[发明专利]文字模型训练方法、文字识别方法、装置、设备及介质

权利要求书

1.一种文字模型训练方法，其特征在于，包括：

获取手写字训练样本，所述手写字训练样本包括手写字图像和标签汉字；

若所述手写字图像的数量大于预设的数量阈值时，则从手写字训练样本中随机选取与数量阈值相同数量的手写字图像，将选取的手写字图像输入到卷积循环神经网络模型中，采用基于随机梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型；

若所述手写字图像的数量不大于预设的数量阈值时，则将所有手写字图像输入到卷积循环神经网络模型中，采用基于批量梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型；

获取手写字测试样本，并将所述手写字测试样本输入到所述手写字训练模型中，获取识别准确率，若所述识别准确率大于或者等于预设准确率，则确定所述手写字训练模型为手写字识别模型。

2.如权利要求1所述的文字模型训练方法，其特征在于，所述卷积循环神经网络模型包括卷积神经网络模型及循环神经网络模型；

所述将选取的手写字图像输入到卷积循环神经网络模型中，采用基于随机梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型，包括：

将选取的手写字图像输入到卷积神经网络模型中，获取所述手写字图像对应的手写字图像特征；

将所述手写字图像对应的手写字图像特征输入到循环神经网络模型中进行训练，获取所述循环神经网络模型的前向输出；

采用所述循环神经网络模型的前向输出，构建第一损失函数，并基于所述第一损失函数采用随机梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型；

所述第一损失函数的具体表达式为：

其中，E_loss(θ)表示手写字训练样本中手写字图像对应的总误差的平均值，M表示手写字训练样本中手写字图像携带的顺序标签的个数，表示第n个手写字训练样本中第m个顺序标签对应的手写字图像的前向输出，表示第n个手写字训练样本中第m个顺序标签对应的标签汉字，θ表示权值和偏置的集合。

3.如权利要求1所述的文字模型训练方法，其特征在于，所述将所有手写字图像输入到卷积循环神经网络模型中，采用基于批量梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型，包括：

将所有手写字图像输入到卷积神经网络模型中，获取所述手写字图像对应的手写字图像特征；

将所述手写字图像对应的手写字图像特征输入到循环神经网络模型中进行训练，获取所述循环神经网络模型的前向输出；

采用所述循环神经网络模型的前向输出，构建第二损失函数，并基于所述第二损失函数采用基于批量梯度下降的反向传播算法更新所述卷积循环神经网络模型中的权值和偏置，获取手写字训练模型；

所述第二损失函数的具体表达式为：

其中，N表示手写字训练样本中手写字图像的个数，E_loss(θ)表示N个手写字训练样本中所有手写字图像对应的总误差的平均值，M表示手写字训练样本中手写字图像携带的顺序标签的个数，表示第n个手写字训练样本中第m个顺序标签对应的手写字图像的前向输出，表示第n个手写字训练样本中第m个顺序标签对应的标签汉字，θ表示权值和偏置的集合。

4.一种文字识别方法，其特征在于，

获取原始图像，所述原始图像包括手写字和背景图像；

对所述原始图像进行预处理，获取有效图像；

采用核密度估计算法和腐蚀方法对所述有效图像进行处理，去除背景图像，获取包括所述手写字的目标图像；

采用垂直投影方法对所述目标图像进行单字体切割，获取单字体图像；

将所述单字体图像输入到手写字识别模型中进行识别，获取单字体图像对应的识别结果，所述手写字识别模型是采用权利要求1-3任一项所述文字模型训练方法获取到的；

基于所述识别结果查询语义库，获取单字体图像对应的目标汉字。