張顯杰，張之明

（1.武警工程大學信息工程學院，西安 710086；2.武警工程大學研究生大隊，西安 710086）

0 引言

離線手寫體文本識別（Offline Handwritten Text Recognition，OHTR）一直是計算機視覺和模式識別的主要研究內(nèi)容之一［1］。不同于聯(lián)機手寫體文本識別可以記錄書寫人的軌跡，OHTR 由于不同的人書寫的風格不同以及文本的結構越來越復雜等原因，仍然是一個具有挑戰(zhàn)性的難題［2］。早期的OHTR 主要是基于分割的手寫體文本識別［3-4］，該類方法將圖像分割成像素級的小部分，再使用分類的方法給每一個部分歸類，由于分割的不確定性，此類方法識別的精度較低；另一種主流的方法是基于隱馬爾可夫模型（Hidden Markov Model，HMM）的無分割的手寫體文本識別［5-6］，該類方法將圖像作為整體輸入到模型中，能避免出現(xiàn)圖像分割產(chǎn)生的問題。

隨著深度學習技術的飛速發(fā)展，基于循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）和卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）的無分割手寫體識別模型［7-10］不斷被提出。Vaswani 等［11］提出了基于全局自注意力的Transformer，該模型放棄了循環(huán)連接的長短時記憶（Long Short-Term Memory，LSTM）網(wǎng)絡，已經(jīng)廣泛應用于自然語言處理和計算機視覺領域［12-14］。

受此啟發(fā)，本文提出了基于CNN 和Transformer 的手寫體英文文本識別模型。主要工作有以下幾點：

1）將CNN 和Transformer 編碼器結合，提出了無分割的手寫體英文文本識別模型；

2）使用鏈接時序分類（Connectionist Temporal Classification，CTC）貪心搜索算法解碼，解決輸入序列和標簽的對齊問題。

1 相關工作

1.1 CNN

CNN 已經(jīng)成為深度學習時代的主干架構，廣泛應用于圖像分類［15］、目標檢測［16-17］、實例分割［18-19］。然而，大多數(shù)CNN擅長利用卷積操作捕捉局部信息［20-25］，但不擅長捕捉全局信息，比如對于手寫體文本識別比較重要的長序列依賴關系。為了使CNN 能夠捕捉到全局信息，一種方法是通過卷積層的堆疊，使網(wǎng)絡模型變得更深［21-23］，而這往往導致模型的參數(shù)量急劇增加；另一種方法是增大卷積核的尺寸，擴大卷積操作的感受野，這需要更多具有破壞性的池化操作［26-27］。雖然使用以上兩種方法確實提高了CNN 的性能，但直接使用全局依賴關系的機制可能更適用于手寫體文本識別任務。

1.2 Transformer

基于全局自注意力機制的Transformer 在許多序列模式識別任務中取得了不錯的效果，比如機器翻譯［28］、語音識別［29］。Kang 等［30］首次將Transformer 的自注意力機制應用于手寫體文本識別，提出了沒有循環(huán)網(wǎng)絡的識別模型，解決了循環(huán)網(wǎng)絡不能并行的問題，并且在字符級別上預測手寫體文本。Mostafa 等［31］構建了自己的數(shù)據(jù)集，應用Transformer 編碼器和解碼器，結合頁面分割和文本分割技術用于手寫體阿拉伯文識別。Ly 等［32］將Transformer 編碼器與雙向長短時記憶（Bidirectional LSTM，BLSTM）網(wǎng)絡結合，提出了注意力增強的卷積循環(huán)網(wǎng)絡，在手寫體日語文本識別中表現(xiàn)優(yōu)異。雖然Transformer 在計算機視覺領域發(fā)展迅速，但在手寫體文本識別中還有很大的發(fā)展空間。

1.3 CTC

目前，CTC 解碼方法是無分割手寫體文本識別任務常用的一種解碼方法，Graves 等［33-34］最早將CTC 和BLSTM 結合用于端到端手寫體文本識別。之后，Chen 等［35］提出將門控卷積網(wǎng)絡和可分離的多維長短時記憶（Multi-Dimensional LSTM，MDLSTM）網(wǎng)絡結合，同時訓練筆跡識別和文本識別，使用CTC 處理文本識別輸入和標簽序列對齊問題。Zhan等［36］提出將帶有殘差連接［23］的CNN 和BLSTM 結合，用CTC計算損失和解碼?；贑TC 模型，Krishnan 等［37］提出了一種端到端的嵌入方案，聯(lián)合學習文本和圖像的嵌入。

在手寫體英文文本識別任務中使用CTC 解碼器能夠取得一定的效果，但CTC 解碼器假設不同時刻的網(wǎng)絡輸出是條件獨立的［33］，存在忽略全局信息的不足，而Transformer 基于全局自注意力機制能夠有效地捕捉到全局信息。因此，本文利用Transformer 捕捉全局信息的優(yōu)點彌補CNN 難以捕捉全局信息和CTC 忽略全局信息的不足，探索Transformer 在手寫體英文文本識別中的應用前景。

2 CNN-Transformer Network

2.1 總體架構

本文提出的基于CNN 和Transformer 的手寫體英文文本識別模型CTN（CNN-Transformer Network）如圖1 所示，主要包含三個部分：CNN 特征提取層、Transformer 編碼器、CTC 解碼器。輸入灰度圖像I∈RH*W*1，經(jīng)過CNN 提取到特征圖，而后將特征圖F輸入Transformer 編碼器得到特征序列每一幀的預測Y=[y1，y2，…yT]，yT∈RL，其中：T是序列長度，L是標簽字符種類的個數(shù)（含空白字符）。最后經(jīng)過CTC 解碼器獲取最終的預測結果。

圖1 CTN總體架構Fig.1 Overall architecture of CTN

2.2 CNN特征提取層

由于Transformer 缺少CNN 固有的一些歸納偏置［12］，即對模型作出的一系列人為限制，同時對訓練數(shù)據(jù)集需求較高，因此本文使用CNN 作以彌補，使模型能夠在一般的數(shù)據(jù)集上具有泛化性。

本文使用帶有壓縮激勵（Squeeze-and-Excitation，SE）塊的SE-ResNet-50［27］作為特征提取層，SE 塊結構如圖2，特征圖X經(jīng)過壓縮函數(shù)Fsq(·)得到關于通道的統(tǒng)計信息Z，隨后經(jīng)過激勵函數(shù)Fex(·，We)獲取通道的相關性S，最后經(jīng)過縮放函數(shù)Fscale(·，·)得到新的特征圖。計算公式如下：

圖2 SE塊Fig.2 SE block

SE 塊讓特征圖通過一些網(wǎng)絡層得出每個通道的“權重”，再和原特征圖進行運算，對通道增加了注意力機制。

2.3 Transformer編碼器

Transformer 編碼器由一個多頭注意力（Multi-Head Attention，MHA）和一個多層感知器（Mult-iLayer Perceptron，MLP）兩個子層組成［11］，每個子層前使用層標準化（Layer Normalization，LN）［38］，每個子層后使用殘差連接［23］，如圖3（a）所示。

為了減少運算量，文獻［14］提出了線性的空間縮減注意力（Liner Spatial Reduction Attention，LSRA），如圖3（b）。和MHA 類似，LSRA 也是接收查詢Q、鍵K、值V作為輸入，計算公式如下：

圖3 Transformer編碼器和LSRAFig.3 Transformer encoder and LSRA

其中：Ni表示的是第i個階段注意力頭的數(shù)量；表示第j個頭與輸入對應的權重矩陣；WO表示線性層的權重矩陣；Avg(·)表示的是平均池化，目的是減少參數(shù)運算量。和文獻［11］一樣，Attention(·)注意力計算如下：

多頭注意力經(jīng)過Ni次計算，將所有頭的結果拼接到一起，再經(jīng)過一個線性層獲得LSRA 的輸出結果。

對于輸入特征Fin，帶有LSRA 的Transformer 編碼器計算過程如下：

由于Wang 等［13］提出的金字塔視覺Transformer（Pyramid Vision Transformer，PVT）大幅減少了模型的計算量和內(nèi)存消耗，并且能很好適用于下游任務，本文在Wang 等［14］提出的PVTv2 上作以改良，用于建立圖像內(nèi)部的上下文關系，整體結構如圖4 所示。

圖4 改良的PVTv2整體架構Fig.4 Overall architecture of improved PVTv2

PVTv2 共有4 個相似的階段，每個階段都包含一個塊嵌入層（Patch Embedding）和多個Transformer 編碼器，CNN 獲取的特征圖經(jīng)過嵌入層后輸入到Transformer 編碼器中。PVTv2 在第i個階段開始都會把特征圖平均分成份，分辨率降為原來的，每個階段輸出的結果都會重塑（Reshape）成特征圖，再輸入到下一個階段，從而降低圖像的分辨率。為了產(chǎn)生寬度較大的特征圖，本文對特征圖的劃分與PVTv2不同，經(jīng)過Transformer 后，特征圖的高H依次降為，寬W依次降為

2.4 CTC解碼器

Transformer 編碼器輸出的特征序列每一幀的預測，輸入到CTC 解碼器中得到最后的預測結果。實驗結果表明，使用CTC 束搜索算法解碼和使用貪心搜索算法解碼精度相差不到0.1%，但束搜索算法（束大小設置為10）解碼時間是貪心搜索算法的3 倍左右，因此，在實驗時，本文使用CTC 的貪心搜索算法解碼。

3 實驗與結果分析

3.1 數(shù)據(jù)集

實驗所用數(shù)據(jù)集是公開的IAM（Institut für Angewandte Mathematik）手寫英文單詞數(shù)據(jù)集［39］，包含由675 個作者手寫的115 320 個單詞以及對應的標簽，由字母、數(shù)字以及特殊符號組成。由于原始數(shù)據(jù)部分單詞分割錯誤，本文在實驗前對原始數(shù)據(jù)進行了篩選，去掉了錯誤分割的圖像、純標點符號的圖像以及兩張損壞的圖像和一張標簽錯誤的圖像，得到實驗圖像數(shù)據(jù)共84 976 張，按照8∶1∶1 劃分為67 919 張訓練集圖像、8 461 張驗證集圖像和8 596 張測試集圖像。圖5 是實驗中使用的數(shù)據(jù)集和標簽示例。

圖5 實驗數(shù)據(jù)集和標簽示例Fig.5 Examples of experimental dataset and labels

3.2 評價標準

為了量化實驗的結果，使用標準的字符錯誤率（Character Error Rate，CER）和單詞錯誤率（Word Error Rate，WER）評估模型。預測的單詞轉(zhuǎn)換為標簽，需要替換的字符個數(shù)記為SC，需要插入的字符個數(shù)記為IC，需要刪除的字符個數(shù)記為DC：

其中：LC表示單詞標簽中字符的總個數(shù)。最后求取所有單詞CER 的算術平均數(shù)。同理，

其中：SW表示預測的字符串轉(zhuǎn)換為標簽需要替換的單詞個數(shù)；IW表示需要插入的單詞個數(shù)；DW表示需要刪除的單詞個數(shù)；LW表示字符串標簽中單詞的總個數(shù)。最后求取所有字符串WER 的算術平均數(shù)。

3.3 實驗細節(jié)

3.3.1 實驗設置

在CNN 特征提取層，選擇3.4.1 節(jié)消融研究的最優(yōu)結果作為基準，Transformer 編碼器的參數(shù)在遵循文獻［14］的B2-Li 的基礎上，對特征圖的劃分份數(shù)作以修改，CTC 解碼器采用貪心搜索算法。輸入圖像為灰度圖，尺寸統(tǒng)一縮放到128 × 384，預測序列長度為24，標簽字符種類個數(shù)（含空白符）為72，使用CTC 損失函數(shù)，優(yōu)化器使用均方根傳遞（Root Mean Square prop，RMSprop），共訓練100 個循環(huán)次數(shù)。實驗操作系統(tǒng)為ubuntu18.04，GPU 型號為GTX1080Ti，CUDA（Compute Unified Device Architecture）版本為10.2，采用Pytorch 1.5.0 學習框架。

3.3.2 數(shù)據(jù)增強

由于數(shù)據(jù)量有限，為了防止過擬合，本文對輸入圖像做了增強。在訓練階段，為了增加訓練樣本的多樣性，既采用了隨機幾何數(shù)據(jù)增強，如旋轉(zhuǎn)、平移、縮放、錯切等，又采用了文獻［40］提出的數(shù)據(jù)增強方法。前者將圖像視為一個整體，而后者對圖像中每個字符作以變化，更加適用于手寫體英文文本的識別。在測試階段，為了防止數(shù)據(jù)增強對識別產(chǎn)生影響，只將圖像縮放到128 × 384，不做其他任何處理。

3.4 消融實驗

為了選擇最優(yōu)的訓練模型，本文做了大量的消融實驗，主要包括CNN 深度對實驗精度的影響和學習率對實驗精度的影響。

3.4.1 CNN深度對實驗精度的影響

實驗中選擇了SE-ResNet-50 作為CNN 特征提取層，其模型含有5 個層級。為了選擇合適的截取層級作為CNN 特征提取層，對不同截取層級獲得的精度和速度進行了比較。所有的實驗都在同一個數(shù)據(jù)集和實驗環(huán)境下進行，學習率設為0.000 5，選取在驗證集上WER 最低的模型進行測試。實驗結果如表1 所示。

表1 SE-ResNet-50不同截取層級的性能Tab.1 Performance of different interception layers of SE-ResNet-50

從實驗結果可發(fā)現(xiàn)：隨著層級的不斷加深，模型的參數(shù)量由94.1×106增加到197.0×106，單張圖像測試時間由1.98 ms 增加到37.92 ms，但模型的字符錯誤率和單詞錯誤率在conv2_x 達到最低，分別為4.30%和14.52%，同時參數(shù)量相對較低。由此可見，CNN 的歸納偏置能夠增加Transformer 的識別精度。因此，本文選擇截取層級conv2_x作為CNN 特征提取層。

3.4.2 學習率對實驗精度的影響

為了選擇最優(yōu)的訓練模型，在3.4.1 節(jié)模型的基礎上設置不同的學習率進行實驗，同樣選取在驗證集上WER 最低的模型進行測試，結果如圖6 所示。

圖6 不同學習率的測試精度Fig.6 Test accuracies of different learning rates

從圖6 可以看出，學習率不同，測試精度不同，隨著學習率的不斷增加，CER 和WER 也不斷變化，總體呈現(xiàn)先下降后上升的趨勢，學習率為0.000 7 時CER 和WER 達到最高，分別為11.98%和29.78%，學習率為0.000 2 時CER 和WER 達到最低，分別為3.60%和12.70%，因此，本文選擇0.000 2 作為模型的最終學習率，所得測試精度作為模型的最終測試精度。

3.5 實驗對比及分析

3.5.1 與其他模型的比較

表2 是不同模型在IAM 手寫英文單詞數(shù)據(jù)集上評估的結果。表2 中分別提供了作者采用的主要模型所獲得的識別精度，部分模型同時提供了在不同條件下所得的評估結果，可以看出，在有詞典或語言模型的情況下，識別精度都比較高。本文所提出的模型不依賴于詞典或語言模型的約束，既能呈現(xiàn)出模型的真實識別能力，也能應對一些不能提供詞典的情況，比如姓名識別，實用性較強。表2 中CTC+Attention［2］、RNN+CTC［37］、RNN+CTC［41］、Attention［42］沒有使用預處理方法，CER 和WER 基本都高于本文的CER 和WER；RNN+Attention［8］、RNN+CTC［9］、Attention［43］和本文模型一樣使用了預處理，其中RNN+Attention［8］在未使用其他方法的情況下，CER 和WER 分別比本文高了5.20 個百分點和11.10個百分點，使用了詞典約束后CER 比本文高了2.60 個百分點，RNN+CTC［9］只使用了預訓練方法后CER 比本文高了1.28 個百分點，WER 比本文低了0.09 個百分點，Attention［43］只使用了預訓練方法后CER 和WER 分別比本文高了2.19個百分點和2.45 個百分點，通過比較驗證了本文模型的可行性。

表2 IAM手寫英文單詞數(shù)據(jù)集上的評估結果比較Tab.2 Comparison of evaluation results on IAM handwritten English word dataset

3.5.2 錯誤結果分析

為了進一步了解模型的識別能力，從預測錯誤圖像的結果中隨機抽取100 條記錄進行分析，表3 給出了預測錯誤的類型占比。從表3 可以看出，單詞預測錯誤1 個字母所占比例為68%（單詞內(nèi)部錯誤1 個字母所占比例為41%，開頭或結尾錯誤1 個字母所占比例為27%），單詞大小寫預測錯誤所占比例為4%，而整個單詞錯誤所占比例僅為1%，驗證了模型能夠識別出單詞中大部分的字母，識別能力比較強。

表3 預測錯誤的類型占比Tab.3 Proportion of types of prediction errors

圖7 展示了模型預測的圖像示例。圖7（a）展示的是預測正確的圖像示例；圖7（b）、（c）展示的是預測錯誤1 個字母的圖像示例；圖7（d）展示的是整個單詞預測錯誤的圖像示例。

圖7 預測的圖像示例Fig.7 Examples of predicted images

從圖7 可以看出，模型對于書寫相對規(guī)范的英文文本識別精度高，對于書寫隨意性較大的英文文本識別精度低。

4 結語

手寫體英文文本識別因書寫隨意、結構復雜和分割困難等問題，一直是計算機視覺和模式識別的難題之一。針對這些問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡（CNN）和Transformer 相結合的手寫體英文文本識別模型。該模型利用CNN 提取特征，而后輸入到Transformer 進行編碼，最后采用CTC 解碼器解決輸入序列和標簽的對齊問題。通過在公開數(shù)據(jù)集上進行大量的實驗分析，驗證了本文模型的可行性。接下來的研究工作：一是將本文模型應用于其他手寫體文本識別任務，比如中文或日文手寫體文本識別；二是在手寫體行級文本識別中提出合適的網(wǎng)絡結構，達到較高的識別精度。