成所述汉字集合中每个汉字的原始目标手写汉字图像；对每一个所述原始目标模板图像和所述原始目标手写汉字图像进行处理，生成目标模板图像和目标手写汉字图像。4.根据权利要求2所述的方法，其特征在于，所述第二神经网络包括特征提取模块和分类模块；其中，所述特征提取模块包括卷积层、多个残差模块和池化层，所述分类模块包括多个全连接层；所述卷积层、多个所述残差模块、所述池化层和多个所述全连接层依次串联连接；所述利用多个所述目标模板图像对预设的第二神经网络进行训练，以得到目标模板图像识别模型，包括：针对每一个所述目标模板图像，均执行：将该目标模板图像输入至所述特征提取模块，以对该目标模板图像进行特征提取，得到该目标模板图像的特征向量；将所述特征向量输入至所述分类模块，以对该目标模板图像中的汉字进行分类，得到对应的分类结果；根据所述分类结果和该目标模板图像中预先生成的类型标签，调整所述第二神经网络的网络参数，直至得到符合预期的目标模板图像识别模型...
【专利技术属性】
技术研发人员：张亮，王玉芳，王志明，
申请(专利权)人：华云河北雄安大数据科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。