基于多分类器的无分割手写数字字符串识别算法

手写体数字字符串识别常用于邮件自动分拣、银行票据和财务报表的录入中,针对其分割识别算法复杂度较高、准确率较低的问题,提出一种多分类器下无分割手写数字字符串识别算法。该算法的核心是采用四个分类器实现粘连字符串的无分割识别;将残差结构应用于Le Net-5网络,以增加网络深度,提高识别准确率,加快收敛速度;使用动态选择策略,以避免长度分类器误分类对识别结果的影响。实验结果表明,在NIST SD19一位数字和Synthetic数据集训练网络下,使用NIST SD19上长度为2、3、4、5、6的字符串验证网络,其识别准确率分别为99.3%、98.5%、98.1%、96.6%和97.2%。

基于Mask-RCNN无分割手写数字字符串的识别

针对现有基于过分割的手写体数字字符串识别算法的复杂度较高,以及基于无分割算法无法识别4位及以上长度字符串和准确率较低的问题,提出了基于掩模区域神经网络(Mask-RCNN)的无分割手写数字字符串的识别算法。由于Mask-RCNN增加了并行的全卷积分割子网,能够同时实现对粘连手写数字串中单个数字的掩模分割和数字类别的分类任务。测试集的结果表明,在NIST SD19数据集的1~6位数字串图像及自建掩模数据集的训练下,该网络对长度分别为3位,4位和5位字符串的识别准确率比目前最新算法分别提高了1.2、0.6、0.4个百分点,该算法对非限制位数的手写体数字串的识别具有显著优势,应用前景广阔。