光學(xué)字符識別技術(shù)（Optical Character Recognition）是一類通過電子設(shè)備掃描文本,從而將文本上內(nèi)容翻譯成計算機文字的技術(shù)。隨著大數(shù)據(jù)時代的到來,人類每年產(chǎn)生的數(shù)據(jù)正在以指數(shù)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(guān)注。傳統(tǒng)的光學(xué)字符識別技術(shù)基于人為手工設(shè)計特征,對于復(fù)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(xué)習(xí)技術(shù)為核心的新一代文本檢測技術(shù)的出現(xiàn),光學(xué)字符識別效果取得巨大突破。深度學(xué)習(xí)技術(shù)可以從海量數(shù)據(jù)中學(xué)習(xí)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(biāo)檢測的準(zhǔn)確率。但是該技術(shù)極其依賴大量數(shù)據(jù)來修正卷積神經(jīng)網(wǎng)絡(luò)參數(shù),提高模型泛化能力。本文針對答題卡中的手寫數(shù)字檢測與識別任務(wù),采用深度卷積神經(jīng)網(wǎng)絡(luò)設(shè)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(wù),同時通過優(yōu)化模型超參數(shù)與結(jié)構(gòu),提高模型的泛化能力與檢測速度。并針對檢測數(shù)字傾斜導(dǎo)致無法識別的問題,設(shè)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(shù)字識別算法無法分割連筆數(shù)字以及預(yù)處... 

【文章頁數(shù)】：82 頁

【學(xué)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(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)方法的字符檢測
        1.2.2 基于深度學(xué)習(xí)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(xué)習(xí)基本理論及目標(biāo)檢測算法
    2.1 人工神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 深度學(xué)習(xí)的崛起
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)簡介
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的組成
    2.3 遷移學(xué)習(xí)
    2.4 主流目標(biāo)檢測算法分類
    2.5 基于深度學(xué)習(xí)的兩階段檢測算法FASTER-RCNN
        2.5.1 第一個使用深度學(xué)習(xí)技術(shù)的目標(biāo)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(xué)習(xí)的一階段檢測算法
    2.7 K-MEANS聚類算法
    2.8 本章小結(jié)
第三章 多位數(shù)字識別算法
    3.1 傳統(tǒng)切割算法多位數(shù)字的識別
        3.1.1 MNIST數(shù)據(jù)集上單位數(shù)字識別模型比較
        3.1.2 真實場景手寫數(shù)字轉(zhuǎn)換成MNIST格式
        3.1.3 位數(shù)不確定情況下手寫數(shù)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(shù)字
        3.2.1 語音辨識領(lǐng)域的啟發(fā)
        3.2.2 CRNN模型介紹
        3.2.3 CRNN訓(xùn)練數(shù)據(jù)的獲取
        3.2.4 CRNN模型訓(xùn)練
    3.3 本章小結(jié)
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(shè)計
    4.2 實驗所需數(shù)據(jù)集制作
    4.3 印刷體文本中手寫數(shù)字的檢測
    4.4 基于SSD算法的手寫數(shù)字檢測優(yōu)化
        4.4.1 手寫數(shù)字檢測精度優(yōu)化
        4.4.2 手寫數(shù)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(shù)字校正方法
    4.6 本章總結(jié)
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(jié)
第六章 總結(jié)和展望
    6.1 本文總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士期間的學(xué)術(shù)活動及成果情況


【參考文獻(xiàn)】：
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(shù)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(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)目標(biāo)檢測算法的應(yīng)用[D]. 杜鳳麟.安徽大學(xué) 2018
[2]基于深度學(xué)習(xí)的車牌字符識別研究[D]. 楊志.安徽大學(xué) 2018
[3]自然場景中交通標(biāo)志文字檢測算法研究[D]. 劉居鋒.北京交通大學(xué) 2014



本文編號：3682560