韩鹏承，胡西川

（上海海事大学信息工程学院，上海 201306）

0 引言

现如今在计算机视觉领域中已经取得了很多的研究成果，例如像光学字符识别（OCR）[1]从扫描文档中提取文本信息已经取得了成功。但与此不同的是对于自然场景中的字符识别问题，由于像街景门牌号这样的自然场景中的字符拥有复杂的图像背景和各种各样的噪声，通过人工提取特征的方法无法达到很好的效果，这就导致对此类字符的识别存在着挑战。直到以卷积神经网络（Convoluted Neural Network,CNN）[2]为代表的深度学习兴起才给这个难题带来了突破性的进展。

20世纪90年代，由LeCun[3]等人发表了论文，确立了CNN的现代结构，并设计出了经典的LeNet-5网络结构用来识别手写数字，取得了很好的效果，这个成果也首次展示出卷积神经网络在实际应用中的潜力和价值。由于当时可用于研究的样本数据很少以及计算机性能不足，使得CNN的发展进程很缓慢。直到现在，大数据时代背景下，可用于研究的数据集得到了很大的扩展；CNN网络经过多年的发展，它的结构得到了不断的改进和完善网络的性能进一步提高；现代计算机性能与之前相比有了很大幅度的进步，并提出利用GPU加速神经网络的训练和识别[4]，与CPU相比GPU在单位面积/单位功耗上拥有更高的计算能力和吞吐带宽，因此通过GPU训练网络可以大大提高效率并且GPU强大的计算能力可以使网络在更大的数据集训练提高精度。多方面的原因使得卷积神经网络得到了发展。……