买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜杭州电子科技大学申请的专利基于SROCRN网络的低分辨率文本图像识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN112733716B 。

龙图腾网通过国家知识产权局官网在2025-06-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110030021.8，技术领域涉及：G06V20/62；该发明授权基于SROCRN网络的低分辨率文本图像识别方法是由雒鹏程;胡更生设计研发完成，并于2021-01-11向国家知识产权局提交的专利申请。

本基于SROCRN网络的低分辨率文本图像识别方法在说明书摘要公布了：本发明公开基于SROCRN网络的低分辨率文本图像识别方法。本发明方法针对低分辨率文本图像进行OCR识别时准确率较低的问题，将现存的图像超分辨率重建网络SRGAN与文本图像OCR识别网络CRNN进行融合与改进，进一步提出超分辨率图像识别网络SROCRN，从而解决了低分辨率文本图像OCR识别的问题。结合改进的超分辨率重建技术与图像识别技术使用基于SROCRN网络的低分辨率文本图像识别方法对低分辨率的文本图像进行识别，解决了某些文本图像在识别过程中因分辨率不够而造成的识别与获取文本序列困难的问题。该方法易于实现，具有较好的识别效果。

本发明授权基于SROCRN网络的低分辨率文本图像识别方法在权利要求书中公布了：1.基于SROCRN网络的低分辨率文本图像识别方法，其特征在于该方法包括以下步骤： 步骤一、构建SROCRN网络模型的数据集： 1.1获取若干分辨率为W×H的原始高分辨率文本图像，并为其打好标签，然后分为A组与B组； 1.2将1.1中收集的A组与B组图像分别进行两次图像缩放变换，得到分辨率为14*W×14H的低分辨率图像,并标记为A-1组与B-1组； 1.3将1.2中的A组与A-1组标记为训练集，B-1组标记为测试集； 步骤二.构建SROCRN网络，以识别低分辨率图像中文字序列： SROCRN网络包括超分辨率模块和图像识别模块； 超分辨率模块采用对抗网络，由生成器与判别器组成；生成器由卷积层，上采样层，五层串联的残差模块，两层串联的上采样层组成，其中卷积层的输入为A-1组低分辨率文本图像；判别器由卷积层，激活层，五层串联的残差模块，特征转换层，全连接层构成，其中卷积层的输入为激活层的输出和原始高分辨率文本图像； 图像识别模块采用卷积网络CNN与短时记忆网络RNN结合的方式，由文本检测CTPN模块与CRNN模块组成；CTPN模块由VGG特征提取层、卷积层、BLSTM时序信息融合层、全连接层构成，其中VGG特征提取层的输入为超分辨率模块的输出；CRNN模块由卷积层、池化层、RNN序列特征提取层、全连接层构成，其中CRNN模块的卷积层的输入为CTPN模块的输出； 超分辨率模块生成器中卷积层、上采样层对训练集中图像进行卷积与激活操作提取特征图，该操作按公式6与公式7进行： Y＝F2X＝MAX0,w*F1X+b6 公式6中， X：1.3中的训练集图像； F1:图像的RGB通道分离函数； F2：卷积操作的处理函数； w：大小为f1×f1×n的卷积核，其中f1是卷积核的空间大小，n是卷积核的数量； b：n维向量； 公式7中， P：激活处理后的特征图； Yi,j：卷积操作后图像在i，j这一点的像素值； ai,j：1，+∞区间内的固定参数； 五层残差模块每个均由卷积层、归一化层、激活层组成，进一步提取扩展特征图的通道数量，其中卷积层与激活层按照公式6与7进行；归一化层按照公式8、9、10进行： 公式8、9、10中， F3：归一化处理函数； P:上一层卷积后图像的特征图； u：上一层卷积后图像的特征图的均值； σ2：上一层卷积后图像的特征图的方差； ε：可变参数； H：特征图的宽度； W：特征图的长度； 最后两层串联的上采样层，对最后一个残差模块输出的特征图进行4倍放大生成高分辨率图像，上采样层主要采用子像素周期性筛选的方法，按照公式11、12、13、14进行： P1m,n,p＝Pi,j,k11 p＝k×r+i％r14 公式11、12、13、14中， P1：子像素筛选后的第m个特征图在n,p这一点的像素值； P：上一层残差结构生成的第i个特征图在j,k这一点的像素值； m、i：特征图的通道序号； r：特征图上采样的倍数； n、p、j、k：特征图的宽度与高度对应的角标； 步骤三、利用步骤一数据集进行步骤二SROCRN模型的训练、测试。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。