CN112733716B 基于srocrn网络的低分辨率文本图像识别方法 （杭州电子科技大学）

基于SROCRN网络的低分辨率文本图像识别本发明公开基于SROCRN网络的低分辨率文图像进行OCR识别时准确率较低的问题，将现存的图像超分辨率重建网络(SRGAN)与文本图像OCR识别网络(CRNN)进行融合与改进，进一步提低分辨率文本图像OCR识别的问题。结合改进的超分辨率重建技术与图像识别技术使用基于SROCRN网络的低分辨率文本图像识别方法对低像在识别过程中因分辨率不够而造成的识别与21.2将1.1中收集的A组与B组图像分别进行两次图像缩图像识别模块采用卷积网络CNN与短时记忆网超分辨率模块生成器中卷积层、上采样层对训练集中图像进行卷积113最后两层串联的上采样层，对最后一个残差模块输出的特征图进行4倍放大生成高分2.根根据权利要求1所述的基于SROCRN网络的低分辨率文本图像识别方法，其特征在43.根据权利要求2所述的基于SROCRN网络的低分辨率文本图像识别方法，其特征在于步骤二图像识别模块CTPN模块中VGG特征提取层采用VGG-16网络，而卷积层与全连接层按4.根据权利要求3所述的基于SROCRN网络的低分辨率文本图像识别方法，其特征在于5.根据权利要求1或4所述的基于SROCRN网络的低分5DENLCTPNOCRS6.一种计算机可读存储介质，其上存储有计算机程序6传播过程中受到不同的压缩编码方式与图像退化函数的影响，其自身的分辨率会随之降图像识别方法，旨在解决低分辨率文本图像作为一种媒介在OCR识别过程中由于自身分辨[0004]本发明方法的技术方案分为SROCRN网络模型构建与训练以及低分辨率文本图像[0006]获取若干分辨率为W×H的原始高分辨率文本图像，并为其打好标签(文本图像实7[0018]4-2加载已经训练好的对应的SROCRN模型，将上述测试集作为输入图像输入模型[0019]本发明的另一个目的是提供一种计算机可读存储介质，[0022]1)本发明中SROCRN网络的超分辨率模块在SRGAN的基础上将残差模块中的归一化[0023]2)本发明中SROCRN网络的超分辨率模块在SRGAN的基础上将原始的16层残差结构[0024]3)本发明中SROCRN网络的图像识别模块在原始CRNN模块的基础上融合了CTPN模结合改进的超分辨率重建技术与图像识别技术使用基于SROCRN网络的低分辨率文本图像8[0033]基于SROCRN网络的低分辨率文本图像识别模型构建训练以及低分辨率文本图像[0035]1.1收集n(n>800)张高分辨W×1/4H的低分辨率图像,并标记为A-1组与B-1组；其中图像缩放变换采用双三次插值方[0045]u：沿横坐标方向，原图像像素坐标的横坐标i离9t-1个特征图序列框；[0112]2.3构建SROCRN网络的损失函数，总损失函Gθ[0125]3.1使用基于PYTHON3.6.5的PYTORCH框架进行模型的构建与训练，并配置[0127]3.3导入PYTHON与TORCH相关工具包，包括torch、torch.optim、torch.nn、[0132]3.6导入models函数与train函数，将3.5中的dataset中的训练集封装进dataloader(可随机按batchsize值提取图像的数据集容器)中并且按照3.4中初始化的参数开始训练，每训练100个epoch更新并保存一次模型参数，训练完的最终模型通过torch.save函数保存为SROC[0134]4.1将3.5中的dataset中的测试集进行dataloader封装，并加载3[0135]4.2将上述测试集中的文本图像作为单个低分辨率文本图像识别的结果(c)为用CRNN网络进行单个低分辨率文本图像识别的结果(d)为用本发明的SROCRN网络进行的单个低分辨率文本[0137]不同网络的批量低分辨率文本图像的识别率比较如表1所示，表格中分别统计了[0138]从表1中可以看到SROCRN网络相对于CTPN网络与CRNN网络在识别单个低分辨率文本图像