[發明專利]一種手寫漢字識別方法、裝置及存儲介質

在審

• 申請號: 202011102640.5
• 申請日: 2020-10-15
• 公開（公告）號: CN112232195A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 薛晗慶;潘紅九;陳政;梁宇;竇小明;金娜;薛凱;顧天祺;張建;雷凈;于雪潔;趙俊翔;底亞峰;封慧英;李萌萌
• 申請（專利權）人: 北京臨近空間飛行器系統工程研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06F16/31;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種手寫漢字識別方法，其特征在于，包括：

構建網絡結構；

輸入待識別的漢字序列圖像；

確定所述網絡結構中各層網絡的權重參數；

根據所述權重參數，在所述網絡結構中計算所述待識別的漢字序列圖像，確定標簽序列，其中所述標簽序列包括漢字概率信息；

根據所述標簽序列和漢字詞庫表，進行漢字反映射，確定識別出的漢字。

2.根據權利要求1所述的方法，其特征在于，所述確定所述網絡結構中各層網絡的權重參數包括：

按批次加載訓練數據；

將所述訓練數據輸入到所述網絡結構中進行計算，確定漢字類別概率矩陣；

根據訓練數據的標簽序列和所述概率矩陣，通過損失函數運算得到誤差值；

將所述誤差值返回網絡結構進行權重參數的梯度更新；

將最佳的權重參數確定為所述網絡結構中各層網絡的權重參數。

3.根據權利要求1所述的方法，其特征在于，所述構建網絡結構還包括：

定義損失函數；

設置訓練超參數，所述超參數包括以下之一或者組合：學習率，學習衰減率或訓練周期。

4.根據權利要求2所述的方法，其特征在于，所述按批次加載訓練數據包括：

將訓練數據按批次進行切分；

將切分后的訓練數據隨機打亂處理；

將隨機打亂處理后的訓練數據存入迭代器中。

5.根據權利要求4所述的方法，其特征在于，所述將所述訓練數據輸入到所述網絡結構中進行計算包括：

遍歷所述迭代器，將數據按批次輸入到網絡結構中進行計算。

6.根據權利要求1所述的方法，其特征在于，輸入待識別的漢字序列圖像之前，還包括：

生成漢字詞庫表。

7.根據權利要求6所述的方法，其特征在于，所述生成漢字詞庫表包括：

獲取漢字詞庫信息；

創建鏈表，將所述漢字詞庫中的文本逐一追加到鏈表中；

對所述鏈表中的文本進行去重處理，將重復出現的文本從所述鏈表中移除；

創建索引鏈表，索引從0開始，遞增為去重后的所述詞庫鏈表的長度；

將所述詞庫鏈表的詞的按首字母進行從小到大排序，排序后與所述索引鏈表建立映射關系，將所述映射關系確定為漢字詞庫表。

8.根據權利要求7所述的方法，其特征在于，所述映射關系包括：

將所述索引鏈表中的索引值與所述詞庫鏈表中的漢字建立一對一映射關系。

9.根據權利要求4所述的方法，其特征在于，所述將訓練數據按批次進行切分包括：

獲取訓練圖像數據；

讀取所述訓練圖像數據中每一張圖像對應的標簽文件；

根據所述標簽文件的字符和漢字詞庫表，進行漢字到索引的映射轉換，得到標簽索引；

將所述圖像數據中的每一張圖像和每一張圖像對應的標簽索引封裝到數據包鏈表中；

將所有數據包進行隨機排列，并等分為N/n個批次,每個批次有n個數據，其中n是大于等于2的整數。

10.根據權利要求1所述的方法，其特征在于，所述構建網絡結構包括：

構建M層卷積神經網絡CNN；

對所述CNN的每一層進行參數初始化；

對所述CNN輸出的漢字序列特征進行按維度壓縮處理；

添加兩層雙向長短周期記憶網絡Bidirect ionalLong Short Term Memory Network，BidirectionalLSTM；

添加一層SoftMax網絡；

其中，M是大于等于2的整數。