[发明专利]识别手写汉字的方法、系统及设备

权利要求书

1.识别手写汉字的方法，其特征在于，包括以下步骤：

S1，从待识别图片中提取手写汉字区域，再从所述手写汉字区域中提取出若干张信息图片；

S2，以步骤S1中所述的信息图片为样本，创建手写汉字识别的样本集；

S3，建立手写汉字文本识别初始模型；

S4，以步骤S2中所述的样本集为基础，对所述手写汉字文本识别初始模型进行优化，得到手写汉字文本识别模型；

S5，利用所述手写汉字文本识别模型，对待识别图片进行识别。

2.根据权利要求1所述的识别手写汉字的方法，其特征在于，步骤S1中所述的待识别图片为运单图片。

3.根据权利要求2所述的识别手写汉字的方法，其特征在于，所述步骤S1包括步骤：

S11,获取运单图片；

S12,调整所述运单图片，使所述运单图片的底边与水平线的偏差角度在预设的误差范围内；

S13,将步骤S12中调整过的运单图片与空白运单图片进行对比、抵消，获得运单图片中的填写内容；

S14,以所述运单图片左侧边沿为初始边截取整张运单图片的40％-75％的区域作为有效信息区域，获取有效信息区域的图片；

S15,从所述有效信息区域的图片中提取若干张信息图片。

4.根据权利要求1所述的识别手写汉字的方法，其特征在于，所述步骤S2包括步骤：

S21，对步骤S1中全部的信息图片进行命名，每一张所述信息图片对应唯一命名；

S22，将每张所述信息图片的文字序列作为该张图片的标签；

S23，将全部的标签按照顺序保存在文本文件中，每个所述标签按预设格式设置；

S24，以所述信息图片及其标签作为样本，创建手写汉字识别的样本集。

5.根据权利要求1所述识别手写汉字的方法，其特征在于，所述步骤S3包括步骤：

S31，将步骤S2中所述的样本集平均分为若干个样本子集；

S32，对所述样本子集中的每张信息图片进行路径扫描与LSTM处理得到对应子集；

S33，对所述对应子集中的每张图片进行卷积与求和处理，得到第一特征图像；

S34，将同一张信息图片所产生的第一特征图像分别依次进行路径扫描与LSTM处理、卷积与求和处理得到第二特征图像；

S35，将同一张信息图片所产生的第二特征图像分别依次进行路径扫描与LSTM处理，得到中间图像子集；

S36，将所述中间图像子集经过全连接层建立参数矩阵，然后将相关的参数矩阵相加求和，最终得到每张信息图片的全连接层数据；

S37，对每个全连接层数据进行参数归一化处理，得到归一化的参数矩阵；

S38，对每个归一化的参数矩阵经过CTC分类器，得到特征向量；

S39，将全部的样本子集均进行S32-S38的处理，将获得的结果与真实的结果进行比较并迭代进行全网络参数的优化。

6.根据权利要求5所述的识别手写汉字的方法，其特征在于，所述的路径扫描与LSTM处理包括步骤：

对每张图片进行四种路径扫描，每张图片得到四张顺序信息的扫描图片；

将每张所述扫描图片经过一层含有N核的LSTM层，分别得到N张对应图片。

7.根据权利要求5所述的识别手写汉字的方法，其特征在于，所述的卷积与求和处理包括步骤：

每张图片经过一个包含有M个卷积核的卷积层过滤得到特征矩阵，同一张信息图片所对应的图片的特征矩阵为相关特征矩阵，将所述相关特征矩阵进行求和并进行非线性运算获得特征图像。

8.根据权利要求1所述的识别手写汉字的方法，其特征在于，所述步骤S4包括：

S41,将步骤2中所述的样本集按照比例分为训练集，测试集和验证集；

S42，基于获得按照预定比例设置的训练集、测试集和验证集，采用梯度下降法优化所述手写汉字文本初始识别模型的参数，并基于GPU加速器迭代进行模型训练。