卷积神经网络在印章编号识别中的应用

阳哲

（四川大学计算机学院，成都　610065）

卷积神经网络在印章编号识别中的应用

阳哲

（四川大学计算机学院，成都610065）

卷积神经网络；印章编号；识别

0　引言

印章做为一种重要的鉴定和签署的文具，在日常生活中应用广泛。每一枚印章都会有一个独一无二的编号，作为印章的标识。在实际生活中，我们往往需要输入印章的编号来查询印章的基本信息，但是目前都是通过手动输入印章的编号来查询。随着深度学习的火热发展，近几年深度学习在人工智能领域取得很大的进展，尤其是在语音识别和图像识别中取得很好的效果。而卷积神经网络做为一种深度的监督学习下的机器学习模型，其在图像识别领域的应用已经越来越广泛，因此本文提出了基于卷积神经网络的印章编号识别算法。

1　卷积神经网络

卷积神经网络是一种前馈神经网络，它的特点是其前馈神经元可以响应一部分范围内的周围单元[1]，因此适应于大型图像处理。卷积神经网络可以识别有变化的模式，对几何图形变形具有鲁棒性，较一般神经网络具有以下优点：（1）输入图像和网络的拓扑结构可能刚好吻合；（2）特征提取和模式分类同时进行；（3）权值共享技术大大减少了网络的训练参数，从而使网络的结构更加简单，适应性更强[2]。

1.1卷及神经网络的历史

卷积神经网络的设计源自于活生物体视觉机制的发现。20世纪60年代，Hubel和Wiesel发现动物的视觉皮质中包含了许多细胞，这些细胞组成了感受野，其功能是探测细微的光线和覆盖视觉的子区域。20世纪80年代，Fukushima基于感受野概念提出了神经认知机，这个可以看做是卷积神经网络的第一个实现网络，也是感受野在神经网络领域的首次应用。

1.2卷积神经网络的结构

卷积神经网络是一个多层次的前馈式神经网络，每层由多个二维平面组成，每个平面由多个独立神经元组成。一个完整的卷积神经网络的结构如图1 所示。

从图1 可以看出，卷积神经网络一般包含卷积层，分段抽样层和全连接层。其中卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。而在图像识别中，卷积操作就是用一个卷积核在图像矩阵上游走，在对应位置元素相乘，再把相乘的结果相加，最后相加的结果形成新的图像矩阵，游走完成后即完成了对原始图像的卷积变换，形成此卷积核下的特征提取，具体如图2 所示。

图1　卷积神经网络结构

图2　卷积操作

分段抽样层的作用则是二次特征提取，通常在卷积层之后会得到维度很大的特征，将需要特征切成几个区域，取该区域的最大值或者平均值，从而得到新的，维度较小的特征[3]。而分段抽样操作也叫池化操作，具体如图3 所示。

图3　池化操作

全连接层采用的是Softmax回归，该层就是以卷积神经网络提取到的图片特征做为输入，然后根据这些特征则可以做一个数据训练分类器。因为逻辑回归一般用来进行二值分类，也就是说逻辑回归的结果只能是0或者1；而印章编号是0～9的阿拉伯数字，一共需要分成10个类别，所以全连接层必须采用Softmax回归，Softmax的结构如图4所示：

图4　Softmax分类器的结构

1.3卷积神经网络算法伪代码

卷积神经网络算法的伪代码如下:

（1）对输入的印章编号图片做卷积操作，形成若干个卷积核。

（2）对卷积操作形成的特征层进行二次特征提取操作。

（3）重复步骤（1）和步骤（2），直至获取到具有足够畸变容忍能力的特征。

（4）根据步骤（3）得到的特征做一个分类器，从而解决印章编号的识别问题。

可以用多个印章编号来训练一个卷积神经网络，而该网络可以对印章编号中的数字进行分类，从而识别出印章编号中的阿拉伯数字，训练的过程大致分为以下几个步骤：

①从留底印文中提取出编号，用这些编号训练一个稀疏编码器C1；

②以C1做为第一个卷积层，从原始编号中做卷积特征提取；

③在C1的后面添加一个分段抽样层S1，对C1所提取的特征做池化计算；

④以最后一个池化层的输出做为印章编号的分类器，即将印章编号中的数字按0～9进行分类，从而识别出印章编号中的数字。

2　实验

实验环境为MATLAB，实验的训练数据集是来自留底印文中的印章编号，而测试数据集则来自盖在支票或者文件上的印章编号。留底印文如图5 所示。

图5　留底印文

图5 中的印文是RGB模式，RGB模式又称为三原色模型。这是一种加色模式，将红、绿、蓝三原色的色光以不同的比例相加，以产生多种多样的颜色。因此可以先将图片分离为红、绿、蓝三个通道，然后通过像素值的分布来设定一个阈值，用于分割提取印章编号。将印章图片进行RGB通道分离后得到像素值的分布如图6所示：

图6　印文像素值分布图

因此可以通过阈值分割的办法提取出印章的编号。提取得到的印章编号如图7所示。

图7　留底印文的编号

将具有m个训练样本的训练集合{（x（1），y（1）），…，（x（m），y（m））}（其中，y（i）∈{0，…，9}）放入卷积神经网络中进行训练，通过训练可以得到的特征如图8所示。

图8　训练印章编号得到的特征

3　结语

卷积神经网络是当前最热门的深度学习算法之一，其在图像识别和语音识别已经取得了显著的效果。通过卷积和分段取样操作，卷积神经网络具有权值共享的特性，这就使得卷积神经网络在处理大型图像时有着先天性的优势。印章编号的识别本质上是一个阿拉伯数字的分类问题，而卷积神经网络则擅长处理图像分类问题。因此本文尝试将卷积神经网络应用到印章编号的识别中，提出了基于卷积神经网络的印章编号识别算法。在识别方形章的编号上取得了很好的效果，但是由于在实际应用中圆形章的编号呈弧形状，而不像方形章一样呈直线状，这给提取和识别印章编号带来了不便。因此，下一步需要重点解决识别圆形章和椭圆形章的印章编号的问题。

[1]Convolutional Neural Networks（LeNet）-DeepLearning 0.1 Documentation[OL].DeepLearning 0.1.LISA Lab.[2013-08-31].http:// deeplearning.net/tutorial/lenet.html

[2]徐珊珊，刘应安，徐昇.基于卷积神经网络的木材缺陷识别[J].山东大学学报（工学版），2013，43（2）：28-33.

[3]卷积神经网络[OL].wikipedia.[2012-12-11].https://zh.wikipedia.org/wiki/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB% 8F%E7%BD%91%E7%BB%9C

Convolution Neural Network;Seal Number;Recognition

Application of Convolution Neural Network in Seal Number Identification

YANG Zhe
（College of Computer Science,Sichuan University，Chengdu 610065）

阳哲（1990-），男，湖南邵阳人，硕士研究生，研究方向为机器智能

2015-12-31

2016-01-13

卷积神经网络算法在图像识别中有着广泛的应用，但是目前在印章识别领域的应用还不是很多。因此可以将卷积神经网络应用到印章识别中，提出一种基于卷积神经网络的印章编号识别算法。

Convolution neural network algorithm has been widely used in image recognition，but currently used in the field of seal of recognition is not a lot.Presents a seal number recognition algorithm based on convolution neural network.