[发明专利]一种基于多尺度特征提取的文本识别方法

说明书

一种基于多尺度特征提取的文本识别方法，包括：1)获取可用于训练的大型文本图像数据集，其中包含文本图片及其对应的文本标签；2)对数据集中的图片进行训练集和验证集的划分，在文本识别模型上进行多次训练得到最优模型；3)对步骤2)中定义的文本识别模型，选用CTC损失函数进行训练；4)将以上步骤训练的模型应用到文本图像识别场景中，对文本图像的内容进行识别。相较于现有的主流文本识别模型CRNN，本发明能够在充分利用多尺度信息提升文本识别准确度的基础上，降低模型的参数量，以更小的开销获得更准确的识别结果。

技术领域

本发明主要针对自然场景下的文本识别技术领域，尤其涉及基于多尺度特征提取的文本识别方法。

背景技术

随着信息技术的不断发展，计算机已然成为了信息传递的一种重要媒介，因此将图像中的文字转换为计算机可进行处理的格式有利于人们对信息的理解、加工和传递。许多视觉领域内和文本相关的任务，如图像检索、智能无障碍辅助设施等都需要以精确的文本识别结果进行构建。OCR(Optical Character Recognition，光学字符识别)就是将视觉文字转化为计算机文本格式的技术，其中又主要分为文本检测和文本识别两个任务。文本检测主要用于定位图像中的文字区域，而文本识别则对裁剪后的文字区域进行文本内容提取，最终得到计算机可进行处理的文本格式。

目前有许多基于深度学习的文本识别模型用于解决文本识别问题，其中CRNN模型是一种主流的文本识别模型，因其模型较小，训练速度快，识别效果好仍是当前最广泛使用的文本识别模型之一。但是为了加快训练速度，每次读取多张图片进行训练，需要将每张图片都缩放到相同的大小，但是这种缩放对于图片的拉伸和压缩处理都难以避免会造成图片的变形，而导致图片上信息分布的不一致，从而对卷积模板区域内的特征提取过程造成影响，最终会影响文本识别模型的准确度。

发明内容

本发明要克服现有技术的上述缺点，提出了一种基于多尺度特征提取的文本识别方法，并且对CRNN的网络层数进行改进，以更小的模型开销提高文本识别模型的准确度。

一种基于多尺度特征提取的文本识别方法，包括以下步骤：

1)获取可用于训练的大型文本图像数据集，其中包含文本图片及其对应的文本标签。文本图片表示仅含文本内容的图片，可以通过已有的其它文本检测模型定位文本内容，再进行裁剪得到。

2)对数据集中的图片进行训练集和验证集的划分，在文本识别模型上进行多次训练得到最优模型。所述的文本识别模型，其具体网络结构描述如下：

21)首先定义网络结构中的多尺度特征提取基本块。基本块的整体组织结构如说明书附图内的图2所示。其对应的详细参数描述如下：对应图2中的模块①选用大小为1的卷积核，设置步长为1，填充为0，输出维度为64；模块②选用大小为1的卷积核，设置步长为1，填充为0，输出维度为48；模块③选用大小为5的卷积核，设置步长为1，填充为2，输出维度为64；模块④选用大小为3的卷积核，设置步长为1，填充为1，输出维度为64；模块⑤和模块⑥选用大小为3的卷积核，设置步长为1，填充为1，输出维度为96；模块⑦设定为范围卷积核为3的池化层，设置步长为1，填充为1；模块⑧选用大小为1的卷积核，设置步长为1，填充为1，输出是多尺度特征提取基本块的一个输入参数；模块⑨选用大小为3的卷积核，设置步长为1，填充为0，输出是多尺度特征提取基本块的输入参数；对模块①、③、⑥、⑧的输出，在特征维度上进行拼接得到高维的语义特征，最后通过模块⑨得到最终的输出。