[发明专利]一种基于深度学习模型的OCR识别方法及终端

权利要求书

1.一种基于深度学习模型的OCR识别方法，其特征在于，包括：

S1、将预设的字符片段图像分割成多个单字符图像，得到单字符图像集合；

S2、预设的第一OCR深度学习模型依次识别所述单字符图像集合中的元素，得到第一特征向量集合；一所述单字符图像对应一第一特征向量；

S3、根据预设的特征数据库，将所述第一特征向量集合中的每一第一特征向量转换为对应的单字符，得到单字符集合；所述特征数据库中的一条记录保存一单字符和与所述一单字符对应的特征向量；

S4、排列所述单字符集合中的元素，得到与所述字符片段图像对应的字符串。

2.根据权利要求1所述的基于深度学习模型的OCR识别方法，其特征在于，所述S2之前，还包括：

S51、从所述单字符图像集合中获取一单字符图像，得到第一单字符图像；

S52、获取所述第一单字符图像的长宽比例；

S53、将所述第一单字符图像的最长边缩放至预设的像素，并根据所述长宽比例缩放所述第一单字符图像中除所述最长边之外的其它边，得到第二单字符图像；

S54、当所述第二单字符图像中存在边长小于所述预设的像素的边时，使用所述第一单字符图像的背景图像填充所述第二单字符图像，得到第三单字符图像；所述第三单字符图像的长和宽均为所述预设的像素；

S55、重复执行S51至S54，直至所述单字符图像集合被遍历。

3.根据权利要求1所述的基于深度学习模型的OCR识别方法，其特征在于，所述S2之前，还包括：

S61、从预设的第一训练样本集中获取一样本；

S62、预设的第二OCR深度学习模型识别所述一样本，得到第二特征向量；

S63、根据预设的损失函数计算所述第二特征向量的损失值；

S64、根据所述损失值调整所述第二OCR深度学习模型的参数；

S65、重复执行S61至S64，直至所述第一训练样本集被遍历，得到所述第一OCR深度学习模型；

所述预设的损失函数，具体为：

其中，L为所述损失值，m为类别间距，s为样本的模，W为所述第二OCR深度学习模型的权重，X为所述第二特征向量，θ为所述第二特征向量X与权重W之间的夹角，N为样本数量，n为类别数，y_i为所述一样本的实际类别，j为预设的样本集合中除y_i之外的其它类别。

4.根据权利要求1所述的基于深度学习模型的OCR识别方法，其特征在于，所述S3之前，还包括：

获取与第四单字符对应的预设数量样本，得到第二训练样本集；

所述第一OCR深度学习模型识别所述第二训练样本集，得到第三特征向量集合；

获取与所述第三特征向量集合对应的平均特征向量；

添加所述第四单字符和所述平均特征向量至所述特征数据库。

5.根据权利要求1所述的基于深度学习模型的OCR识别方法，其特征在于，所述S4具体为：

获取所述单字符图像集合中每一所述单字符图像在所述字符片段图像中的坐标，得到坐标信息；

根据所述坐标信息排列所述单字符集合中的元素，得到与所述字符片段图像对应的字符串。

6.一种基于深度学习模型的OCR识别终端，其特征在于，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：

S1、将预设的字符片段图像分割成多个单字符图像，得到单字符图像集合；

S2、预设的第一OCR深度学习模型依次识别所述单字符图像集合中的元素，得到第一特征向量集合；一所述单字符图像对应一第一特征向量；

S3、根据预设的特征数据库，将所述第一特征向量集合中的每一第一特征向量转换为对应的单字符，得到单字符集合；所述特征数据库中的一条记录保存一单字符和与所述一单字符对应的特征向量；

S4、排列所述单字符集合中的元素，得到与所述字符片段图像对应的字符串。