摘  要

 

随着这些年来图像处理技术取得了飞快进步，图像文字处理也逐渐成为一种主流的重点研究方向。尤其是自从ALHPA GO问世以来，在围棋领域“战无不胜”，深度学习以及循环卷积神经网络也因此受到了人们的广泛关注，越来越多的技术方法已经渐渐地被基于深度学习和卷积神经网络的方法所取代，其对于文字的识别与检测能力相比传统技术也有显著提升，可以更好地解决在文字提取时在分布及背景等问题方面的复杂性。

本文对基于深度学习的图像语义分析系统进行了设计与研究。首先论述了基于深度学习的图像语义分析系统的国内外研究背景以及主要的技术路线，介绍每种识别与检测模型的大致思路和优缺点，并基于CTPN+CRNN算法实现图像中文字的检测与识别。其中CTPN（Connectionist Text Proposal Network，连接文本提议网络）适用于检测水平类型的文字，CRNN（Convolutional Recurrent Neural Network，卷积循环神经网络）则是应用于端到端的文本序列识别，换句话说就是基于图像的一种序列识别算法。通过数据集的训练，能够对图像中的文字进行检测和识别，降低了在文字识别时的误识别率。

 

关键词：深度学习，文字检测，文字识别，pytorch

目  录

 

第一章 绪论 1

1.1 引言 1

1.2 国内外研究现状 1

1.2.1 国外研究现状 1

1.2.2 国内研究现状 2

1.3 图像文字识别的发展趋势 3

1.4 论文研究的主要内容 4

第二章 深度学习以及OCR相关技术 5

2.1 深度学习相关技术 5

2.1.1 神经网络 5

2.1.2 卷积神经网络 6

2.1.3 循环神经网络 6

2.2 OCR及相关技术 7

2.2.1 传统OCR技术路线 7

2.2.2 传统OCR的缺点及局限性 8

第三章 图像中的文字检测和识别 9

3.1 本文的研究架构 9

3.2 图像中的文字检测概述 9

3.3 CTPN算法原理及实现 10

3.4 图像中文字识别概述 12

3.5 CRNN算法原理及实现 13

3.6 基于CTPN+CRNN的中文实现方法 15

第四章 检测与识别的结果分析验证 17

4.1 训练集与测试集 17

4.2 实验过程与结果 17

第五章 结论和展望 19

5.1 总结 19

5.2 展望 19

参考文献 20

致  谢 21