CN114359903B - 一种文本识别方法、装置、设备及存储介质 - Google Patents
一种文本识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114359903B CN114359903B CN202210013633.0A CN202210013633A CN114359903B CN 114359903 B CN114359903 B CN 114359903B CN 202210013633 A CN202210013633 A CN 202210013633A CN 114359903 B CN114359903 B CN 114359903B
- Authority
- CN
- China
- Prior art keywords
- feature
- target
- unit
- enhancement
- characteristic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims description 82
- 230000009466 transformation Effects 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims 2
- 238000012015 optical character recognition Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19127—Extracting features by transforming the feature space, e.g. multidimensional scaling; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/16—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
本公开提供了一种文本识别方法、装置、设备及存储介质,涉及人工智能技术领域,具体为深度学习、计算机视觉技术领域,可应用于OCR等场景。具体实现方案为:获得待识别文本图像的第一特征图;针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,其中,目标特征单元为:第一特征图中沿特征增强方向的特征单元;基于增强处理后的第一特征图,对待识别文本图像进行文本识别。应用本公开实施例提供的文本识别方案,能够实现文本识别。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、计算机视觉技术领域,可应用于OCR(Optical Character Recognition,光学字符识别)等场景。
背景技术
在教育、医疗、金融等诸多领域涉及到的图像中存在文本,为了准确的基于上述图像进行信息处理,需要对上述图像进行文本识别,然后基于文本识别结果进行信息处理。
发明内容
本公开提供了一种用于文本识别的方法、装置、设备以及存储介质。
根据本公开的一方面,提供了文本识别方法,包括:
获得待识别文本图像的第一特征图;
针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述目标特征单元为:所述第一特征图中沿特征增强方向的特征单元;
基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别。
根据本公开的另一方面,提供了一种文本识别装置,包括:
特征图获得模块,用于获得待识别文本图像的第一特征图;
特征增强模块,用于针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述目标特征单元为:所述第一特征图中沿特征增强方向的特征单元;
文本识别模块,用于基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述文本识别方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述文本识别方法。
根据本公开的另一方面,提供了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上述文本识别方法。
由以上可见,应用本公开实施例提供的方案进行文本识别时,在获得待识别文本图像的第一特征图之后,针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,基于增强处理后的第一特征图,对待识别文本图像进行文本识别,从而能够实现对待识别文本图像进行文本识别。
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1a为本公开实施例提供的第一种文本识别方法的流程示意图;
图1b为本公开实施例提供的第一种弯曲文本的图像的示意图;
图1c为本公开实施例提供的第二种弯曲文本的图像的示意图;
图2a为本公开实施例提供的第二种文本识别方法的流程示意图;
图2b为本公开实施例提供的一种特征增强过程的流程框图;
图3为本公开实施例提供的第三种文本识别方法的流程示意图;
图4为本公开实施例提供的第四种文本识别方法的流程示意图;
图5为本公开实施例提供的第五种文本识别方法的流程示意图;
图6为本公开实施例提供的第一种文本识别装置的结构示意图;
图7为本公开实施例提供的第二种文本识别装置的结构示意图;
图8为本公开实施例提供的第三种文本识别装置的结构示意图;
图9是用来实现本公开实施例的文本识别方法的电子设备的框图。
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。
参见图1a,图1a为本公开实施例提供的第一种文本识别方法的流程示意图,上述方法包括以下步骤S101-S103。
步骤S101:获得待识别文本图像的第一特征图。
上述待识别文本图像为包含文本的图像,其中,待识别文本图像所包含的文本可以是弯曲文本,也可以是未弯曲的文本。上述弯曲文本中文本按照曲线排列。
例如,图1b为一种弯曲文本的图像的示意图,在图1b所示图像中,图像中的文本在像素行方向上存在弯曲,也就是,所有文本未位于相同的像素行。
又例如,图1c为另一种弯曲文本的图像的示意图,在图1c所示图像中,图像中的文本在像素列方向上存在弯曲,也就是,所有文本未位于相同的像素列。
上述第一特征图为包含待识别文本图像的多个维度的特征值的图像。第一特征图的维度依据具体场景而定。
例如,上述第一特征图可以是二维的特征图,这种情况下,两个维度可以分别是宽度维度和高度维度。
又例如,上述第一特征图可以是三维的特征图,这种情况下,三个维度可以分别是宽度维度、高度维度和深度维度,其中,深度维度的大小可以由待识别文本图像的通道数决定。如,假设待识别文本图像为RGB格式的图像,则待识别文本图像具有三个通道,分别为R通道、G通道和B通道,则深度维度的大小为:3,待识别文本图像在深度维度的取值分别为1、2、3。这种情况下,可以认为第一特征图包括三张二维特征图,每一二维特征图对应的维度为:宽度维度和高度维度。
综合以上可以看出,第一特征图可以是二维特征图,也可以是包含多个二维特征图的多维特征图。
具体的,可以通过以下两种不同的方式获得第一特征图。
一种实现方式中,可以首先获得待识别文本图像,对待识别文本图像进行特征提取,得到上述第一特征图。
另一种实现方式中,可以首先通过其他具有特征提取功能的设备对待识别文本图像进行特征提取,然后获得上述设备对待识别文本图像进行特征提取得到的特征图作为第一特征图。
对待识别文本图像进行特征提取可以基于现有技术中的特征提取网络模型或者特征提取算法实现。例如,上述特征提取网络模型可以是卷积神经网络模型,如,可以是卷积神经网络中的vgg网络模型、renset网络模型、mobilenet网络模型等,上述特征提取模型还可以是FPN(Feature Pyramid Networks,特征金字塔网络)、PAN(Pixel AggregationNetwork,像素聚合网络)等网络模型,上述特征提取算法可以是deformconv,se,dilationconv,inception等算子。
步骤S102:针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理。
图像特征在图像中存在感受野,上述感受野可以理解为图像特征的来源,上述感受野可以是图像中的部分区域,图像特征对该部分区域具有表征性,不同图像特征的感受野可能不同,当图像特征的感受野发生变化时,该图像特征也会发生变化。上述对第一特征图中每一目标特征单元中的每一特征值进行特征增强处理,能够扩大第一特征图中各特征值的感受野,从而提高第一特征图对上述待识别文本图像的表征性。
上述目标特征单元为:第一特征图中沿特征增强方向的特征单元。
上述特征单元为一维特征数据,该一维特征数据所包含特征值的数量与第一特征图中特征增强方向对应的维度的大小相同。
上述特征增强方向可以是第一特征图的像素行方向,与该方向对应的维度为宽度维度;上述特征增强方向还可以是第一特征图的像素列方向,与该方向对应的维度为高度维度。
具体的,可以通过不同的方式确定特征增强方向。
一种实现方式中,可以人为预设特征增强方向。
另一种实现方式中,可以通过检测待识别文本图像中文本的排列方向,确定与所检测的排列方向不同的方向作为特征增强方向。
例如,若待识别文本图像中文本的排列方向为像素行方向,则可以将与像素行方向不同的方向,即像素列方向,作为特征增强方向。
上述特征增强方向不同,目标特征单元不同,具体在后续实施例中进行说明,这里暂不详述。
本步骤中,对每一目标特征单元中的每一特征值进行特征增强时,均会考虑该目标特征单元中的每一特征值。
对一个目标特征单元中的每一特征值进行特征增强处理的具体实现方式,可参见后续图2a所示实施例中步骤S202-S204以及图4所示实施例中步骤S402的描述,这里暂不详述。
步骤S103:基于增强处理后的第一特征图,对待识别文本图像进行文本识别。
一种实现方式中,在得到增强处理后的第一特征图后,可以基于该特征图预测待识别文本图像中的文本框,然后对文本框中的内容进行文本识别,得到待识别文本图像中包含的文本。
具体的,可以通过现有的各种解码技术实现文本识别,这里不再详述。
另外,在现有的文本识别方案中通常基于图像的特征进行文本识别,本公开实施例提供的文本识别方案中,通过特征增强处理可以得到表征性更强的图像特征,因此,本公开实施例提供的文本识别方案,可以是在现有的文本识别方案基础上,引入上述特征增强处理步骤后得到的文本识别方案中,这样可以提高文本识别的准确性。
由以上可见,应用本公开实施例提供的方案进行文本识别时,在获得待识别文本图像的第一特征图之后,针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,基于增强处理后的第一特征图,对待识别文本图像进行文本识别,从而能够实现对待识别文本图像进行文本识别。
另外,由于本公开实施例提供的方案中进行特征增强处理的对象为每一目标特征单元中的每一特征值,而非第一特征图全图,因此特征增强过程仅需要考虑特征增强方向上的特征,而不需要考虑待识别文本图像中文本包含的字符之间的相对位置,因此,应用本公开实施例提供的方案能够准确识别规则排列的文本的图像,还能够识别弯曲文本的图像,进而扩大了文本识别的应用范围。
下面针对特征增强方向的两种情况对目标特征单元进行说明。
第一种情况:在特征增强方向为第一特征图的像素列方向的情况下,目标特征单元为第一特征图的列特征单元。
一个列特征单元包含第一特征图中一个像素列上的各个特征值。从前面的描述得知第一特征图可以是包含多个二维特征图的多维特征图,这种情况下,一个列特征单元与第一特征图中一个二维特征图中的一个像素列相对应,该列特征单元中包括该二维特征图中该像素列上的各个特征值。
对于前述图1b所示的图像而言,其中的文本在像素行方向上发生了弯曲,这类图像在像素列方向上的特征更具有表征性。而上述情况下,对第一特征图进行特征增强时,正是以列特征单元为单位进行的特征增强,这样可以使得第一特征图中像素列方向上的特征值得到增强。因此,按照上述情况对第一特征图进行特征增强后,对类似图1b这种在像素行方向上出现文本弯曲的图像进行文本识别时,能够提高文本识别的准确率。
第二种情况:在特征增强方向为第一特征图的像素行方向的情况下,目标特征单元为第一特征图的行特征单元。
与上述列特征单元类似,一个行特征单元包含第一特征图中一个像素行上的各个特征值。从前面的描述得知第一特征图可以是包含多个二维特征图的多维特征图,这种情况下,一个行特征单元与第一特征图中一个二维特征图中的一个像素行相对应,该行特征单元中包括该二维特征图中该像素行上的各个特征值。
对于前述图1c所示的图像而言,其中的文本在像素列方向上发生了弯曲,这类图像在像素行方向上的特征更具有表征性。而上述情况下,对第一特征图进行特征增强时,正是以行特征单元为单位进行的特征增强,这样可以使得第一特征图中像素行方向上的特征值得到增强。因此,按照上述情况对第一特征图进行特征增强后,对类似图1c这种在像素列方向上出现文本弯曲的图像进行文本识别时,能够提高文本识别的准确率。
下面结合图2a,对上述步骤S102中对每一目标特征单元中的每一特征值进行特征增强处理的具体实现方式进行说明。
本公开的一个实施例中,参见图2a,提供了第二种文本识别方法的流程示意图,本实施例中,上述文本识别方法包括以下步骤S201-S204。
步骤S201:获得待识别文本图像的第一特征图。
上述步骤S201与前述步骤S101相同,这里不再赘述。
步骤S202:针对每一目标特征单元,基于该目标特征单元中的各个特征值,计算该目标特征单元中的每一特征值的特征增强系数。
一种情况下,上述特征值的特征增强系数可以理解为该特征值对待识别文本图像的表征性的强度,特征增强系数越大,则说明该特征值对待识别文本图像的表征性越强,特征增强系数越小,则说明该特征值对待识别文本图像的表征性越弱。
针对目标特征单元中的每一特征值,计算该特征值的特征增强系数可以存在多种实现方式。
第一种实现方式中,可以通过后续图3所示实施例中步骤S302-S303计算特征增强系数,这里暂不详述。
第二种实现方式中,可以利用目标特征单元中的各个特征值,计算该特征值的权重系数,将该权重系数作为该特征值的特征增强系数。其中,各个特征值的权重系数反映该特征值在所属目标特征单元中所占的比重。
例如,由于数值较大的特征值的表征性通常较强,因此,可以计算该特征值在所属目标特征单元内各个特征值之和中的占比,占比越高,权重系数越大,占比越低,权重系数越小。除此之外,还可以通过其他方式计算该特征值的权重系数,本公开实施例并不对此进行限定。
第三种实现方式中,在上述特征增强方向为像素列方向的情况下,可以基于列注意力机制,计算目标特征单元中每一特征值的注意力系数,作为该特征值的特征增强系数。
在上述特征增强方向为像素行方向的情况下,可以基于行注意力机制,计算目标特征单元中每一特征值的注意力系数,作为该特征值的特征增强系数。
除了上述三种实现方式外,还可以使通过其他方式计算目标特征单元中每一特征值的特征增强系数,这里不再一一详述。
步骤S203:针对每一目标特征单元,通过对该目标特征单元的系数向量与该目标特征单元的特征向量进行向量计算,对该目标特征单元中的每一特征值进行特征增强处理。
其中,系数向量为:由该目标特征单元中各特征值的权重系数沿特征增强方向构成的向量,特征向量为:由该特征单元中各特征值沿特征增强方向构成的向量。
具体的,针对每一目标特征单元,可以首先获得该目标特征单元的系数向量和特征向量,然后对所获得的系数向量和特征向量进行向量运算,得到该目标特征单元的运算结果。由于系数向量和特征向量均为沿特征增强方向的向量,所以这两个向量可能为一维行向量,也可能为一维列向量,基于此,一种情况下,对上述两个向量进行向量运算可以是对向量中的元素进行线性加权运算,这种情况下,所得运算结果包含一个元素。
对一个目标特征单元进行上述处理可以得到一个运算结果,对全部目标特征单元进行上述处理可以得到与目标特征单元相同数量个运算结果,该相同数量个运算结果可以构成一个特征数据,作为特征增强处理后的第一特征图。
在上述第一特征图为二维的特征图的情况下,上述特征数据为一维特征数据,该一维特征数据的维度与上述第一特征图中除与特征增强方向对应的维度之外的另一纬度相对应,该一维特征数据的大小与第一特征图的该另一维度的大小相同。
在上述第一特征图为三维的特征图的情况下,上述特征数据为二维特征数据,该二维特征数据具有两个维度,这两个维度分别与上述第一特征图中除与特征增强方向对应的维度之外的两个维度相对应,该二维特征数据中两个维度的大小分别与所对应的第一特征图的维度的大小相同。
在获得上述目标特征单元的特征向量时,可以沿特征增强方向,依次确定目标特征单元中的各个特征值,根据特征值的确定顺序,分别将各个特征值作为向量中对应位置的元素,从而得到特征向量。
例如,若目标特征单元中包括p1、p2、p3三个特征值,沿特征增强方向,可以确定该目标特征单元中第一个特征值为p1,第二个特征值为p2,第三个特征值为p3,则可以将p1作为向量中第一位置上的元素,将p2作为向量中第二位置上的元素,将p3作为向量中第三位置上的元素,从而得到由p1、p2、p3构成的特征向量。
获得上述系数向量的方式与获得上述特征向量的方式相类似,可以依次确定目标特征单元中的各个特征值的特征增强系数,根据特征增强系数的确定顺序,分别将各个特征增强系数作为向量中对应位置的元素,从而得到系数向量。
本公开的一个实施例中,获得特征向量和系数向量之后,可以对特征向量和系数向量进行点乘运算,从而得到点乘运算结果。
例如,图2b示出了一种特征增强过程的流程框图,图2b中,最左侧的四个叠放在一列的小方块表示包含四个特征值的目标特征单元,每一个小方块对应一个特征值,列注意力模块是基于列注意力机制构建的模块,用于计算目标特征单元中的每一特征值的特征增强系数,上述目标特征单元输入至列注意力模块后,得到该目标特征单元中这四个特征值的特征增强系数,然后对该目标特征单元中四个特征值构成的特征向量与这四个特征值的特征增强系数构成的系数向量进行点乘计算,得到运算结果,即最右侧的小方块,该运算结果包含点乘运算后得到的一个特征值。
步骤S204:基于增强处理后的第一特征图,对待识别文本图像进行文本识别。
上述步骤S204与前述步骤S103相同,这里不再赘述。
由以上可见,应用本公开实施例提供的方案进行文本识别时,由于在计算目标特征单元中的每一特征值的特征增强系数时,是基于目标特征单元中的各个特征值进行计算的,这样计算每一特征值的特征增强系数时均考虑了目标特征单元的全局信息,因此对每一目标特征单元的特征向量和系数向量进行向量运算后,能够使得各目标特征单元中的特征值基于该目标特征单元的全局信息得到增强,进而也就是使得第一特征图中的特征值在特征增强方向上得到增强,这样基于增强处理后的第一特征图对待识别文本图像进行文本识别,能够提高文本识别的准确性。
在计算每一目标特征中的每一特征值的特征增强系数时,除了采用上述步骤S202中提供的方式之外,还可以通过下述图3所示实施例中步骤S302-S303实现特征增强处理。
本公开的一个实施例中,参见图3,提供了第三种文本识别方法的流程示意图,本实施例中,上述文本识别方法包括以下步骤S301-S305。
步骤S301:获得待识别文本图像的第一特征图。
上述步骤S301与前述步骤S101相同,这里不再赘述。
步骤S302:针对每一目标特征单元,根据预设的变换系数,按照预设的变换关系,计算该目标特征单元中每一特征值的初始特征增强系数。
其中,上述变换系数可以是人为预设的系数。另外,由于文本识别可以通过文本识别网络模型实现,因此,上述变换系数也可以是根据训练后的文本识别网络模型的模型参数计算得到的系数。
上述变换关系可以是人为规定的特征值与特征值的初始特征增强系数之间的关系。
本公开的一个实施例中,可以按照以下表达式计算目标特征单元中每一特征值的初始特征增强系数:
这样通过上述表达式能够准确、便捷的计算出特征值的初始特征增强系数。
当然,也可以按照其他方式计算该目标特征单元中每一特征值的初始特征增强系数,这里不再一一列举。
步骤S303:针对每一目标特征单元,基于该目标特征单元中各个特征值的初始特征增强系数,更新该目标特征单元中的每一特征值的初始特征增强系数,得到每一特征值的特征增强系数。
具体的,一个目标特征单元中可能包含多个特征值,针对每一特征值,均能计算出该特征值的初始特征增强系数,更新该特征值的初始特征增强系数时,可以基于该目标特征单元中各个特征值的初始特征增强系数,对该特征值的初始特征增强系数进行更新,得到该特征值的特征增强系数。
本公开的一个实施例中,可以按照以下表达式更新目标特征单元中每一特征值的初始特征增强系数,得到该特征值的特征增强系数:
其中,ej表示目标特征单元中第j个特征值的初始特征增强系数,αj表示目标特征单元中第j个特征值的特征增强系数,n表示目标特征单元中特征值的数量。
这样通过上述表达式对目标特征单元中每一特征值的初始特征增强系数进行更新,能够准确得到目标特征单元中每一特征值的初始特征增强系数。
当然,也可以按照其他方式更新每一特征值的特征增强系数,这里不再一一列举。
步骤S304:针对每一目标特征单元,通过对该目标特征单元的系数向量与该目标特征单元的特征向量进行向量计算,对该特征单元中的每一特征值进行特征增强处理。
其中,系数向量为:由该目标特征单元中各特征值的权重系数沿特征增强方向构成的向量,特征向量为:由该特征单元中各特征值沿特征增强方向构成的向量。
步骤S305:基于增强处理后的第一特征图,对待识别文本图像进行文本识别。
上述步骤S304与前述步骤S203相同,上述步骤S305与前述步骤S103相同,这里不再赘述。
由以上可见,应用本公开实施例提供的方案进行文本识别时,首先利用预设的变换系数以及预设的变换关系,能够准确计算出目标特征单元中每一特征值的初始特征增强系数,再基于目标特征单元中各个特征值的初始特征增强系数,更新目标特征单元中每一特征值的初始特征增强系数,能够准确得到每一特征值的特征增强系数,基于较为准确的特征增强系数对第一特征图进行特征增强处理,并基于增强处理后的第一特征图识别待识别文本图像中的文本,能够提高文本识别的准确性。
在对每一目标特征单元中的每一特征值进行特征增强处理时,除了采用上述图2a所示实施例中步骤S202-S203中提及的方式外,还可以采用下述图4所示实施例中步骤S402实现特征增强处理。
本公开的一个实施例中,参见图4,提供了第四种文本识别方法的流程示意图,本实施例中,上述文本识别方法包括以下步骤S401-S403。
步骤S401:获得待识别文本图像的第一特征图。
上述步骤S401与前述步骤S101相同,这里不再赘述。
步骤S402:针对每一目标特征单元,基于全局注意力机制,采用该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理。
本实施例中,上述全局注意力机制为一种在考虑一个目标特征单元中所有特征值的情况下,将注意力集中在关键特征值的机制。具体的,每一次基于全局注意力机制对特征值进行特征增强处理的对象为一个目标特征单元,全局注意力机制所考虑的全部数据为一个目标特征单元中的所有特征值。
上述关键特征值可以被理解为:对图像的表征性较强的特征值。
在上述目标特征单元为列特征单元的情况下,所使用的全局注意力机制可以看做是列注意力机制,在上述目标特征单元为行特征单元的情况下,所使用的全局注意力机制可以看做是行注意力机制。
基于全局注意力机制对目标特征单元中的每一特征值进行特征增强处理可以通过现有的全局注意力机制实现方式实现,这里不再详述。
步骤S403:基于增强处理后的第一特征图,对待识别文本图像进行文本识别。
上述步骤S403与前述步骤S103相同,这里不再赘述。
由以上可见,应用本公开实施例提供的方案进行文本识别时,使用全局注意力机制的对象为各个目标特征单元,这样对于每一目标特征单元而言,可以在考虑该目标特征单元中所有特征值的情况下,将注意力集中在关键特征值上,进而使得特征增强过程更加关注对待识别文本图像的表征性较强的特征值,又由于表征性较强的特征值对特征增强处理的影响通常较大,因此,利用全局注意力机制对目标特征单元中的每一特征值进行特征增强处理,能够提高特征增强的准确性,从而增强特征增强处理后的第一特征图的表征性,基于表征性较强的特征图对待识别文本图像进行文本识别,能够提高文本识别的准确性。
在获得待识别文本图像的第一特征图时,可以首先获得待识别文本图像,然后对待识别文本图像进行特征提取,得到待识别文本图像的图像特征作为第一特征图,具体的,可以通过下述图5所示实施例中步骤S501获得待识别文本图像的第一特征图。
本公开的一个实施例中,参见图5,提供了第五种文本识别方法的流程示意图,本实施例中,上述文本识别方法包括以下步骤S501-S503。
步骤S501:对待识别文本图像进行特征提取,得到像素行数量为预设行数、像素列数量为目标列数的第一特征图。
其中,预设行数大于1,例如,上述预设行数可以是4、5或者其他人为预设的行数。由于上述预设行数大于1,所以,在第一特征图中,对于每一像素列而言,包含多个像素点,也就包含多个特征值。在此基础上,第一特征图中每一像素列对应的特征值,在表征待识别文本图像在像素行方向的特征时,能够适用多个特征值表征,这样可以使得进行特征表征的数据更加丰富,表征性更强。
目标列数根据待识别文本图像的像素列数和预设行数计算得到。
例如,可以将待识别文本图像的像素列数与预设行数相除,得到相除结果作为上述目标列数。
具体的,可以通过以下三种实现方式,对待识别文本图像进行特征提取,得到预设行数、目标列数的第一特征图。
第一种实现方式中,可以通过特征提取网络模型提取图像的特征,这样需要预先对特征提取网络模型进行训练。在特征提取网络模型的训练阶段,使用样本图像和样本图像的样本特征图对特征提取网络模型进行训练,其中,样本特征图的像素行数量是上述预设行数,样本特征图的像素列数量是根据样本图像的像素列数和预设行数计算得到的列数,这样对特征提取网络模型进行训练后,特征提取网络模型可以学习到图像尺寸与特征图尺寸之间的变换规律。在上述基础上,将待识别文本图像输入至特征提取网络模型后,可以输出预设行数、目标列数的第一特征图。
第二种实现方式中,可以在获得上述待识别文本图像后,首先根据待识别文本图像的像素列数和预设行数计算上述目标列数,这样在目标列数以及预设行数确定的情况下,第一特征图的尺寸也就确定了,然后根据第一特征图的尺寸确定待进行特征提取的图像的目标尺寸,将待识别文本图像的尺寸变换为目标尺寸,这样对变换尺寸后的待识别文本图像进行特征提取,可以得到预设行数、目标列数的第一特征图。
一种情况下,可以根据特征图的尺寸与进行图像特征提取的图像的尺寸之间的对应关系,以及第一特征图的尺寸,确定上述目标尺寸。
第三种实现方式中,在获得上述待识别文本图像后,可以根据待识别文本图像的像素列数和预设行数计算上述目标列数,从而确定第一特征图的目标尺寸,然后在对待识别文本图像进行特征提取后,若所得特征图的尺寸与上述目标尺寸不一致,则对上述特征图进行尺寸变换,得到目标尺寸的特征图,也就是,第一特征图。
步骤S502:针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,其中,目标特征单元为:第一特征图中沿特征增强方向的特征单元。
步骤S503:基于增强处理后的第一特征图,对待识别文本图像进行文本识别。
上述步骤S502-S503与前述步骤S102-S103分别相同,这里不再赘述。
由以上可见,应用本公开实施例提供的方案进行文本识别时,对于不同尺寸的待识别文本图像,对待识别文本图像进行特征提取均能获得同一标准下的第一特征图,这样在上述特征增强方向为像素列方向的情况下,不同待识别文本图像对应的目标特征单元均包含相同数量的特征值,能够提高对每一目标特征单元中的每一特征值进行特征增强处理的统一性,从而提高文本识别的效率。
另外,本实施例提供的方案中还限定了上述第一特征图的像素列数量为预设列数,像素行数量为根据待识别文本图像的像素行数和预设列数计算得到的行数,这样在上述特征增强方向为像素行方向的情况下,也能够提高对每一目标特征单元中的每一特征值进行特征增强处理的统一性。
与上述文本识别方法相对应,本公开实施例还提供了一种文本识别装置。
参见图6,图6为本公开实施例提供的第一种文本识别装置的结构示意图,所述装置包括:
特征图获得模块601,用于获得待识别文本图像的第一特征图;
特征增强模块602,用于针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述目标特征单元为:所述第一特征图中沿特征增强方向的特征单元;
文本识别模块603,用于基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别。
由以上可见,应用本公开实施例提供的方案进行文本识别时,在获得待识别文本图像的第一特征图之后,针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,基于增强处理后的第一特征图,对待识别文本图像进行文本识别,从而能够实现对待识别文本图像进行文本识别。
另外,由于本公开实施例中进行特征增强处理的对象为每一目标特征单元中的每一特征值,而非第一特征图全图,因此特征增强过程仅需要考虑特征增强方向上的特征,而不需要考虑待识别文本图像中文本包含的字符之间的相对位置,因此,应用本公开实施例提供的方案能够准确识别规则排列的文本的图像,还能够识别弯曲文本的图像,进而扩大了文本识别的应用范围。
本公开的一个实施例中,参见图7,提供了第二种文本识别装置的结构示意图,所述装置包括:
特征图获得模块701,用于获得待识别文本图像的第一特征图;
系数计算子模块702,用于针对每一目标特征单元,基于该目标特征单元中的各个特征值,计算该目标特征单元中的每一特征值的特征增强系数;
向量计算子模块703,用于针对每一目标特征单元,通过对该目标特征单元的系数向量与该目标特征单元的特征向量进行向量计算,对特征单元中的每一特征值进行特征增强处理,其中,所述系数向量为:由该目标特征单元中各特征值的权重系数沿所述特征增强方向构成的向量,所述特征向量为:由该特征单元中各特征值沿所述特征增强方向构成的向量;
文本识别模块704,用于基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别。
由以上可见,应用本公开实施例提供的方案进行文本识别时,由于在计算目标特征单元中的每一特征值的特征增强系数时,是基于目标特征单元中的各个特征值进行计算的,这样计算每一特征值的特征增强系数时均考虑了目标特征单元的全局信息,因此对每一目标特征单元的特征向量和系数向量进行向量运算后,能够使得各目标特征单元中的特征值基于该目标特征单元的全局信息得到增强,进而也就是使得第一特征图中的特征值在特征增强方向上得到增强,这样基于增强处理后的第一特征图对待识别文本图像进行文本识别,能够提高文本识别的准确性。
本公开的一个实施例中,参见图8,提供了第三种文本识别装置的结构示意图,所述装置包括:
特征图获得模块801,用于获得待识别文本图像的第一特征图;
系数计算单元802,用于根据预设的变换系数,按照预设的变换关系,计算目标特征单元中每一特征值的初始特征增强系数;
系数更新单元803,用于基于目标特征单元中各个特征值的初始特征增强系数,更新该目标特征单元中的每一特征值的初始特征增强系数,得到每一特征值的特征增强系数。
向量计算子模块804,用于针对每一目标特征单元,通过对该目标特征单元的系数向量与该目标特征单元的特征向量进行向量计算,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述系数向量为:由该目标特征单元中各特征值的权重系数沿所述特征增强方向构成的向量,所述特征向量为:由该特征单元中各特征值沿所述特征增强方向构成的向量;
文本识别模块805,用于基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别。
由以上可见,应用本公开实施例提供的方案进行文本识别时,首先利用预设的变换系数以及预设的变换关系,能够准确计算出目标特征单元中每一特征值的初始特征增强系数,再基于目标特征单元中各个特征值的初始特征增强系数,更新目标特征单元中每一特征值的初始特征增强系数,能够准确得到每一特征值的特征增强系数,基于较为准确的特征增强系数对第一特征图进行特征增强处理,并基于增强处理后的第一特征图识别待识别文本图像中的文本,能够提高文本识别的准确性。
本公开的一个实施例中,所述系数计算单元802,具体用于:
按照以下表达式计算目标特征单元中每一特征值的初始特征增强系数:
由以上可见,应用本公开实施例提供的方案进行文本识别时,通过上述表达式能够准确、便捷的计算出特征值的初始特征增强系数。
本公开的一个实施例中,所述系数更新单元803,具体用于,包括:
按照以下表达式计算每一特征值的特征增强系数:
其中,ej表示所述目标特征单元中第j个特征值的初始特征增强系数,αj表示所述目标特征单元中第j个特征值的特征增强系数,n表示所述目标特征单元中特征值的数量。
由以上可见,应用本公开实施例提供的方案进行文本识别时,通过上述表达式对目标特征单元中每一特征值的初始特征增强系数进行更新,能够准确得到目标特征单元中每一特征值特征值的初始特征增强系数。
本公开的一个实施例中,所述特征增强模块602,具体用于:
针对每一目标特征单元,基于全局注意力机制,采用该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理。
由以上可见,应用本公开实施例提供的方案进行文本识别时,使用全局注意力机制的对象为各个目标特征单元,这样对于每一目标特征单元而言,可以在考虑该目标特征单元中所有特征值的情况下,将注意力集中在关键特征值上,进而使得特征增强过程更加关注对待识别文本图像的表征性较强的特征值,又由于表征性较强的特征值对特征增强处理的影响通常较大,因此,利用全局注意力机制对目标特征单元中的每一特征值进行特征增强处理,能够提高特征增强的准确性,从而增强特征增强处理后的第一特征图的表征性,基于表征性较强的特征图对待识别文本图像进行文本识别,能够提高文本识别的准确性。
本公开的一个实施例中,在所述特征增强方向为所述第一特征图的像素列方向的情况下,所述目标特征单元为所述第一特征图的列特征单元。
由以上可见,应用本公开实施例提供的方案进行文本识别时,对于待识别文本图像中的文本在像素行方向上发生弯曲的情况,这类图像在像素列方向上的特征更具有表征性。对第一特征图进行特征增强时,以列特征单元为单位进行特征增强,这样可以使得第一特征图中像素列方向上的特征值得到增强。因此,按照上述情况对第一特征图进行特征增强后,对在像素行方向上出现文本弯曲的图像进行文本识别时,能够提高文本识别的准确率。
本公开的一个实施例中,在所述特征增强方向为所述第一特征图的像素行方向的情况下,所述目标特征单元为所述第一特征图的行特征单元。
由以上可见,应用本公开实施例提供的方案进行文本识别时,对于待识别文本图像中的文本在像素列方向上发生弯曲的情况,这类图像在像素行方向上的特征更具有表征性。对第一特征图进行特征增强时,以行特征单元为单位进行特征增强,这样可以使得第一特征图中像素行方向上的特征值得到增强。因此,按照上述情况对第一特征图进行特征增强后,对在像素列方向上出现文本弯曲的图像进行文本识别时,能够提高文本识别的准确率。
本公开的一个实施例中,所述特征图获得模块601,具体用于:
对所述待识别文本图像进行特征提取,得到像素行数量为预设行数、像素列数量为目标列数的第一特征图,其中,所述预设行数大于1,所述目标列数根据所述待识别文本图像的像素列数和所述预设行数计算得到。
由以上可见,应用本公开实施例提供的方案进行文本识别时,对于不同尺寸的待识别文本图像,对待识别文本图像进行特征提取均能获得同一标准下的第一特征图,这样在上述特征增强方向为像素列方向的情况下,不同待识别文本图像对应的目标特征单元均包含相同数量的特征值,这样能够提高对每一目标特征单元中的每一特征值进行特征增强处理的统一性,从而提高文本识别的效率。
另外,本实施例提供的方案中还限定了上述第一特征图的像素列数量为预设列数,像素行数量为根据待识别文本图像的像素行数和预设列数计算得到的行数,这样在上述特征增强方向为像素行方向的情况下,也能够提高对每一目标特征单元中的每一特征值进行特征增强处理的统一性。
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。
本公开的一个实施例中,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述方法实施例中任一文本识别方法。
本公开的一个实施例中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述方法实施例中任一文本识别方法。
本公开的一个实施例中,提供了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前述方法实施例中任一文本识别方法。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如文本识别方法。例如,在一些实施例中,文本识别方法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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的文本识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文本识别方法。
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)、复杂可编程逻辑设备(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。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
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 (14)
1.一种文本识别方法,包括:
获得待识别文本图像的第一特征图;
针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述目标特征单元为:所述第一特征图中沿特征增强方向的特征单元,所述特征增强方向为:与待识别文本图像中文本的排列方向不同的方向,所述待识别文本图像中文本的排列方向通过检测得到;
基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别;
所述针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,包括:
针对每一目标特征单元,基于该目标特征单元中的各个特征值,计算该目标特征单元中的每一特征值的特征增强系数;
针对每一目标特征单元,通过对该目标特征单元的系数向量与该目标特征单元的特征向量进行向量计算,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述系数向量为:由该目标特征单元中各特征值的特征增强系数沿所述特征增强方向构成的向量,所述特征向量为:由特征单元中各特征值沿所述特征增强方向构成的向量;
所述基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别,包括:
基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别,得到所述待识别文本图像中包含的文本。
2.根据权利要求1所述的方法,其中,所述基于该目标特征单元中的各个特征值,计算该目标特征单元中的每一特征值的特征增强系数,包括:
根据预设的变换系数,按照预设的变换关系,计算该目标特征单元中每一特征值的初始特征增强系数;
基于该目标特征单元中各个特征值的初始特征增强系数,更新该目标特征单元中的每一特征值的初始特征增强系数,得到每一特征值的特征增强系数。
5.根据权利要求1-4中任一项所述的方法,其中,
在所述特征增强方向为所述第一特征图的像素列方向的情况下,所述目标特征单元为所述第一特征图的列特征单元;
在所述特征增强方向为所述第一特征图的像素行方向的情况下,所述目标特征单元为所述第一特征图的行特征单元。
6.根据权利要求1-4中任一项所述的方法,其中,所述获得待识别文本图像的第一特征图,包括:
对所述待识别文本图像进行特征提取,得到像素行数量为预设行数、像素列数量为目标列数的第一特征图,其中,所述预设行数大于1,所述目标列数根据所述待识别文本图像的像素列数和所述预设行数计算得到。
7.一种文本识别装置,包括:
特征图获得模块,用于获得待识别文本图像的第一特征图;
特征增强模块,用于针对每一目标特征单元,基于该目标特征单元中的各个特征值,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述目标特征单元为:所述第一特征图中沿特征增强方向的特征单元,所述特征增强方向为:与待识别文本图像中文本的排列方向不同的方向,所述待识别文本图像中文本的排列方向通过检测得到;
文本识别模块,用于基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别;
所述特征增强模块,包括:
系数计算子模块,用于针对每一目标特征单元,基于该目标特征单元中的各个特征值,计算该目标特征单元中的每一特征值的特征增强系数;
向量计算子模块,用于针对每一目标特征单元,通过对该目标特征单元的系数向量与该目标特征单元的特征向量进行向量计算,对该目标特征单元中的每一特征值进行特征增强处理,其中,所述系数向量为:由该目标特征单元中各特征值的特征增强系数沿所述特征增强方向构成的向量,所述特征向量为:由该特征单元中各特征值沿所述特征增强方向构成的向量;
所述文本识别模块,具体用于基于增强处理后的第一特征图,对所述待识别文本图像进行文本识别,得到所述待识别文本图像中包含的文本。
8.根据权利要求7所述的装置,其中,所述系数计算子模块,包括:
系数计算单元,用于根据预设的变换系数,按照预设的变换关系,计算目标特征单元中每一特征值的初始特征增强系数;
系数更新单元,用于基于目标特征单元中各个特征值的初始特征增强系数,更新该目标特征单元中的每一特征值的初始特征增强系数,得到每一特征值的特征增强系数。
11.根据权利要求7-10中任一项所述的装置,其中,
在所述特征增强方向为所述第一特征图的像素列方向的情况下,所述目标特征单元为所述第一特征图的列特征单元;
在所述特征增强方向为所述第一特征图的像素行方向的情况下,所述目标特征单元为所述第一特征图的行特征单元。
12.根据权利要求7-10中任一项所述的装置,其中,
所述特征图获得模块,具体用于对所述待识别文本图像进行特征提取,得到像素行数量为预设行数、像素列数量为目标列数的第一特征图,其中,所述预设行数大于1,所述目标列数根据所述待识别文本图像的像素列数和所述预设行数计算得到。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的文本识别方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的文本识别方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210013633.0A CN114359903B (zh) | 2022-01-06 | 2022-01-06 | 一种文本识别方法、装置、设备及存储介质 |
KR1020220187280A KR20230008672A (ko) | 2022-01-06 | 2022-12-28 | 텍스트 인식 방법, 장치, 기기 및 저장 매체 |
JP2022211703A JP2023037640A (ja) | 2022-01-06 | 2022-12-28 | テキスト認識方法、装置、機器及び記憶媒体 |
US18/147,806 US20230206667A1 (en) | 2022-01-06 | 2022-12-29 | Method for recognizing text, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210013633.0A CN114359903B (zh) | 2022-01-06 | 2022-01-06 | 一种文本识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359903A CN114359903A (zh) | 2022-04-15 |
CN114359903B true CN114359903B (zh) | 2023-04-07 |
Family
ID=81106380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210013633.0A Active CN114359903B (zh) | 2022-01-06 | 2022-01-06 | 一种文本识别方法、装置、设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230206667A1 (zh) |
JP (1) | JP2023037640A (zh) |
KR (1) | KR20230008672A (zh) |
CN (1) | CN114359903B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705554A (zh) * | 2021-08-13 | 2021-11-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7570816B2 (en) * | 2005-03-31 | 2009-08-04 | Microsoft Corporation | Systems and methods for detecting text |
CN112801103B (zh) * | 2021-01-19 | 2024-02-27 | 网易(杭州)网络有限公司 | 文本方向识别及文本方向识别模型训练方法、装置 |
CN113591546B (zh) * | 2021-06-11 | 2023-11-03 | 中国科学院自动化研究所 | 语义增强型场景文本识别方法及装置 |
-
2022
- 2022-01-06 CN CN202210013633.0A patent/CN114359903B/zh active Active
- 2022-12-28 JP JP2022211703A patent/JP2023037640A/ja active Pending
- 2022-12-28 KR KR1020220187280A patent/KR20230008672A/ko unknown
- 2022-12-29 US US18/147,806 patent/US20230206667A1/en not_active Abandoned
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705554A (zh) * | 2021-08-13 | 2021-11-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114359903A (zh) | 2022-04-15 |
KR20230008672A (ko) | 2023-01-16 |
US20230206667A1 (en) | 2023-06-29 |
JP2023037640A (ja) | 2023-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114186632B (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
CN111488985A (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN113657397B (zh) | 循环生成网络模型的训练方法、建立字库的方法和装置 | |
CN113343982A (zh) | 多模态特征融合的实体关系提取方法、装置和设备 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN112528995B (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
EP4020387A2 (en) | Target tracking method and device, and electronic apparatus | |
CN113393468A (zh) | 图像处理方法、模型训练方法、装置和电子设备 | |
CN112580732A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
CN113902696A (zh) | 图像处理方法、装置、电子设备和介质 | |
CN114202648B (zh) | 文本图像矫正方法、训练方法、装置、电子设备以及介质 | |
CN115147680A (zh) | 目标检测模型的预训练方法、装置以及设备 | |
CN114092708A (zh) | 特征图像的处理方法、装置和存储介质 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN114359903B (zh) | 一种文本识别方法、装置、设备及存储介质 | |
CN117132886A (zh) | 道路平面交叉口提取方法、装置、设备以及存储介质 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
CN113887535B (zh) | 模型训练方法、文本识别方法、装置、设备和介质 | |
CN115861809A (zh) | 杆状物检测及其模型的训练方法、装置、电子设备、介质 | |
CN114359905B (zh) | 一种文本识别方法、装置、电子设备及存储介质 | |
CN113205131A (zh) | 图像数据的处理方法、装置、路侧设备和云控平台 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN114581676B (zh) | 特征图像的处理方法、装置和存储介质 | |
CN113052173B (zh) | 样本数据的特征增强方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |