[发明专利]一种字符识别方法、装置、设备及可读存储介质

权利要求书

1.一种字符识别方法，其特征在于，包括：

采集原始字符图像，生成训练样本；

构建字符识别模型；所述字符识别模型包括用于利用轻量级密集块提取特征的压缩密集神经网络、用于对提取到的特征进行耦合处理的耦合压缩密集特征流卷积网络，以及用于对处理后的特征进行预测，并将预测结果转换为文字输出的转录模块；所述轻量级密集块为同时使用求和操作和串联操作将每个密集块中的内部特征组合在一起的卷积块；

采用所述训练样本对构建的所述字符识别模型进行训练；

将待处理字符图像输入至训练完成的所述字符识别模型进行处理，输出字符识别结果。

2.根据权利要求1所述的字符识别方法，其特征在于，所述压缩密集神经网络包括用于对输入图像进行卷积和下采样并输出密集特征的编码模块；

所述编码模块包括一个卷积层、三个所述轻量级密集块和两个过渡层。

3.根据权利要求2所述的字符识别方法，其特征在于，所述压缩密集神经网络还包括用于对所述密集特征进行优化处理并输出上采样特征的上采样模块；所述上采样模块使用反卷积构造而成；

所述上采样模块包括上采样操作、两个所述轻量级密集块、一个过渡层和一个卷积层。

4.根据权利要求3所述的字符识别方法，其特征在于，所述压缩密集神经网络采用深度可分离卷积进行卷积操作。

5.根据权利要求4所述的字符识别方法，其特征在于，所述耦合压缩密集特征流卷积网络包括用于增强所述轻量级密集块中不同层之间的特征流和耦合的耦合轻量级密集块；

所述耦合轻量级密集块包括三个卷积层、两个所述轻量级密集块和一个过渡层；

第一个所述轻量级密集块与第二个卷积层通过串联短连接；

第二个所述轻量级密集块与第三个卷积层通过串联短连接。

6.根据权利要求5所述的字符识别方法，其特征在于，所述耦合压缩密集特征流卷积网络包括两个所述耦合轻量级密集块；

第一个所述耦合轻量级密集块中的过渡层作为第二个所述耦合轻量级密集块中的第一个卷积层。

7.根据权利要求6所述的字符识别方法，其特征在于，所述对处理后的特征进行预测，包括：

将处理后的特征输入softmax分类器进行字符预测，得到预测结果。

8.一种字符识别装置，其特征在于，包括：

图像采集模块，用于采集原始字符图像，生成训练样本；

模型构建模块，用于构建字符识别模型；所述字符识别模型包括用于利用轻量级密集块提取特征的压缩密集神经网络、用于对提取到的特征进行耦合处理的耦合压缩密集特征流卷积网络，以及用于对处理后的特征进行预测，并将预测结果转换为文字输出的转录模块；所述轻量级密集块为同时使用求和操作和串联操作将每个密集块中的内部特征组合在一起的卷积块；

模型训练模块，用于采用所述训练样本对构建的所述字符识别模型进行训练；

字符识别模块，用于将待处理字符图像输入至训练完成的所述字符识别模型进行处理，输出字符识别结果。

9.一种字符识别设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述的字符识别方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的字符识别方法。