[发明专利]一种基于Incep-CapsNet网络的篆文识别方法及系统

说明书

本发明涉及一种基于Incep‑CapsNet网络的篆文识别方法及系统，方法包括：获取篆文图像数据集，并按照字形与字体制作分类标签；对图像数据集进行预处理与图像增广操作；通过Incep‑CapsNet网络对预处理和图像增广后的篆文图像进行特征提取并识别分类；通过重构网络对预处理和图像增广后的篆文图像进行重构，作为一种有效的正则化方式。本发明能够根据Inception结构提取出更多更本质的特征，并根据胶囊网络克服传统深度卷积神经网络模型所存在的无法识别特征的朝向以及空间中的相对位置等缺点，既具有精确的识别精度，又具有较强的鲁棒性。

技术领域

本发明涉及图像识别领域，特别涉及古文字图像识别研究领域，具体为一种基于Incep-CapsNet网络的篆文识别方法及系统。

背景技术

篆文，是我国古文字的核心组成部分，也是我国五大书法字体之中出现最早的一种，主要包括大篆和小篆，其中大篆主要指秦代之前的甲骨文、金文等古文，小篆则指秦始皇统一文字之后所用的字体。从篆文字体的数量和形状结构等方面综合来说，它们均已发展的十分完备。作为中华古文化的重要信息载体，篆文在国家、民族的文化传承与发展方面起到了重要的作用。此外，篆文识别在碑刻字帖的识别鉴定、考古挖掘的相关研究、印章的识别鉴定以及书法文化艺术等诸多方面均有极大的应用价值。

由于篆文的发展历经了多个朝代，再加上不同地域的影响，衍生出大量形态结构各异的异体字。并且篆文等古文字以表情达意为主，故又有象形程度高、笔画繁多且复杂多变等特点。这些都为篆文的有效识别带来了极大的挑战。单单依靠工作人员的知识储备或字典查阅早已无法满足需求，这种做法不仅效率低下，也极易产生人为失误。因此，篆文识别迫切需要现代图像识别技术的帮助。

目前，有关篆文识别领域的研究已经引起研究者的注意，不少文献中提到了很多针对单一字体甲骨文、金文或者篆文的研究方法，如文献1“刘永革,刘国英.基于SVM的甲骨文字识别[J].安阳师范学院学报,2017(2):54–56”，这些研究方法基本采用人工特征设计结合SVM分类的方法，所采用的特征设计有HOG、Gabor以及多特征融合等，识别精度的提升主要依赖于合理的特征设计。该方法参数量少，容易训练，但常因为特征选择的原因精度往往不尽人意。

在文字识别领域备受瞩目的手写体识别，和篆文识别有很多相似的特征，如字体随意性大，笔画杂乱等现象，其研究方法对篆文识别的研究具有一定的指导作用。手写体识别领域的研究方法除以前常使用人工特征设计结合SVM分类的方法外，近几年涌现了很多深度学习的研究方法，最常出现的当属对GoogLeNet的改进，如文献2“Zhong Z,Jin L,XieZ.High performance offline handwritten Chinese character recognition usingGoogLeNet and directional feature maps[C]//Proceedings of the 13thInternational Conference on Document Analysis and Recognition.Tunis:IEEE,2015:846–850”。该方法应用于篆文识别领域，和传统人工特征设计结合SVM分类的方法相比，识别准确率大大提升，随之参数数量也陡然增加，但依旧不能满足应用的精度要求。

目前也存在一些将深度学习引入篆文识别领域的文献，其所采用的改进的Inception-V3网络结构在识别准确率上达到了较高的精度，但在鲁棒性方面有待于提高，特别是针对背景噪声的干扰等方面。其次该网络还存在着只能检测图像中存在着某些特征，而不能检测出这些特征的朝向以及空间中的相对位置等缺点。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于Incep-CapsNet网络的篆文识别方法及系统，能够根据Inception结构提取出更多更本质的特征，并根据胶囊网络克服传统深度卷积神经网络模型所存在的无法识别特征的朝向以及空间中的相对位置等缺点，既具有精确的识别精度，又具有较强的鲁棒性。

本发明解决其技术问题所采用的技术方案是：