CN113361523A - 文本确定方法、装置、电子设备和计算机可读存储介质 - Google Patents

Abstract

本公开提供了文本确定方法、装置、电子设备和计算机可读存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于智慧城市、智慧金融场景下。具体实现方案为：确定原始图像的图像特征数据；基于图像特征数据，确定原始图像中包括的多个字符的字符特征数据；基于字符特征数据，确定多个字符的分类信息；以及通过基于多个字符的分类信息确定由多个字符组成的备选文本，确定对应于备选文本的目标文本。以此方式，本公开的技术方案可以在对没有提供足够视觉信息的原始图片进行文本识别时提供较高的识别正确率。

Description

文本确定方法、装置、电子设备和计算机可读存储介质

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于智慧城市、智慧金融场景下，例如涉及文本确定方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

在工业、服务业等智能化的趋势下，自然场景下的文字检测识别技术(例如，光学字符识别技术，Optical Character Recognition，简称“OCR”)已经被广泛的应用于社会各个行业，如金融、教育、医疗等领域。文档录入、***识别、车牌识别、证件识别等文字检测识别的具体应用，提高了各行各业的工作效率、简化了用户的操作流程。虽然一些高性能的文字检测识别方法在通用场景下的识别率已经达到90％以上，但对于有遮挡、光照不均匀、有艺术字符等的情况，目前的识别技术通常会存在识别错误、漏识别等问题。

发明内容

本公开提供了一种文本确定方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的第一方面，提供了一种文本确定方法。该方法可以包括确定原始图像的图像特征数据。进而，可以基于图像特征数据，确定原始图像中包括的多个字符的字符特征数据。该方法还可以包括基于字符特征数据，确定多个字符的分类信息。此外，该方法可以进一步包括通过基于多个字符的分类信息确定由多个字符组成的备选文本，确定对应于备选文本的目标文本。

在本公开的第二方面中，提供了一种文本确定装置，包括：图像特征数据确定模块，被配置为确定原始图像的图像特征数据；字符特征数据确定模块，被配置为基于图像特征数据确定原始图像中包括的多个字符的字符特征数据；分类信息确定模块，被配置为基于字符特征数据确定多个字符的分类信息；以及目标文本确定模块，被配置为通过基于多个字符的分类信息确定由多个字符组成的备选文本来确定对应于备选文本的目标文本。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品，计算机程序在被处理器执行时实现根据本公开的第一方面的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的实施例的详细示例环境的示意图；

图3示出了根据本公开的实施例的文本确定的过程的流程图；

图4示出了根据本公开的实施例的经卷积神经网络处理的图像特征数据的示意图；

图5示出了根据本公开的实施例的文本确定装置的框图；以及

图6示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

应理解，当用户通过在诸如手机或计算机等的计算设备上设置的文本识别模型或应用来识别某个原始图像中的文本信息时，传统的文本识别模型通常会基于诸如CRNN，ASTER等技术、或者借助语言模型的先验信息来优化文本识别的效果。然而，如上所述，对于诸如有遮挡、光照不均匀、有艺术字符等的情况，上述传统的文本识别技术的识别结果均不令人满意。

如上文提及的，需要一种改进的文本识别方案，其能够在对没有提供足够视觉信息的原始图片进行文本识别时提供较高的识别正确率。

根据本公开的实施例，提出了一种文本确定方案。在该方案中，可以在预先训练一个字符识别模型的同时，附加地训练一个语义纠错模型，从而对识别出的字符序列进行语义纠错。以此方式，实现了对图像中的文本的识别过程，并可以自动地对识别的文本进行语义纠错，从而提升了文本识别的正确率，改善了用户体验。

以下将参照附图来具体描述本公开的实施例。图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示，示例环境100中包含待识别的原始图像110、计算设备120和经计算设备120确定的目标文本130。

在一些实施例中，待识别的原始图像110可以是用户通过诸如手机、平台电脑、个人计算机等计算设备输入或采集的一帧或多帧图片。备选地或附加地，原始图像110还可以是从一段视频文件中提取或截取的图像。作为示例，用户可以通过安装在手机上的图像识别应用输入待识别的原始图像110。

在一些实施例中，计算设备120可以包括但不限于个人计算机、服务器计算机、手持或膝上型设备、移动设备(诸如移动电话、个人数字助理PDA、媒体播放器等)、消费电子产品、小型计算机、大型计算机、云计算资源等。

如图1所示，计算设备120中布置有字符识别模型140和语义纠错模型150。应理解，字符识别模型140和语义纠错模型150均是经过训练得到的人工智能网络模型。在计算设备120接收到用户输入的原始图像110之后，字符识别模型140可以对原始图像110进行图片特征编码操作、进而确定原始图像110中包含的每个字符的字符特征、最终基于字符特征来识别这些字符特征。

当识别出原始图像110中的这些字符特征后，由于需要虑及由于各种外因或内因导致的误识别或漏识别的情况，故还需要对这些识别得到的字符的序列进行语义纠错操作。因此，语义纠错模型150被配置为对上述识别得到的字符序列进行语义纠错。也就是说，上述识别得到的字符序列会作为备选文本被输入到语义纠错模型150中，以便确定目标文本130。作为示例，如果经字符识别模型140识别得到的字符序列为“Hallo”(即，备选文本)，语义纠错模型150可以将其纠正为“Hello”(即，目标文本130)。作为另一示例，如果经字符识别模型140识别得到的字符序列为“太中国”(即，备选文本)，语义纠错模型150可以将其纠正为“大中国”(即，目标文本130)。

以此方式，本公开实现了对经识别的字符序列进行语义纠错的操作，从而提升了文本识别的正确率。

如上所述，本公开利用了经训练的字符识别模型140和语义纠错模型150来确定目标文本130。下文将以基于人工智能的模型为例参考图2对计算设备120中的模型的训练和使用进行描述。

图2示出了根据本公开的实施例的详细示例环境200的示意图。与图1类似地，示例环境200可以包含计算设备220、原始图像210和目标文本230。区别在于，示例环境200总体上可以包括模型训练***260和模型应用***270。作为示例，模型训练***260和/或模型应用***270可以在如图1所示的计算设备120或如图2所示的计算设备220中实现。应当理解，仅出于示例性的目的描述示例环境200的结构和功能并不旨在限制本文所描述主题的范围。本文所描述主题可以在不同的结构和/或功能中实施。

如前所述，对输入的待识别的原始图像110进行处理以识别原始图像110中包含的字符序列的过程和/或对经识别的字符序列进行语义纠错的过程均可以分为两个阶段：模型训练阶段和模型应用阶段。作为示例，在模型训练阶段中，模型训练***260可以利用训练数据集250来训练用于执行相应功能的模型240。应理解，训练数据集250可以是多个参考数据(作为模型240的输入)以及相应的被标注的参考监督信息(作为模型240的输出)的组合。在模型应用阶段中，模型应用***270可以接收经训练的模型240。例如，模型240为字符识别模型140和语义纠错模型150。由此，载入到模型应用***270的计算设备220中的模型240可以基于原始图像210来识别其中的目标文本230。

在其他实施例中，模型240可以被构建为学习网络。在一些实施例中，该学习网络可以包括多个网络，其中每个网络可以是一个多层神经网络，其可以由大量的神经元组成。通过训练过程，每个网络中的神经元的相应参数能够被确定。这些网络中的神经元的参数被统称为模型240的参数。

模型240的训练过程可以以迭代方式来被执行，直至模型240的参数中的至少部分参数收敛或者直至达到预定迭代次数，由此获得最终的模型参数。

上文描述的技术方案仅用于示例，而非限制本发明。应理解，还可以按照其他方式和连接关系来布置各个网络。为了更清楚地解释上述方案的原理，下文将参考图3来更详细描述从原始图像120中识别目标文本130的过程。

图3示出了根据本公开的实施例的文本确定的过程300的流程图。在某些实施例中，过程300可以在图1中的计算设备120和图2中的计算设备220中实现。现参照图3并结合图1描述根据本公开实施例的确定目标文本130的过程300。为了便于理解，在下文描述中提及的具体实例均是示例性的，并不用于限定本公开的保护范围。

在步骤302，计算设备120可以确定原始图像210的图像特征数据I_feat。在某些实施例中，为了从原始图像210中提取图像特征数据I_feat，可以利用第一网络对原始图像210进行处理，以确定原始图像210的特征图。应理解，该特征图即为上述图像特征数据I_feat。作为示例，第一网络可以是神经网络中的卷积神经网络。也就是说，可以使用卷积神经网络对原始图像210提取特征。应理解，任意结构的卷积神经网络及一些可用于改善网络效果的算子都可以应用于此，这里的卷积神经网络可以是VGG(Visual Geometry Group，视觉几何组)、densenet(密集连接卷积神经网络)等神经网络，算子可以是deformconv(形变卷积)算子、dilationconv(膨胀卷积)算子等。由此，计算设备120可以从原始图像210中提取特征图，即图像特征数据I_feat。以此方式，可以将原始图像的特征提取过程简化为包含上述卷积计算操作的多个操作，从而提高了运算效率。

为了清楚地描述本公开提及的“特征图”，现参照图4描述特征图的示例形式。图4示出了根据本公开的实施例的特征图400的示意图。特征图400可以是由卷积神经网络对原始图像210进行处理而得到的。如图4所示，特征图400可以用高度H、宽度W和通道数C的三个张量来表示。因此，图4中的位置410可以是在特定高度、特定宽度以及特定通道数中的一个数值。此外，还应理解，特征图400可以被视为是由H×W个特征向量组成的特征向量的集合，并且每个特征向量的维数等于特征图400的通道数C。例如，在图4中，H等于3，W等于3，C等于4，故特征图400是由9个特征向量组成的，并且每个特征向量的维数等于4。应理解，本实施例中的数值均是示例性的，并不旨在限制本公开的范围。

回到图3，在步骤304，计算设备120可以基于图像特征数据I_feat确定原始图像210中包括的多个字符的字符特征数据C_feat。在某些实施例中，为了确定字符特征数据C_feat，计算设备120可以基于特征图确定多个字符所在的区域，并且基于特征图中的对应于该区域的特征数据，确定分别对应于这些字符的多个特征向量，作为字符特征数据C_feat。作为示例，计算设备120可以使用并行注意力机制从H×W的图像特征I_feat中提取出各个位置的字符特征。也就是说，可以首先利用已编码的图像特征产生对所属位置的预测，之后根据所属位置的概率对图像特征进行加权求和，从而获得各个位置的字符特征数据C_feat。以此方式，可以较为精确地确定原始图像中各个字符的位置信息，以便将对原始图像的识别操作转化为专注于原始图像中的字符的精细识别操作，从而提高了识别精度。

在步骤306，计算设备120可以基于字符特征数据C_feat确定多个字符的分类信息。在某些实施例中，为了确定原始图像110中包含的这些字符的分类信息，计算设备120可以利用第二网络、基于作为字符特征数据C_feat的多个特征向量来确定这些字符的分类信息。作为示例，在被识别的字符为英文字符和常用符号(诸如数学符号、标点符号等)的情况下，可以将被提取的每个字符的特征向量与预先确定的参考字符的特征向量进行比较，并将特征向量相似度较大或最大的参考字符确定为相应字符的分类信息。例如，从原始图像110中的待识别字符“H”(例如，该“H”可以为手写体)提取的特征向量与参考字符“H”(例如，该“H”可以为印刷体)的特征向量的相似度最大，则可以确定该待识别字符“H”的分类信息为“H”。应理解，第二网络可以位于字符识别模型140中，并且可选地是神经网络中的全连接网络。因此，可以使用多层非线性映射对每个位置的字符特征C_feat进行解码，从而利用softmax层产生对该位置的字符进行预测，预测得到的概率最大的字符为字符识别模型140的预测结果。以此方式，可以基于对应于每个字符的特征向量来识别相应字符，从而优化了分类过程。

应理解，为了确定这些字符的分类信息，字符特征数据C_feat需要被应用于字符识别模型140，以确定原始图像110中包含的这些字符的分类信息。作为示例，字符识别模型140是预先训练好的神经网络模型，其可以基于从字符特征数据C_feat中提取的每个字符的特征向量来确定每个字符的识别结果，作为分类信息。本文中提及的字符识别模型140是基于诸如图2中所示的模型训练***260训练得到的。在模型训练阶段，可以将训练数据集250中的参考字符特征数据作为输入并且将对应的经标注的参考字符分类信息作为输出，从而以迭代方式来执行模型训练的过程，直至字符识别模型140的参数收敛或者直至达到预定迭代次数，由此获得较为收敛的模型参数。

在步骤308，计算设备120可以通过基于这些字符的分类信息来确定由这些字符组成的备选文本，进而可以确定对应于备选文本的目标文本130。换言之，在得到作为备选文本的经识别的字符序列之后，计算设备120可以利用语义纠错模型150来对备选文本进行纠错。作为示例，如果经字符识别模型140识别得到的字符序列为“Hallo”(即，备选文本)，则语义纠错模型150可以将其纠正为“Hello”(即，目标文本130)，如果经字符识别模型140识别得到的字符序列为“太中国”(即，备选文本)，则语义纠错模型150可以将其纠正为“大中国”(即，目标文本130)。应理解，可能出现输入到语义纠错模型150中的备选文本与经过确定的目标文本130相同的情况，此时说明备选文本通过了语义纠错模型150的“检测”。

在某些实施例中，计算设备120还可以对字符识别模型140中的识别结果进行one-hot编码，获得对每个字符的唯一表示。此外，计算设备120还可以对每个字符根据所在字符串的位置进行位置编码。使用多层自注意力机制模块构建各个字符间的联系，获得包含字符本身信息和字符串整体信息的特征表示。在此过程中，错误的字符会利用字符串的整体信息进行纠错，最后通过softmax产生纠错后的目标文本130。

应理解，为了确定所述目标文本，作为备选文本的经识别的字符序列需要被应用到语义纠错模型150，以确定目标文本130。本文中提及的语义纠错模型150是基于诸如图2中所示的模型训练***260训练得到的。在模型训练阶段，可以将训练数据集250中的参考备选文本作为输入以及将经标注的参考目标文本作为输出。应理解，训练数据集250中的参考目标文本可以是来自字典、词典、词库中的标准文本，例如上文中正确拼写的“Hello”以及“大中国”。通过以上方式，可以迭代地训练得到较为收敛的模型参数。由此，语义纠错模型150可以由于各种外因或内因导致的误识别或漏识别的的字符序列进行语义纠错。

应理解，训练数据集250中的参考备选文本是基于参考目标文本修改后的文本。作为示例，计算设备120或者工作人员可以对参考目标文本(例如，字符序列、单词、句子等)进行一定比例字符的增、改、删等操作，从而得到参考备选文本。又例如，可以通过基于Bert的语言模型来学习错误输入到正确输出的映射关系，由此完成语义纠错模型140的训练。

在某些实施例中，还可以对第一阶段训练得到的字符识别模型140与第二阶段训练得到的语义纠错模块150进行联合训练。作为示例，可以利用梯度反传原理，促使两阶段模型相互适应。由于语义纠错模型150可以在相比于图像数据集词库的更大的词库上进行训练，第二阶段得到的语义纠错模型150可以联合任意文字识别模型进行整体训练。

通过上述实施例，本公开提出了一种基于语义信息纠错的文本确定方案，并基于该方案给出了一套完整的场景文字识别加后处理的流程。该方案提出的语义纠错模型可以在超大语料库中进行训练，可以使用在任意字符识别模型的后处理阶段，对仅使用视觉信息的字符识别模型难以处理的遮挡、光照、模糊等问题有明显的缓解作用。由此，本公开为其他文字识别及理解相关的应用带来更高的精度、更多流量与更好的用户体验。

图5示出了根据本公开的实施例的用于文本确定的装置500的框图。如图5所示，装置500可以包括：图像特征数据确定模块502，被配置为确定原始图像的图像特征数据；字符特征数据确定模块504，被配置为基于所述图像特征数据确定所述原始图像中包括的多个字符的字符特征数据；分类信息确定模块506，被配置为基于所述字符特征数据确定所述多个字符的分类信息；以及目标文本确定模块508，被配置为通过基于所述多个字符的分类信息确定由所述多个字符组成的备选文本来确定对应于所述备选文本的目标文本。

在某些实施例中，所述图像特征数据确定模块502可以包括：特征图确定模块，被配置为通过第一网络对所述原始图像进行处理来确定所述原始图像的特征图，作为所述图像特征数据。

在某些实施例中，所述第一网络可以是卷积神经网络。

在某些实施例中，所述字符特征数据确定模块504可以包括：字符区域确定模块，被配置为基于所述特征图确定所述多个字符所在的区域；以及特征向量确定模块，被配置为基于所述特征图中的对应于所述区域的特征数据，确定分别对应于所述多个字符的多个特征向量，作为所述字符特征数据。

在某些实施例中，所述分类信息确定模块506可以进一步被配置为：利用第二网络基于所述多个特征向量确定所述多个字符的分类信息。

在某些实施例中，所述第二网络是全连接网络。

在某些实施例中，所述分类信息确定模块506可以进一步被配置为：将所述字符特征数据应用于字符识别模型以确定所述多个字符的分类信息，所述字符识别模型是将被设置的参考字符特征数据作为输入以及对应的经标注的参考字符分类信息作为输出来训练得到的。

在某些实施例中，所述目标文本确定模块508可以进一步被配置为：将所述备选文本应用于语义纠错模型；以及从语义纠错模型中获取经确定的所述目标文本。

在某些实施例中，所述语义纠错模型是将被设置的参考备选文本作为输入以及将经标注的参考目标文本作为输出来训练得到的，所述参考备选文本是基于所述参考目标文本修改后的文本。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了能够实施本公开的多个实施例的设备600的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线704彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如过程300。例如，在一些实施例中，过程300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的过程300的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程300。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种文本确定方法，包括：

确定原始图像的图像特征数据；

基于所述图像特征数据，确定所述原始图像中包括的多个字符的字符特征数据；

基于所述字符特征数据，确定所述多个字符的分类信息；以及

通过基于所述多个字符的分类信息确定由所述多个字符组成的备选文本，确定对应于所述备选文本的目标文本。

2.根据权利要求1所述的方法，其中确定所述图像特征数据包括：

通过第一网络对所述原始图像进行处理，确定所述原始图像的特征图，作为所述图像特征数据。

3.根据权利要求2所述的方法，其中所述第一网络是卷积神经网络。

4.根据权利要求2所述的方法，其中确定所述字符特征数据包括：

基于所述特征图确定所述多个字符所在的区域；以及

基于所述特征图中的对应于所述区域的特征数据，确定分别对应于所述多个字符的多个特征向量，作为所述字符特征数据。

5.根据权利要求4所述的方法，其中确定所述多个字符的分类信息包括：

利用第二网络基于所述多个特征向量确定所述多个字符的分类信息。

6.根据权利要求5所述的方法，其中所述第二网络是全连接网络。

7.根据权利要求1所述的方法，其中确定所述多个字符的分类信息包括：

将所述字符特征数据应用于字符识别模型以确定所述多个字符的分类信息，所述字符识别模型是将被设置的参考字符特征数据作为输入以及对应的经标注的参考字符分类信息作为输出来训练得到的。

8.根据权利要求1所述的方法，其中确定所述目标文本包括：

将所述备选文本应用于语义纠错模型；以及

从所述语义纠错模型中获取经确定的所述目标文本。

9.根据权利要求8所述的方法，其中所述语义纠错模型是将被设置的参考备选文本作为输入以及将经标注的参考目标文本作为输出来训练得到的，所述参考备选文本是基于所述参考目标文本修改后的文本。

10.一种文本确定装置，包括：

图像特征数据确定模块，被配置为确定原始图像的图像特征数据；

字符特征数据确定模块，被配置为基于所述图像特征数据确定所述原始图像中包括的多个字符的字符特征数据；

分类信息确定模块，被配置为基于所述字符特征数据确定所述多个字符的分类信息；以及

目标文本确定模块，被配置为通过基于所述多个字符的分类信息确定由所述多个字符组成的备选文本来确定对应于所述备选文本的目标文本。

11.根据权利要求10所述的装置，其中所述图像特征数据确定模块包括：

特征图确定模块，被配置为通过第一网络对所述原始图像进行处理来确定所述原始图像的特征图，作为所述图像特征数据。

12.根据权利要求11所述的装置，其中所述第一网络是卷积神经网络。

13.根据权利要求11所述的装置，其中所述字符特征数据确定模块包括：

字符区域确定模块，被配置为基于所述特征图确定所述多个字符所在的区域；以及

特征向量确定模块，被配置为基于所述特征图中的对应于所述区域的特征数据，确定分别对应于所述多个字符的多个特征向量，作为所述字符特征数据。

14.根据权利要求13所述的装置，其中所述分类信息确定模块进一步被配置为：

利用第二网络基于所述多个特征向量确定所述多个字符的分类信息。

15.根据权利要求14所述的装置，其中所述第二网络是全连接网络。

16.根据权利要求10所述的装置，其中所述分类信息确定模块进一步被配置为：

将所述字符特征数据应用于字符识别模型以确定所述多个字符的分类信息，所述字符识别模型是将被设置的参考字符特征数据作为输入以及对应的经标注的参考字符分类信息作为输出来训练得到的。

17.根据权利要求10所述的装置，其中所述目标文本确定模块进一步被配置为：

将所述备选文本应用于语义纠错模型；以及

从所述语义纠错模型中获取经确定的所述目标文本。

18.根据权利要求17所述的装置，其中所述语义纠错模型是将被设置的参考备选文本作为输入以及将经标注的参考目标文本作为输出来训练得到的，所述参考备选文本是基于所述参考目标文本修改后的文本。

19.一种电子设备，所述电子设备包括：

一个或多个处理器；以及

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一项所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

Images