[发明专利]字符识别方法、设备及字符识别芯片

权利要求书

1.一种字符识别方法，其特征在于，包括：

获取待识别字符的轨迹数据，所述轨迹数据用于指示待识别字符的撰写轨迹；

根据所述轨迹数据，获取所述待识别字符的字符特征矩阵；

将所述字符特征矩阵输入卷积神经网络，并根据所述卷积神经网络的输出获取字符识别结果，其中所述卷积神经网络包括至少一个卷积层，所述卷积层中的卷积核用于与输入所述卷积层的特征矩阵中的对应区域进行梯度和计算；

其中，所述卷积神经网络包括卷积层、第一全连接层、第二全连接层、全连接隐层；将所述字符特征矩阵作为所述卷积层的输入，其中，所述卷积层包括梯度卷积核；根据所述梯度卷积核提取多个指定方向上的特征矩阵；将所述特征矩阵作为所述第一全连接层的输入得到第一全连接层的输出；将所述第一全连接层的输出与方向特征矩阵、轮廓特征矩阵、面积特征、方格布局特征矩阵、撰写轨迹的长宽比特征进行组合作为第二全连接层的输入得到第二全连接层的输出，将所述第二全连接层的输出作为所述全连接隐层的输入，输出字符识别结果，其中，所述方格布局特征矩阵包括将所述撰写轨迹分为多个区域后每个区域内存在撰写轨迹的像素的点数。

2.根据权利要求1所述的字符识别方法，其特征在于，所述卷积核中指定点的权值为最大权值，所述卷积核中其他点的权值与该点至所述指定点的距离负相关。

3.根据权利要求1所述的字符识别方法，其特征在于，所述卷积层中的卷积核用于与输入所述卷积层的特征矩阵中的对应区域进行指定方向的梯度和计算，所述指定方向包括垂直梯度、水平梯度、右上梯度、左上梯度。

4.根据权利要求1-3任一项所述的字符识别方法，其特征在于，所述方法还包括：

根据所述轨迹数据在所述撰写轨迹上选取多个采样点；

获取每个采样点与相邻采样点之间的方向向量；

生成方向特征矩阵，所述方向特征矩阵包括所述多个采样点的方向向量在多个方向上的方向向量和，或所述方向特征矩阵包括所述多个采样点的方向向量的方向类型数量和；

所述将所述字符特征矩阵输入卷积神经网络，并根据所述卷积神经网络的输出获取字符识别结果，包括：

将所述字符特征矩阵输入卷积神经网络，并使卷积神经网络中全连接层的输入包括所述方向特征矩阵，根据所述卷积神经网络的输出获取字符识别结果。

5.根据权利要求1-3任一项所述的字符识别方法，其特征在于，所述方法还包括：

根据所述轨迹数据获取所述撰写轨迹的轮廓特征矩阵，所述轮廓特征矩阵包括所述撰写轨迹与图像上边界之间的面积、所述撰写轨迹与图像下边界之间的面积、所述撰写轨迹与图像左边界之间的面积、所述撰写轨迹与图像右边界之间的面积；

所述将所述字符特征矩阵输入卷积神经网络，并根据所述卷积神经网络的输出获取字符识别结果，包括：

将所述字符特征矩阵输入卷积神经网络，并使卷积神经网络中全连接层的输入包括所述轮廓特征矩阵，根据所述卷积神经网络的输出获取字符识别结果。

6.根据权利要求1-3任一项所述的字符识别方法，其特征在于，所述方法还包括：

根据所述轨迹数据获取所述撰写轨迹的面积特征，所述面积特征为第一点数和与第二点数和之间的差，所述第一点数和为所述撰写轨迹中上半部分轨迹点及右半部分轨迹点的点数和，所述第二点数和为所述撰写轨迹下半部分轨迹点及左半部分轨迹点的点数和；

所述将所述字符特征矩阵输入卷积神经网络，并根据所述卷积神经网络的输出获取字符识别结果，包括：

将所述字符特征矩阵输入卷积神经网络，并使卷积神经网络中全连接层的输入包括所述面积特征，根据所述卷积神经网络的输出获取字符识别结果。