漢字圖像識(shí)別是模式識(shí)別研究與應(yīng)用領(lǐng)域的一個(gè)重要分支,在經(jīng)濟(jì)貿(mào)易、智能交通、文字印刷等許多領(lǐng)域有著極其廣泛的應(yīng)用。因此,漢字識(shí)別方法的技術(shù)研究與開(kāi)發(fā)越來(lái)越受到人們的重視,現(xiàn)今已經(jīng)成為世界范圍內(nèi)熱門(mén)研究的課題之一。隨著深度學(xué)習(xí)在人工智能領(lǐng)域中的快速發(fā)展,深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識(shí)別中獲得了優(yōu)秀的識(shí)別性能。針對(duì)傳統(tǒng)漢字識(shí)別受特征提取方法的限制,深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)便發(fā)揮了可以自動(dòng)獲取學(xué)習(xí)樣本特征的優(yōu)勢(shì),但是深度學(xué)習(xí)在訓(xùn)練樣本時(shí)比較復(fù)雜所以難度較大。本文通過(guò)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)以及傳統(tǒng)模式識(shí)別在漢字識(shí)別的應(yīng)用進(jìn)行了相關(guān)的研究,論文主要研究工作如下:1)本文研究了傳統(tǒng)漢字圖像識(shí)別方法,使用支持向量機(jī)加決策樹(shù)作為分類器,分別使用方向特征、Gabor特征以及彈性網(wǎng)格特征加上三種不同的數(shù)據(jù)集預(yù)處理方法進(jìn)行試驗(yàn)。實(shí)驗(yàn)表明使用形態(tài)學(xué)轉(zhuǎn)換的數(shù)據(jù)集預(yù)處理方法加上使用彈性網(wǎng)格特征,能夠獲得較好的識(shí)別準(zhǔn)確率。2)為了解決形相似漢字的微小差異會(huì)在訓(xùn)練中丟失的問(wèn)題,通過(guò)將注意力層與本文選定的AlexNet網(wǎng)絡(luò)中的卷積層進(jìn)行并聯(lián),以提高漢字圖像中微小差異處的權(quán)重,達(dá)到提高該處注意力的目的,從而減少卷積層對(duì)于丟... 

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的漢字識(shí)別
        1.2.2 基于深度學(xué)習(xí)的漢字識(shí)別
    1.3 論文主要內(nèi)容和組織結(jié)構(gòu)
第2章 傳統(tǒng)漢字圖像識(shí)別方法
    2.1 漢字識(shí)別的流程
    2.2 預(yù)處理
        2.2.1 圖像二值化
        2.2.2 圖像平滑
        2.2.3 形態(tài)學(xué)轉(zhuǎn)換
        2.2.4 規(guī)整化
    2.3 特征提取
        2.3.1 方向特征
        2.3.2 Gabor特征
        2.3.3 彈性網(wǎng)格
    2.4 圖像分類方法
        2.4.1 決策樹(shù)算法
        2.4.2 提升算法
        2.4.3 支持向量機(jī)
    2.5 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別
    3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.1 局部感知區(qū)域與權(quán)值共享
        3.1.2 激勵(lì)函數(shù)
        3.1.3 局部響應(yīng)歸一化
        3.1.4 池化
        3.1.5 Dropout
    3.2 卷積神經(jīng)網(wǎng)絡(luò)的前向傳播
        3.2.1 卷積層的前向傳播
        3.2.2 池化層的前向傳播
        3.2.3 全連接層的前向傳播
        3.2.4 Softmax層的前向傳播
    3.3 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播
        3.3.1 Softmax層的反向傳播
        3.3.2 全連接層的反向傳播
        3.3.3 池化層的反向傳播
        3.3.4 卷積層的反向傳播
    3.4 本章小結(jié)
第4章 集成注意力層的卷積神經(jīng)網(wǎng)絡(luò)在漢字識(shí)別上的應(yīng)用
    4.1 研究目的與總體思路
    4.2 基準(zhǔn)模型選取
        4.2.1 模型設(shè)計(jì)
        4.2.2 實(shí)驗(yàn)
    4.3 AlexNet詳解
    4.4 基于注意力層的卷積神經(jīng)網(wǎng)絡(luò)
        4.4.1 注意力層原理
        4.4.2 集成注意力層的卷積神經(jīng)網(wǎng)絡(luò)
    4.5 本章小結(jié)
第5章 漢字圖像識(shí)別實(shí)驗(yàn)
    5.1 實(shí)驗(yàn)平臺(tái)搭建
        5.1.1 GPU架構(gòu)設(shè)計(jì)
        5.1.2 數(shù)據(jù)交互
        5.1.3 軟件設(shè)計(jì)
    5.2 數(shù)據(jù)集
        5.2.1 數(shù)據(jù)集介紹
        5.2.2 數(shù)據(jù)增強(qiáng)
    5.3 漢字圖像識(shí)別實(shí)驗(yàn)
        5.3.1 實(shí)驗(yàn)一：傳統(tǒng)漢字識(shí)別試驗(yàn)方法對(duì)比
        5.3.2 實(shí)驗(yàn)二：漢字圖像分辨率對(duì)比
        5.3.3 實(shí)驗(yàn)三：訓(xùn)練樣本數(shù)量對(duì)比
        5.3.4 實(shí)驗(yàn)四：網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比
        5.3.5 實(shí)驗(yàn)五：網(wǎng)絡(luò)性能優(yōu)化
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文的主要工作
    6.2 未來(lái)工作的展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于CNN手寫(xiě)字符識(shí)別的改進(jìn)方法[J]. 高燦.  黑龍江科技信息. 2017(03)
[2]基于GPU的卷積檢測(cè)模型加速[J]. 劉琦,黃咨,陳璐艷,胡福喬.  計(jì)算機(jī)應(yīng)用與軟件. 2016(05)
[3]基于方向線素特征的手寫(xiě)體維文字符識(shí)別[J]. 姜文,盧朝陽(yáng),李靜.  微電子學(xué)與計(jì)算機(jī). 2013(10)
[4]基于手寫(xiě)體漢字雙彈性網(wǎng)格模糊特征的研究[J]. 魏瑋,郭向丹.  控制工程. 2012(06)
[5]手寫(xiě)體漢字識(shí)別的二叉樹(shù)SVM算法研究[J]. 朱程輝,項(xiàng)思俊.  計(jì)算機(jī)技術(shù)與發(fā)展. 2009(09)
[6]基于二元樹(shù)復(fù)數(shù)小波變換的文種自動(dòng)識(shí)別[J]. 朱華光,平西建,程娟.  數(shù)據(jù)采集與處理. 2008(06)
[7]基于Gabor變換的高魯棒漢字識(shí)別新方法[J]. 王學(xué)文,丁曉青,劉長(zhǎng)松.  電子學(xué)報(bào). 2002(09)
[8]一種基于支持向量機(jī)的手寫(xiě)漢字識(shí)別方法[J]. 高學(xué),金連文,尹俊勛,黃建成.  電子學(xué)報(bào). 2002(05)
[9]基于多尺度小波紋理分析的文字種類自動(dòng)識(shí)別[J]. 曾理,唐遠(yuǎn)炎,陳廷槐.  計(jì)算機(jī)學(xué)報(bào). 2000(07)
[10]一種基于灰度期望值的圖象二值化算法[J]. 高永英,張利,吳國(guó)威.  中國(guó)圖象圖形學(xué)報(bào). 1999(06)

博士論文
[1]降維算法和手寫(xiě)文字識(shí)別中若干問(wèn)題研究[D]. 姚超.西安電子科技大學(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)的字符識(shí)別[D]. 張超群.電子科技大學(xué) 2016
[2]基于CPU-GPU異構(gòu)平臺(tái)的圖像處理的加速研究[D]. 宋展.西安電子科技大學(xué) 2014
[3]深度學(xué)習(xí)及其在手寫(xiě)漢字識(shí)別中的應(yīng)用研究[D]. 王有旺.華南理工大學(xué) 2014
[4]維吾爾文單字符Gabor特征提取與識(shí)別[D]. 姜文.西安電子科技大學(xué) 2012
[5]基于大字符集脫機(jī)手寫(xiě)體漢字識(shí)別方法研究[D]. 周雙飛.蘇州大學(xué) 2011
[6]基于圖像匹配的漢字識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D]. 武桐.上海交通大學(xué) 2010



本文編號(hào)：3720957