CN114973224A - 一种文字识别方法、装置、电子设备及存储介质 - Google Patents
一种文字识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114973224A CN114973224A CN202210383744.0A CN202210383744A CN114973224A CN 114973224 A CN114973224 A CN 114973224A CN 202210383744 A CN202210383744 A CN 202210383744A CN 114973224 A CN114973224 A CN 114973224A
- Authority
- CN
- China
- Prior art keywords
- image
- sequence
- features
- transverse
- coding
- 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 51
- 239000013598 vector Substances 0.000 claims abstract description 125
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012015 optical character recognition Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 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
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Character Discrimination (AREA)
Abstract
本公开提供了一种文字识别方法、装置、设备及介质，涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于OCR等场景。具体实现方案为：对待识别图像进行特征提取，得到图像特征；分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；对所述语义向量进行解码，得到所述待识别图像的文字识别结果。本公开能够提高文字识别的准确性。
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、图像处理、计算机视觉技术领域，可应用于OCR等场景。
背景技术
自然场景图像中的文字包含着丰富的语义信息，对于视觉任务十分重要。文字识别技术是指针对已经检测出的文本区域进行文字识别的任务。它是一项极富挑战性的任务，自然场景图像中的文字受背景、外观的变化和扰动都会使文字识别任务变得更加困难。
随着近些年来深度学习和合成文本技术的发展，文字识别技术也得到了飞速进步，从传统文档识别到自然场景文字识别，各种识别方法都取得了不错的效果，但是针对任意形状的文字识别仍然存在困难。
发明内容
本公开提供了一种文字识别方法、装置、设备及介质。
根据本公开的一方面，提供了一种文字识别方法，该方法包括：
对待识别图像进行特征提取，得到图像特征；
分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；
对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；
对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
根据本公开的一方面，提供了一种文字识别装置，该装置包括：
图像特征提取模块，用于对待识别图像进行特征提取，得到图像特征；
横纵编码模块，用于分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；
序列处理模块，用于对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；
解码模块，用于对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
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本公开任一实施例所述的文字识别方法。
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计算机执行本公开任一实施例所述的文字识别方法。
根据本公开的技术，提高了文字识别的准确性。
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是根据本公开实施例提供的一种文字识别方法的流程图；
图1b是根据本公开实施例提供的一种文字识别模型的结构示意图；
图2是根据本公开实施例提供的另一种文字识别方法的流程图；
图3是根据本公开实施例提供的又一种文字识别方法的流程图；
图4是根据本公开实施例提供的一种文字识别装置的结构示意图；
图5是用来实现本公开实施例的文字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。
图1a是根据本公开实施例提供的一种文字识别方法的流程图，本公开实施例适用于对自然场景图像进行文字识别的情况。该方法可以由文字识别装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载文字识别功能的电子设备中。如图1a所示，本实施例的文字识别方法可以包括：
S101，对待识别图像进行特征提取，得到图像特征；
S102，分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；
S103，对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；
S104，对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
在本公开实施例中，待识别图像是指包括文字的自然场景图像。待识别图像中文字的排列方向可为横排、竖排(可称为纵排)，也可为斜向排列；并且，文字的形状可为矩形，也可为不规则图形。也就是说，对待识别图像中的文字排列方向、文字形状均不做具体限定。待识别图像可以为矩形。
其中，图像特征可为空间特征，可为(H+W)×C维，H和W分别为图像特征的高度和宽度上的维度，C为图像特征的通道数。具体的，可通过卷积神经网络(Convolutional NeuralNetwork,CNN)对待识别图像进行特征提取，得到包含丰富视觉信息的图像特征。
在本公开实施例中，还分别对图像特征进行横向编码和纵向编码，得到横向序列特征和纵向序列特征，其中横向序列特征包括图像特征的横排方向信息，纵向序列特征包括图像特征的竖排方向信息。具体的，可对图像特征进行纵向池化得到横向序列特征，且可对图像特征进行横向池化得到纵向序列特征。并且，对横向序列特征和纵向序列特征进行处理得到待处理图像的语义向量，例如将横向序列特征和纵向序列特征之间的拼接结果作为语义向量，也就是说，语义向量包含图像特征的横排方向信息和竖排方向信息，涵盖图像特征在任意方向上的编码，便于识别待识别图像中任意方向、任意形状的文字，能够提高自然语言场景中的文字识别准确度。
本公开实施例可基于sequence-to-sequence(序列到序列)模型进行文字识别，例如采用Encoder-Decoder(编码-解码)的架构，其中，Encoder可采用卷积神经网络。图1b是根据本公开实施例提供的一种文字识别模型的结构示意图，参考图1b，将自然场景中的待识别图像输入CNN编码器得到图像特征11；通过方向编码模块，对图像特征11分别进行多方向编码得到多方向上的序列特征12。解码器可基于Transformer(变换器)中Decoder模块实现，可包括Queries14和多头自注意力层和交叉自注意力层，用于根据可学习的Queries(查询词)对多方向上的序列特征进行解码，得到解码的序列向量15；还可将位置编码信息13引入到解码器中。解码的序列向量15可经过一层简单的全连接层和Softmax(逻辑回归)层输出概率最大的文字序列，作为待识别图像的文字识别结果。基于Encoder-Decoder结构实现了对文字和图像之间的跨模态信息进行建模。另外，在解码过程中，为了使输出文字序列长度和基准真相(Ground Truth,GT)长度匹配，可将GT用额外的特殊字符补全至固定预测长度。
本公开实施例提供的技术方案，通过从待识别图像中提取图像特征，分别确定图像特征的横向序列特征和纵向序列特征，并根据横向序列特征和纵向序列特征得到涵盖横排方向信息和竖排方向信息的语义向量，对语义向量进行解码得到文字识别结果，实现了任意方向上的编码，可解决任意方向的文字识别，提高了自然语言场景中的文字识别准确度。
图2是根据本公开实施例提供的另一种文字识别方法的流程图；本实施例是在上述实施例的基础上提出的一种可选方案。参见图2，本实施例提供的文字识别方法包括：
S201，对待识别图像进行特征提取，得到图像特征；
S202，根据所述图像特征，确定注意力权重矩阵；
S203，采用所述注意力权重矩阵对所述图像特征进行纵向压缩，得到横向序列特征；
S204，采用所述注意力权重矩阵对所述图像特征进行横向压缩，得到纵向序列特征；
S205，对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；
S206，对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
在本公开实施例中，注意力权重矩阵用于表征图像特征中的各像素在文字识别过程中的重要程度。注意力权重矩阵的维度可为H×W，其中，H和W分别为图像特征在高度和宽度方向上的维度，注意力权重矩阵中的元素值(即权重取值)的取值区间为(0,1)。
具体的，采用注意力权重矩阵对图像特征进行纵向池化，也就是说，采用注意力权重矩阵中第j列的权重值，对图像特征中第j列图像特征值进行池化，作为横向序列特征中第j列的横向序列特征值；并且，采用注意力权重矩阵对图像特征进行横向池化，也就是说，采用注意力权重矩阵中的第i行的权重值，对图像特征中第i行图像特征值进行池化，作为纵向序列特征中第i行的纵向序列特征值，其中，i和j均为自然数，i小于H，j小于W，也就是说，横向序列特征的维度为W，纵向序列特征的维度为H。并且，可对横向序列特征和纵向序列特征进行拼接，将拼接结果作为待处理图像的语义向量，即语义向量的维度为H+W。其中，可通过注意力单元确定图像特征的注意力权重矩阵。通过根据图像特征确定注意力权重矩阵，并采用注意力权重矩阵分别对图像特征进行处理，得到横向序列特征和纵向序列特征，实现了对图像特征的多方向编码；并且，在多方向编码过程中充分考虑图像特征中各元素之间的重要性差异，能够进一步提高语义向量的准确性，从而提高后续文字识别结果的准确性。
以图像特征的高度H和宽度W分别为2和3，图像特征为
且注意力权重矩阵为
为例，横向序列特征为[a×w11+d×w21 b×w12+e×w22 c×w13+f×w22]，纵向序列特征为
其中，注意力权重矩阵可通过注意力单元根据图像特征确定。对横向序列特征和纵向序列特征进行拼接得到5维的语义向量。
本公开实施例提供的技术方案，通过采用注意力权重矩阵，分别对图像特征进行多方向编码，在多方向编码过程中体现不同元素之间的重要性差异，提高了语义向量的准确性，能够进一步提高自然语言场景中文字识别结果的准确性。
在一种可选实施方式中，所述对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量，包括：对所述横向序列特征和所述纵向序列特征进行拼接，得到拼接序列特征；在所述拼接序列特征中引入待处理图像的位置编码向量，得到待处理图像的语义向量。
其中，位置编码向量用于对图像特征中各元素的位置信息进行区分，位置编码向量的维度可与拼接序列特征的维度相同。位置编码向量可为常量，也可为通过位置编码器学习得到的变量。具体的，可将拼接序列特征和位置编码向量中对应位置处的元素值相加得到待处理图像的语义向量。仍以图像特征的高度H和宽度W分别为2和3为例，纵向序列特征为
横向序列特征为[a×w11+d×w21 b×w12+e×w22c×w13+f×w22]，位置编码向量可为[p1 p2 p3 p4 p5]，语义向量中的元素可分别为a×w11+b×w12+c×w13+p1，d×w21+e×w22+f×w23+p2，a×w11+d×w21+p3，b×w12+e×w22+p4和c×w13+f×w22+p5。通过在拼接序列特征中引入位置编码向量，使得后续解码器对语义向量进行解码过程中能够分辨字符的先后顺序，也就是说，通过添加可学习的位置编码，使得解码器可感知不同字符的相对顺序，进一步提高文字识别准确性。
图3是根据本公开实施例提供的又一种文字识别方法的流程图；本实施例是在上述实施例的基础上提出的一种可选方案。参见图3，本实施例提供的文字识别方法包括：
S301，对待识别图像进行特征提取，得到图像特征；
S302，分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；
S303，分别确定待处理图像在横向的第一位置编码向量和在纵向的第二位置编码向量；
S304，分别确定待处理图像在横向的第一方向编码向量和在纵向的第二方向编码向量；
S305，在所述横向序列特征中引入所述第一位置编码向量和所述第一方向编码向量，得到横向编码结果；以及，在所述纵向序列特征中引入所述第二位置编码向量和所述第二方向编码向量，得到纵向编码结果；
S306，对所述横向编码结果和所述纵向编码结果进行拼接，得到所述待处理图像的语义向量；
S307，对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
在本公开实施例中，可从待识别图像值提取高分辨率的图像特征，提取更细粒度的视觉特征，从而解决小目标文字的情形。
在本公开实施例中，在横向编码和纵向编码过程中还分别引入相应方向的位置编码向量。第一位置编码向量用于对图像特征中横向上各元素的位置信息进行区分，第二位置编码向量用于对图像特征中纵向上各元素的位置信息进行区分，第一位置编码向量的维度为图像特征的宽度W，第二位置编码向量的维度为图像特征的高度H。
在本公开实施例中，还引入第一方向编码向量和第二方向编码向量，其中第一方向编码向量用于表征文字来源为横向，第二方向编码向量用于表征文字来源为纵向，可分别通过第一方向编码单元和第二方向编码单元学习得到。其中，第一方向编码向量中各元素的取值相同，第一方向编码向量的维度与横向序列特征的维度相同，例如均为W；第二方向编码向量中各元素的取值相同，第二方向编码向量的维度与纵向序列特征的维度相同，例如均为H。
具体的，可将横向序列特征、第一位置编码向量和第一方向编码向量中对应位置处的元素值相加得到横向编码结果，可将纵向序列特征、第二位置编码向量和第二方向编码向量中对应位置处的元素值相加得到纵向编码结果；对横向编码结果和纵向编码结果进行拼接得到待处理图像的语义向量。通过分别引入横向的第一位置编码向量和纵向的第二位置编码向量，还可分别引入第一方向编码向量和第二方向编码向量，使得语义向量不仅包含图像特征的位置编码还包括图像特征的方向来源编码，进一步丰富了语义向量的编码信息，提高了语义向量对不同方向、不同形状的文字编码能力，从而能够进一步提高解码结果的准确度，即提高文字识别结果的准确度。
仍以纵向序列特征为
横向序列特征为[a×w11+d×w21 b×w12+e×w22 c×w13+f×w22]为例，第一位置编码向量可表示为[p11 p12 p13],第二位置编码向量可表示为
第一方向编码向量可表示为[D1D1 D1]，第二方向编码向量可表示为
则横向编码结果中的元素分别为a×w11+d×w21+p11+D1、b×w12+e×w22+p12+D1、c×w13+f×w22+p13+D1；纵向编码结果中的元素分别为a×w11+b×w12+c×w13+q11+D2、d×w21+e×w22+f×w23+q21+D2。
本公开实施例提供的技术方案，通过分别引入横向的第一位置编码向量和纵向的第二位置编码向量，以及分别引入横向的第一方向编码向量和纵向的第二方向编码向量，使得语义向量不仅包含文字的位置信息，还包含文字的方向来源信息，可有效识别任意方向、任意形状的文字。在原有光学字符识别(Optical Character Recognition，OCR)基础能力之上，可显著增加自然场景下OCR***的识别能力，可以广泛应用于文字相关的产品和场景中。
在一种可选实施方式中，所述对所述语义向量进行解码，得到所述待识别图像的文字识别结果，包括：对所述语义向量进行并行解码得到文本序列，作为所述待识别图像的文字识别结果。
在本公开实施例中，针对现有任意形状文字识别方案的问题，提出一种简单的基于方向编码的任意形状文字识别方案。该方案通过方向编码模块将2D图像特征编码为多方向序列特征，从而大大简化了识别框架。具体来说，利用Encoder模块对待处理图像进行特征提取，利用方向编码模块对图像特征进行不同方向的编码，并送入基于TransformerDecoder的识别头，并行输出字符序列。与相关技术中基于变换器或者单个字符回归、识别，或者2D自注意力机制的方式相比，该方案直接将2D空间特征编码至多方向序列，通过强大的识别头对序列信息进行解码得到文字序列，极大简化了任意形状文字识别的框架，可以通过数据驱动的方式有效提升复杂自然场景下的任意文字识别效果。
图4是根据本公开实施例提供的一种文字识别装置的结构示意图。本公开实施例适用于对自然场景图像进行文字识别的情况。该装置可以采用软件和/或硬件来实现，该装置可以实现本公开任意实施例所述的文字识别方法。如图4所示，该文字识别装置400包括：
图像特征提取模块410，用于对待识别图像进行特征提取，得到图像特征；
横纵编码模块420，用于分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；
序列处理模块430，用于对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；
解码模块440，用于对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
在一种可选实施方式中，所述横纵编码模块420包括：
注意力单元，用于根据所述图像特征，确定注意力权重矩阵；
纵向压缩单元，用于采用所述注意力权重矩阵对所述图像特征进行纵向压缩，得到横向序列特征；
横向压缩单元，用于采用所述注意力权重矩阵对所述图像特征进行横向压缩，得到纵向序列特征。
在一种可选实施方式中，所述序列处理模块430包括：
第一拼接单元，用于对所述横向序列特征和所述纵向序列特征进行拼接，得到拼接序列特征；
语义处理单元，用于在所述拼接序列特征中引入待处理图像的位置编码向量，得到待处理图像的语义向量。
在一种可选实施方式中，所述序列处理模块430包括：
位置编码单元，用于分别确定待处理图像在横向的第一位置编码向量和在纵向的第二位置编码向量；
方向编码单元，用于分别确定待处理图像在横向的第一方向编码向量和在纵向的第二方向编码向量；
序列处理单元，用于在所述横向序列特征中引入所述第一位置编码向量和所述第一方向编码向量，得到横向编码结果；以及，在所述纵向序列特征中引入所述第二位置编码向量和所述第二方向编码向量，得到纵向编码结果；
第二拼接单元，用于对所述横向编码结果和所述纵向编码结果进行拼接，得到所述待处理图像的语义向量。
在一种可选实施方式中，所述解码模块440具体用于：
对所述语义向量进行并行解码得到文本序列，作为所述待识别图像的文字识别结果。
本公开实施例提供的技术方案，通过对图像特征分别进行横向、纵向压缩，还引入位置编码、方向编码等，解决了待处理图像中文字方向、文字形状的不确定性问题。不需要字符级别的监督就可以实现任意形状的文字识别，可通过数据驱动的方式，有效提升任意形状文字识别的效果。
本公开的技术方案中，所涉及的场景图像数据和场景点云数据的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500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501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501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501执行上文所描述的各个方法和处理，例如文字识别方法。例如，在一些实施例中，文字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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的文字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501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文字识别方法。
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)、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文字识别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。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作***、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (13)
1.一种文字识别方法，包括：
对待识别图像进行特征提取，得到图像特征；
分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；
对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；
对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
2.根据权利要求1所述的方法，其中，所述分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征，包括：
根据所述图像特征，确定注意力权重矩阵；
采用所述注意力权重矩阵对所述图像特征进行纵向压缩，得到横向序列特征；
采用所述注意力权重矩阵对所述图像特征进行横向压缩，得到纵向序列特征。
3.根据权利要求1所述的方法，其中，所述对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量，包括：
对所述横向序列特征和所述纵向序列特征进行拼接，得到拼接序列特征；
在所述拼接序列特征中引入待处理图像的位置编码向量，得到待处理图像的语义向量。
4.根据权利要求1所述的方法，其中，所述对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量，包括：
分别确定待处理图像在横向的第一位置编码向量和在纵向的第二位置编码向量；
分别确定待处理图像在横向的第一方向编码向量和在纵向的第二方向编码向量；
在所述横向序列特征中引入所述第一位置编码向量和所述第一方向编码向量，得到横向编码结果；以及，在所述纵向序列特征中引入所述第二位置编码向量和所述第二方向编码向量，得到纵向编码结果；
对所述横向编码结果和所述纵向编码结果进行拼接，得到所述待处理图像的语义向量。
5.根据权利要求1所述的方法，其中，所述对所述语义向量进行解码，得到所述待识别图像的文字识别结果，包括：
对所述语义向量进行并行解码得到文本序列，作为所述待识别图像的文字识别结果。
6.一种文字识别装置，包括：
图像特征提取模块，用于对待识别图像进行特征提取，得到图像特征；
横纵编码模块，用于分别对所述图像特征进行横向编码和纵向编码得到横向序列特征和纵向序列特征；
序列处理模块，用于对所述横向序列特征和所述纵向序列特征进行处理，得到待处理图像的语义向量；
解码模块，用于对所述语义向量进行解码，得到所述待识别图像的文字识别结果。
7.根据权利要求6所述的装置，其中，所述横纵编码模块包括：
注意力单元，用于根据所述图像特征，确定注意力权重矩阵；
纵向压缩单元，用于采用所述注意力权重矩阵对所述图像特征进行纵向压缩，得到横向序列特征；
横向压缩单元，用于采用所述注意力权重矩阵对所述图像特征进行横向压缩，得到纵向序列特征。
8.根据权利要求6所述的装置，其中，所述序列处理模块包括：
第一拼接单元，用于对所述横向序列特征和所述纵向序列特征进行拼接，得到拼接序列特征；
语义处理单元，用于在所述拼接序列特征中引入待处理图像的位置编码向量，得到待处理图像的语义向量。
9.根据权利要求6所述的装置，其中，所述序列处理模块包括：
位置编码单元，用于分别确定待处理图像在横向的第一位置编码向量和在纵向的第二位置编码向量；
方向编码单元，用于分别确定待处理图像在横向的第一方向编码向量和在纵向的第二方向编码向量；
序列处理单元，用于在所述横向序列特征中引入所述第一位置编码向量和所述第一方向编码向量，得到横向编码结果；以及，在所述纵向序列特征中引入所述第二位置编码向量和所述第二方向编码向量，得到纵向编码结果；
第二拼接单元，用于对所述横向编码结果和所述纵向编码结果进行拼接，得到所述待处理图像的语义向量。
10.根据权利要求6所述的装置，其中，所述解码模块具体用于：
对所述语义向量进行并行解码得到文本序列，作为所述待识别图像的文字识别结果。
11.一种电子设备，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1-5中任一项所述的文字识别方法。
12.一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计算机执行根据权利要求1-5中任一项所述的文字识别方法。
13.一种计算机程序产品，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1-5中任一项所述的文字识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210383744.0A CN114973224A (zh) | 2022-04-12 | 2022-04-12 | 一种文字识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210383744.0A CN114973224A (zh) | 2022-04-12 | 2022-04-12 | 一种文字识别方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114973224A true CN114973224A (zh) | 2022-08-30 |
Family
ID=82976733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210383744.0A Pending CN114973224A (zh) | 2022-04-12 | 2022-04-12 | 一种文字识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114973224A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557674A (zh) * | 2024-01-11 | 2024-02-13 | 宁波特斯联信息科技有限公司 | 基于人机交互的图片处理方法、装置、设备以及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507328A (zh) * | 2020-04-13 | 2020-08-07 | 北京爱咔咔信息技术有限公司 | 文本识别及模型训练方法、***、设备及可读存储介质 |
| CN112215223A (zh) * | 2020-10-16 | 2021-01-12 | 清华大学 | 基于多元注意力机制的多方向场景文字识别方法及*** |
| CN112633290A (zh) * | 2021-03-04 | 2021-04-09 | 北京世纪好未来教育科技有限公司 | 文本识别方法、电子设备及计算机可读介质 |
| WO2021081562A2 (en) * | 2021-01-20 | 2021-04-29 | Innopeak Technology, Inc. | Multi-head text recognition model for multi-lingual optical character recognition |
| US20210182547A1 (en) * | 2019-12-11 | 2021-06-17 | Optum Technology, Inc. | Automated systems and methods for identifying fields and regions of interest within a document image |
| CN113591546A (zh) * | 2021-06-11 | 2021-11-02 | 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
- 2022-04-12 CN CN202210383744.0A patent/CN114973224A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210182547A1 (en) * | 2019-12-11 | 2021-06-17 | Optum Technology, Inc. | Automated systems and methods for identifying fields and regions of interest within a document image |
| CN111507328A (zh) * | 2020-04-13 | 2020-08-07 | 北京爱咔咔信息技术有限公司 | 文本识别及模型训练方法、***、设备及可读存储介质 |
| CN112215223A (zh) * | 2020-10-16 | 2021-01-12 | 清华大学 | 基于多元注意力机制的多方向场景文字识别方法及*** |
| WO2021081562A2 (en) * | 2021-01-20 | 2021-04-29 | Innopeak Technology, Inc. | Multi-head text recognition model for multi-lingual optical character recognition |
| CN112633290A (zh) * | 2021-03-04 | 2021-04-09 | 北京世纪好未来教育科技有限公司 | 文本识别方法、电子设备及计算机可读介质 |
| CN113591546A (zh) * | 2021-06-11 | 2021-11-02 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| QIBIN HOU ET AL.: "Coordinate Attention for Efficient Mobile Network Design", 《ARXIV》, 4 March 2021 (2021-03-04), pages 1 - 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557674A (zh) * | 2024-01-11 | 2024-02-13 | 宁波特斯联信息科技有限公司 | 基于人机交互的图片处理方法、装置、设备以及存储介质 |
| CN117557674B (zh) * | 2024-01-11 | 2024-04-26 | 宁波特斯联信息科技有限公司 | 基于人机交互的图片处理方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
| CN113033534B (zh) | 建立票据类型识别模型与识别票据类型的方法、装置 | |
| CN113011420B (zh) | 字符识别方法、模型训练方法、相关装置及电子设备 | |
| CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
| CN113792854A (zh) | 一种模型训练及字库建立方法、装置、设备及存储介质 | |
| EP4148727A1 (en) | Speech recognition and codec method and apparatus, electronic device and storage medium | |
| CN111488985A (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
| CN113590858A (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
| CN113343958B (zh) | 一种文本识别方法、装置、设备及介质 | |
| WO2019226429A1 (en) | Data compression by local entropy encoding | |
| CN115376211B (zh) | 唇形驱动方法、唇形驱动模型的训练方法、装置及设备 | |
| CN114022887B (zh) | 文本识别模型训练及文本识别方法、装置、电子设备 | |
| US20230102804A1 (en) | Method of rectifying text image, training method, electronic device, and medium | |
| CN113901909A (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
| CN113177449A (zh) | 人脸识别的方法、装置、计算机设备及存储介质 | |
| CN114973229B (zh) | 文本识别模型训练、文本识别方法、装置、设备及介质 | |
| CN114973224A (zh) | 一种文字识别方法、装置、电子设备及存储介质 | |
| CN114417878A (zh) | 语义识别方法、装置、电子设备及存储介质 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN116611491A (zh) | 目标检测模型的训练方法、装置、电子设备和存储介质 | |
| CN113963358B (zh) | 文本识别模型训练方法、文本识别方法、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 | |
| CN115482353A (zh) | 重建网络的训练方法、重建方法、装置、设备和介质 | |
| CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
| CN114973333A (zh) | 人物交互检测方法、装置、设备以及存储介质 |
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 |