光學字符識別技術（Optical Character Recognition）是一類通過電子設備掃描文本,從而將文本上內容翻譯成計算機文字的技術。隨著大數據時代的到來,人類每年產生的數據正在以指數的形式增長,如何有效且快速的從文本,圖像,視頻中提取到用戶感興趣的信息得到了越來越多研究者的關注。傳統(tǒng)的光學字符識別技術基于人為手工設計特征,對于復雜背景,光照,扭曲等環(huán)境下的字符識別效果較差。近些年來隨著以深度學習技術為核心的新一代文本檢測技術的出現,光學字符識別效果取得巨大突破。深度學習技術可以從海量數據中學習到最具有魯棒特征的分類信息,極大提高了圖像識別與目標檢測的準確率。但是該技術極其依賴大量數據來修正卷積神經網絡參數,提高模型泛化能力。本文針對答題卡中的手寫數字檢測與識別任務,采用深度卷積神經網絡設計了一套自動累分算法。該算法由檢測模型與識別模型合作完成統(tǒng)分任務,同時通過優(yōu)化模型超參數與結構,提高模型的泛化能力與檢測速度。并針對檢測數字傾斜導致無法識別的問題,設計了一個傾斜校正算法,提高了識別算法的可靠性。本文的主要工作如下:（1）針對傳統(tǒng)多位手寫數字識別算法無法分割連筆數字以及預處... 

【文章頁數】：82 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現狀
        1.2.1 基于傳統(tǒng)方法的字符檢測
        1.2.2 基于深度學習方法的字符檢測
        1.2.3 字符檢測的未來方向
    1.3 本文的主要工作
第二章 深度學習基本理論及目標檢測算法
    2.1 人工神經網絡
    2.2 卷積神經網絡
        2.2.1 深度學習的崛起
        2.2.2 卷積神經網絡簡介
        2.2.3 卷積神經網絡的組成
    2.3 遷移學習
    2.4 主流目標檢測算法分類
    2.5 基于深度學習的兩階段檢測算法FASTER-RCNN
        2.5.1 第一個使用深度學習技術的目標檢測算法rcnn
        2.5.2 Rcnn的升級版Fast-rcnn
        2.5.3 Faster rcnn方法
    2.6 基于深度學習的一階段檢測算法
    2.7 K-MEANS聚類算法
    2.8 本章小結
第三章 多位數字識別算法
    3.1 傳統(tǒng)切割算法多位數字的識別
        3.1.1 MNIST數據集上單位數字識別模型比較
        3.1.2 真實場景手寫數字轉換成MNIST格式
        3.1.3 位數不確定情況下手寫數字的識別
        3.1.4 傳統(tǒng)切割算法測試與分析
    3.2 CRNN算法識別序列數字
        3.2.1 語音辨識領域的啟發(fā)
        3.2.2 CRNN模型介紹
        3.2.3 CRNN訓練數據的獲取
        3.2.4 CRNN模型訓練
    3.3 本章小結
第四章 基于SSD模型的試卷自動累分算法
    4.1 試卷自動累分算法流程與方案設計
    4.2 實驗所需數據集制作
    4.3 印刷體文本中手寫數字的檢測
    4.4 基于SSD算法的手寫數字檢測優(yōu)化
        4.4.1 手寫數字檢測精度優(yōu)化
        4.4.2 手寫數字檢測速度與模型大小優(yōu)化
    4.5 最小二乘法傾斜體手寫數字校正方法
    4.6 本章總結
第五章 智能累分器算法測試
    5.1 算法性能測試與分析
    5.2 智能累分器算法手機APP制作
    5.3 本章小結
第六章 總結和展望
    6.1 本文總結
    6.2 展望
參考文獻
攻讀碩士期間的學術活動及成果情況


【參考文獻】：
期刊論文
[1]自然場景下基于連通域檢測的文字識別算法研究[J]. 劉新瀚,錢侃,王宇飛,朱向霄,孫知信.  計算機技術與發(fā)展. 2015(05)

博士論文
[1]自然圖像中文字檢測與識別研究[D]. 姚聰.華中科技大學 2014

碩士論文
[1]基于深度學習目標檢測算法的應用[D]. 杜鳳麟.安徽大學 2018
[2]基于深度學習的車牌字符識別研究[D]. 楊志.安徽大學 2018
[3]自然場景中交通標志文字檢測算法研究[D]. 劉居鋒.北京交通大學 2014



本文編號：3682560