買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜杭州電子科技大學(xué)申請的專利基于SROCRN網(wǎng)絡(luò)的低分辨率文本圖像識(shí)別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN112733716B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-06-17發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號(hào)為：202110030021.8，技術(shù)領(lǐng)域涉及：G06V20/62；該發(fā)明授權(quán)基于SROCRN網(wǎng)絡(luò)的低分辨率文本圖像識(shí)別方法是由雒鵬程;胡更生設(shè)計(jì)研發(fā)完成，并于2021-01-11向國家知識(shí)產(chǎn)權(quán)局提交的專利申請。

本基于SROCRN網(wǎng)絡(luò)的低分辨率文本圖像識(shí)別方法在說明書摘要公布了：本發(fā)明公開基于SROCRN網(wǎng)絡(luò)的低分辨率文本圖像識(shí)別方法。本發(fā)明方法針對低分辨率文本圖像進(jìn)行OCR識(shí)別時(shí)準(zhǔn)確率較低的問題，將現(xiàn)存的圖像超分辨率重建網(wǎng)絡(luò)SRGAN與文本圖像OCR識(shí)別網(wǎng)絡(luò)CRNN進(jìn)行融合與改進(jìn)，進(jìn)一步提出超分辨率圖像識(shí)別網(wǎng)絡(luò)SROCRN，從而解決了低分辨率文本圖像OCR識(shí)別的問題。結(jié)合改進(jìn)的超分辨率重建技術(shù)與圖像識(shí)別技術(shù)使用基于SROCRN網(wǎng)絡(luò)的低分辨率文本圖像識(shí)別方法對低分辨率的文本圖像進(jìn)行識(shí)別，解決了某些文本圖像在識(shí)別過程中因分辨率不夠而造成的識(shí)別與獲取文本序列困難的問題。該方法易于實(shí)現(xiàn)，具有較好的識(shí)別效果。

本發(fā)明授權(quán)基于SROCRN網(wǎng)絡(luò)的低分辨率文本圖像識(shí)別方法在權(quán)利要求書中公布了：1.基于SROCRN網(wǎng)絡(luò)的低分辨率文本圖像識(shí)別方法，其特征在于該方法包括以下步驟： 步驟一、構(gòu)建SROCRN網(wǎng)絡(luò)模型的數(shù)據(jù)集： 1.1獲取若干分辨率為W×H的原始高分辨率文本圖像，并為其打好標(biāo)簽，然后分為A組與B組； 1.2將1.1中收集的A組與B組圖像分別進(jìn)行兩次圖像縮放變換，得到分辨率為14*W×14H的低分辨率圖像,并標(biāo)記為A-1組與B-1組； 1.3將1.2中的A組與A-1組標(biāo)記為訓(xùn)練集，B-1組標(biāo)記為測試集； 步驟二.構(gòu)建SROCRN網(wǎng)絡(luò)，以識(shí)別低分辨率圖像中文字序列： SROCRN網(wǎng)絡(luò)包括超分辨率模塊和圖像識(shí)別模塊； 超分辨率模塊采用對抗網(wǎng)絡(luò)，由生成器與判別器組成；生成器由卷積層，上采樣層，五層串聯(lián)的殘差模塊，兩層串聯(lián)的上采樣層組成，其中卷積層的輸入為A-1組低分辨率文本圖像；判別器由卷積層，激活層，五層串聯(lián)的殘差模塊，特征轉(zhuǎn)換層，全連接層構(gòu)成，其中卷積層的輸入為激活層的輸出和原始高分辨率文本圖像； 圖像識(shí)別模塊采用卷積網(wǎng)絡(luò)CNN與短時(shí)記憶網(wǎng)絡(luò)RNN結(jié)合的方式，由文本檢測CTPN模塊與CRNN模塊組成；CTPN模塊由VGG特征提取層、卷積層、BLSTM時(shí)序信息融合層、全連接層構(gòu)成，其中VGG特征提取層的輸入為超分辨率模塊的輸出；CRNN模塊由卷積層、池化層、RNN序列特征提取層、全連接層構(gòu)成，其中CRNN模塊的卷積層的輸入為CTPN模塊的輸出； 超分辨率模塊生成器中卷積層、上采樣層對訓(xùn)練集中圖像進(jìn)行卷積與激活操作提取特征圖，該操作按公式6與公式7進(jìn)行： Y＝F2X＝MAX0,w*F1X+b6 公式6中， X：1.3中的訓(xùn)練集圖像； F1:圖像的RGB通道分離函數(shù)； F2：卷積操作的處理函數(shù)； w：大小為f1×f1×n的卷積核，其中f1是卷積核的空間大小，n是卷積核的數(shù)量； b：n維向量； 公式7中， P：激活處理后的特征圖； Yi,j：卷積操作后圖像在i，j這一點(diǎn)的像素值； ai,j：1，+∞區(qū)間內(nèi)的固定參數(shù)； 五層殘差模塊每個(gè)均由卷積層、歸一化層、激活層組成，進(jìn)一步提取擴(kuò)展特征圖的通道數(shù)量，其中卷積層與激活層按照公式6與7進(jìn)行；歸一化層按照公式8、9、10進(jìn)行： 公式8、9、10中， F3：歸一化處理函數(shù)； P:上一層卷積后圖像的特征圖； u：上一層卷積后圖像的特征圖的均值； σ2：上一層卷積后圖像的特征圖的方差； ε：可變參數(shù)； H：特征圖的寬度； W：特征圖的長度； 最后兩層串聯(lián)的上采樣層，對最后一個(gè)殘差模塊輸出的特征圖進(jìn)行4倍放大生成高分辨率圖像，上采樣層主要采用子像素周期性篩選的方法，按照公式11、12、13、14進(jìn)行： P1m,n,p＝Pi,j,k11 p＝k×r+i％r14 公式11、12、13、14中， P1：子像素篩選后的第m個(gè)特征圖在n,p這一點(diǎn)的像素值； P：上一層殘差結(jié)構(gòu)生成的第i個(gè)特征圖在j,k這一點(diǎn)的像素值； m、i：特征圖的通道序號(hào)； r：特征圖上采樣的倍數(shù)； n、p、j、k：特征圖的寬度與高度對應(yīng)的角標(biāo)； 步驟三、利用步驟一數(shù)據(jù)集進(jìn)行步驟二SROCRN模型的訓(xùn)練、測試。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人杭州電子科技大學(xué)，其通訊地址為：310018 浙江省杭州市下沙高教園區(qū)2號(hào)大街；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。