[发明专利]字符识别模型的训练方法、字符识别方法及装置

权利要求书

1.一种字符识别模型的训练方法，包括：

获取训练样本数据集，其中，所述训练样本数据集中的训练样本包括卡图像以及所述卡图像的标签信息，其中，所述卡图像包括字符；以及

利用所述训练样本数据集训练待训练的字符识别模型，得到字符识别模型，所述待训练的字符识别模型是通过将基于注意力模块的卷积神经网络以及基于注意力模块的循环神经网络依次级联而构建得到的。

2.根据权利要求1所述的方法，其中，所述待训练的字符识别模型通过以下方法构建得到：

将第一注意力模块与卷积神经网络的输出层连接，形成基于注意力模块的卷积神经网络；

将第二注意力模块设置于循环神经网络的隐藏层和输出层之间，形成基于注意力模块的循环神经网络；以及

将所述卷积神经网络、所述第一注意力模块、所述循环神经网络以及所述第二注意力模块依次级联，构成所述待训练的字符识别模型。

3.根据权利要求2所述的方法，所述第二注意力模块包括多个一维卷积，所述多个一维卷积通过全连接的形式分别与所述隐藏层连接。

4.根据权利要求2所述的方法，其中，所述利用所述训练样本数据集训练待训练的字符识别模型，得到字符识别模型，包括：

将所述训练样本数据集输入至所述卷积神经网络，输出图像中间特征序列；

将所述图像中间特征序列输入至所述第一注意力模块，输出注意力特征序列；

将所述注意力特征序列输入至所述基于注意力模块的循环神经网络模型，输出预测结果；

将所述预测结果与所述标签信息输入至所述待训练字符识别模型的损失函数，得到损失结果；

根据所述损失结果调整所述基于注意力模块的卷积神经网络的网络参数以及所述基于注意力模块的循环神经网络的网络参数，直至所述损失函数收敛；以及

将所述损失函数收敛时得到的模型作为字符识别模型。

5.根据权利要求4所述的方法，所述基于注意力模块的循环神经网络包括：第一网络部分和第二网络部分，其中，所述第一网络部分包括输入层与隐藏层；所述第二网络部分包括所述第二注意力模块和输出层；

所述将所述注意力特征序列输入所述基于注意力模块的循环神经网络模型，输出预测结果包括：

将所述注意力特征序列输入至基于注意力模块的循环神经网络的所述第一网络部分，输出第一特征序列；以及

将所述第一特征序列输入至基于注意力模块的循环神经网络的所述第二网络部分，输出预测结果。

6.根据权利要求1所述的方法，所述获取训练样本数据集包括：

获取初始训练样本数据集，其中所述初始训练样本数据集中包括初始训练样本；

将所述初始训练样本数据集输入至生成对抗网络，输出经扩充后的中间训练样本数据集；

按照预设条件，对所述中间训练样本数据集中的中间训练样本进行筛选处理，得到扩充训练样本数据集，其中，所述扩充训练样本数据集中的扩充训练样本的数量多于所述初始训练样本数据集中的初始训练样本的数量；

对所述扩充训练样本数据集中的扩充训练样本进行二值化处理，以生成灰度训练样本数据集；

对所述灰度训练样本数据集中的灰度训练样本进行去噪及矫正，生成优化训练样本数据集；以及

将所述优化训练样本数据集中的优化训练样本缩放至预设大小，得到训练样本，其中，所述训练样本数据集由所述训练样本组成。

7.根据权利要求4所述的方法，所述第一注意力模块包括多个卷积核大小为1x1的卷积层。

8.根据权利要求1至7任一项所述的方法，所述训练样本为包括银行卡号的卡图像。

9.一种字符识别方法，包括，

获取待识别的卡图像；以及

利用字符识别模型对所述待识别的卡图像进行识别，得到识别结果，其中，所述字符识别模型通过权利要求1至8中任一项所述的训练方法得到。