[发明专利]一种基于多特征融合的中文手写识别分类方法

说明书

本发明涉及一种基于多特征融合的中文手写识别分类方法，对输入图像进行预处理；构建中文手写识别分类系统并进行训练，该系统包括深度学习网络和传统图像特征提取模型；对于待分类的图像经过预处理后分别输入训练后系统的两个模块中；最优深度学习网络输出的分类结果为X，X为好、中或差，其对应的分值分别为A、B、C；传统图像特征提取模型输出的特征进行量化，量化后的特征的值如果落在[a,b]就给X对应的分类得分加c分，否则减c分；最后根据X最后的分类得分将待分类的图像分为好、中或差。本发明的分类方法无需过多数据就可以实现深度学习的分类，同时规避了主观打分的情况，分类结果更客观。

技术领域

本发明属于图像工程领域，涉及一种在实际生活中对学生或者孩子练习字体后科学判定分类的方法。

背景技术

作为信息表达和交流的重要工具，文字被广泛地应用于人们的日常生活和工作中。同时手写也是每个人在社会中赖以生存的技能。随着计算机的发展和普及，手写文字识别作为一种高级的人机交互方式在近几十年来引起了人们的广泛关注。虽然研究者们在手写识别领域也取得很大突破性的进展，但是基于深度学习的手写识别分类还没有；此外一般的手写分类还存在如下问题：在分类时基于人的主观意识存在一定偏差，对最后输出分类结果存在较大的影响，也即结果可能存在较大的偏差。最后许多的方法实现没有提及在不同平台上存在兼容性的问题。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：目前还没有基于深度学习的手写识别分类方法。

为解决上述技术问题，本发明采用如下技术方案：一种基于多特征融合的中文手写识别分类方法，

第一步：对输入图像进行预处理；

第二步：构建基于多特征融合的中文手写识别分类系统，该中文手写识别分类系统包括深度学习网络resnet18和传统图像特征提取模型，所述传统图像特征提取模型包括COLD模块和ALCM模块；

对中文手写识别分类系统进行训练，得到最优深度学习网络resnet18和最优传统图像特征提取模型；

第三步： 对于待分类的图像经过第一步预处理后分别输入最优深度学习网络resnet18和最优传统图像特征提取模型；

最优深度学习网络resnet18输出的分类结果为X，X表示好、中或差，其中好对应的分值为A、中对应的分值为B、差对应的分值为C；

传统图像特征提取模型中的COLD模块输出待分类的图像的COLD特征向量，ALCM模块输出待分类的图像的ALCM特征向量，将待分类的图像的COLD特征向量和待分类的图像的ALCM特征向量进行量化，量化后的待分类的图像的COLD特征向量的值或量化后待分类的图像的ALCM特征向量的值如果落在[a,b]就给X对应的分类得分加c分，否则给X对应的分类得分减c分；

如果X最后的分类得分高于A，则分类结果为好；

如果X最后的分类得分低于C，则分类结果为差；

如果X最后的分类得分最接近A，分类结果为好；

如果X最后的分类得分最接近B，则得分为B，分类结果为中；

如果X最后的分类得分最接近C，则得分为C，分类结果为差。

作为改进，所述第二步对中文手写识别分类系统进行训练的过程如下：

1）选取公开标准的中文书写高清图片和日常用的中文手写高清图片作为目标数据集，对每一张高清图片标注好、中或差的标签，其中好对应的分值为A、中对应的分值为B、差对应的分值为C；

2）初始化深度学习网络resnet18和传统图像特征提取模型；

3）令i=1；

4）在目标数据集随机选取第i个高清图片分别输入深度学习网络resnet18和传统图像特征提取模型中；

深度学习网络resnet18输出第i个高清图片的预测分类结果P，P为好、中或差对应；