[发明专利]基于CRAFT和SCRN-SEED框架的自然场景文字检测识别方法在审

专利信息
申请号: 202111530794.9 申请日: 2021-12-14
公开(公告)号: CN114255464A 公开(公告)日: 2022-03-29
发明(设计)人: 叶堂华;孙乐;朱均可;刘凯 申请(专利权)人: 南京信息工程大学
主分类号: G06V30/146 分类号: G06V30/146;G06V30/148;G06K9/62;G06N3/04;G06N3/08;G06V20/62
代理公司: 南京经纬专利商标代理有限公司 32200 代理人: 罗运红
地址: 224002 江苏省盐城*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 craft scrn seed 框架 自然 场景 文字 检测 识别 方法
【权利要求书】:

1.基于CRAFT和SCRN-SEED框架的自然场景文字检测识别方法,其特征在于,包括如下步骤:

(1)利用真实数据集和合成数据集建立图像数据集,将图像数据集分为训练集和测试集;

(2)利用图像数据集训练CRAFT网络:

(201)将CRAFT网络进行改进,以ResNet50网络作为主干网络,将合成数据集中的图片输入到改进后的CRAFT网络进行特征提取,输出区域得分和亲和度得分;

(202)根据两项得分通过高斯热力映射进行编码,生成高斯热力图;

(203)根据分水岭算法将输入图片中完整文本切割成单个字符,通过后处理操作将字符生成任意形状文本的多边形;

(203)应用迁移学习的思想,利用预训练模型初始化改进后的CRAFT网络;

(3)利用真实数据集训练不规则文本纠正网络SCRN;

(4)将SCRN与SEED网络结合,训练结合后的SCRN-SEED网络;

(5)将改进后的CRAFT网络与SCRN-SEED网络连接,构建完整的模型并进行训练。

2.根据权利要求1所述的自然场景文字检测识别方法,其特征在于,所述应用迁移学习的思想,利用预训练模型初始化改进后的CRAFT网络的步骤包括:

首先,使用合成数据集训练CRAFT网络,使用Adam优化器优化网络,再利用多个真实数据集微调网络,在微调期间,以1:5的比率使用SynthText数据集,以1:3的比例使用在线难例挖掘;

然后,使用含有四边形标注的真实数据集和SynthText数据集训练CRAFT网络,将其中一部分划分为测试集对网络参数进行调整。

3.根据权利要求1所述的自然场景文字检测识别方法,其特征在于,所述将SCRN与SEED网络结合,训练结合后的SCRN-SEED网络的步骤包括:

用训练后的SCRN网络代替SEED网络中的图像纠正模块,利用语义模型FastText的预训练语言模型初始化预训练模型的参数,利用测试集初步训练改进后的SCRN-SEED网络,根据训练效果调整网络参数。

4.根据权利要求1所述的自然场景文字检测识别方法,其特征在于,所述将改进后的CRAFT网络与SCRN-SEED网络连接,构建完整的模型并对其进行训练的步骤包括:将任意形状文本的多边形生成包含所有字符的最小矩形框,将矩形框裁剪出来,调整裁剪后图片格式,然后输入到SCRN-SEED网络完成模型的构建,利用验证集对模型进行训练,将训练效果最优的参数保留,输入自然场景下的图片到模型中,进行自动文字检测与识别任务。

5.根据权利要求1所述的自然场景文字检测识别方法,其特征在于,所述真实数据集来自ICDAR2013、ICDAR2015、ICDAR2017、MSRA-TD500、TotalText、CTW-1500数据库,所述合成数据集为SynthText数据集;

调整图像数据集中每个图片的大小,将数据集中的图片格式转换mdb格式。

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南京信息工程大学,未经南京信息工程大学许可,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/202111530794.9/1.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