电磁泄漏还原图像中的中文文本识别技术研究

摘要：

现代计算机的显示信号传输过程存在的电磁泄漏,从电磁泄漏还原得到的图像会受到噪声的严重污染,使得其中的文本内容难以识别.本文提出了一种新的模型,利用基于特征强化的神经网络(Feature Enhancement based Neural Network,FENN)对电磁泄漏还原图像中的中文文本进行识别.模型将去噪自编码器(Denoising Autoencoder,DAE)与卷积神经网络(Convolutional Neural Network,CNN)相结合,对电磁泄漏图像的文本特征进行强化并抑制噪声干扰,在不损失原始图像信息的情况下将鲁棒特征送入后续的循环神经网络(Recurrent Neural Network,RNN),最后将连续时间序列分类(Connectionist Temporal Classification Loss,CTC Loss)损失与均方误差损失(Mean Squared Error Loss)结合形成联合损失对模型进行联合训练,实现无需去噪等常规预处理的中文文本识别.模型在电磁泄漏还原实景数据和公开数据集RCTW17、CASIA-10k上进行了测试,相比于常见的主流识别模型,FENN在电磁泄漏还原图像中的中文识别率最高提升5.4％,体现出明显优势.

关键词：电磁泄漏、去噪自编码器、特征强化、中文文本识别、神经网络

所属期刊栏目：6

分类号：TP183;TP309.2(自动化基础理论)

在线出版日期：2021-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：212-226