[发明专利]一种基于宽度学习算法的手写体识别方法及系统

说明书

本发明涉及一种基于宽度学习算法的手写体识别方法及系统，该方法包括宽度学习算法模型训练、获取待识别手写体图像、将所述待识别手写体图像转化为数字矩阵、将所述数字矩阵输入到训练好的宽度学习算法模型中进行识别、得到该手写体图像对应的内容。通过采用宽度学习算法模型几分钟内就能重建模型，训练时间少，手写体识别效率、准确率和稳定性高，同时可实现离线识别，使用方便，当识别准确率达不到预期目标，可以通过增加增强节点来重新训练，只需计算新增的增强节点数据，重新训练模型时间短、效率高，而且该系统包括依次导通连接的手写体数据获取模块、数据处理模块、宽度学习算法引擎和输出模块，结构简单，硬件平台性能要求低，实施容易。

技术领域

本发明属于字体识别技术领域，特别涉及一种基于宽度学习算法的手写体识别方法及系统。

背景技术

目前，随着人工智能、计算机技术的快速发展，已经提出了很多手写体的识别方法，例如基于支持向量机的算法、基于神经网络的算法等。但申请人发现：由于手写体数字或字符存在掺杂了因人而异的书写习惯特点，导致各类算法的识别效果不够理想，不够高效，且对计算资源有较高的要求。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种模型训练时间少，识别效率、准确率和稳定性高，同时实现离线识别，使用方便，且当手写体识别准确率达不到预期目标时只需增加增强节点来重新训练，重新训练模型时间短、效率高的基于宽度学习算法的手写体识别方法，以及实现该基于宽度学习算法的手写体识别方法的识别系统。

为解决上述技术问题，本发明采用如下技术方案：

一种基于宽度学习算法的手写体识别方法，包括有以下步骤：

宽度学习算法模型训练；

获取待识别手写体图像；

将所述待识别手写体图像转化为数字矩阵；

将所述数字矩阵输入到训练好的宽度学习算法模型中进行识别；

得到该手写体图像对应的内容。

进一步地，所述“宽度学习算法模型训练”具体包括以下步骤：

收集模型训练手写体图像数据——收集大量手写体图像，构建算法模型的训练数据；

构建映射特征点矩阵——处理模型训练手写体图像数据，得到原始输入矩阵和原始输出矩阵，构建映射特征点矩阵；

构建增强点矩阵——利用映射特征点矩阵，经过处理构建增强点矩阵；

模型训练——用伪逆计算和岭回归算法得到输入层到输出层的权重矩阵，完成算法模型的训练。

进一步地，所述“处理模型训练手写体图像数据，得到原始输入矩阵和原始输出矩阵，构建映射特征点矩阵”具体为：首先将输入的模型训练手写体图像依次经过标准化和归一化处理，得到输入训练数据矩阵，然后利用宽度学习方法对所述输入训练数据矩阵进行标准化、归一化和稀疏化表示，生成特征节点，构建映射特征点矩阵。

进一步地，对输入的模型训练手写体图像进行标准化、归一化处理后还可进行增广处理。

进一步地，所述“利用映射特征点矩阵，经过处理构建增强点矩阵”具体为：利用宽度学习方法对所述映射特征点矩阵进行标准化、归一化和稀疏化表示，生成增强节点，构建增强点矩阵。

进一步地，所述“收集大量手写体图像，构建算法模型的训练数据”具体为：将手写体图像分为训练数据集X_Train、验证数据集X_Incre和测试数据集X_test，并对训练数据集X_Train、验证数据集X_Incre和测试数据集X_test进行z分数归一化和稀疏化表示。