CN111353458A - 文本框标注方法、装置和存储介质 - Google Patents

Abstract

本申请公开了一种文本框标注方法、装置和存储介质，属于信息技术领域。所述方法包括：获取图像中的多个文本框的位置信息；根据所述多个文本框的位置信息，确定所述多个文本框的属性名称；将所述多个文本框的位置信息和属性名称作为所述图像的文本框标注信息。本申请中是自动获取该图像的文本框标注信息，从而可以提高标注效率，减少标注时间，并且避免因人工标注而导致的主观误差，可以提高文本框标注工作的产量和质量。

Description

文本框标注方法、装置和存储介质

技术领域

本申请涉及信息技术领域，特别涉及一种文本框标注方法、装置和存储介质。

背景技术

OCR(Optical Character Recognition，光学字符识别)是指通过扫描等光学输入方式将票据、报刊、书籍、文稿、证件及其它印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的计算机输入的技术。

OCR可以通过深度学习的方式实现。具体地，先将待识别图像提供给基于深度学习的文本框检测模型，获得该图像中的文本框位置信息，然后根据文本框位置信息对该图像进行剪切处理，获得待识别图像块，将该图像块提供给文本内容识别模型，获得该图像块中的文本内容。

文本框检测模型的性能极大的影响着OCR的识别准确率，因而针对文本框检测模型的参数调优和验证测试显得尤为重要，在此过程中，需要使用大量的文本框标注信息。目前，文本框都是由技术人员手工进行标注，工作量大且耗时非常长，非常不利于文本框检测模型的参数调优和验证测试。

发明内容

本申请提供了一种文本框标注方法、装置和存储介质，可以提高文本框标注工作的产量和质量。

一方面，提供了一种文本框标注方法，所述方法包括：

获取图像中的多个文本框的位置信息；

根据所述多个文本框的位置信息，确定所述多个文本框的属性名称；

将所述多个文本框的位置信息和属性名称作为所述图像的文本框标注信息。

一方面，提供了一种文本框标注装置，所述装置包括：

获取模块，用于获取图像中的多个文本框的位置信息；

确定模块，用于根据所述多个文本框的位置信息，确定所述多个文本框的属性名称；

标注模块，用于将所述多个文本框的位置信息和属性名称作为所述图像的文本框标注信息。

一方面，提供了一种文本框标注装置，所述文本框标注装置包括处理器和存储器，所述存储器用于存储支持文本框标注装置执行上述的文本框标注方法的程序，以及存储用于实现上述的文本框标注方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序。所述文本框标注装置还可以包括通信总线，所述通信总线用于在所述处理器与所述存储器之间建立连接。

一方面，提供了一种计算机可读存储介质，所述存储介质上存储有指令，所述指令被处理器执行时实现上述的文本框标注方法的步骤。

一方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的文本框标注方法。

本申请提供的技术方案至少可以带来以下有益效果：

获取图像中的多个文本框的位置信息后，根据该多个文本框的位置信息，确定该多个文本框的属性名称，从而提高了获取文本框的属性名称的速度和准确度。最后，将该多个文本框的位置信息和属性名称作为该图像的文本框标注信息。如此，是自动获取该图像的文本框标注信息，从而可以提高标注效率，减少标注时间，并且避免因人工标注而导致的主观误差，可以提高文本框标注工作的产量和质量。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种身份证图像的示意图；

图2是本申请实施例提供的一种文本框标注方法的流程图；

图3是本申请实施例提供的另一种文本框标注方法的流程图；

图4是本申请实施例提供的一种文本框标注方法的示意图；

图5是本申请实施例提供的一种文本框标注装置的结构示意图；

图6是本申请实施例提供的一种服务器的结构示意图；

图7是本申请实施例提供的一种终端的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

应当理解的是，本申请提及的“多个”是指两个或两个以上。在本申请的描述中，除非另有说明，“/”表示或的意思，比如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，比如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，为了便于清楚描述本申请的技术方案，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

在对本申请实施例进行详细地解释说明之前，先对本申请实施例的应用场景予以说明。

OCR是指通过扫描等光学输入方式将票据、报刊、书籍、文稿、证件及其它印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的计算机输入的技术。在OCR领域中，文本检测是场景文本识别的前提条件，要解决的问题是如何在杂乱无序、千奇百怪的复杂场景中准确定位出文字所匹配的文本框的位置。

OCR通常包括图像预处理、文本框检测、文字识别等步骤。其中，文本框检测是检测文字所在的位置范围及其布局，包括版面分析和文字行检测等，之后，将检测到的包含文字的文本框对应的图像块送给文字识别模型来进行文字识别。由此可以看出文本框检测的准确率极大的影响着OCR的识别准确率，因而针对文本框检测算法的参数调优和验证测试显得尤为重要。

但是在文本框检测算法的参数调优和验证测试过程中，需要使用大量的文本框标注信息，才能不断优化文本框检测算法，促进文本框检测算法准确率的提升。因而文本框检测算法中的文本框标注工作是非常重要的。

下面对文本框标注的相关内容进行说明：

文本框标注主要包括文本框位置标注和文本框属性名称标注。文本框的位置信息用于指示该文本框在图像中的位置。文本框的属性名称用于指示该文本框中的文本内容的含义。

比如，在图1所示的身份证图像中包括有多个文本内容。该身份证图像的文本框标注信息包括该多个文本内容中每个文本内容对应的文本框的位置信息和属性名称。

图2是本申请实施例提供的一种文本框标注方法的流程图。参见图2，该方法包括：

步骤201：获取图像中的多个文本框中每个文本框的位置信息。

需要说明的是，该图像是需要进行文本框标注的图像。该图像可以是对有文本识别需求的对象拍摄得到的图像。比如，该图像可以是对证件(包括但不限于身份证、港澳通行证、驾驶证等)、票据等对象拍摄得到的图像。

另外，文本框标注可以包括文本框位置信息标注和文本框属性名称标注。也即，可以将图像中的文本框的位置信息和属性名称作为该图像的文本框标注信息。其中，文本框的位置信息用于指示该文本框在图像中的位置。文本框的属性名称用于指示该文本框中的文本内容的含义。

再者，文本框的位置信息是在图像坐标系中确定出的。也即，图像坐标系是用于确定文本框的位置信息的坐标系。文本框一般是四边形框，包括四个角点，具体是两个上角点和两个下角点，两个上角点是左上角点和右上角点，两个下角点是左下角点和右下角点。文本框的位置信息可以包括文本框的四个角点的位置，文本框的四个角点的位置可以用文本框的四个角点在图像坐标系中的坐标来表示。

具体地，可以先将该图像输入文本框检测模型，获得该图像中的多个文本框位置信息，然后根据该多个文本框位置信息获取该图像中的多个文本框的位置信息。

需要说明的是，文本框检测模型用于识别图像中包含有文本内容的文本区域，并将该文本区域的边线位置作为文本框位置信息进行输出。文本框检测模型可以是卷积神经网络、循环神经网络、深度神经网络等神经网络模型。

该文本框检测模型可以是使用包括有不同文本框标注信息的大量图像样本训练得到的。示例地，可以事先确定多个训练样本，对于该多个训练样本中的任意一个训练样本而言，这个训练样本的样本数据是图像，这个训练样本的样本标签是该图像的文本框标注信息。然后可以使用该多个训练样本进行模型训练，具体可以是将该多个训练样本中的样本数据作为输入，将该多个训练样本的样本标签作为期望输出，进行模型训练，来得到该文本框检测模型。

其中，根据该多个文本框位置信息获取该图像中的多个文本框的位置信息的操作可以为：直接将该多个文本框位置信息作为该图像中的多个文本框的位置信息。或者，可以在该图像中显示该多个文本框位置信息中每个文本框位置信息指示的文本框；响应于对该图像中显示的一个文本框的调整操作，调整这一个文本框的位置；响应于在该图像中执行的框选操作，将该框选操作对应的框选框作为文本框在该图像中显示；获取该图像中显示的所有文本框的位置信息。

需要说明的是，调整操作可以是技术人员触发的用于对文本框的位置进行调整的操作，如可以是对文本框的拉长、压缩等操作。技术人员可以通过调整操作来调整文本框的四个角点的位置，以调整文本框的整***置。

另外，框选操作可以是技术人员触发的用于增加新的文本框的操作。技术人员可以通过框选操作在图像中直接框选出新的文本框。

再者，本申请实施例中在图像中显示出文本框检测模型检测出的文本框后，技术人员可以通过调整操作对已显示的文本框的位置进行调整，且还可以通过框选操作来在该图像中新增文本框，如此是通过技术人员来复查修正文本框检测模型检测出的文本框。

在本申请实施例中，一种方式中，可以直接将文本框检测模型输出的文本框位置信息作为该图像中的文本框的位置信息，如此，可以提高确定文本框位置的速度。另一种方式中，是以文本框检测模型输出的文本框位置信息为基础，由技术人员对文本框检测模型输出的文本框位置信息进行复查修正，将复查修正后的文本框位置信息作为该图像中的文本框的位置信息，如此，可以提高确定出的文本框位置的准确度。

步骤202：根据该多个文本框的位置信息，确定该多个文本框的属性名称。

具体地，可以根据该多个文本框的位置信息，按照指定排序规则对该多个文本框进行排序，得到该多个文本框的序号；从序号与属性名称之间的对应关系中，获取第一文本框的序号对应的属性名称作为第一文本框的属性名称，第一文本框是该多个文本框中的一个文本框。

需要说明的是，对该多个文本框进行排序后，该多个文本框就有了顺序，因而该多个文本框中的每个文本框也就有了一个代表其顺序的序号。该多个文本框的排序可以代表该多个文本框在其所属对象中的位置关系。比如，该多个文本框的排序是在该对象中从上到下、从左到右的排序。

另外，指定排序规则可以预先进行设置，是指按照一定规律进行排序。例如，指定排序规则可以是按照从上到下、从左到右的位置关系进行排序的规则。

通常来说，图像中包含的对象可以是处于0度或处于非0度。处于0度是指对象在图像中的姿态是比较端正的，即对象的边线是与图像坐标系的横轴或纵轴比较平行的。处于非0度是指对象在图像中的姿态是比较歪斜的，即对象的边线与图像坐标系的横轴和纵轴均不平行。本申请实施例中可以根据图像中包含的对象是否处于0度，来确定是否要直接按照该多个文本框中每个文本框的位置信息对该多个文本框进行排序。

其中，根据该多个文本框的位置信息，按照指定排序规则对该多个文本框进行排序的操作可以包括如下步骤(1)-步骤(3)：

(1)将该多个文本框中长边的长度最大的一个文本框作为第二文本框。

需要说明的是，文本框的长边是两个上角点或两个下角点之间的边。该多个文本框中长边的长度最大的一个文本框，即是该多个文本框中最长的一个文本框。此时将这一个文本框作为第二文本框，可以便于后续通过第二文本框来研究第二文本框所属对象的姿态。

另外，文本框的长边的长度是其两个上角点或两个下角点的横坐标之间的差值。比如，文本框的长边是两个上角点之间的边，假设某个文本框的左上角点、右上角点、左下角点、右下角点的位置分别用(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)来表示，则这个文本框的长边的长度为x2与x1之间的差值(即x2－x1)。

(2)获取第二文本框的长边所在的直线与图像坐标系的横轴之间的夹角的角度作为目标角度。

需要说明的是，由于第二文本框是其所属对象的所有文本框中最长的文本框，所以第二文本框的长边往往与其所属对象的边线比较一致。这种情况下，第二文本框的长边所在的直线与图像坐标系的横轴之间的夹角的角度(即目标角度)可以代表第二文本框所属对象的边线与图像坐标系的横轴之间的夹角的角度，从而目标角度就能够反映该对象在该图像中的姿态。也就是说，目标角度较小时，表明该对象在图像中的姿态是比较端正的。目标角度较大时，表明该对象在该图像中的姿态是比较歪斜的。

(3)以第二文本框的一个角点为旋转点，将该多个文本框旋转目标角度后得到对应的多个目标框；按照该多个目标框的位置信息，按照指定排序规则对该多个文本框进行排序。

需要说明的是，目标角度可以代表第二文本框所属对象的边线与图像坐标系的横轴之间的夹角的角度。因而以第二文本框的一个角点为旋转点，将该多个文本框中的每个文本框旋转目标角度得到对应的目标框后，该多个目标框在该图像中的姿态是比较端正的。这种情况下，可以根据该多个目标框的位置信息，按照指定排序规则对与该多个目标框一一对应的该多个文本框进行排序，如此可以提高该多个文本框的排序准确度。

其中，根据该多个目标框的位置信息，按照指定排序规则对该多个文本框进行排序的操作可以为：按照该多个目标框的目标角点的纵坐标由小到大的顺序，对与该多个目标框一一对应的该多个文本框进行排序；其中，若至少两个目标框的目标角点的纵坐标相同，则按照该至少两个目标框的目标角点的横坐标由小到大的顺序，对与该至少两个目标框一一对应的至少两个文本框进行排序。

需要说明的是，目标角点可以是四边形框中一个固定的角点。例如，可以将左上角点、右上角点、左下角点、右下角点中的一个角点预先定义为目标角点。

在本申请实施例中，可以优先按照纵坐标由小到大、其次按照横坐标由小到大的顺序，来对该多个目标框进行排序，然后将该多个目标框的排序作为与该多个目标框一一对应的该多个文本框的排序。如此，是按照从上到下、从左到右的顺序，实现对该多个文本框的排序。

值得注意的是，在步骤(2)获得目标角度之后，可以直接执行步骤(3)。或者，在步骤(2)获得目标角度之后，可以先判断目标角度是否大于或等于指定角度；若目标角度大于或等于指定角度，则执行步骤(3)；若目标角度小于指定角度，则可以按照该多个文本框的目标角点的纵坐标由小到大的顺序，对该多个文本框进行排序；其中，若至少两个文本框的目标角点的纵坐标相同，则按照该至少两个文本框的目标角点的横坐标由小到大的顺序，对该至少两个文本框进行排序。

需要说明的是，指定角度可以预先进行设置，且指定角度可以设置的较小。当目标角度大于或等于指定角度时，说明该对象处于非0度，即该对象在该图像中的姿态是比较歪斜的，因而需要执行步骤(3)来对该多个文本框进行旋转后获得多个目标框，再据此来对该多个文本框进行排序，如此可以提高该多个文本框的排序准确度。当目标角度小于指定角度时，说明该对象处于0度，即该对象在该图像中的姿态还是比较端正的，因而此时可以直接按照该多个文本框的位置信息来对该多个文本框进行排序，如此可以提高该多个文本框的排序速度。

其中，一般来说，对象(如身份证、港澳通行证、驾驶证等证件)中的各个位置上的文本内容的含义通常是比较固定的。比如，对于图1所示的身份证来说，其从上到下、从左到右的文本框的属性名称可以为：第一个文本框的属性名称：居民身份证，第二个文本框的属性名称：中文名，第三个文本框的属性名称：英文名，第四个文本框的属性名称：号码，第五个文本框的属性名称：出生日期，第六个文本框的属性名称：日期1，第七个文本框的属性名称：性别，第八个文本框的属性名称：签发日期，第九个文本框的属性名称：日期2。

如此，可以对于每个对象，事先设置代表文本框顺序的序号与相应的属性名称之间的对应关系。比如，对于图1所示的身份证，设置的序号与属性名称之间的对应关系可以如下表1所示：

表1

序号	属性名称
		1	居民身份证
2	中文名
		3	英文名
4	号码
		5	出生日期
6	日期1
		7	性别
8	签发日期
		9	日期2

需要说明的是，本申请实施例仅以上表1为例来对序号与属性名称之间的对应关系进行说明，上表1并不对本申请实施例构成限定。

在本申请实施例中，可以根据对该多个文本框进行排序后得到的序号，准确获取该多个文本框中每个文本框的属性名称，从而提高了获取文本框的属性名称的速度和准确度。

步骤203：将该多个文本框的位置信息和属性名称作为该图像的文本框标注信息。

需要说明的是，对于大批量的图像中的任意一张图像，均可以按照本申请实施例中提供的文本框标注方法来获取这张图像的文本框标注信息。

另外，获得该图像的文本框标注信息后，可以将该图像和该图像的文本框标注信息作为训练样本来对文本框检测算法进行参数调优，或者可以将该图像和该图像的文本框标注信息作为测试样本来对文本框检测算法进行验证测试。

在本申请实施例中，获取图像中的多个文本框的位置信息后，根据该多个文本框的位置信息，确定该多个文本框的属性名称，从而提高了获取文本框的属性名称的速度和准确度。最后，将该多个文本框的位置信息和属性名称作为该图像的文本框标注信息。如此，是自动获取该图像的文本框标注信息，从而可以提高标注效率，减少标注时间，并且避免因人工标注而导致的主观误差，可以提高文本框标注工作的产量和质量。

为了便于理解，接下来结合图3和图4来对本申请实施例提供的文本框标注方法进行举例说明。

参见图3，该文本框标注方法可以包括如下步骤301-步骤303。

步骤301：自动生成包含文本框位置信息和属性名称的基础标注文件。

将待进行文本框标注的多个图像中的每个图像(如证件照等)输入文本框检测模型，获得该文本框检测模型输出的每个图像中的多个文本框位置信息。此外，还可以给输出的所有文本框设置统一的属性名称(可以是事先自定义的一个值)。如此，就针对每个图像生成了包含文本框位置信息以及文本框属性名称的基础标注文件。该基础标注文件的格式需要支持标注软件的加载，该基础标注文件的格式可以是事先定义好的，如可以是json(JavaScript Object Notation，JS对象简谱)、xml(Extensible Markup Language，可扩展标记语言)等。

步骤302：人工复查修正文本框位置信息。

使用标注软件加载步骤301中输出的所有基础标注文件以及该多个图像，以显示该多个图像，且在该多个图像中的每个图像中显示每个文本框位置信息指示的文本框。技术人员对文本框位置信息进行复查修正(文本检测模型输出的文本框位置信息不正确的需要修正，正确的则不需要修正)，如可以通过对显示的文本框的调整操作来修正文本框位置信息。技术人员还可以新增文本框，且可以将新增文本框的属性名称继续设置为步骤301中统一设置的属性名称。之后，针对每个图像重新生成新的标注文件，该标注文件中包含文本框位置信息以及文本框属性名称。

步骤303：自动添加更改文本框属性名称。

针对步骤302中输出的每个图像的标注文件，提供一种指定排序规则将每个图像中的文本框进行排序，如可以按照从上到下、从左到右的顺序进行排序。并且，针对某个图像中排好序的多个文本框中的任意一个文本框，获取这个文本框的序号对应的属性名称作为该文本框的属性名称，将原先设置的统一的属性名称修改为已获取到的每个文本框的属性名称。如此，获得每个图像中多个文本框中每个文本框的位置信息和属性名称作为文本框标注信息。利用该文本框标注信息，可以给文本框检测算法进行参数调优以及测试验证。

接下来结合图4来对上述图3实施例进行详细说明。参见图4，可以包括如下三个部分：

第一部分：定义自动生成基础标注文件的软件模块

Python加载开源或者已有的文本框检测模型，针对大批量图像输入，实现自动化生成文本框位置信息的功能。在生成每个图像的文本框位置信息后，自动化给每个文本框添加属性名称，属性名称可以统一设置为一个值。将该软件模块生成的包含文本框位置信息和文本框属性名称的标注文件称为基础标注文件。每个图像都可以生成一个基础标注文件，且基础标注文件的格式符合标注软件的加载要求。

第二部分：通过标注软件进行人工复查修正文本框位置

使用标注软件加载上述第一部分输出的所有基础标注文件以及该多个图像，以显示该多个图像，且在该多个图像中的每个图像中显示每个文本框位置信息指示的文本框。

技术人员对文本框位置信息进行复查修正(文本检测模型输出的文本框位置信息不正确的需要修正，正确的则不需要修正)，如可以通过对显示的文本框的调整操作来修正文本框位置信息。

技术人员还可以新增文本框，且可以将新增文本框的属性名称继续设置为上述第一部分中统一设置的属性名称。

对加载的多个图像复查修正完成后，针对每个图像重新生成新的标注文件，该标注文件中包含文本框位置信息以及文本框属性名称。之后，重新导出所有图像的标注文件。

第三部分：定义自动添加更改文本框属性名称的软件模块

(1)文本框属性名称定义

针对包含特定对象的图像，该图像上的每个文本框所代表的含义是可以提前知道的，比如针对一张身份证上的文本框，按照从上到下、从左到右的顺序来查看，每个文本框代表的含义可以获知。据此，可以按照文本框的顺序预先设置一套属性名称，也即是，设置序号与属性名称之间的对应关系。

(2)文本框排序算法实现

对于每个图像中的多个文本框，将该多个文本框中长边的长度最大的一个文本框作为第二文本框；获取第二文本框的长边所在的直线与图像坐标系的横轴之间的夹角的角度作为目标角度；以第二文本框的一个角点为旋转点，将该多个文本框中的每个文本框旋转目标角度后得到对应的目标框；根据多个目标框的位置信息，按照指定排序规则对该多个文本框进行排序。

(3)自动添加更改文本框属性名称实现

从序号与属性名称之间的对应关系中，获取文本框的序号对应的属性名称作为该文本框的属性名称，将原先设置的统一的属性名称修改为已获取到的每个文本框的属性名称。如此，获得每个图像中多个文本框中每个文本框的位置信息和属性名称作为每个图像的文本框标注信息。

图5是本申请实施例提供的一种文本框标注装置的结构示意图。参见图5，该装置包括：

获取模块501，用于获取图像中的多个文本框的位置信息；

确定模块502，用于根据多个文本框的位置信息，确定多个文本框的属性名称；

标注模块503，用于将多个文本框的位置信息和属性名称作为图像的文本框标注信息。

可选地，获取模块501用于：

将图像输入文本框检测模型，获得图像中的多个文本框位置信息；

根据多个文本框位置信息获取图像中的多个文本框的位置信息。

可选地，获取模块501用于：

在图像中显示多个文本框位置信息指示的文本框；

响应于对图像中显示的一个文本框的调整操作，调整一个文本框的位置；

响应于在图像中执行的框选操作，将框选操作对应的框选框作为文本框在图像中显示；

获取图像中显示的所有文本框的位置信息。

可选地，确定模块502用于：

根据多个文本框的位置信息，按照指定排序规则对多个文本框进行排序，得到多个文本框的序号；

从序号与属性名称之间的对应关系中，获取第一文本框的序号对应的属性名称作为第一文本框的属性名称，第一文本框是多个文本框中的一个文本框。

可选地，确定模块502用于：

将多个文本框中长边的长度最大的一个文本框作为第二文本框，文本框的长边是两个上角点或两个下角点之间的边；

获取第二文本框的长边所在的直线与图像坐标系的横轴之间的夹角的角度作为目标角度，图像坐标系是用于确定文本框的位置信息的坐标系；

以第二文本框的一个角点为旋转点，将多个文本框旋转目标角度后得到对应的多个目标框；

根据多个目标框的位置信息，按照指定排序规则对多个文本框进行排序。

可选地，确定模块502用于：

按照多个目标框的目标角点的纵坐标由小到大的顺序，对与多个目标框一一对应的多个文本框进行排序；其中，若至少两个目标框的目标角点的纵坐标相同，则按照至少两个目标框的目标角点的横坐标由小到大的顺序，对与至少两个目标框一一对应的至少两个文本框进行排序。

在本申请实施例中，获取图像中的多个文本框的位置信息后，根据该多个文本框的位置信息，确定该多个文本框的属性名称，从而提高了获取文本框的属性名称的速度和准确度。最后，将该多个文本框的位置信息和属性名称作为该图像的文本框标注信息。如此，是自动获取该图像的文本框标注信息，从而可以提高标注效率，减少标注时间，并且避免因人工标注而导致的主观误差，可以提高文本框标注工作的产量和质量。

需要说明的是：上述实施例提供的文本框标注装置在显示页面时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的文本框标注装置与文本框标注方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图6是本申请实施例提供的一种服务器600的结构示意图。服务器600可以是后台服务器集群中的服务器。具体来讲：

服务器600包括CPU(Central Processing Unit，中央处理单元)601、包括RAM(Random Access Memory，随机存取存储器)602和ROM(Read-Only Memory，只读存储器)603的***存储器604，以及连接***存储器604和中央处理单元601的***总线605。服务器600还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output，输入/输出)***606，和用于存储操作***613、应用程序614和其他程序模块615的大容量存储设备607。

基本输入/输出***606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中显示器608和输入设备609都通过连接到***总线605的输入/输出控制器610连接到中央处理单元601。基本输入/输出***606还可以包括输入/输出控制器610以用于接收和处理来自键盘、鼠标或电子触控笔等多个其他设备的输入。类似地，输入/输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备607通过连接到***总线605的大容量存储控制器(未示出)连接到中央处理单元601。大容量存储设备607及其相关联的计算机可读介质为服务器600提供非易失性存储。也就是说，大容量存储设备607可以包括诸如硬盘或CD-ROM(Compact DiscRead-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Electrically Erasable Programmable Read-Only Memory，可擦可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存或其他固态存储其技术，以及包括CD-ROM、DVD(Digital VersatileDisc，数字通用光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。***存储器604和大容量存储设备607可以统称为存储器。

根据本申请的各种实施例，服务器600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器600可以通过连接在***总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机***(未示出)。

上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。该一个或者一个以上程序包含用于进行本申请中方法实施例提供的文本框标注方法中执行的操作的指令。

图7是本申请实施例提供的一种终端700的结构示意图。终端700可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端700包括有：处理器701和存储器702。

处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的文本框标注方法中执行的操作。

在一些实施例中，终端700还可选包括有：***设备接口703和至少一个***设备。处理器701、存储器702和***设备接口703之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口703相连。具体地，***设备包括：射频电路704、触摸显示屏705、摄像头706、音频电路707、定位组件708和电源709中的至少一种。

***设备接口703可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器701和存储器702。在一些实施例中，处理器701、存储器702和***设备接口703被集成在同一芯片或电路板上；在一些其他实施例中，处理器701、存储器702和***设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现，本申请对此不加以限定。

射频电路704用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路704包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路704还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏705用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时，显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时，显示屏705还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏705可以为一个，设置在终端700的前面板；在另一些实施例中，显示屏705可以为至少两个，分别设置在终端700的不同表面或呈折叠设计；在再一些实施例中，显示屏705可以是柔性显示屏，设置在终端700的弯曲表面上或折叠面上。甚至，显示屏705还可以设置成非矩形的不规则图形，也即异形屏。显示屏705可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。

摄像头组件706用于采集图像或视频。可选地，摄像头组件706包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器701进行处理，或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路707还可以包括耳机插孔。

定位组件708用于定位终端700的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件708可以是基于美国的GPS(GlobalPositioning System，全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。

电源709用于为终端700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于：加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。

加速度传感器711可以检测以终端700建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号，控制触摸显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或用户的运动数据的采集。

陀螺仪传感器712可以检测终端700的机体方向及转动角度，陀螺仪传感器712可以与加速度传感器711协同采集用户对终端700的3D动作。处理器701根据陀螺仪传感器712采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器713可以设置在终端700的侧边框和/或触摸显示屏705的下层。当压力传感器713设置在终端700的侧边框时，可以检测用户对终端700的握持信号，由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在触摸显示屏705的下层时，由处理器701根据用户对触摸显示屏705的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器714用于采集用户的指纹，由处理器701根据指纹传感器714采集到的指纹识别用户的身份，或者，由指纹传感器714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器701授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器714可以被设置在终端700的正面、背面或侧面。当终端700上设置有物理按键或厂商Logo时，指纹传感器714可以与物理按键或厂商Logo集成在一起。

光学传感器715用于采集环境光强度。在一个实施例中，处理器701可以根据光学传感器715采集的环境光强度，控制触摸显示屏705的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏705的显示亮度；当环境光强度较低时，调低触摸显示屏705的显示亮度。在另一个实施例中，处理器701还可以根据光学传感器715采集的环境光强度，动态调整摄像头组件706的拍摄参数。

接近传感器716也称距离传感器，通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中，当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时，由处理器701控制触摸显示屏705从亮屏状态切换为息屏状态；当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时，由处理器701控制触摸显示屏705从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图7中示出的结构并不构成对终端700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在一些实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时实现上述图2实施例提供的文本框标注方法的步骤。比如，该计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。

值得注意的是，本申请实施例提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。

应当理解的是，实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。

在一些实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述图2实施例提供的文本框标注方法的步骤。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种文本框标注方法，其特征在于，所述方法包括：

获取图像中的多个文本框的位置信息；

根据所述多个文本框的位置信息，确定所述多个文本框的属性名称；

将所述多个文本框的位置信息和属性名称作为所述图像的文本框标注信息。

2.如权利要求1所述的方法，其特征在于，所述获取图像中的多个文本框的位置信息，包括：

将所述图像输入文本框检测模型，获得所述图像中的多个文本框位置信息；

根据所述多个文本框位置信息获取所述图像中的多个文本框的位置信息。

3.如权利要求2所述的方法，其特征在于，所述根据所述多个文本框位置信息获取所述图像中的多个文本框的位置信息，包括：

在所述图像中显示所述多个文本框位置信息指示的文本框；

响应于对所述图像中显示的一个文本框的调整操作，调整所述一个文本框的位置；

响应于在所述图像中执行的框选操作，将所述框选操作对应的框选框作为文本框在所述图像中显示；

获取所述图像中显示的所有文本框的位置信息。

4.如权利要求1-3任一所述的方法，其特征在于，所述根据所述多个文本框的位置信息，确定所述多个文本框的属性名称，包括：

根据所述多个文本框的位置信息，按照指定排序规则对所述多个文本框进行排序，得到所述多个文本框的序号；

从序号与属性名称之间的对应关系中，获取第一文本框的序号对应的属性名称作为所述第一文本框的属性名称，所述第一文本框是所述多个文本框中的一个文本框。

5.如权利要求4所述的方法，其特征在于，所述根据所述多个文本框的位置信息，按照指定排序规则对所述多个文本框进行排序，包括：

将所述多个文本框中长边的长度最大的一个文本框作为第二文本框，文本框的长边是两个上角点或两个下角点之间的边；

获取所述第二文本框的长边所在的直线与图像坐标系的横轴之间的夹角的角度作为目标角度，所述图像坐标系是用于确定文本框的位置信息的坐标系；

以所述第二文本框的一个角点为旋转点，将所述多个文本框旋转所述目标角度后得到对应的多个目标框；

根据所述多个目标框的位置信息，按照指定排序规则对所述多个文本框进行排序。

6.如权利要求5所述的方法，其特征在于，所述根据所述多个目标框的位置信息，按照指定排序规则对所述多个文本框进行排序，包括：

按照所述多个目标框的目标角点的纵坐标由小到大的顺序，对与所述多个目标框一一对应的所述多个文本框进行排序；其中，若至少两个目标框的目标角点的纵坐标相同，则按照所述至少两个目标框的目标角点的横坐标由小到大的顺序，对与所述至少两个目标框一一对应的至少两个文本框进行排序。

7.一种文本框标注装置，其特征在于，所述装置包括：

获取模块，用于获取图像中的多个文本框的位置信息；

确定模块，用于根据所述多个文本框的位置信息，确定所述多个文本框的属性名称；

标注模块，用于将所述多个文本框的位置信息和属性名称作为所述图像的文本框标注信息。

8.如权利要求7所述的装置，其特征在于，所述获取模块用于：

将所述图像输入文本框检测模型，获得所述图像中的多个文本框位置信息；

根据所述多个文本框位置信息获取所述图像中的多个文本框的位置信息。

9.如权利要求7或8所述的装置，其特征在于，所述确定模块用于：

根据所述多个文本框的位置信息，按照指定排序规则对所述多个文本框进行排序，得到所述多个文本框的序号；

从序号与属性名称之间的对应关系中，获取第一文本框的序号对应的属性名称作为所述第一文本框的属性名称，所述第一文本框是所述多个文本框中的一个文本框。

10.一种计算机可读存储介质，所述存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现权利要求1-6任一项所述的方法的步骤。

Images