基干自动智能分类器图书馆乱架图书检测.docVIP

基于自动智能分类器的图书馆乱架图书检测 　　摘要：整理乱架图书是图书馆日常维护工作的一个重要组成部分。人工检测图书乱架不但费时费力而且极容易出错。为此，设计了一种结合深度学习中的SoftMax回归算法和书脊图像特征识别相结合的乱架检测算法，算法主要包括书脊定位分割、字符识别、语义特征提取以及分类判决等环节，实现了自动高效的图书乱架检测。实验数据表明本文提出的检测算法能达到近98%的检测准确率，并且还具备速度快、几乎不需要人工干预等优势，能大大降低图书馆日常图书清点工作的劳动强度 关键词：图书馆；乱架检测；图像分割；字符识别；深度学习 中图分类号：TB 文献标识码：A doi：10.19311/j.cnki2016.25.087 1概述 利用现代智能处理技术特别是用计算机代替人们自动的去处理大量的图像信息，能够解决人类器官的分辨能力容易受到环境、情绪、疲劳等因素的影响，从而部分代替人工劳动，大大提高生产效率。近年来，将传统的工作进行数字化和自动化加工逐渐成为图书馆行业越来越重视的工作内容之一。但是目前的图书馆数字化工作仍存在众多没有解决的问题 图书乱架的整理工作是图书馆日常维护工作的一个重要组成部分。由于书籍众多，当出现不同种类的图书放置在一起时，工作人员很难人工将错误放置的图书进行正确地归类，即使能够做到，也会花费很长的时间和大量的精力，导致人力资源的浪费 2006年，深度学习（Deep Learning）开始在学术界和工业界引领发展前沿，其中深度学习认为：1）多隐层的人工神经网络学习得到的特征对数据有更本质的刻画，有利于分类和检测；2）深度神经网络在训练上的难度，可以通过“逐层预训练”来有效克服。基于深度学习的图像视觉识别技术已经在许多行业中得到了应用，如检验零件的质量；识别工件及物体的形状和排列形态等 本文结合图书馆日常管理中遇到的图书乱架这一实际问题，以书脊视觉图像为切入点，引入深度学习中的SoftMax回归，设计出一种包括单册图像分割、字符识别、语义特征提取以及归类判别等环节的图书乱架检测算法，其有效性已在实验中得到较好的验证 2书脊图像的定位分割 由于获取的图像有可能会出现模糊，因此需要对图像进行预处理。将拍摄的书脊图像近似看成平稳过程，使用标出，以供后续处理 3书脊图像的字符识别 由于汉字的类别较大、结构复杂和类似字多，造成汉字的识别难度比较大。传统的仅用一种特征来识别汉字的方法已不能满足汉字识别的要求。因此，本文采用了二次识别的方法对汉字字符进行识别，第一次分类利用汉字的笔画穿过数目特征，第二次是对那些首次仍不能区别开的汉字利用汉字四角的能量值密度特征进行区分 本文的汉字特征选择了笔画穿过数目和能量值密度这两个特征。笔画穿过数目是指对汉字图像的水平、垂直两个方向进行扫描，然后统计这两个方向上扫描线出国汉字笔画的次数即得到汉字的笔画直方图，得到笔画穿过次数的特征向量 在进行汉字特征匹配时，首先对待识别的汉字笔画穿过数目特征进行提取，记该特征为C。识别时，首先计算待识别汉字与标准库中汉字的距离d，d定义为待识别汉字的笔画穿过数目矩阵C与标准库中汉字的笔画穿过数目矩阵B的对应值差值的绝对值之和，其表达式为 d=∑ni=1∑mj=1cij-bij 式中cij为矩阵C中的元素，bij表示矩阵B中的元素 给定一个阈值σ，若距离dσ，则该字不能被识别，否则把该字放入二级识别队列中，如果二级队列中只有一个字，就判别这个字为要识别的字，若二级队列中不只一个汉字，则要对二级识别队列中的汉字进行二级识别 在二级识别里用能量值密度作为特征，提取这些汉字的能量值密度。设一阈值为ε，计算待识别汉字的能量值密度矩阵和标准库汉字的能量值密度矩阵中对应值的绝对值之和，差值最小的汉字判别为要识别的汉字 4语义特征提取 利用识别出来的字符，对其进行语义特征的提取，以判断书籍属于哪一类。首先通过在原始文本语义空间提取文本的局部分布信息，构造拉普拉斯矩阵和局部密度矩阵，然后通过奇异值分解SVD和广义特征值分解GEVD求解特征变换矩阵，最后实现文本数据的降维空间聚类 给定m个文本数据的原始特征语义空间描述X=（x1，x2，…，xm）T，这里xi为文本i的特征向量描述，包含文本类别信息相关的关键词、主题词以及文本中出现的高频词等描述信息，并且xi中的每一个特征元素记录了这些词条的重要程度和出现的频度 对X按列进行基于欧几里得距离的kNN近邻算法获取点向量xi的k个邻近点N（xi），并采用高斯核将邻接点向量的欧几里得距离转化为相似度： sij=exp（-xi-xj2），xj∈N（xi） 得到文本集X的相似矩阵S，该矩阵