[发明专利]基于卷积神经网络深度学习模型的光学字符识别方法

权利要求书

1.一种基于卷积神经网络深度学习模型的光学字符识别方法，其特征在于，该方法的具体步骤包括：

步骤S1，收集常用的不同字体的汉字，10个阿拉伯数字和26个英文字母并生成图片格式的数据集。

步骤S2，对获取的训练集和测试集样本适当进行轻微的旋转和扭曲处理。

步骤S3，优化学习训练集的分类器的各层权值矩阵参数W和偏置b，通过随机梯度下降法(SGD)的优化方式最小化目标函数，学习最优分类器参数W和b。

2.根据权利要求1所述的基于卷积神经网络深度学习模型的光学字符识别方法，其特征在于，在所述步骤S1中，收集所有身份证涉及到的常用汉字和10个阿拉伯数字以及26个英文字母。

3.根据权利要求1所述的基于卷积神经网络深度学习模型的光学字符识别方法，其特征在于，在步骤S2中，对训练集和测试集样本进行不相同程度的轻微扭曲和旋转，将处理后的图像作为输入特征。

4.根据权利要求1所述的基于卷积神经网络深度学习模型的光学字符识别方法，其特征在于，在步骤S3中，深度学习模型的优化需要通过随机梯度下降法迭代优化策略来完成，具体的过程总结如下：

S31，对于训练集中的每一个卷积层的多个卷积核，通过高斯分布初始化权值矩阵。接下来，进入交替误差前向传播和梯度反向传播过程，通过SGD算法同时给出其每个卷积核的权值。循环S32和S33直到收敛或达到迭代次数要求。

S32，前向传播计算损失函数的值：

这是一个典型的分类问题的目标函数，完成这一目标函数的优化就可以求得一组分类参数W和b。

S33，反向传播计算损失函数对各个参数的梯度值。

其中，f是隐含层。

5.根据权利要求1所述的基于卷积神经网络深度学习模型的光学字符识别方法，其特征在于，在步骤S3中，在模型训练之后，对于一个新来的测试样本y_test，在当前学到深度学习模型中预测其值。其具体操作步骤如下：

S4，进行一次前向传播，计算其所属各个类别的概率值。

其中，s_i＝g(x_i；W，b)，i＝1，2，...m。

6.根据权利要求5所述的基于卷积神经网络深度学习模型的光学字符识别方法，其特征在于，在步骤5中，计算所有类别的概率值后，根据概率值的大小确定最后的分类结果。