[发明专利]基于弱监督的手写文本识别方法、装置、系统及介质

说明书

本发明公开了基于弱监督的手写文本识别方法、装置、系统及介质，方法包括：获取待识别手写文本图像，将所述待识别手写图像输入至预先构建并完成弱监督训练的手写文本识别模型中；通过已完成弱监督训练的手写文本识别模型对所述待识别手写文本图像进行一维特征图提取处理；对提取得到的一维特征图进行字符识别后输出文本识别结果。本发明实施例通过弱监督方式训练得到的手写文本识别模型进行一维特征图提取后实现手写文本识别，在训练识别过程中无需进行分割过程，有效提高了手写文本识别的速度与效率。

技术领域

本发明涉及文本识别技术领域，尤其涉及基于弱监督的手写文本识别方法、装置、系统及介质。

背景技术

文本的普遍存在使得自动处理各种视觉形式的文本变得越来越必要。文本识别是一项具有大量相关挑战的计算机视觉任务，其中一个主要的挑战是文本识别和分割的耦合性质，具体来说主要是线分割过程，该分割过程对文本识别性能会造成很大的影响，特别对于手写文本具有弯曲形状、不均匀行间、触线和页面撕裂等情况，进一步增加了通过分割识别手写文本的难度。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供基于弱监督的手写文本识别方法、装置、系统及介质，旨在解决现有技术中先分割再识别的方式导致手写文本识别效率低的问题。

本发明的技术方案如下：

一种基于弱监督的手写文本识别方法，其包括如下步骤：

获取待识别手写文本图像，将所述待识别手写图像输入至预先构建并完成弱监督训练的手写文本识别模型中；

通过已完成弱监督训练的手写文本识别模型对所述待识别手写文本图像进行一维特征图提取处理；

对提取得到的一维特征图进行字符识别后输出文本识别结果。

所述的基于弱监督的手写文本识别方法中，所述获取待识别手写文本图像，将所述待识别手写图像输入至预先构建并完成弱监督训练的手写文本识别模型中之前，还包括：

构建用于识别手写文本的卷积神经网络，所述卷积神经网络包括用于提取一维特征图的特征提取模块；

对所述卷积神经网络进行弱监督训练，直到卷积神经网络的输出值达到预设值时完成弱监督训练得到手写文本识别模型。

所述的基于弱监督的手写文本识别方法中，所述对所述卷积神经网络进行弱监督训练，直到卷积神经网络的输出值达到预设值时完成弱监督训练得到手写文本识别模型，包括：

获取无真实标注的训练样本集并将所述训练样本集输入至所述卷积神经网络进行弱监督训练；

通过预设损失函数对所述卷积神经网络的输出值进行误差评价；

根据误差评价结果调节所述卷积神经网络的权重参数，直到所述卷积神经网络的输出值达到预设值时完成弱监督训练得到手写文本识别模型。

所述的基于弱监督的手写文本识别方法中，所述损失函数为CTC损失函数。

所述的基于弱监督的手写文本识别方法中，所述通过已完成弱监督训练的手写文本识别模型对所述待识别手写文本图像进行一维特征图提取处理，具体包括：

通过所述特征提取模块将所述待识别手写文本图像中的多行图像特征展开为单行图像特征后拼接得到一维特征图。

所述的基于弱监督的手写文本识别方法中，所述对提取得到的一维特征图进行字符识别后输出文本识别结果，具体包括：

对提取得到的一维特征图进行字符匹配，获取与所述一维特征图匹配度最高的字符匹配结果后输出文本识别结果。