郁 岩

（江苏安全技术职业学院 机械工程学院，江苏 徐州 221000）

0 引 言

传统的光学字符识别（OCR）在数据场景单一的背景中虽有较好的识别率，但是面对复杂、多干扰的自然场景时，OCR识别效果不佳。SVM、Boosting等算法需要人工定义特征信息，由特征提取器从图像中提取相关特征，再由分类器对这些特征进行分类。而深度学习只需输入原始图像模型就能够自主学习图像特征，然后输出分类结果[1]。

随着移动支付技术的更新，传统卷积神经网络LeNet_5进行动态字符识别时仍存在问题：现有网络深度不足，影响字符识别精度。多数研究人员认为深度神经网络的深度到了尽头，这是由于超深层网络在进行反向传播时，靠近输入层的梯度会出现消失或爆炸的现象[2]，但2014年由Christian Szegedy提出的GoogleNet网络可以有效缓解该问题[3]。据此，本文提出了一种加宽网络以创建超大型网络的方法，此类方法不仅能够获得足够复杂的网络，还能避免不断加深网络造成的梯度消失问题。

1 字符识别数据库

通过收集物流和支付等环节的字符数据，分析整理得到不同字迹及位置字符信息数据，并基于数字图像预处理方法对数据进行滤波去噪、信息分割等操作，构建字符分析数据样[4]。

1.1 MNIST数据集

MNIST是训练数据集包含60 000个样本和测试集包含10 000个样本的手写数字数据集[5]，该数据集基于重新混合NIST（National Institute of Standards and Technology, NIST）的特殊数据集（Special Database）SD-3和SD-1创建。其中SD-3来自人口普查局的工作人员笔迹，SD-1来自大学生笔迹，其样本结构见表1所列。训练集和测试集分别由250个不同的人编写，由此确保训练集和测试集的编写者相互独立不相交，避免非样本差异外的干扰因素，数据集均经过归一化预处理。……