[發明專利]基于深度學習的甲骨文偏旁的檢測與識別方法

有效

• 申請號: 202010344366.6
• 申請日: 2020-04-27
• 公開（公告）號: CN111539437B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 林小渝;陳善雄;李然康;高未澤;邱小剛
• 申請（專利權）人: 西南大學
• 主分類號: G06V30/10
• 分類號: G06V30/10;G06N3/04;G06N3/08
• 代理公司: 濟南鼎信專利商標代理事務所(普通合伙) 37245
• 代理人: 賈國浩

1.基于深度學習的甲骨文偏旁的檢測與識別方法，其特征在于，按照以下步驟進行：

S1：對甲骨文拓片進行掃描或拍照，獲得甲骨文圖像；

S2：采用最大極值穩定區域算法來篩選甲骨文圖像中的甲骨文單偏旁區域；

S3：對選定的甲骨文單偏旁區域進行橢圓擬合；

所述步驟S3具體包括：

S31：確定甲骨文單偏旁區域橢圓擬合的重心坐標(x_c，y_c)，

其中，m₀₀、m₀₁、m₁₀是以甲骨文單偏旁最大極值穩定區域內的每個點的坐標為樣本，計算整個甲骨文單偏旁的極值穩定區域的幾何0階矩和幾何1階矩：m₀₀＝∑I(x,y)，m₀₁＝∑yI(x,y)，m₁₀＝∑xI(x,y)；

S32：確定甲骨文單偏旁區域橢圓擬合的長半軸、短半軸、角度，令a表示長半軸，b表示短半軸，θ表示角度，λ₁、λ₂為中心二階矩的兩個特征值，其中：μ₂₀＝∑(x-x_c)²I(x,y)，μ₀₂＝∑(y-y_c)²I(x,y)，μ₁₁＝∑(x-x_c)(y-y_c)I(x,y)；

S4：采用非極大值抑制算法去除對同一個甲骨文單偏旁多余重復或錯誤的檢測結果，完成甲骨文單偏旁的檢測，獲得甲骨文單偏旁數據；

S5：利用BN-Lenet網絡模型識別甲骨文單偏旁數據，所述BN-Lenet網絡模型包括2個卷積層、2個最大池化層、1個全連接層、1個softmax層、3個批歸一化層和1個隨機失活層，所述批歸一化層位于卷積層與最大池化層之間。

2.根據權利要求1所述的基于深度學習的甲骨文偏旁的檢測與識別方法，其特征在于，所述步驟S2具體包括：

S21：將甲骨文圖像轉換成灰度圖像；

S22：在灰度區間[0,255]內的256個不同閾值對灰度圖像進行二值化，令Q_i表示二值化閾值i對應的二值圖像中的某一連通區域，Δ為變化值，當二值化閾值由i變成i+Δ時，連通區域Q_i變成Q_i+Δ；當二值化閾值由i變成i-Δ時，連通區域Q_i變成Q_i-Δ；

S23：令v(i)表示兩個不同閾值間的區域變化值，其中，Q_i表示第i個甲骨文單偏旁連通區域的面積，Δ表示微小的閾值變化，當v(i)小于給定閾值時，認為該甲骨文單偏旁連通區域為最大極值穩定區域。

3.根據權利要求1所述的基于深度學習的甲骨文偏旁的檢測與識別方法，其特征在于，所述步驟S4具體包括：

S41：將甲骨文單偏旁區域分成N個框，每個框被分類器計算得到的分數為S_N,建造一個存放待處理甲骨文單偏旁候選框的集合H,建造一個存放最優甲骨文單偏旁框的集合M，初始化為空集；

S42：將所有甲骨文單偏旁候選框的集合H的框進行排序，選出分數最高的甲骨文單選旁候選框m，從集合H移到集合M；

S43：遍歷甲骨文單偏旁候選框的集合H中的框，分別與候選框m計算交并比，如果高于每個閾值，則認為該甲骨文單偏旁候選框與m重疊，將此框從集合H中去除，以IoU表示交并比，0＜IoU＜0.5；

S44：回到步驟S42進行迭代，直到甲骨文單偏旁候選框的集合H為空，集合M中的框為所需的最優甲骨文單偏旁檢測框。

4.根據權利要求3所述的基于深度學習的甲骨文偏旁的檢測與識別方法，其特征在于：所述IoU＝0.25。

5.根據權利要求1所述的基于深度學習的甲骨文偏旁的檢測與識別方法，其特征在于，所述步驟S5中的批歸一化層包括：

對有d維的x＝(x⁽¹⁾…x^(d))的輸入數據的每一個維度進行歸一化處理，

其中，E[·]和V[·]通過甲骨文單偏旁訓練集計算得到。