探究深度學(xué)習(xí)在脫機(jī)彝文字符識別中的應(yīng)用

吉娃阿英

（四川大學(xué)計算機(jī)學(xué)院，成都 610065）

0 引言

字符識別因為其較高的實(shí)際應(yīng)用價值，一直是模式識別領(lǐng)域的一個研究熱點(diǎn)。隨著計算機(jī)和相關(guān)學(xué)科的發(fā)展，文字識別的研究工作已經(jīng)取得了較大的成功，一些文字識別的產(chǎn)品相繼產(chǎn)生，并投入使用當(dāng)中。特別是針對漢字和英文的光學(xué)字符識別產(chǎn)品已經(jīng)比較成熟[1]，在實(shí)際的應(yīng)用中表現(xiàn)良好。然而，對于一些少數(shù)民族語言文字的研究卻還剛剛起步甚至是空白。彝語是一門使用人數(shù)超過百萬的少數(shù)民族語言，而對于彝文字識別的研究還處在起步階段，還沒有統(tǒng)一或者成型的彝文字識別方法和工具出現(xiàn)[2]。

目前雖然有少數(shù)的相關(guān)研究者對彝文字符識別做了初步的探索和研究，但是大都使用的是一些傳統(tǒng)的人工設(shè)計規(guī)則來提取特征，再用模板匹配或者是分類的方法。這些傳統(tǒng)的研究方法雖然在一定的條件和特定的數(shù)據(jù)集上可以獲得比較良好的實(shí)驗結(jié)果，但是存在著不足和缺陷[3]。例如，手工構(gòu)造規(guī)則并提取特征對特定的數(shù)據(jù)集有效，但是在不同數(shù)據(jù)集或者實(shí)際應(yīng)用中它會出現(xiàn)泛化能力不足的現(xiàn)象。另外，不同的特征選擇算法和特征選擇，對識別的效果影響較大以及特征選擇困難，容易受數(shù)據(jù)集影響，算法對數(shù)據(jù)的噪聲敏感，從而對前期原始數(shù)據(jù)的預(yù)處理要求就很高[4]。鑒于此，本文探究了深度學(xué)習(xí)在彝文字符識別上的應(yīng)用，深度學(xué)習(xí)方法因能夠自主從數(shù)據(jù)中學(xué)習(xí)和提取特征，能夠大大彌補(bǔ)上述傳統(tǒng)方法的缺點(diǎn)。經(jīng)過實(shí)驗驗證，深度學(xué)習(xí)算法在彝文字符識別中具有良好的表現(xiàn)。

1 相關(guān)研究

彝文字符識別是一個新起步的研究課題，目前為止相關(guān)的研究還比較少。王嘉梅等人使用基于圖像分割，手工構(gòu)造規(guī)則和特征字典匹配的方法研究了彝文字識別的應(yīng)用，并設(shè)計相關(guān)實(shí)驗來進(jìn)行仿真[4]。朱宗曉等人采用1024維周邊方向貢獻(xiàn)度作為彝文字符的統(tǒng)計特征，使用基于K-L變化的特征壓縮算法和三級字典快速匹配算法，來實(shí)現(xiàn)脫機(jī)印刷體彝文的識別[5]。朱龍華等人應(yīng)用彈性網(wǎng)格特征，方向線素特征，投影特征和筆畫密度特征以及結(jié)合彝文字型的結(jié)構(gòu)特征進(jìn)行特征提取，最后通過多分類器集成的方法來輸出識別結(jié)果[6]。賈曉棟初次提出了深度學(xué)習(xí)方法在脫機(jī)手寫彝文字上的研究工作，并使用卷積神經(jīng)網(wǎng)絡(luò)在自建的包含100個類的手寫體彝文字?jǐn)?shù)據(jù)集上訓(xùn)練和測試，在此100個類別的手寫體彝文數(shù)據(jù)集上獲得不錯的效果[3]。本文在更大的脫機(jī)印刷體彝文字符數(shù)據(jù)集上探索和驗證了深度學(xué)習(xí)在彝文印刷體文字識別上的應(yīng)用，實(shí)驗結(jié)果表明，深度學(xué)習(xí)在彝文脫機(jī)印刷體識別上是有效可行的。

2 實(shí)驗設(shè)計

2.1 數(shù)據(jù)準(zhǔn)備

圖1

本文收集了大量的脫機(jī)印刷體彝文字圖片和掃描件樣本，然后將彝文字圖片數(shù)據(jù)經(jīng)過文字切分，二值化和歸一化處理。最后形成包含全部1165個標(biāo)準(zhǔn)彝文字符，每個字符對應(yīng)20個不同圖片，樣本大小為23300張32×32小圖片的彝文印刷體字符集。示例樣本如圖2：

圖2

本實(shí)驗設(shè)計的彝文字識別方法屬于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)方法，需要讓神經(jīng)網(wǎng)絡(luò)模型從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)不同類別文字的模式，因此需要對彝文字符進(jìn)行數(shù)據(jù)標(biāo)注。本文采用Unicode彝文系統(tǒng)[7]的編碼順序來對彝文字進(jìn)行標(biāo)注，類別標(biāo)號從0開始。Unicode彝文系統(tǒng)中彝文字符的編碼范圍為0xA000-0xA4c6，而0xA000編碼對應(yīng)的是字，所以該字的類別標(biāo)號是0，同樣地字的類別標(biāo)號為10，依此類推。實(shí)驗時從數(shù)據(jù)集中隨機(jī)20000份樣本作為訓(xùn)練集，剩余的3300份作為測試集。

2.2 實(shí)驗實(shí)施

采用的網(wǎng)絡(luò)模型如圖3，包括多個卷積層和下采樣層，原始圖像數(shù)據(jù)輸入模型，經(jīng)過卷積層的處理產(chǎn)生多個輸出（特征圖），特征圖再經(jīng)過采樣層max-pooling采樣處理，最后特征圖作為全連接層的輸入來產(chǎn)生對應(yīng)的輸出。在此網(wǎng)絡(luò)模型當(dāng)中，卷積層經(jīng)過學(xué)習(xí)輸出多個特征圖，這是一個特征學(xué)習(xí)的過程，跟傳統(tǒng)算法的特征選擇相似，但是卷積層能夠通過多個卷積核對輸入圖像產(chǎn)生多個對應(yīng)的特征圖，相比傳統(tǒng)人工設(shè)計和選擇特征相比，能學(xué)習(xí)到更多更細(xì)微的特征，能夠適應(yīng)圖像的旋轉(zhuǎn)位移等變化[8]。下采樣層類似傳統(tǒng)方法中的特征降維處理，這樣能降低網(wǎng)絡(luò)模型參數(shù)的復(fù)雜度，提高模型的泛化能力。最后的全連接層類似傳統(tǒng)方法中的分類器，把卷積網(wǎng)絡(luò)學(xué)習(xí)到的高層特征作為模式輸入，學(xué)習(xí)輸出對應(yīng)的分類預(yù)測結(jié)果。

圖3

圖4

圖5

圖4和圖5訓(xùn)練和驗證誤差曲線，橫軸表示模型訓(xùn)練過程中的迭代次數(shù)，縱軸是對應(yīng)準(zhǔn)確率和誤差。由圖可以看到，隨著訓(xùn)練迭代次數(shù)的增加準(zhǔn)確率逐漸提高，誤差逐漸減小，當(dāng)模型迭代次數(shù)到達(dá)400左右的時候，準(zhǔn)確率和誤差趨于穩(wěn)定。在驗證過程中，情況與訓(xùn)練過程類似。雖然隨著訓(xùn)練迭代次數(shù)的增加，模型預(yù)測的準(zhǔn)確率也會相應(yīng)地提高，但這可能會產(chǎn)生過擬合現(xiàn)象，為此，在本實(shí)驗中，迭代次數(shù)選擇350次，這樣能在一定程度上提高模型的泛化能力。

3 實(shí)驗結(jié)果與分析

由于彝文字符識別的研究尚不成熟，標(biāo)準(zhǔn)統(tǒng)一的數(shù)據(jù)集沒有形成，目前為止很難做到相同條件下的實(shí)驗結(jié)果對比，本文從數(shù)據(jù)集、識別率，以及特征提取方法等角度來對不同方法的比較。如表1。

表1

從實(shí)驗結(jié)果中可以看到，基于特征字典匹配，基于組合特征多分類器集成和本文深度學(xué)習(xí)的方法在識別率上都表現(xiàn)出較好的性能。但是，由于深度學(xué)習(xí)的方法對前期數(shù)據(jù)預(yù)處理的要求比上文兩種方法低，也不需要人工構(gòu)造和提取特征，而是通過數(shù)據(jù)學(xué)習(xí)獲取相關(guān)特征。因此基于神經(jīng)網(wǎng)絡(luò)的方法不僅能提高識別的效率，其在不同數(shù)據(jù)集上的泛化能力也明顯優(yōu)于前者。

4 結(jié)語

彝文字符識別是一個具有現(xiàn)實(shí)意義的研究工作，然而目前尚處在摸索探究的階段，大多數(shù)研究方法都還在沿用傳統(tǒng)的手工設(shè)計規(guī)則和特征提取的方法。鑒于深度學(xué)習(xí)方法現(xiàn)在圖像處理領(lǐng)域取得的巨大成就[8]，本文探索了深度學(xué)習(xí)方法在彝文字符識別中的應(yīng)用，實(shí)驗結(jié)果表明，深度學(xué)習(xí)方法在彝文字符識別方面的應(yīng)用是可行的，并且相比一些傳統(tǒng)的方法，其具有一定的優(yōu)勢。

參考文獻(xiàn)：

[1]孫華，張航.漢字識別方法綜述[J].計算機(jī)工程，2010,36（20）:194-197.

[2]朱宗曉,吳顯禮.脫機(jī)印刷體彝族文字識別系統(tǒng)的原理與實(shí)現(xiàn)[J].計算機(jī)技術(shù)與發(fā)展，2012，22（2）:85-88.

[3]賈曉棟.基于深度學(xué)習(xí)的手寫體彝文識別技術(shù)應(yīng)用研究.北京:中央民族大學(xué),2017.

[4]王嘉梅，文永華，李燕青.基于圖圖像分割的古彝文字識別系統(tǒng)研究[J].云南民族大學(xué)學(xué)報:自然科學(xué)版，2008,17（1）：76–79

[5]朱宗曉,吳顯禮.脫機(jī)印刷體彝族文字識別系統(tǒng)的原理與實(shí)現(xiàn)[J].計算機(jī)技術(shù)與發(fā)展，2012，22（2）:85-88.

[6]朱龍華，王嘉梅.基于組合特征的多分類器集成的脫機(jī)手寫體彝文字識別[J].云南民族大學(xué)；自然科學(xué)版,2010,19（5）：329-333.

[7]沙馬拉毅.計算機(jī)彝文信息處理[J].涼山大學(xué)學(xué)報，2001,3:4-7.

[8]Alex Krizhevsky,Ilya Sutskever,Geoffrey E.Hinton.ImageNet Classification with Deep Learning Convolutional Neural Networks.International Conference on Neural Information Processing Systems，2012，60（2）:1097-1105.