[发明专利]手写字符识别方法、装置、电子设备及存储介质

权利要求书

1.一种手写字符识别方法，其特征在于，包括：

获取待识别的手写字符图片；

生成与所述待识别的手写字符图片字符相同的模板字符图片；

将所述模板字符图片输入给深度匹配神经网络，以使所述深度匹配神经网络提取所述模板字符图片的模板字符特征；

将所述待识别的手写字符图片输入给所述深度匹配神经网络，以使所述深度匹配神经网络根据所述模板字符特征识别所述待识别的手写字符图片。

2.根据权利要求1所述的手写字符识别方法，其特征在于，所述将所述模板字符图片输入给深度匹配神经网络之前，包括：

构建一个深度卷积神经网络；

将样本集输入至所述深度卷积神经网络，采用随机梯度下降法，通过反向传播交叉熵损失梯度来训练所述深度卷积神经网络，所述样本集包括所有模板字符图片的子集和批大小为N的手写字符图片；

当样本集中的模板字符图片和手写字符图片之间的误差收敛时，终止所述深度卷积神经网络的训练，得到所述深度匹配神经网络，并保存所述深度匹配神经网络中各个层的参数；

利用所有模板字符图片和批大小为N手写字符图片，更新所述深度匹配神经网络中Softmax分类层的参数。

3.根据权利要求2所述的手写字符识别方法，其特征在于，所述利用所有模板字符图片和批大小为N手写字符图片，更新所述深度匹配神经网络中Softmax分类层的参数包括：

将所有模板字符图片输入给所述深度匹配神经网络，提取所有模板字符图片的特征，并对所述特征进行L2正则化，得到模板特征；

将批大小为N的手写字符图片输入给所述深度匹配神经网络，提取手写字符图片的特征，得到手写特征；

根据所述模板特征和所述手写特征，更新所述深度匹配神经网络中Softmax分类层的参数；

其中，令所述模板特征为φ(t_j)，所述手写特征为φ(x_j)，所述深度匹配神经网络中Softmax分类层的参数为M，则：

M＝φ(t_j)^Tφ(x_j)。

4.根据权利要求1至3任意一项所述的手写字符识别方法，其特征在于，所述深度卷积神经网络包括卷积层、最大池化层、全连接层和Softmax分类层；

所述卷积层的卷积核大小均为3×3，卷积的步长为1，卷积方式设为SAME，采用ReLU作为激活函数，并均不使用批标准化；

所述最大池化层池化核的大小为3×3，步长为2；

所述全连接层的通道数为128，在从手写字符图片中提取特征后在全连接层后添加dropout以避免过拟合。

5.根据权利要求1至3任意一项所述的手写字符识别方法，其特征在于，所述深度卷积神经网络的权重共享。

6.一种手写字符识别装置，其特征在于，包括：

获取模块，用于获取待识别的手写字符图片；

生成模块，用于生成与所述待识别的手写字符图片字符相同的模板字符图片；

输入模块，用于将所述模板字符图片输入给深度匹配神经网络，以使所述深度匹配神经网络提取所述模板字符图片的模板字符特征；

识别模块，用于将所述待识别的手写字符图片输入给所述深度匹配神经网络，以使所述深度匹配神经网络根据所述模板字符特征识别所述待识别的手写字符图片。

7.根据权利要求6所述的手写字符识别装置，其特征在于，所述装置还包括：

构建模块，用于构建一个深度卷积神经网络；

训练模块，用于将样本集输入至所述深度卷积神经网络，采用随机梯度下降法，通过反向传播交叉熵损失梯度来训练所述深度卷积神经网络，所述样本集包括所有模板字符图片的子集和批大小为N的手写字符图片；

保存模块，用于当在模板字符图片和手写字符图片之间的误差收敛时，终止所述深度卷积神经网络的训练，得到所述深度匹配神经网络，并保存所述深度匹配神经网络中各个层的参数；

更新模块，用于利用所有模板字符图片和批大小为N手写字符图片，更新所述深度匹配神经网络中Softmax分类层的参数。