CN113936271A - 文本识别方法、装置、可读介质及电子设备 - Google Patents
文本识别方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN113936271A CN113936271A CN202111212192.9A CN202111212192A CN113936271A CN 113936271 A CN113936271 A CN 113936271A CN 202111212192 A CN202111212192 A CN 202111212192A CN 113936271 A CN113936271 A CN 113936271A
- Authority
- CN
- China
- Prior art keywords
- text
- image
- region
- image area
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000007 visual effect Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 238000009877 rendering Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种文本识别方法、装置、可读介质及电子设备,所述方法包括:获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。也就是说,本公开根据文本图像对应的第一图像区域和第二图像区域,通过文本识别模型可以同时获取文本图像对应的文本内容和视觉标签,提高了文本识别的效果。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种文本识别方法、装置、可读介质及电子设备。
背景技术
随着图像文本识别技术的广泛应用,人们对图像中文本识别的需求越来越高,在识别文本图像中文本内容的同时,还需要获取文本相关的视觉标签,例如手写/机打、清晰/模糊、自然/渲染、有/无划线等,以便能够根据该视觉标签进行信息提取、信息过滤等操作。
但是,传统的光学字符识别(Optical Character Recognition,OCR)技术只能识别文本图像中的文字信息,无法识别文本对应的视觉标签,导致文本识别的效果较差。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种文本识别方法,所述方法包括:
获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;
获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;
根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。
第二方面,本公开提供一种文本识别装置,所述装置包括:
第一图像区域获取模块,用于获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;
第二图像区域获取模块,用于获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;
文本识别模块,用于根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,通过获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。也就是说,本公开根据文本图像对应的第一图像区域和第二图像区域,通过文本识别模型可以同时获取文本图像对应的文本内容和视觉标签,提高了文本识别的效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例提供的一种文本识别方法的流程图;
图2是根据一示例性实施例提供的一种图像区域的示意图;
图3是根据一示例性实施例提供的另一种文本识别方法的流程图;
图4是根据一示例性实施例提供的一种文本识别模型的训练方法的流程图;
图5是根据一示例性实施例提供的一种文本识别方法的示意图;
图6是根据一示例性实施例提供的一种文本识别装置的框图;
图7是根据一示例性实施例提供的第二种文本识别装置的框图;
图8是根据一示例性实施例提供的第三种文本识别装置的框图;
图9是根据一示例性实施例提供的第四种文本识别装置的框图;
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
首先,对本公开的应用场景进行说明。传统的OCR技术分为文本检测和文本识别两个步骤,通过文本检测对文本图像进行分割得到该文本图像中的文字区域,通过文本识别获取该文字区域中的文本内容。但是,在文本识别的应用场景中,通常需要利用文本的视觉标签进行更进一步的处理,例如,识别文本中的手写部分,以提取用户的签名;识别文本中后期渲染的文字,以进行过滤处理。
为了技术上述存在的技术问题,本公开提供一种文本识别方法、装置、可读介质及电子设备,根据文本图像对应的第一图像区域和第二图像区域,通过文本识别模型可以同时获取文本图像对应的文本内容和视觉标签,提高了文本识别的效果。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例提供的一种文本识别方法的流程图,如图1所示,该方法可以包括:
S101、获取待识别的文本图像对应的第一图像区域。
其中,该文本图像可以是对目标图像进行文本行检测后得到的一行文本对应的图像,该第一图像区域可以包括该文本图像中的文本区域和该文本区域周围预设范围内的背景区域,该预设范围可以根据试验预先测试得到。
在本步骤中,可以通过第一文本检测模型获取该文本图像对应的第一图像区域,示例地,可以将该文本图像输入该第一文本检测模型,输出该文本图像对应的第一图像区域。其中,该第一文本检测模型可以是PSENet,也可以是DENet,还可以是现有技术的其它文本检测模型,本公开对此不作限定。图2是根据一示例性实施例提供的一种图像区域的示意图,如图2所示,最***的框所包围的区域即为该第一图像区域。
S102、获取该文本图像对应的第二图像区域。
其中,该第二图像区域可以包括该文本图像中的文本区域,需要说明的是,该第二图像区域只包括该文本图像中的文本区域,而该第一图像区域既包括该文本图像中的文本区域,也包括该文本图像中的背景区域。
在本步骤中,也可以通过第二文本检测模型获取该文本图像对应的第二图像区域,示例地,可以将该文本图像输入该第二文本检测模型,输出该文本图像对应的第二图像区域。其中,该第二文本检测模型可以是PSENet,也可以是DENet,还可以是现有技术的其它文本检测模型,本公开对此不作限定。如图2所示,贴近文字边缘的框所包围的区域即为该第二图像区域。
需要说明的是,在得到该文本图像对应的第一图像区域后,也可以对该第一图像区域进行切分,得到该文本图像对应的第二图像区域。示例地,可以将该第二图像区域输入该第二文本检测模型,输出该文本图像对应的第二图像区域。
S103、根据该第一图像区域和该第二图像区域,通过预先训练的文本识别模型,获取该文本图像对应的文本内容和视觉标签。
其中,该视觉标签可以用于表征该文本图像的图像特征信息,示例地,该视觉标签可以包括渲染方式(自然/渲染),清晰度(清晰/模糊),书写方式(机打/手写),划线(有/无划线)等。
在本步骤中,在得到该文本图像对应的第一图像区域和该第二图像区域后,可以将该第一图像区域和该第二图像区域输入该文本识别模型,输出该文本图像对应的文本内容和视觉标签。
采用上述方法,根据文本图像对应的第一图像区域和第二图像区域,通过文本识别模型可以同时获取文本图像对应的文本内容和视觉标签,提高了文本识别的效果。
图3是根据一示例性实施例提供的另一种文本识别方法的流程图,如图3所示,该方法可以包括:
S301、获取待识别的文本图像对应的第一图像区域。
其中,该第一图像区域可以包括该文本图像中的文本区域和该文本区域周围预设范围内的背景区域,该预设范围可以根据试验预先测试得到。
S302、对该第一图像区域进行下采样处理,得到该第一图像区域对应的特征图像。
在本步骤中,在得到该文本图像对应的第一图像区域后,可以通过预先训练的特征图像获取模型对该第一图像区域进行下采样处理,得到该第一图像区域对应的特征图像。示例地,该特征图像获取模型可以是基于CNN(Convolutional Neural Networks,卷积神经网络模型)框架,通过现有技术的模型训练方法训练得到的,此处不在赘述。其中,该CNN框架包括ResNet18的前两个block,该特征图像获取模型进行下采样处理的下采样倍率可以是预先通过试验测试得到的,示例地,该下采样倍率可以是4。
示例地,若该第一图像区域对应的尺寸为(H,W),下采样倍率为N,则对该第一图像区域进行下采样处理后得到的特征图像的尺寸为(H/N,W/N)。
S303、对该特征图像进行切分处理,得到该第二图像区域。
其中,该第二图像区域可以包括该文本图像中的文本区域,需要说明的是,该第二图像区域只包括该文本图像中的文本区域,而该第一图像区域既包括该文本图像中的文本区域,也包括该文本图像中的背景区域。
在本步骤中,在得到该第一图像区域对应的特征图像后,可以对该特征图像进行切分,得到该第二图像区域。示例地,可以将该特征图像输入第三文本检测模型,输出该第二图像区域,其中,该第三文本检测模型可以是PSENet,也可以是DENet,还可以是现有技术的其它文本检测模型,本公开对此不作限定。
在一种可能的实现方式中,可以获取该第一图像区域中该文本区域所占的文本比例,并按照该文本比例,对该特征图像进行切分处理,得到该第二图像区域。示例地,若该第一图像区域中该文本区域所占的比例为该第一图像区域中间80%的区域,则可以对该特征图像进行切分处理,将该特征图像中间80%的区域作为该第二图像区域。这样,得到的第二图像区域的尺寸更小,可以提高文本识别的效率。
S304、针对该文本识别模型的每个标签识别子任务,根据该标签识别子任务的任务类型,从该第一图像区域和该第二图像区域中确定该标签识别子任务对应的目标图像区域。
其中,该视觉标签可以包括多个,该视觉标签可以用于表征该文本图像的图像特征信息,示例地,该视觉标签可以包括渲染方式(自然/渲染),清晰度(清晰/模糊),书写方式(机打/手写),划线(有/无划线)等。该文本识别模型可以包括内容识别子任务和多个标签识别子任务,不同的标签识别子任务用于获取不同的视觉标签。
在本步骤中,在得到该文本图像对应的第一图像区域和第二图像区域后,可以获取该文本识别模型中每个标签识别子任务的任务类型,根据该任务类型,从该第一图像区域和该第二图像区域中确定该标签识别子任务对应的目标图像区域。示例地,若该文本识别模型中的标签识别子任务的任务类型包括渲染方式,清晰度,书写方式,划线,则可以确定渲染方式和清晰度对应的目标图像区域为第一图像区域,书写方式和划线对应的目标图像区域为第二图像区域。
其中,图4是根据一示例性实施例提供的一种文本识别模型的训练方法的流程图,如图4所示,该方法可以包括:
S1、获取多个样本图像。
S2、获取每个样本图像对应的第一样本图像区域。
其中,该第一样本图像区域包括该样本图像中的样本文本区域和该样本文本区域周围预设范围内的背景区域,该预设范围可以根据试验预先测试得到。
需要说明的是,获取样本图像对应的第一样本图像区域的方法,可以参考步骤S101中获取文本图像对应的第一图像区域的方法,此处不再赘述。
S3、获取每个样本图像对应的第二样本图像区域。
其中,该第二样本图像区域包括该样本图像中的样本文本区域,需要说明的是,该第二图像区域只包括该文本图像中的文本区域,而该第一图像区域既包括该文本图像中的文本区域,也包括该文本图像中的背景区域。
需要说明的是,获取样本图像对应的第二样本图像区域的方法,可以参考步骤S102中获取文本图像对应的第二图像区域的方法,此处不再赘述。
S4、通过每个样本图像对应的该第一样本图像区域和该第二样本图像区域对目标神经网络模型进行训练,得到该文本识别模型。
其中,可以针对每个样本图像,根据该视觉标签,从该样本图像对应的第一样本图像区域和第二样本图像区域中确定该样本图像对应的目标样本图像区域,并通过每个样本图像对应的第二样本图像区域和目标样本图像区域对该目标神经网络模型进行训练,得到该文本识别模型。
需要说明的是,确定该样本图像对应的目标样本图像区域的方式,可以参考步骤S304中确定目标图像区域的方法,此处不再赘述。另外,对该目标神经网络模型的训练方式,可以参考现有技术的模型训练方法,此处不再赘述。
S305、将该第二图像区域输入该内容识别子任务,将该目标图像区域输入该标签识别子任务,输出该文本图像对应的文本内容和多个视觉标签。
在本步骤中,在确定每个标签识别子任务对应的目标图像区域后,可以将该第二图像区域输入该内容识别子任务,并按照每个标签识别子任务对应的任务类型,将该标签识别子任务对应的目标图像区域输入该标签识别子任务,输出该文本图像对应的文本内容和多个视觉标签。示例地,针对获取渲染方式和清晰度的标签识别子任务,输入的目标图像区域为第一图像区域,针对获取书写方式和划线的标签识别子任务,输入的目标图像区域为第二图像区域。
图5是根据一示例性实施例提供的一种文本识别方法的示意图,如图5所示,可以对目标图像进行文本行检测,得到该目标图像对应的多个文本图像,以图5中左上角的文本图像为例进行说明,针对该文本图像,通过CNN模型对该文本图像进行文本行检测,得到该文本图像对应的第一图像区域和第二图像区域,之后,再将该第一图像区域和第二图像区域(图中以其中一个文本行为例进行说明)输入该文本识别模型中不同的head(子任务),最终输出的ocr output为该文本图像对应的文本内容,task1、task2、task3以及task4为该文本图像对应的视觉标签。
采用上述方法,根据文本图像对应的第一图像区域和第二图像区域,通过文本识别模型可以同时获取文本图像对应的文本内容和视觉标签,提高了文本识别的效果。进一步地,该文本识别模型包括多个子任务,这样,无需针对每个视觉标签单独训练模型,通过该文本识别模型中的多个子任务可以获取该文本图像的多个视觉标签,节省了计算资源,从而进一步提高了文本识别的效率。
图6是根据一示例性实施例提供的一种文本识别装置的框图,如图6所示,该装置可以包括:
第一图像区域获取模块601,用于获取待识别的文本图像对应的第一图像区域,该第一图像区域包括该文本图像中的文本区域和该文本区域周围预设范围内的背景区域;
第二图像区域获取模块602,用于获取该文本图像对应的第二图像区域,该第二图像区域包括该文本图像中的文本区域;
文本识别模块603,用于根据该第一图像区域和该第二图像区域,通过预先训练的文本识别模型,获取该文本图像对应的文本内容和视觉标签。
相应地,图7是根据一示例性实施例提供的第二种文本识别装置的框图,如图7所示,该装置还包括:
下采样模块604,用于对该第一图像区域进行下采样处理,得到该第一图像区域对应的特征图像;
该第二图像区域获取模块602,还用于:
对该特征图像进行切分处理,得到该第二图像区域。
相应地,该第二图像区域获取模块602,还用于:
获取该第一图像区域中该文本区域所占的文本比例;
按照该文本比例,对该特征图像进行切分处理,得到该第二图像区域。
相应地,该视觉标签包括多个,该文本识别模型包括内容识别子任务和多个标签识别子任务,不同的标签识别子任务用于获取不同的视觉标签;图8是根据一示例性实施例提供的第三种文本识别装置的框图,如图8所示,该装置还包括:
目标图像区域获取模块605,用于针对每个该标签识别子任务,根据该标签识别子任务的任务类型,从该第一图像区域和该第二图像区域中确定该标签识别子任务对应的目标图像区域;
该文本识别模块603,还用于:
将该第二图像区域输入该内容识别子任务,将该目标图像区域输入该标签识别子任务,输出该文本图像对应的文本内容和多个该视觉标签。
相应地,图9是根据一示例性实施例提供的第四种文本识别装置的框图,如图9所示,该装置还包括:
模型训练模块606,用于获取多个样本图像;获取每个该样本图像对应的第一样本图像区域,该第一样本图像区域包括该样本图像中的样本文本区域和该样本文本区域周围预设范围内的背景区域;获取每个该样本图像对应的第二样本图像区域,该第二样本图像区域包括该样本图像中的样本文本区域;通过每个该样本图像对应的该第一样本图像区域和该第二样本图像区域对目标神经网络模型进行训练,得到该文本识别模型。
相应地,该模型训练模块606,还用于:
针对每个该样本图像,根据该视觉标签,从该样本图像对应的该第一样本图像区域和该第二样本图像区域中确定该样本图像对应的目标样本图像区域;通过每个该样本图像对应的该第二样本图像区域和该目标样本图像区域对该目标神经网络模型进行训练,得到该文本识别模型。
通过上述装置,根据文本图像对应的第一图像区域和第二图像区域,通过文本识别模型可以同时获取文本图像对应的文本内容和视觉标签,提高了文本识别的效果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
下面参考图10,其示出了适于用来实现本公开实施例的电子设备1000的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常,以下装置可以连接至I/O接口1005:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007;包括例如磁带、硬盘等的存储装置1008;以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1009从网络上被下载和安装,或者从存储装置1008被安装,或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,电子设备可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一图像区域获取模块还可以被描述为“获取待识别的文本图像对应的第一图像区域的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种文本识别方法,包括:获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,在所述获取所述文本图像对应的第二图像区域前,所述方法还包括:对所述第一图像区域进行下采样处理,得到所述第一图像区域对应的特征图像;所述获取所述文本图像对应的第二图像区域包括:对所述特征图像进行切分处理,得到所述第二图像区域。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述对所述特征图像进行切分处理,得到所述第二图像区域包括:获取所述第一图像区域中所述文本区域所占的文本比例;按照所述文本比例,对所述特征图像进行切分处理,得到所述第二图像区域。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述视觉标签包括多个,所述文本识别模型包括内容识别子任务和多个标签识别子任务,不同的标签识别子任务用于获取不同的视觉标签;在所述根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签前,所述方法还包括:针对所述文本识别模型的每个所述标签识别子任务,根据所述标签识别子任务的任务类型,从所述第一图像区域和所述第二图像区域中确定所述标签识别子任务对应的目标图像区域;所述根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签包括:将所述第二图像区域输入所述内容识别子任务,将所述目标图像区域输入所述标签识别子任务,输出所述文本图像对应的文本内容和多个所述视觉标签。
根据本公开的一个或多个实施例,示例5提供了示例1至示例4中任一示例的方法,所述文本识别模型通过以下方式训练得到:获取多个样本图像;获取每个所述样本图像对应的第一样本图像区域,所述第一样本图像区域包括所述样本图像中的样本文本区域和所述样本文本区域周围预设范围内的背景区域;获取每个所述样本图像对应的第二样本图像区域,所述第二样本图像区域包括所述样本图像中的样本文本区域;通过每个所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域对目标神经网络模型进行训练,得到所述文本识别模型。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,在所述通过每个所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域对目标神经网络模型进行训练,得到所述文本识别模型前,所述方法还包括:针对每个所述样本图像,根据所述视觉标签,从所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域中确定所述样本图像对应的目标样本图像区域;所述通过每个所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域对目标神经网络模型进行训练,得到所述文本识别模型包括:通过每个所述样本图像对应的所述第二样本图像区域和所述目标样本图像区域对所述目标神经网络模型进行训练,得到所述文本识别模型。
根据本公开的一个或多个实施例,示例7提供了一种文本识别装置,包括:第一图像区域获取模块,用于获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;第二图像区域获取模块,用于获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;文本识别模块,用于根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。
根据本公开的一个或多个实施例,示例8提供了示例7的装置,所述视觉标签包括多个,所述文本识别模型包括内容识别子任务和多个标签识别子任务,不同的标签识别子任务用于获取不同的视觉标签;所述装置还包括:目标图像区域获取模块,用于针对每个所述标签识别子任务,根据所述标签识别子任务的任务类型,从所述第一图像区域和所述第二图像区域中确定所述标签识别子任务对应的目标图像区域;所述文本识别模块,还用于:将所述第二图像区域输入所述内容识别子任务,将所述目标图像区域输入所述标签识别子任务,输出所述文本图像对应的文本内容和多个所述视觉标签。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至示例6中任一示例所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至示例6中任一示例所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种文本识别方法,其特征在于,所述方法包括:
获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;
获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;
根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。
2.根据权利要求1所述的方法,其特征在于,在所述获取所述文本图像对应的第二图像区域前,所述方法还包括:
对所述第一图像区域进行下采样处理,得到所述第一图像区域对应的特征图像;
所述获取所述文本图像对应的第二图像区域包括:
对所述特征图像进行切分处理,得到所述第二图像区域。
3.根据权利要求2所述的方法,其特征在于,所述对所述特征图像进行切分处理,得到所述第二图像区域包括:
获取所述第一图像区域中所述文本区域所占的文本比例;
按照所述文本比例,对所述特征图像进行切分处理,得到所述第二图像区域。
4.根据权利要求1所述的方法,其特征在于,所述视觉标签包括多个,所述文本识别模型包括内容识别子任务和多个标签识别子任务,不同的标签识别子任务用于获取不同的视觉标签;在所述根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签前,所述方法还包括:
针对所述文本识别模型的每个所述标签识别子任务,根据所述标签识别子任务的任务类型,从所述第一图像区域和所述第二图像区域中确定所述标签识别子任务对应的目标图像区域;
所述根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签包括:
将所述第二图像区域输入所述内容识别子任务,将所述目标图像区域输入所述标签识别子任务,输出所述文本图像对应的文本内容和多个所述视觉标签。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述文本识别模型通过以下方式训练得到:
获取多个样本图像;
获取每个所述样本图像对应的第一样本图像区域,所述第一样本图像区域包括所述样本图像中的样本文本区域和所述样本文本区域周围预设范围内的背景区域;
获取每个所述样本图像对应的第二样本图像区域,所述第二样本图像区域包括所述样本图像中的样本文本区域;
通过每个所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域对目标神经网络模型进行训练,得到所述文本识别模型。
6.根据权利要求5所述的方法,其特征在于,在所述通过每个所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域对目标神经网络模型进行训练,得到所述文本识别模型前,所述方法还包括:
针对每个所述样本图像,根据所述视觉标签,从所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域中确定所述样本图像对应的目标样本图像区域;
所述通过每个所述样本图像对应的所述第一样本图像区域和所述第二样本图像区域对目标神经网络模型进行训练,得到所述文本识别模型包括:
通过每个所述样本图像对应的所述第二样本图像区域和所述目标样本图像区域对所述目标神经网络模型进行训练,得到所述文本识别模型。
7.一种文本识别装置,其特征在于,所述装置包括:
第一图像区域获取模块,用于获取待识别的文本图像对应的第一图像区域,所述第一图像区域包括所述文本图像中的文本区域和所述文本区域周围预设范围内的背景区域;
第二图像区域获取模块,用于获取所述文本图像对应的第二图像区域,所述第二图像区域包括所述文本图像中的文本区域;
文本识别模块,用于根据所述第一图像区域和所述第二图像区域,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容和视觉标签。
8.根据权利要求7所述的装置,其特征在于,所述视觉标签包括多个,所述文本识别模型包括内容识别子任务和多个标签识别子任务,不同的标签识别子任务用于获取不同的视觉标签;所述装置还包括:
目标图像区域获取模块,用于针对每个所述标签识别子任务,根据所述标签识别子任务的任务类型,从所述第一图像区域和所述第二图像区域中确定所述标签识别子任务对应的目标图像区域;
所述文本识别模块,还用于:
将所述第二图像区域输入所述内容识别子任务,将所述目标图像区域输入所述标签识别子任务,输出所述文本图像对应的文本内容和多个所述视觉标签。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212192.9A CN113936271A (zh) | 2021-10-18 | 2021-10-18 | 文本识别方法、装置、可读介质及电子设备 |
PCT/CN2022/118650 WO2023065895A1 (zh) | 2021-10-18 | 2022-09-14 | 文本识别方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212192.9A CN113936271A (zh) | 2021-10-18 | 2021-10-18 | 文本识别方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113936271A true CN113936271A (zh) | 2022-01-14 |
Family
ID=79280081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111212192.9A Pending CN113936271A (zh) | 2021-10-18 | 2021-10-18 | 文本识别方法、装置、可读介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113936271A (zh) |
WO (1) | WO2023065895A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023065895A1 (zh) * | 2021-10-18 | 2023-04-27 | 北京有竹居网络技术有限公司 | 文本识别方法、装置、可读介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460328A (zh) * | 2018-01-15 | 2018-08-28 | 浙江工业大学 | 一种基于多任务卷积神经网络的***检测方法 |
CN110991279A (zh) * | 2019-11-20 | 2020-04-10 | 北京灵伴未来科技有限公司 | 文档图像分析与识别方法及*** |
CN111507250A (zh) * | 2020-04-16 | 2020-08-07 | 北京世纪好未来教育科技有限公司 | 图像识别方法、设备及存储介质 |
CN112016547A (zh) * | 2020-08-20 | 2020-12-01 | 上海天壤智能科技有限公司 | 基于深度学习的图像文字识别方法、***及介质 |
CN112464931A (zh) * | 2020-11-06 | 2021-03-09 | 马上消费金融股份有限公司 | 文本检测方法、模型训练方法及相关设备 |
CN112699875A (zh) * | 2020-12-31 | 2021-04-23 | 阳光保险集团股份有限公司 | 一种文字识别方法、装置、电子设备及存储介质 |
CN113420669A (zh) * | 2021-06-24 | 2021-09-21 | 武汉工程大学 | 基于多尺度训练和级联检测的文档版面分析方法和*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657602B2 (en) * | 2017-10-30 | 2023-05-23 | Monotype Imaging Inc. | Font identification from imagery |
CN108564035B (zh) * | 2018-04-13 | 2020-09-25 | 杭州睿琪软件有限公司 | 识别单据上记载的信息的方法及*** |
CN111275038A (zh) * | 2020-01-17 | 2020-06-12 | 平安医疗健康管理股份有限公司 | 图像文本识别方法、装置、计算机设备及计算机存储介质 |
CN111368841A (zh) * | 2020-02-28 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 文本识别方法、装置、设备及存储介质 |
CN112115936A (zh) * | 2020-10-10 | 2020-12-22 | 京东方科技集团股份有限公司 | 一种用于文本的识别方法、装置、存储介质以及电子设备 |
CN113936271A (zh) * | 2021-10-18 | 2022-01-14 | 北京有竹居网络技术有限公司 | 文本识别方法、装置、可读介质及电子设备 |
-
2021
- 2021-10-18 CN CN202111212192.9A patent/CN113936271A/zh active Pending
-
2022
- 2022-09-14 WO PCT/CN2022/118650 patent/WO2023065895A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460328A (zh) * | 2018-01-15 | 2018-08-28 | 浙江工业大学 | 一种基于多任务卷积神经网络的***检测方法 |
CN110991279A (zh) * | 2019-11-20 | 2020-04-10 | 北京灵伴未来科技有限公司 | 文档图像分析与识别方法及*** |
CN111507250A (zh) * | 2020-04-16 | 2020-08-07 | 北京世纪好未来教育科技有限公司 | 图像识别方法、设备及存储介质 |
CN112016547A (zh) * | 2020-08-20 | 2020-12-01 | 上海天壤智能科技有限公司 | 基于深度学习的图像文字识别方法、***及介质 |
CN112464931A (zh) * | 2020-11-06 | 2021-03-09 | 马上消费金融股份有限公司 | 文本检测方法、模型训练方法及相关设备 |
CN112699875A (zh) * | 2020-12-31 | 2021-04-23 | 阳光保险集团股份有限公司 | 一种文字识别方法、装置、电子设备及存储介质 |
CN113420669A (zh) * | 2021-06-24 | 2021-09-21 | 武汉工程大学 | 基于多尺度训练和级联检测的文档版面分析方法和*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023065895A1 (zh) * | 2021-10-18 | 2023-04-27 | 北京有竹居网络技术有限公司 | 文本识别方法、装置、可读介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023065895A1 (zh) | 2023-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN109766879B (zh) | 字符检测模型的生成、字符检测方法、装置、设备及介质 | |
CN111445902B (zh) | 数据收集方法、装置、存储介质及电子设备 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
CN111209856B (zh) | ***信息的识别方法、装置、电子设备及存储介质 | |
CN111784712A (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN112488095A (zh) | ***图像识别方法、装置和电子设备 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN112418054B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
WO2023065895A1 (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN111783632B (zh) | 针对视频流的人脸检测方法、装置、电子设备及存储介质 | |
CN111311609B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN110674813B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
CN111324405A (zh) | 文字显示方法、装置和电子设备 | |
CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN111340813B (zh) | 图像实例分割方法、装置、电子设备及存储介质 | |
CN114495080A (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN111612714B (zh) | 图像修复方法、装置和电子设备 | |
CN114332324A (zh) | 图像处理方法、装置、设备及介质 | |
CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
CN114495111B (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN112307245B (zh) | 用于处理图像的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |