[发明专利]训练数据处理方法、装置、设备及计算机可读存储介质

权利要求书

1.一种训练数据处理方法，其特征在于，所述训练数据处理方法包括以下步骤：

获取手写文本页图像样例，并对所述手写文本页图像样例中的待提取文本行进行单字标注，得到待提取文本行中每一字符的标注信息；

根据每一字符的所述标注信息，从所述手写文本页图像样例中界定出每一字符所属的矩形框区域；

对所述手写文本页图像样例中，除界定出的矩形框区域之外的区域进行覆盖处理；

根据每一字符的所述标注信息，从覆盖处理后的手写文本页图像样例中划分出所述待提取文本行所属的区域，并进行裁切，得到用于训练手写字识别模型的手写文本行图像。

2.如权利要求1所述的训练数据处理方法，其特征在于，每一字符的所述标注信息包括每一字符的左上点坐标、宽度值和高度值，

所述根据每一字符的所述标注信息从所述手写文本页图像样例中，界定出每一字符所属的矩形框区域的步骤包括：

根据每一字符的所述左上点坐标、所述宽度值和所述高度值，计算得到每一字符的右下点坐标；

根据每一字符的所述左上点坐标和所述右下点坐标，界定出每一字符所属的矩形框区域。

3.如权利要求2所述的训练数据处理方法，其特征在于，所述根据每一字符的所述标注信息，从覆盖处理后的手写文本页图像样例中划分出所述待提取文本行所属的区域的步骤包括：

将每一字符的所述左上点坐标进行比较，以从每一字符的所述左上点坐标中确定出最小横坐标值和最大纵坐标值；

将每一字符的所述右下点坐标进行比较，以从每一字符的所述右下点坐标值中确定出最大横坐标值和最小纵坐标值；

根据所述最小横坐标值、所述最大纵坐标值、所述最大横坐标值和所述最小纵坐标值确定所述待提取文本行所属的区域，并从覆盖处理后的手写文本页图像样例中划分出所述待提取文本行所属的区域。

4.如权利要求1所述的训练数据处理方法，其特征在于，所述对所述手写文本页图像样例中，除界定出的矩形框区域之外的区域进行覆盖处理的步骤包括：

在所述手写文本页图像样例中，将除界定出的矩形框区域之外的区域，填充为所述手写文本页图像样例的背景色。

5.一种手写字识别模型的构建方法，其特征在于，所述写字识别模型的构建方法包括以下步骤：

从预设手写文本行图像中选取一份手写文本行图像作为基线数据进行存储，所述预设手写文本行图像由权利要求1所述的训练数据处理方法得到；

在检测到训练手写字识别模型的指令时，根据所述指令携带的场景对存储的基线数据分别进行不同方式的变换处理，得到若干训练数据；

根据得到的若干训练数据，构建用于训练手写字识别模型的训练集；

采用构建的训练集训练卷积循环神经网络模型得到训练好的手写字识别模型。

6.如权利要求5所述的手写字识别模型的构建方法，其特征在于，所述变换处理的方式包括亮度调节、旋转、平移、缩放、背景色变换、反色处理和增加背景中的一种或多种。

7.如权利要求5所述的手写字识别模型的构建方法，其特征在于，所述采用构建的训练集训练卷积循环神经网络模型得到训练好的手写字识别模型的步骤包括：

初始化卷积循环神经网络模型的参数；

将构建的训练集加载至卷积循环神经网络模型中，根据公式获取卷积循环神经网络模型的前向输出，其中，a(t,u)表示第t时刻第u个手写字的前向输出，表示t时刻输出为空格的概率，l'_u表示手写字和空格的总长度，a(t-1,i)表示t-1时刻第i个手写字的前向输出；以及，

根据公式获取卷积循环神经网络模型的后向输出，其中，b(t,u)表示第t时刻第u个手写字的后向输出，表示t+1时刻输出为空格的概率，b(t+1,i)表示t+1时刻第i个手写字的后向输出；

根据所述前向输出和后向输出更新卷积循环神经网络模型的参数，得到训练好的手写字识别模型。