CN109800746A - 一种基于cnn的手写英文文档识别方法 - Google Patents
一种基于cnn的手写英文文档识别方法 Download PDFInfo
- Publication number
- CN109800746A CN109800746A CN201811479779.4A CN201811479779A CN109800746A CN 109800746 A CN109800746 A CN 109800746A CN 201811479779 A CN201811479779 A CN 201811479779A CN 109800746 A CN109800746 A CN 109800746A
- Authority
- CN
- China
- Prior art keywords
- layer
- hand
- convolutional
- character
- written
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于CNN的手写英文文档识别方法,包括:获取由手写英文字母及标点符号文本组成的数据集,基于数据集构造训练样本集及测试样本集;构造8层卷积神经网络,包括5个卷积层和3个全连接层,最后一个全连接层的输出被送到一个具有59个输出向量的softmax层当中;采用重叠的Pooling,对输入图像的每个像素进行卷积、下采样、池化操作,得到每层的特征图的大小;输入训练样本集,提取字符特征,进行分类训练;将提取的单个字符图像统一缩放到320*320像素;添加彩色通道,将字符图像类型转化为320*320*3uint8型数据,得到测试样本集;利用训练后的神经网络自动识别英文符号。
Description
技术领域
本发明涉及计算机视觉领域和模式识别相关领域,尤其涉及一种手写字符识别的算法,可以对手写数字,手写英文字符进行识别,经扩展后可用于其它手写体字符的识别。
背景技术
手写体字符识别一直是一个热门的研究课题,字符识别要解决数据的采集、处理及选择、输入样本表达的选择、模式识别分类器的选择,以及基于样本集对识别器进行有指导的训练等诸多问题。
目前,各国专家与学者提出了许多获取手写字符主要特征的方式,主要分为结构分析与全局整体式分析2种。字符的主要特征集中在点、线、笔画、端点、凹凸处等,而对于这些主要特征的获取则采用了模板匹配、数学转换以及矩阵、特征分析等。在实际应用中,上述方法无法实现对手写字符的高精度识别。
目前研究的主要方向是:在识别技术不断求精的基础上,如何将应用数学形态学、神经网络算法、遗传算法的新技术运用到手写字符识别当中。手写文字识别研究的最大难点在于:字符因手写人员的书写习惯而异,给手写字符识别带来了很大困难。主要体现在:1)相似字符难以区分;2)字符书写形状的多种差异很难用一种识别***完全兼顾;3)书写者手写字符的随意性很大,如笔画的疏密程度、笔画的粗细、字的大小、笔画长短比例、倾斜程度、字体灰度、局部扭曲变形的差异等都会给识别***的正确率带来不同程度的影响。
作为计算机智能接口的重要组成部分,手写英文字母及相关文本的识别具有重要意义,该技术的完善可以大大提高计算机的使用效率,是办公自动化、新闻出版、计算机翻译等领域未来最理想的输入方式。
目前,手写英文字符识别存在的问题主要体现在三个方面:
1)数据集的选取及采集问题;
2)字符分割问题,如何快速准确地将文档中的字符分割出来,是图像分割问题中的主要的方面;
3)将手写英文识别和神经网络结合起来,使识别效果达到最佳。
发明内容
本发明提供了一种基于CNN(卷积神经网络)的手写英文文档识别方法,本发明利用采集的英文手写体数据集,通过将英文文档分割成单个字符,再基于构建的神经网络来实现手写英文文档的自动识别,以达到实用化的要求,详见下文描述:
一种基于CNN的手写英文文档识别方法,所述方法包括以下步骤:
获取由手写英文字母及标点符号文本组成的数据集,基于数据集构造训练样本集及测试样本集;
构造8层卷积神经网络,包括5个卷积层和3个全连接层,最后一个全连接层的输出被送到一个具有59个输出向量的softmax层当中;
采用重叠的Pooling,一个Pooling层是由间隔s个像素的Pooling单元网格组成,每个网格具有一个z*z大小的临近关系,均位于Pooling单元的中心位置,s<z;对输入图像的每个像素进行卷积、下采样、池化操作,得到每层的特征图的大小;
输入训练样本集,提取字符特征,进行分类训练;将提取的单个字符图像统一缩放到320*320像素;添加彩色通道,将字符图像类型转化为320*320*3uint8型数据,得到测试样本集;
利用训练后的神经网络自动识别英文符号。
其中,所述数据集包括:大写字母26个,小写字母26个,常用标点符号6个,以及1个空格键,总共59个字符。
进一步地,所述基于数据集构造训练样本集及测试样本集具体为:
数据集中的每个字符写5遍,将手写英文文档分割成单个字符图像,分类标记图像信息,将每人手写字符平均分为5份;
随机抽取4份作为训练样本集,剩下1份作为测试样本集,进行人工分类标记;
最后,所用数据集大小为训练样本6790个,测试样本1180个。
其中,所述卷积神经网络利用VGG模型,提取特征向量,包括:
第一层卷积层之后经过RELU1(激活函数)层,NORM1(规范层)层和第一层池化层,在第一层池化层中,采用最大池化,对上一卷积层的特征图,利用[2,2]的步长进行池化操作,得到第二层卷积层的输入特征;
第三层RELU3(激活函数)层之后不经过池化层,直接到达第四层卷积层,第四层卷积层输入的特征图大小与第三层卷积层一致,均为3*3*256像素,共256张;经第四层卷积层后进入RELU4层;
进入fc8(全连接)层,特征图大小为1*1*4096,共59张;随后进入最后一层分类器,将输入字符划分为59个不同类别。
本发明提供的技术方案的有益效果是:
第一:考虑到各国人员英文手写习惯不同,本发明并未采用国外已有的数据库,而是注重中国人的使用习惯,采集中国人手写文本建立相关数据集,以保证中国人的使用效果,本发明将卷积神经网络应用到手写体英文文档字符识别中;
第二,本发明构建了特殊的Pooling(池化)层,该结构的好处在于:在产生相同维度的输出时可有效降低top-1(即概率最大的为正确答案)和top-5(即前5个概率最高的中间包含正确答案)。在CNN的结构中,特征提取层可以将每个神经元的输入与前一层的局部接受域相连,同时提取该局部的特征。一旦局部特征被提取之后,它与其他特征之间的位置关系也随之确定,有助于特征向量的提取。该网络结构收敛快速,不会出现震荡、过拟合的现象,网络能快速趋于稳定,有效节约了训练时间。
第三:本发明在手写体英文字符分割中,采用正射纠正、滤波,以及行列分割技术,可以较好地保留字符图像的相关特征,有助于提高识别正确率。
第四:本发明可以高效地实现手写体英文文档识别,以及相关标点符号的自动识别和输出,识别准确率可达到99%以上。算法对光照变化、简单几何形变,以及附加噪声都具有一定的鲁棒性,可用于手写体英文字符识别的相关领域;算法经过扩展后,也可用于其它文字手写体的自动识别。
附图说明
图1是一种基于CNN的手写英文文档识别方法的流程图;
图2为部分手写体训练文档的示意图;
图3为网络的训练图;
图4为手写英文文档1及其识别结果的示意图;
图5为手写英文文档2及其识别结果的示意图。
表1为本发明方法测试数据集I的识别效果。
表2为不同算法对测试数据集II的识别性能对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于CNN的手写英文文档识别方法,参见图1,该方法包括以下步骤:
101:获取由手写英文字母及标点符号文本组成的数据集,基于数据集构造训练样本集及测试样本集;
102:构造8层卷积神经网络,包括5个卷积层和3个全连接层,最后一个全连接层的输出被送到一个具有59个输出向量的softmax层当中;
103:采用重叠的Pooling,一个Pooling层是由间隔s个像素的Pooling单元网格组成,每个网格具有一个z*z大小的临近关系,均位于Pooling单元的中心位置,s<z;对输入图像的每个像素进行卷积、下采样、池化操作,得到每层的特征图的大小;
104:输入训练样本集,提取字符特征,进行分类训练;将提取的单个字符图像统一缩放到320*320像素;添加彩色通道,将字符图像类型转化为320*320*3uint8型数据,得到测试样本集;
105:利用训练后的神经网络自动识别英文符号。
其中,步骤101中的数据集包括:大写字母26个,小写字母26个,常用标点符号6个,以及1个空格键,总共59个字符。
其中,步骤101中的基于数据集构造训练样本集及测试样本集具体为:
数据集中的每个字符写5遍,将手写英文文档分割成单个字符图像,分类标记图像信息,将每人手写字符平均分为5份;
随机抽取4份作为训练样本集,剩下1份作为测试样本集,进行人工分类标记。
综上所述,本发明实施例通过上述步骤101-步骤105可以高效地实现手写体英文文档识别,以及相关标点符号的自动识别和输出,识别准确率可达到99%以上。
实施例2
下面结合具体的实例、计算公式、图1-图5对实施例1中的方案进行进一步地介绍,详见下文描述:
201:获得各英文字母及标点符号的样本集;
首先,对手写英文文档图像进行正射纠正;再利用投影法[1]对实测英文手写文档进行字符分割:先进行图像的水平投影,得到水平方向的投影直方图,根据投影直方图,将手写英文文档中每一行图像分割开来;再进行图像的垂直投影,对每行切割出来的文本图像进行垂直投影,得到垂直方向上的投影直方图,根据二分法原理分割出单个字符图像[2]。
其中,收集30人的手写英文字母及相关标点符号文本作为数据集,包括:大写字母26个,小写字母26个,常用标点符号6个,以及1个空格键,总共59个字符,每个字符写5遍,如图2所示,并将手写英文文档分割成单个字符图像,分类标记图像信息,将每人手写字符平均分为5份。
随机抽取其中4份作为训练样本集,剩下1份作为测试样本集I,进行人工分类标记;最终获得训练样本集6790个,测试样本集1180个。将分割完的单个字符图像大小统一为320*320像素,数据类型设置为320*320*3的uint8型。
202:构建卷积神经网络:
其中,该步骤202具体包括:
1)将统一大小的字符图像导入卷积神经网络,使其成为inputs层,大小为[320,320,3,59]。
2)构造8层卷积神经网络,其中包括5个卷积层和3个全连接层,最后一个全连接层的输出被送到一个具有59个输出向量的softmax层当中。
与传统神经网络不同,本发明采用重叠的Pooling,即一个Pooling层可以认为是由间隔s个像素(本发明中s=2)的Pooling单元网格组成,每个网格具有一个z*z(本发明中z=5)大小的临近关系,均位于Pooling单元的中心位置。当设置s=z时,为传统的局部pooling;设置s<z时,可得到有重叠的池化。对输入图像的每个像素进行卷积、下采样、池化等操作,得到每层的特征图maps的大小。
3)将每层的输出作为下层的输入,经过前后共8个层,最后到达全连接层prob层,通过softmax输出层输出结果,并保存训练后的网络。
203:输入训练样本集,提取字符特征,进行分类训练;
本发明实施例采用softmax分类器,对特征向量进行分类;采用构建的卷积神经网络,对训练样本集进行训练,得到训练后的.mat文件。
其中,BP算法的基本流程如下:随机初始化网络权值和神经元的阈值;根据公式(1)进行前向传播:
分层计算隐层神经元和输出神经元的输入和输出;其中E代表输出误差,d代表真实性,wjk,vij分别代表各层的权值和阈值,xi代表第i层的输入向量,m的取值范围为随卷积层输出向量的改变而改变,n的取值范围为320*320*3*59,l的取值范围为0~1*1*4096*59。
根据公式(2)进行误差反向传播:
其中,θ是反向传播算法的学习速率参数(本发明实施例中θ=0.05),n代表输入向量的个数(本发明实施例中n=320*320*3*59),m代表隐层输出向量的个数(本发明实施例中m随卷积层输出向量的改变而改变),l代表输出层输出向量的个数(本发明实施例中l=1*1*4096*59),上式中的负号表示空间梯度下降,即使得输出误差E改变方向,使误差反向传播。通过以上公式修正权值和阈值,直到满足终止条件。
204:对实测手写体英文文档进行自动分割;
其中,该步骤204具体包括:
1)对手写体英文文档进行正射纠正和光照均衡化处理;
实际获得的手写体英文文档图像往往无法保证绝对正射拍摄,通常存在一定的几何畸变,这会对后续的图像分割产生很大影响,为此,本发明实施例先对实际拍摄的文档图像进行正射校正[3],以纠正其几何形变;此外,实际拍摄的图像往往存在一定的光照变化和附加噪声,为此,本发明实施例采用双线性滤波方法对附加噪声进行去除,同时避免出现模糊现象。
2)对图像进行行分割,得到单行字符图像;
对正射纠正后的文本图像从上到下逐行扫描,计算每个扫描行的像素和,获取图像的水平投影。投影图像中的每个波峰与图像中每个文本行相对应,在相邻的两行之间通常有较宽的一段投影信息近似为0,对应相邻两行之间的空白区域,如图5(b)所示。本发明实施例以空白区域中心作为水平分割线,实现文本图像的行分割。
3)将图像进行列分割,得到单个字符图像;
对分割出的每幅行文本图像分别进行垂直投影,计算行文本图像在垂直方向的像素和。英文手写体文本经常存在连笔的情况,因此,两个字符之间在垂直方向的像素和往往不为0,但会存在一个明显的波谷,如图5(c)所示;本发明实施例以垂直投影曲线的波谷处为垂直分割线,实现文本图像的列分割。
4)对单个字符图像进行处理;
将提取的单个字符图像统一缩放到320*320像素;添加彩色通道,将字符图像类型转化为320*320*3uint8型数据,得到测试样本集II。
205:利用训练后的神经网络自动识别英文符号。
其中,将测试样本集输入到训练好的卷积神经网络中,即通过输入训练好的.mat文件对测试样本集进行测试,实现各个字符的自动识别,输出测试结果。
综上所述,本发明实施例利用采集的英文手写体数据集,通过将英文文档分割成单个字符,再基于构建的神经网络来实现手写英文文档的自动识别,以达到实用化的要求。
实施例3
下面结合图4-图5,以及表1和表2,对实施例1和2中的方案进行进一步地介绍,详见下文描述:
该数据集包括:大小写52个英文字母、常用的6个标点符号(”,.?!:),以及空格键,基本囊括了手写体英文文档识别中可能出现的所有字符,共59个字符。每人每个字符写5遍,其中任选4个作为训练样本集,剩下1个作为测试样本集I,最后得到6790个训练样本集,1180个测试样本集。
数据集不需要经过复杂的预处理步骤,省去了二值化,噪声去除,倾斜矫正等步骤,图像大小及类型统一为320*320*3unit8型,有助于提高训练样本的稳定性。构建的神经网络利用VGG模型,提取特征向量,对每一个卷积层进行下采样,池化等操作。
第1步:在第一层卷积层中,输入图像卷积后得到一张11*11*3像素的特征图map,随后用64个滤波器与其进行卷积,产生64张特征图maps;
第2步:第一层卷积层之后经过RELU1层,NORM1层和POOL1层,在第一层池化层POOL中,采用最大池化的方法,对上一层卷积层的特征图,利用[2,2]的步长进行池化操作,得到第二层卷积层的输入特征;
第3步:第一层池化层中得到256张大小为5*5*64像素的特征图maps,作为第二层卷积层的输入;
第4步:第二层卷积层之后经过RELU2,NORM2和POOL2层,池化层同样采用最大池化的方法,步长为[2,2],得到第三层卷积层的输入特征;
第5步:第三层卷积层的输入特征为3*3*256像素,共256张;经第三层卷积层后进入RELU3层;
第6步:第三层RELU3层之后不经过池化层,直接到达第四层卷积层,因此,第四层卷积层输入的特征图maps大小与第三层卷积层一致,均为3*3*256像素,共256张;经第四层卷积层后进入RELU4层;
第7步:不经过池化层直接进入第五层卷积层,特征图maps大小为3*3*256像素,共256张;再经过RELU5层和POOL5层,POOL5层采用最大池化的方法,步长为[2,2];
第8步:POOL5池化层之后,进入fc6分支层,特征图maps大小为6*6*256像素,共4096张;随后进入RELU6层;
第9步:进入fc7分支层,特征图maps大小为1*1*4096像素,共4096张;随后进入RELU7层;
第10步:进入fc8层,特征图maps大小为1*1*4096,共59张;随后进入最后一层分类器softmax,将输入字符划分为59个不同类别。
对实际手写体文档的测试实验结果表明,除了相似的大小写字母识别不准确之外,其他字母识别完全正确,如图4、5所示。表1为本发明算法最终的识别效果,从表中可以看出,既使算上大小写的识别错误,识别正确率也可达到了98.9831%,达到实用化水平。表2为当前经典算法与本发明方法的识别准确率对比。从表中可以看出,本方法的识别准确率最高。
表1测试数据集I识别效果
表2不同算法对测试数据集II的识别性能对比
本发明实施例基于构建的神经网络,利用建立的手写英文大小写字母和常用标点符号数据集进行训练,对测试样本集II的识别正确率达到了99.569%,达到了实用化的水平。
参考文献
[1]曲宇涛,中文手写体文本分割算法的研究.吉林大学[D],2009.
[2]曹卫,基于二分法的字符垂直投影分割算法[J].软件导刊,2010,9(10):71-72.
[3]李爱农,基于AROP程序包的类Landsat遥感影像配准与正射纠正试验和精度分析[J].遥感技术与应用,2012,27(1):23-32.
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于CNN的手写英文文档识别方法,其特征在于,所述方法包括以下步骤:
获取由手写英文字母及标点符号文本组成的数据集,基于数据集构造训练样本集及测试样本集;
构造8层卷积神经网络,包括5个卷积层和3个全连接层,最后一个全连接层的输出被送到一个具有59个输出向量的softmax层当中;
采用重叠的Pooling,一个Pooling层是由间隔s个像素的Pooling单元网格组成,每个网格具有一个z*z大小的临近关系,均位于Pooling单元的中心位置,s<z;对输入图像的每个像素进行卷积、下采样、池化操作,得到每层的特征图的大小;
输入训练样本集,提取字符特征,进行分类训练;将提取的单个字符图像统一缩放到320*320像素;添加彩色通道,将字符图像类型转化为320*320*3uint8型数据,得到测试样本集;
利用训练后的神经网络自动识别英文符号。
2.根据权利要求1所述的一种基于CNN的手写英文文档识别方法,其特征在于,所述数据集包括:大写字母26个,小写字母26个,常用标点符号6个,以及1个空格键,总共59个字符。
3.根据权利要求1所述的一种基于CNN的手写英文文档识别方法,其特征在于,所述基于数据集构造训练样本集及测试样本集具体为:
数据集中的每个字符写5遍,将手写英文文档分割成单个字符图像,分类标记图像信息,将每人手写字符平均分为5份;
随机抽取4份作为训练样本集,剩下1份作为测试样本集,进行人工分类标记;
最后,所用数据集大小为训练样本6790个,测试样本1180个。
4.根据权利要求1所述的一种基于CNN的手写英文文档识别方法,其特征在于,所述卷积神经网络利用VGG模型,提取特征向量,包括:
第一层卷积层之后经过激活函数层,规范层和第一层池化层,在第一层池化层中,采用最大池化,对上一卷积层的特征图,利用[2,2]的步长进行池化操作,得到第二层卷积层的输入特征;
第三层激活函数层之后不经过池化层,直接到达第四层卷积层,第四层卷积层输入的特征图大小与第三层卷积层一致,均为3*3*256像素,共256张;经第四层卷积层后进入激活函数层;
进入全连接层,特征图大小为1*1*4096,共59张;随后进入最后一层分类器,将输入字符划分为59个不同类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479779.4A CN109800746A (zh) | 2018-12-05 | 2018-12-05 | 一种基于cnn的手写英文文档识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479779.4A CN109800746A (zh) | 2018-12-05 | 2018-12-05 | 一种基于cnn的手写英文文档识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800746A true CN109800746A (zh) | 2019-05-24 |
Family
ID=66556444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811479779.4A Pending CN109800746A (zh) | 2018-12-05 | 2018-12-05 | 一种基于cnn的手写英文文档识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800746A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378310A (zh) * | 2019-07-25 | 2019-10-25 | 南京红松信息技术有限公司 | 一种基于答案库的手写样本集的自动生成方法 |
CN110516592A (zh) * | 2019-08-26 | 2019-11-29 | 广东世纪晟科技有限公司 | 一种基于手写数字字符的识别方法 |
CN110598832A (zh) * | 2019-08-22 | 2019-12-20 | 西安理工大学 | 一种基于遗传优化算法的文字透视矫正方法 |
CN111553423A (zh) * | 2020-04-29 | 2020-08-18 | 河北地质大学 | 基于深度卷积神经网络图像处理技术的手写体识别方法 |
CN112183494A (zh) * | 2020-11-05 | 2021-01-05 | 新华三大数据技术有限公司 | 基于神经网络的文字识别方法、装置及存储介质 |
CN112308058A (zh) * | 2020-10-25 | 2021-02-02 | 北京信息科技大学 | 一种手写字符的识别方法 |
CN113469123A (zh) * | 2021-07-21 | 2021-10-01 | 内蒙古工业大学 | 一种基于改进的vgg-16模型的传统蒙古文字母识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305630A (zh) * | 2016-04-25 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 文本序列识别方法和装置 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
CN108710882A (zh) * | 2018-05-11 | 2018-10-26 | 武汉科技大学 | 一种基于卷积神经网络的屏幕渲染文本识别方法 |
-
2018
- 2018-12-05 CN CN201811479779.4A patent/CN109800746A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305630A (zh) * | 2016-04-25 | 2017-10-31 | 腾讯科技(深圳)有限公司 | 文本序列识别方法和装置 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
CN108710882A (zh) * | 2018-05-11 | 2018-10-26 | 武汉科技大学 | 一种基于卷积神经网络的屏幕渲染文本识别方法 |
Non-Patent Citations (3)
Title |
---|
H DING等: "A compact CNN-DBLSTM based character model for offline handwriting recognition with Tucker decomposition", 《2017 14TH IAPR INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION(ICDAR)》 * |
刘万军等: "基于双重优化的卷积神经网络图像识别算法", 《模式识别与人工智能》 * |
方定邦等: "基于多特征卷积神经网络的手写公式符号识别", 《激光与光电子学进展》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378310A (zh) * | 2019-07-25 | 2019-10-25 | 南京红松信息技术有限公司 | 一种基于答案库的手写样本集的自动生成方法 |
CN110378310B (zh) * | 2019-07-25 | 2023-10-10 | 南京红松信息技术有限公司 | 一种基于答案库的手写样本集的自动生成方法 |
CN110598832A (zh) * | 2019-08-22 | 2019-12-20 | 西安理工大学 | 一种基于遗传优化算法的文字透视矫正方法 |
CN110598832B (zh) * | 2019-08-22 | 2022-05-03 | 北京青藤文化股份有限公司 | 一种基于遗传优化算法的文字透视矫正方法 |
CN110516592A (zh) * | 2019-08-26 | 2019-11-29 | 广东世纪晟科技有限公司 | 一种基于手写数字字符的识别方法 |
CN111553423A (zh) * | 2020-04-29 | 2020-08-18 | 河北地质大学 | 基于深度卷积神经网络图像处理技术的手写体识别方法 |
CN112308058A (zh) * | 2020-10-25 | 2021-02-02 | 北京信息科技大学 | 一种手写字符的识别方法 |
CN112308058B (zh) * | 2020-10-25 | 2023-10-24 | 北京信息科技大学 | 一种手写字符的识别方法 |
CN112183494A (zh) * | 2020-11-05 | 2021-01-05 | 新华三大数据技术有限公司 | 基于神经网络的文字识别方法、装置及存储介质 |
CN113469123A (zh) * | 2021-07-21 | 2021-10-01 | 内蒙古工业大学 | 一种基于改进的vgg-16模型的传统蒙古文字母识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800746A (zh) | 一种基于cnn的手写英文文档识别方法 | |
CN105426919B (zh) | 基于显著性指导非监督特征学习的图像分类方法 | |
CN101719142B (zh) | 基于分类字典的稀疏表示图片文字检测方法 | |
Zhang et al. | Text detection in natural scene images based on color prior guided MSER | |
CN107392141A (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
CN107622271B (zh) | 手写文本行提取方法及*** | |
Tian et al. | Natural scene text detection with MC–MR candidate extraction and coarse-to-fine filtering | |
CN109242400A (zh) | 一种基于卷积门控循环神经网络的物流快递单号识别方法 | |
CN105913053B (zh) | 一种基于稀疏融合的单演多特征的人脸表情识别方法 | |
CN107169485A (zh) | 一种数学公式识别方法和装置 | |
CN105608454A (zh) | 基于文字结构部件检测神经网络的文字检测方法及*** | |
CN103366160A (zh) | 融合肤色、人脸和敏感部位检测的不良图像判别方法 | |
CN109815809A (zh) | 一种基于cnn的英文笔迹鉴别方法 | |
CN109635808B (zh) | 一种在自然场景图像中对中文关键词及上下文的提取方法 | |
CN105808757A (zh) | 基于多特征融合的bow模型的中草药植物图片检索方法 | |
CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
Saraf et al. | Devnagari script character recognition using genetic algorithm for get better efficiency | |
CN103235945A (zh) | 一种基于Android***的手写数学公式识别及生成MathML的方法 | |
Ramteke | Invariant moments based feature extraction for handwritten devanagari vowels recognition | |
CN106503706B (zh) | 汉字字形切割结果正确性的判别方法 | |
Nakjai et al. | Thai finger spelling localization and classification under complex background using a YOLO-based deep learning | |
Fan et al. | A robust proposal generation method for text lines in natural scene images | |
Zanwar et al. | A comprehensive survey on soft computing based optical character recognition techniques | |
Sajedi et al. | Persian handwritten number recognition using adapted framing feature and support vector machines | |
CN106529475A (zh) | 一种基于优化手势库分布的dnn群手势识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |