[发明专利]光学字符识别方法、装置、设备及存储介质有效

专利信息
申请号: 201911076214.6 申请日: 2019-11-06
公开(公告)号: CN110826567B 公开(公告)日: 2023-04-07
发明(设计)人: 庄妮 申请(专利权)人: 北京字节跳动网络技术有限公司
主分类号: G06V30/148 分类号: G06V30/148;G06V10/82;G06V30/19;G06N3/0464;G06N3/08
代理公司: 北京远智汇知识产权代理有限公司 11659 代理人: 范坤坤
地址: 100041 北京市石景山区*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 光学 字符 识别 方法 装置 设备 存储 介质
【权利要求书】:

1.一种光学字符识别方法,其特征在于,包括:

对待识别图像进行归一化处理;

将归一化处理后的待识别图像输入训练好的神经网络模型中,通过卷积块进行特征提取,获得待识别图像的深度特征矩阵;所述卷积块包括卷积层和池化层;

对所述深度特征矩阵进行字符预测,获得待识别图像中的光学字符;

所述对所述深度特征矩阵进行字符预测,获得待识别图像中的光学字符,包括:

对所述深度特征矩阵进行降维处理,获得多个预测向量;

将置信度最高的预测向量确定为识别结果;

所述对所述深度特征矩阵进行降维处理,获得多个预测向量,包括:

将多个预设标准类别向量分别与所述深度特征矩阵进行点乘运算,获得多个预测向量;其中,所述预设标准类别向量是根据光学字符的类别预先设定的;

所述训练好的神经网络通过如下步骤获得:

获取多张归一化处理的图片,确定为训练样本;

对每个训练样本分别标注所属的类别向量;

对于每个训练样本,将标注的训练样本依次输入神经网络的卷积块、转换层、重构层和全连接层,获得所述训练样本的预测向量;

根据所述预测向量和所述类别向量计算损失值,并根据所述损失值对所述神经网络进行优化,获得训练好的神经网络。

2.根据权利要求1所述的方法,其特征在于,对待识别图像进行归一化处理,包括:

获取待识别图像中所有像素点像素值的平均值、最大值和最小值;

根据所有像素点像素值的平均值、最大值和最小值对每一个像素点进行归一化处理。

3.根据权利要求2所述的方法,其特征在于,对于每个训练样本,将标注的训练样本依次输入神经网络的卷积块、转换层、重构层和全连接层,获得所述训练样本的预测向量,包括:

将标注的训练样本输入神经网络,通过卷积块进行特征提取,获得训练样本的深度特征矩阵;

将所述深度特征矩阵通过转换层和重构层进行转换重构,获得训练样本的特征向量;

将所述特征向量输入全连接层,获得训练样本的预测向量。

4.根据权利要求1所述的方法,其特征在于,将置信度最高的预测向量确定为识别结果,包括:

计算每个预测向量的模值;

将计算的模值确定为每个预测向量的置信度,并将置信度最高的预测向量确定为识别结果。

5.一种光学字符识别装置,其特征在于,包括:

归一化处理模块,用于对待识别图像进行归一化处理;

深度特征矩阵获取模块,用于将归一化处理后的待识别图像输入训练好的神经网络模型中,通过卷积块进行特征提取,获得待识别图像的深度特征矩阵;所述卷积块包括卷积层和池化层;

光学字符预测模块,用于对所述深度特征矩阵进行字符预测,获得待识别图像中的光学字符;

所述光学字符预测模块,还用于:

对深度特征矩阵进行降维处理,获得多个预测向量;

将置信度最高的预测向量确定为识别结果;

所述光学字符预测模块,还用于:将多个预设标准类别向量分别与所述深度特征矩阵进行点乘运算,获得多个预测向量;其中,所述预设标准类别向量是根据光学字符的类别预先设定的;

神经网络训练模块,用于:

获取多张归一化处理的图片,确定为训练样本;

对每个训练样本分别标注所属的类别向量;

对于每个训练样本,将标注的训练样本依次输入神经网络的卷积块、转换层、重构层和全连接层,获得训练样本的预测向量;

根据预测向量和类别向量计算损失值,并根据损失值对神经网络进行优化,获得训练好的神经网络。

6.一种电子设备,其特征在于,所述电子设备包括:

一个或多个处理装置;

存储装置,用于存储一个或多个程序;

当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如权利要求1-4中任一所述的光学字符识别方法。

7.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-4中任一所述的光学字符识别方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京字节跳动网络技术有限公司,未经北京字节跳动网络技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911076214.6/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top