李榮瑞，施 霖

(昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500)

盲文識(shí)別研究對(duì)于盲人特殊教育事業(yè)和生活具有重要的意義[1-2]。近年來(lái)，國(guó)內(nèi)外學(xué)者在盲文識(shí)別方面做了大量研究，國(guó)外Yasuhiko Ogawat等[3-5]進(jìn)行了基于數(shù)字圖像處理的盲文識(shí)別等研究；國(guó)內(nèi)的周小燕、周春耕等學(xué)者[6-9]做了許多盲文漢語(yǔ)轉(zhuǎn)換方面的工作。但是這些研究中還存在問(wèn)題：(1)使用條件要求嚴(yán)苛，光照、角度的輕微變化會(huì)嚴(yán)重影響識(shí)別準(zhǔn)確率；(2)圖片預(yù)處理過(guò)程復(fù)雜，步驟繁瑣；(3)特征點(diǎn)由研究人員手工提取，費(fèi)時(shí)費(fèi)力且無(wú)法保證準(zhǔn)確性。

自2006年以來(lái)，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域中對(duì)圖像等進(jìn)行特征學(xué)習(xí)的一種新方法，在圖像識(shí)別方面取得了巨大成功[10]。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)是深度學(xué)習(xí)中廣為應(yīng)用的經(jīng)典模型，例如Lenet-5[11],Cifar-10[12]等模型，其強(qiáng)大的特征學(xué)習(xí)能力使得圖像識(shí)別研究取得了突破性的進(jìn)展。

本文利用灰度投影方法來(lái)自動(dòng)校正和分割盲文；構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型，利用大量疊加噪聲的盲文圖片訓(xùn)練網(wǎng)絡(luò)得到的CNN模型連接Softmax分類器作為盲文識(shí)別部分。最終的盲文自動(dòng)識(shí)別系統(tǒng)具有識(shí)別率高、抗干擾性強(qiáng)等特點(diǎn)，在傳統(tǒng)盲文識(shí)別研究中無(wú)法工作的多種環(huán)境下，系統(tǒng)可良好工作，突破傳統(tǒng)盲文識(shí)別系統(tǒng)對(duì)環(huán)境的嚴(yán)苛要求。

1 盲文圖像自動(dòng)校正與分割

1.1 二值圖像處理

作盲文圖像的灰度投影圖要先將盲文圖像轉(zhuǎn)換為二值圖像。盲文圖像盲點(diǎn)與背景的灰度差異很大且灰度值比較集中，這有利于通過(guò)閾值分割方法進(jìn)行二值處理，圖1分別為盲文圖像和利用大律法(OTSU法)[13]得到的此盲文圖像的二值圖像。

圖1 盲文圖像二值化處理

1.2 圖像校正

如圖2所示，將采集的盲文圖像縮放為邊長(zhǎng)為10 cm的正方形圖像，放置在建立的直角坐標(biāo)系中，使圖像4個(gè)端點(diǎn)分別落在坐標(biāo)點(diǎn)(5 , 5)、(5 , 15)、(15 , 15)、(15 , 5)上，圖像中心點(diǎn)在坐標(biāo)(10 , 10)上。將x軸上投影的采集范圍定為(0 , 0)到(20 , 0)區(qū)間，將y軸的采集范圍定為(0 , 0)到(0 , 20)，這樣可保證圖片在旋轉(zhuǎn)不同角度時(shí)，其二值投影圖像都被完整采集。

圖2 二值圖像坐標(biāo)投影

設(shè)定順時(shí)針?lè)较驗(yàn)檎较?，將盲文偏轉(zhuǎn)角度 依次為α= 0°、6°、12°、18°、24°，將其二值圖像向x軸投影得到豎直灰度投影圖，圖3為以x軸為底、高度為2的同一區(qū)域的灰度對(duì)比圖。結(jié)果顯示，盲文方向偏轉(zhuǎn)角度越大，投影圖中灰度條越集中于底部。

圖3 灰度投影對(duì)比圖

灰度條的集中程度利用如下方法測(cè)量：在豎直灰度投影圖中，將x軸、y軸、直線x=20、切線y=0.5四條直線圍住的矩形部分定義為T(mén)區(qū)域，其中(0, 0.5)坐標(biāo)點(diǎn)的選擇是根據(jù)50張不同的盲文圖像確定的最佳分割點(diǎn)。假設(shè)T區(qū)域內(nèi)像素點(diǎn)總數(shù)為M，灰度為0(黑色部分)的像素點(diǎn)數(shù)量為M0，則T區(qū)域內(nèi)灰度條像素點(diǎn)所占比例p的值為

(1)

對(duì)于同一幅盲文圖片偏轉(zhuǎn)不同角度的數(shù)張灰度投影圖，T區(qū)域大小相同，像素點(diǎn)總數(shù)M不變。偏轉(zhuǎn)角度越大，T區(qū)域內(nèi)黑色像素點(diǎn)數(shù)量M0越大，從而p越大。

盲文圖像的角度校正過(guò)程如圖4所示：將原始盲文圖片的二值圖片偏轉(zhuǎn)不同角度α并分別向x軸投影，計(jì)算其T區(qū)域內(nèi)黑色占比p。選中其中最小的值px，此值對(duì)應(yīng)的旋轉(zhuǎn)角度αx即為校正原始盲文圖片所需要旋轉(zhuǎn)的角度。校正后的圖片中盲文角度誤差小于α步長(zhǎng)的1/2，若要求更高的校正精度，可減小α每次增加的步長(zhǎng)。此處取偏轉(zhuǎn)角度最大為30°是因?yàn)檎Ｃの膱D片的采集偏轉(zhuǎn)角度不會(huì)超出此范圍。

圖4 圖像校正流程圖

取50張盲文圖片對(duì)此校正方法進(jìn)行實(shí)驗(yàn)，結(jié)果顯示，50張盲文圖像的校正成功率為100%。

1.3 盲文圖像分割

在識(shí)別盲文古籍、作業(yè)這種含有大量盲文字符的圖片時(shí)，經(jīng)過(guò)角度校正后，其灰度圖投影在x軸、y軸上形成數(shù)條相互獨(dú)立的灰度條。在豎直投影圖中，灰度條是由同一列盲點(diǎn)在x軸的灰度投影疊加而成，即灰度條在x軸上的坐標(biāo)為這一列盲點(diǎn)的x坐標(biāo)；同理，在水平投影圖中，灰度條是由同一行盲點(diǎn)在y軸的灰度投影疊加而成，灰度條在y軸上的坐標(biāo)即為這一行盲點(diǎn)的y坐標(biāo)。盲文的盲方為3×2的矩形點(diǎn)陣，一行盲文在y軸的投影為3條灰度條，一列盲文在x軸的投影為2條灰度條。根據(jù)這種特點(diǎn)，在y軸上每隔兩條灰度條做一條平行分割線，在x軸上每隔兩條灰度條做一條豎直分割線，橫豎分割線共同作用可將盲文圖片分割。

2 盲文識(shí)別部分

2.1 數(shù)據(jù)集的設(shè)計(jì)與制作

由于沒(méi)有完整的盲文數(shù)據(jù)庫(kù)，實(shí)驗(yàn)所需要的數(shù)據(jù)集從實(shí)際采集的盲文圖片中截取盲文字符制作完成。本次實(shí)驗(yàn)數(shù)據(jù)集包含63類盲文字符和空白盲文圖片一類共64類，每類盲文字符包含20張圖片，此時(shí)數(shù)據(jù)集圖片數(shù)量為：64×20=1 280張?？紤]到實(shí)際使用中的幾種影響因素：光照變化、圖像傾斜、盲點(diǎn)偏移等，為增強(qiáng)識(shí)別系統(tǒng)的魯棒性和抗干擾性，將這些影響因素加入到數(shù)據(jù)集中。對(duì)每張圖片作添加噪聲處理9次，對(duì)應(yīng)9種圖像變化處理：光照強(qiáng)度+15，+30，-15，-30共4種，角度左傾6°，右傾6°兩種，字符平移縮放3種。圖5為一張盲文圖片經(jīng)過(guò)噪聲處理形成的10張圖片。此時(shí)，1 260張?jiān)疾杉の淖址麍D片經(jīng)過(guò)9種噪聲處理，數(shù)據(jù)集圖像數(shù)量變?yōu)椋? 280+1 280 × 9=12 800張，每類盲文字符包含圖片200張。數(shù)據(jù)集中80%作為訓(xùn)練集，20%作為測(cè)試集。

圖5 噪聲處理圖片示例

2.2 卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

CNN的運(yùn)算包含前向傳播和反向傳播[14]。在前向傳播中，上一層的輸出作為這一層的輸入，整個(gè)過(guò)程通過(guò)激活函數(shù)逐層傳遞。反向傳播過(guò)程中通過(guò)計(jì)算實(shí)際輸出與理想輸出的均方誤差，對(duì)權(quán)值參數(shù)進(jìn)行優(yōu)化。信息正向傳播和誤差反向傳播交替進(jìn)行，直到滿足要求或達(dá)到最大迭代次數(shù)[15]。CNN結(jié)構(gòu)過(guò)大或過(guò)小過(guò)擬合或欠擬合，數(shù)據(jù)集太小或不合理會(huì)導(dǎo)致網(wǎng)絡(luò)模型失去泛化能力，初始權(quán)值選取不合理會(huì)導(dǎo)致訓(xùn)練陷入局部最優(yōu)解[16]。

由于盲文字符相對(duì)比較簡(jiǎn)單，CNN中卷積層的層數(shù)初步定為2～3層，每一層卷積層后面接下采樣層，下采樣層可降低特征圖的維度，減少運(yùn)算參數(shù)，提高運(yùn)算時(shí)間；另一個(gè)作用是增強(qiáng)系統(tǒng)平移、伸縮不變性。取盲文圖片對(duì)兩種卷積層模型進(jìn)行測(cè)試，結(jié)果顯示，兩層卷積層模型相比于3層卷積層模型，運(yùn)算時(shí)間減少35%，運(yùn)算數(shù)據(jù)量減少43%，而識(shí)別精度僅減少1%。綜合運(yùn)算速度、內(nèi)存和準(zhǔn)確率等因素，文中將卷積層數(shù)目定為2層，每一層卷積層后連接一層下采樣層以減少運(yùn)算參數(shù)。

全連接層為兩層，試驗(yàn)不同節(jié)點(diǎn)數(shù)量CNN模型的識(shí)別效果，當(dāng)?shù)谝粚尤B接層節(jié)點(diǎn)數(shù)為300，第二層全連接層節(jié)點(diǎn)數(shù)為64時(shí)，CNN模型的識(shí)別準(zhǔn)確率最高。本文實(shí)驗(yàn)構(gòu)建了多種CNN模型，試驗(yàn)了不同層數(shù)和節(jié)點(diǎn)數(shù)的組合，在保證識(shí)別準(zhǔn)確率的同時(shí)考慮識(shí)別速度等因素，最終確定的CNN模型結(jié)構(gòu)如圖6所示，網(wǎng)絡(luò)結(jié)構(gòu)包括：輸入層，2層卷積層(Conv)，2層下采樣層(Pool)，1層激活層(Relu)，2層全連接層(Ip)。CNN模型末端接一層Softmax分類層，右側(cè)數(shù)字表示一張高、寬為28像素的三通道圖片在網(wǎng)絡(luò)中經(jīng)過(guò)各層運(yùn)算后的數(shù)據(jù)變化過(guò)程。

圖6 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

常見(jiàn)的激活函數(shù)有sigmoid函數(shù)，tanh函數(shù)，ReLU函數(shù)，此處選擇稀疏性更好的ReLU函數(shù)[17]。ReLU的算式為

f(x)=max(0,x)

(2)

若通過(guò)卷積計(jì)算得到的值大于0，則此值保持不變；若卷積計(jì)算的值小于0，則將此值賦值為0。

本次實(shí)驗(yàn)共有64類盲文字符，因此分類層我們選擇適合解決多分類問(wèn)題的Softmax函數(shù)。假設(shè)輸入Softmax函數(shù)ζ的向量z的維度為c, 那么Softmax函數(shù)的數(shù)據(jù)也是一個(gè)c維度的向量y，里面的值為1或0。Softmax函數(shù)是一個(gè)歸一化的指數(shù)函數(shù)，定義為

(3)

其中分母起到了正則項(xiàng)的作用，使得

(4)

Softmax函數(shù)放在神經(jīng)網(wǎng)絡(luò)的末端起著分類的作用，用c個(gè)神經(jīng)元可以表示函數(shù)中的值。對(duì)于給定的輸入z，可以得到t=c，c=1,2,…,C中每個(gè)分類的概率為

(5)

其中，P(t=C|z)為給定輸入z時(shí)，該輸入數(shù)據(jù)是C分類的概率。

2.3 訓(xùn)練網(wǎng)絡(luò)模型

將數(shù)據(jù)集的盲文圖片導(dǎo)入構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)中，設(shè)定網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)為1 000次，圖7為訓(xùn)練過(guò)程中準(zhǔn)確率隨迭代次數(shù)增加的變化曲線圖。

圖7 準(zhǔn)確率曲線

如圖所示，CNN模型經(jīng)過(guò)迭代訓(xùn)練逐漸收斂，網(wǎng)絡(luò)誤差減小，準(zhǔn)確率升高。迭代訓(xùn)練1 000次后，CNN模型對(duì)測(cè)試集的識(shí)別準(zhǔn)確率為99.41%，這表明構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)通過(guò)1 000次的迭代訓(xùn)練已經(jīng)從數(shù)據(jù)集中學(xué)習(xí)到各類盲文字符的深層特征并保存在CNN模型中。

3 實(shí)驗(yàn)結(jié)果

在標(biāo)準(zhǔn)采集環(huán)境和多種影響環(huán)境下制作盲文字符圖片共2 928張，輸入CNN模型進(jìn)行識(shí)別，總體識(shí)別率為98.57%，不同噪聲影響下盲文識(shí)別率如表1所示。

表1 識(shí)別結(jié)果

實(shí)驗(yàn)最后檢測(cè)構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型對(duì)于實(shí)際應(yīng)用中盲文識(shí)別的準(zhǔn)確率，在日常使用環(huán)境下取50張不同語(yǔ)句盲文圖片對(duì)本文研究的基于深度學(xué)習(xí)的盲文自動(dòng)識(shí)別系統(tǒng)進(jìn)行從輸入盲文圖片到輸出漢語(yǔ)拼音的整體測(cè)試。50張盲文圖片中盲文字符總數(shù)(包含空白字符)為2 746個(gè)，每張圖片包含的盲文字符數(shù)量(包含空白字符)在24～120個(gè)之間，經(jīng)實(shí)驗(yàn)統(tǒng)計(jì)，系統(tǒng)成功識(shí)別其中2 708個(gè)，自動(dòng)識(shí)別系統(tǒng)對(duì)盲文圖片中字符的識(shí)別成功率為98.62%。

相比于傳統(tǒng)盲文識(shí)別方法，本文方法具有以下優(yōu)勢(shì)：(1) 本文方法避免了傳統(tǒng)方法中繁瑣的預(yù)處理過(guò)程；(2) 傳統(tǒng)方法需要手工定義特征點(diǎn)，費(fèi)時(shí)費(fèi)力且不能保證特征的有效性，本文方法通過(guò)CNN自動(dòng)進(jìn)行訓(xùn)練，得到的模型更能刻畫(huà)盲文的本質(zhì)特征；(3) 傳統(tǒng)方法只用來(lái)識(shí)別特定光照和角度的盲文圖片，且識(shí)別率不足96%，本文方法將此識(shí)別率提升為100%；(4) 傳統(tǒng)方法無(wú)法對(duì)平移、伸縮、角度傾斜等噪聲條件下的盲文圖片進(jìn)行識(shí)別，而本文方法對(duì)此類噪聲圖片的識(shí)別率高達(dá)98.2%。

4 結(jié)束語(yǔ)

本文研究的基于深度學(xué)習(xí)的盲文自動(dòng)識(shí)別系統(tǒng)相比于傳統(tǒng)的盲文識(shí)別研究，突破了傳統(tǒng)方法中對(duì)使用環(huán)境的限制，在傳統(tǒng)盲文識(shí)別裝置不能正常工作的多種環(huán)境下仍能達(dá)到很高識(shí)別率，提高了盲文識(shí)別系統(tǒng)的適用性、實(shí)用性和準(zhǔn)確率。文中的識(shí)別系統(tǒng)準(zhǔn)確率達(dá)到98.62%，若要進(jìn)一步提高系統(tǒng)的識(shí)別準(zhǔn)確率，可通過(guò)兩種方法進(jìn)行提升：(1) 減小圖像校正部分的旋轉(zhuǎn)角度步長(zhǎng)α；(2) 豐富識(shí)別部分訓(xùn)練集的噪聲變化圖片，增加訓(xùn)練集圖片數(shù)量，增加訓(xùn)練迭代次數(shù)。