[发明专利]一种3D压印字符无分割序列识别方法及系统

说明书

本发明涉及一种3D压印字符无分割序列识别方法及系统，其包括如下工艺步骤：1)，图像加权融合；2)，区域显著性增强；3)，无分割序列特征提取；4)，字符序列编码；5)，字符序列解码与识别。本发明的3D压印字符无分割序列识别方法不仅能检测不同灰度、位置、角度的压印字符，而且也适用于有重叠、缺损、污染等干扰的字符图像，具有较高的创新性与实用性，能够较好的解决3D压印字符由于受到污染、干扰、变形等导致的字符分割精确度不足的问题，提高3D压印字符的识别率。

【技术领域】

本发明涉及一种字符识别方法及系统，具体涉及一种3D压印字符无分割序列识别方法及系统，属于机器视觉与机器学习技术领域。

【背景技术】

3D压印字符的质量与印刷字符相比受时间和现场的影响很小，所以近年来越来越多的被应用到一些工业产品上，金属标牌、金属零部件标识和轮胎等。相应地，对于3D压印字符的自动识别也成为产品信息化管理的一个必然要求。对于量大面广的机电产品,其标牌上的3D压印字符成为产品信息的重要载体,而且对大多的机电产品而言是唯一载体，其内容往往代表着产品性能、规格、出厂代号、国家标准和生产日期等重要信息。

而3D压印字符与一般利用前景和背景色差形成的字符相比，有着显著的特点:(1)标准字模有限，是有限字符集。(2)字符手感为凹凸不平，视觉上是利用“反光差”产生字符图像，字符本身有较大的灰度差。(3)由于压印字符与背景是同色，字符图像质量不佳，字符图像的直方图为单峰或多峰。(4)压印字符有倾斜、字符间重叠、缺损等变形，字符周围有较强的噪声。

传统的OCR字符识别算法一般是在二值化图像上进行字符分割及特征提取。但由于使用年限的增长及工业现场的复杂性，3D 压印字符往往受到严重的污染，比如油污，粉尘，涂料等，而且有些3D字符可能出现变形、重触、缺损等。这些会造成大量字符特征信息的丢失,在此基础上获得的特征就不能真正反映字符的特征,因此会造成分割错误以及分类检测的误判。

因此，为解决上述技术问题，确有必要提供一种创新的3D压印字符无分割序列识别方法及系统，以克服现有技术中的所述缺陷。

【发明内容】

为解决上述问题，本发明的目的在于提供一种3D压印字符无分割序列识别方法，其不仅能检测不同灰度、位置、角度的压印字符，而且也适用于有重叠、缺损、污染等干扰的字符图像，具有较高的创新性与实用性。

本发明的第二目的在于提供一种3D压印字符无分割序列识别系统。

为实现上述第一目的，本发明采取的技术方案为：一种3D压印字符无分割序列识别方法，其包括如下工艺步骤：

1)，图像加权融合：根据四副不同曝光强度图像的对比度、饱和度、适度曝光量这三个测度因子生成原始多曝光图像的权重图，对其进行加权平均后获得综合金字塔系数，最后重建拉普拉斯金字塔得到融合图像；

2)，区域显著性增强：从非显著像素中选择初始背景种子，让背景种子增长进而检测背景连通域，从而检测出字符连通域；同时利用字符曲率显著性特征来实现字符区域的显著性增强，该操作能够提高步骤1)的融合结果图前景与背景的对比度；

3)，无分割序列特征提取：对步骤2)得到的图像使用五层卷积神经网络进行序列特征提取；其中包括二层卷积层，二层最大池化层，一层全连接层；

4)，字符序列编码：使用长短时记忆网络(LSTM)来处理和预测步骤3)所提取的序列字符特征；

5)，字符序列解码与识别：将步骤(4)的结果输入到基于神经网络的时序类分类的ctc(连接主义时间分类)模块；该模块能够把网络的输出更改为所有可能标签序列的概率分布，通过梯度下降法和反向传播法训练网络，序列解码的目的是找到具有最大概率的近似最优路径，即最佳识别结果。