[发明专利]基于注意力机制与联结时间分类损失的文字识别方法

权利要求书

1.基于注意力机制与联结时间分类损失的文字识别方法，包括如下步骤：

S1：采集数据集：采集各种自然场景下的文本，并将这些文本合并；将数据集划分为训练数据集，验证数据集，测试数据集三部分；先将原始的数据集打乱，然后按比例进行切分，切分比例为7：2：1；训练数据集作为优化模型参数使用，验证数据集作为模型选择使用，测试数据集作为模型最终评估使用；

将挑选的数据集记作T＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，其中x_i表示第i张图片，y_i表示第i个图片对应的标签，N表示样本的总数；

S2：对图片样本进行尺度缩放，灰度转换和像素归一化等预处理；

S3：对样本的标签序列进行处理，包括填补，编码和词嵌入；

S4：构建卷积神经网络，对经过S3处理后的文本图像进行特征提取；

S5：使用堆叠式双向循环神经网络对S4提取的特征进行编码，得到编码特征；

S6：将S5得到的编码特征输入到联结时间分类模型中计算预测概率；

S7：使用注意力机制计算不同编码特征的权重，得到编码后的语义向量。

2.如权利要求1所述的基于注意力机制与联结时间分类损失的文字识别方法，其特征在于：所述步骤S2具体包括如下步骤：

S2.1：选取B个样本作为一个批次的训练数据β，其中β＝{x₁,x₂,…,x_B}；B个样本可能有不同的高和宽，样本维度为Shape＝{(h₁,w₁,3),(h₂,w₂,3),…,(h_B,w_B,3)}；

将样本集β中每个样本进行等比例缩放，其中高固定为32个像素，得到新数据样本集，此时新样本的维度为

Shape＝{(32,w′₁,3),(32,w′₂,3),…,(32,w′_B,3)}；

获取新样本集中文本图片的最大宽度值w_max＝max(w′₁,w′₂,…,w′_B)，其中max(·)表示其中元素的最大值；通过填补，镜像或者缩放等方法将新样本集中的宽度变换到最大的宽度，高固定为32，获得新的样本数据集β′，新样本集的维度为Shape＝{(32,w_max,3),(32,w_max,3),…,(32,w_max,3)}；

S2.2：对β′中每一个样本进行灰度转换和像素归一化处理，步骤如下：

S2.2.1：对训练集T′中每张彩色图像进行灰度转换，变化公式如下：

x′_gray＝x_r*0.299+x_g*0.587+x_b*0.114

其中，x为彩色图片样本，x_r，x_g，x_b分别为样本的红色，绿色，蓝色通道的数值，x_gray为变换后的灰色样本的像素值；

S2.2.2：对灰度转换后样本进行像素归一化，即将[0,255]的像素值转换到[-0.5,0.5]；

其中，x_gray为S3.1转换后得到的灰色图像，x_norm为像素归一化后的数值。