[发明专利]基于极限学习机的扫描证书图像识别方法

说明书

本发明公开了一种基于极限学习机的扫描证书图像分类方法，包括如下步骤：输入扫描证书图像数据样本库，进行预处理；对经过预处理的证书图像利用Hough变换进行圆章定位，得到圆章外接矩形区域，提取圆章区域的HSV颜色特征向量及图像的长宽比向量作为特征数据；利用扫描证书图像样本库特征数据训练极限学习机；输入待分类图像经过A，B步骤处理，利用经过训练的极限学习机完成图像分类。本发明将待分类图像的圆章HSV特征向量作为输入值，得到证书图像最可能的类别。根据图像分类经验及实践证明，极限学习机具有速度快，泛化能力强，分类准确率高的特点。

技术领域

本发明涉及图像识别领域，尤其是一种扫描证书图像识别方法。

背景技术

最近几年来，图像检索是一个非常受欢迎的话题，其检索对象包括海里游的，在天空中飞翔的及地上走的。图像分类是图像检索的一个预处理过程，可以有效提高图像检索的准确性。尽管已有针对不同种类图像数据集的众多图像分类检索系统，但是扫描证书图像分类检索方面则关注较少，而这些扫描证书图像往往是申请奖励或公司拓展的重要辅助材料。为了保证这类证书图像的合法利用，避免同张证书被多次利用，在特殊的扫描证书数据集里的扫描图像查重对于某些检索系统是非常重要的，这有点类似于文件的相似性检查。目前适用于比较流行的基于内容的图像分类检索系统的图像特征有颜色、纹理、形状以及空间位置关系，但扫描证书图像质量低，种类繁多，版面形式多样，既包含具有特定意义的图像标志，同时又包含对于获奖情况的简明扼要描述，因此，仅仅利用现有算法要实现从海量图像库中查找是否存在与待测证书相似的图像文件是有困难的。因此，我们就得具体分析扫描图像的特征，选取能更好地表述证书图像特点的特征。如何借助计算机技术快速准确对附件证明材料—扫描图像--进行相似性检测是国家科学技术奖励评审迫切需要解决的问题。

人工神经网络，简称神经网络，是从动物神经系统得到启发而提出的一套数学模型，通常被用来对输入和输出之间复杂的非线性关系进行建模，具有学习和识别的能力，被广泛应用到计算机科学以及相关领域。神经网络可以表示为一组互相连接的神经元，神经元是神经网络的最小单位，大多数情况下神经元可以根据外界信息的刺激而改变自身，使得整个神经系统具有自适应性。神经元的数学模型如图1所示，x₁...x_n是输入向量X∈Rⁿ的各个分量；w₁...w_n是神经元各个突触的权值，被称为输入权重，所有突触的权值向量用W∈Rⁿ表示；b为偏置；y为神经元输出。

神经元模型的数学表达式是y＝g(W·X+b)，g为神经元的激励函数。单隐层反馈神经网络包括获得外界信息的输入层、与外界信息没有联系的隐藏层和可以向外界反馈信息的输出层。在标准的单隐藏层反馈神经网络中，一般的输入层和输出层的激励函数均设为g(x)＝x的线性函数，因此输出层第k个神经元的响应可以表示为：

y[k]＝[g(w₁·x+b₁)g(w₂·x+b₂)...g(w_L·x+b_L)]·β_k+b₂[k],k＝1,...,m(1.1)，

其中w_i∈Rⁿ,i＝1,...,L表示隐藏层第i个神经元的输入权重，简称输入权重，β_k∈R^L,k＝1,...,m表示输出层第k个神经元的输入权重，简称输出权重。整个单隐藏层反馈神经元可由如下等式紧凑表示：

y＝h(x)β+b_s (1.2)，

y∈R^m是神经网络输出层所有神经元的响应，简称输出向量；