CN109376731A - 一种文字识别方法和装置 - Google Patents

Abstract

本发明公开了一种文字识别方法、装置、电子设备和计算机可读存储介质。该方法包括：获取摄像头拍摄的图像；定位所述图像上的文字区域；对文字区域进行分类；将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息；基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。在本技术方案中，首先对文字区域进行分类，再进行文字区域的文字识别，防止在文字识别时因噪声和非同类文字的干扰造成的识别不准确。可见，通过本技术方案，可以准确识别图像文字区域的文字内容，保证文字内容录入的效率的同时，提高文字内容的录入的准确性，满足用户的使用需求，提高用户的使用体验。

Description

一种文字识别方法和装置

技术领域

本发明涉及计算机技术领域，具体涉及一种文字识别方法、装置、电子设备和计算机可读存储介质。

背景技术

文字识别是指利用光学字符识别(OCR)技术从拍摄的图像中识别出其中的文字内容，实现文字内容的录入，通过该方法用户不必再手动进行文字内容的录入，操作简单，可提高文字录入的效率。例如，线下的实体餐馆入驻美团等线上平台，或使用电子收银系统时，需要实现菜单的电子化，以方便电子点餐系统进行管理。使用拍照录入方案录入菜名和菜价，不需要额外的设备，方便数量众多的商家录入。在文字识别中，为了保证录入的文字内容的准确性，对图像中的文字内容的准确识别至关重要。

在现有技术中，文字识别是通过获取图像，检测图像上的文字区域后，直接对文字区域的文字进行识别，获取相应的文字内容，再对文字内容进行分类。但是，这种方法会受到噪声或非同类文字内容的干扰，造成识别的不准确，影响文字内容的录入的准确性。例如，图1示出了现有技术中的菜单的文字识别方法的流程示意图，如图1所示，获取菜单图像后，在检测出菜单图像中的文字区域，对文字区域进行文字识别，识别出“燕京纯生500ml15元/瓶”、“德国啤酒500ml 25元/瓶”、“西班牙红酒500ml 188元/瓶”，获取上述文字内容后，再对文字内容进行分类，得到的分类结果是菜名“燕京纯生”、“德国啤酒”、“西班牙红酒”，菜价是“500元”、“500元”、“500元”，可见，在进行菜名菜价的拍照录入时，需要识别菜名和菜价两类文字，如果菜名中包含一些数字，若采用现有技术中的方法，会将菜名中的数字识别成菜品的价格，识别结果不准确，影响菜单的文字内容的录入的准确性。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的文字识别方法、装置、电子设备和计算机可读存储介质。

根据本发明的一个方面，提供了一种文字识别方法，该方法包括：

获取摄像头拍摄的图像；

定位所述图像上的文字区域；

对文字区域进行分类；

将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息；

基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。

可选地，将文字区域的图像信息输入到文字识别模型包括：

将文字区域的图像信息输入到与该文字区域所属类别对应的文字识别模型，其中，不同的类别对应不同的文字识别模型。

可选地，所述对文字区域进行分类包括：

将文字区域的图像特征数据输入到第一分类模型中，得到第一分类模型输出的类别信息；

其中，第一分类模型是用一定数量的标记了类别的图像特征数据作为样本数据进行训练后得到。

可选地，所述对文字区域进行分类包括：

获取所述图像上文字区域的图像，将文字区域的图像输入到第二分类模型中，得到第二分类模型输出的类别信息；

其中，第二分类模型是用一定数量的标记了类别的包含文字的图像作为样本数据进行训练后得到。

可选地，所述对文字区域进行分类包括：

将所述图像输入到第三分类模型中，得到第三分类模型输出的所述图像的每个像素所属的类别信息；其中，第三分类模型是用一定数量的标记了每个像素所属类别的图像作为样本数据进行训练后得到的；

对于一个文字区域，统计其包含的各类别的像素数量，像素数量最多的类别即为该文字区域的类别。

可选地，该方法在所述将识别出的文字信息归类到相应文字区域所属的类别的步骤之后，还包括：

将文字信息与其所属类别的知识库进行匹配，以进行校正。

可选地，

所述图像包括菜单图像；

所述类别包括：“菜名”和“菜价”。

根据本发明的另一方面，提供了一种文字识别装置，该装置包括：

图像获取单元，用于获取摄像头拍摄的图像；

文字定位单元，用于定位所述图像上的文字区域；

分类单元，用于对文字区域进行分类；

文字识别单元，用于将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息，以及用于基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。

可选地，

所述文字识别单元，用于将文字区域的图像信息输入到与该文字区域所属类别对应的文字识别模型，其中，不同的类别对应不同的文字识别模型。

可选地，

所述分类单元，用于将文字区域的图像特征数据输入到第一分类模型中，得到第一分类模型输出的类别信息；

其中，第一分类模型是用一定数量的标记了类别的图像特征数据作为样本数据进行训练后得到。

可选地，

所述分类单元，用于获取所述图像上文字区域的图像，将文字区域的图像输入到第二分类模型中，得到第二分类模型输出的类别信息；

其中，第二分类模型是用一定数量的标记了类别的包含文字的图像作为样本数据进行训练后得到。

可选地，

所述分类单元，用于将所述图像输入到第三分类模型中，得到第三分类模型输出的所述图像的每个像素所属的类别信息；以及用于对于一个文字区域，统计其包含的各类别的像素数量，像素数量最多的类别即为该文字区域的类别；

其中，第三分类模型是用一定数量的标记了每个像素所属类别的图像作为样本数据进行训练后得到的。

可选地，该装置还包括：

校正单元，用于将文字信息与其所属类别的知识库进行匹配，以进行校正。

可选地，

所述图像包括菜单图像；

所述类别包括：“菜名”和“菜价”。

根据本发明的又一方面，提供了一种电子设备，所述电子设备包括：处理器，以及存储有可在处理器上运行的计算机程序的存储器；

其中，所述处理器，用于在执行所述存储器中的计算机程序时执行如前所述的方法。

根据本发明的再一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的方法。

根据本发明的技术方案，获取摄像头拍摄的图像；定位所述图像上的文字区域；对文字区域进行分类；将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息；基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。在本技术方案中，首先对文字区域进行分类，再进行文字区域的文字识别，防止在文字识别时因噪声和非同类文字的干扰造成的识别不准确。可见，通过本技术方案，可以准确识别图像文字区域的文字内容，保证文字内容录入的效率的同时，提高文字内容的录入的准确性，满足用户的使用需求，提高用户的使用体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了现有技术中的菜单的文字识别方法的流程示意图；

图2示出了根据本发明一个实施例的文字识别方法的流程示意图；

图3示出了根据本发明一个实施例的菜单图像的示意图；

图4示出了根据本发明一个实施例的文字识别装置的结构示意图；

图5示出了根据本发明一个实施例的电子设备的结构示意图；

图6示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

考虑到现有技术中的文字识别方法中在对文字内容进行识别时，会受到噪声或非同类问题的干扰。例如，在进行菜名菜价的拍照录入时，菜单的图像是“燕京纯生500ml15元/瓶”，采用现有技术，识别结果就是“燕京纯生500元”，这显然并不符合实际。所以，当文字内容是不同类的文字时(例如菜名和菜价)，采用现有技术则无法进行文字内容的准确识别，进而无法保证文字识别的准确性。

图2示出了根据本发明一个实施例的文字识别方法的流程示意图。如图2所示，该方法包括：

步骤S210，获取摄像头拍摄的图像。

优选地，可以利用智能终端的摄像头拍摄的图像，或者是摄像设备的摄像头拍摄的图像。

优选地，这里获取的摄像头拍摄的图像不限于实时拍摄的图像，可以是摄像头拍摄后存储在本地的图像。

步骤S220，定位图像上的文字区域。

摄像头拍摄的图像中会存在没有文字的部分，在本实施例中，需要定位图像上的文字区域，在进行文字区域的文字识别时，仅需要对文字区域进行识别，而无需对整个图像进行识别，可以提高识别的效率，节省资源。

在本发明的实施例中，可以先提取整个菜单图像的图像特征，根据文字区域的特有的图像特征，定位文字区域。

步骤S230，对文字区域进行分类。

在本实施例中，对文字区域进行分类，例如，在进行菜名和菜价的文字识别时，先对文字区域分类，即区分出该文字区域是属于“菜名”类别还是属于“菜价”类别。

步骤S240，将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息。

本步骤中所述的将文字区域的图像信息输入到识别模型，具体可以是：将文字区域对应的图像本身输入到识别模型，或者也可以是将文字区域对应的图像特征信息输入到识别模型。

因为已经对文字区域进行了分类，那么在进行识别时，识别模型会根据分类结果进行识别，不会受到非同类的文字的干扰。这可以分为两种情况：一种是由于识别模型已知所输入的信息的所属的类别，因此识别更准确；第二种是识别模型本身就是被训练成用于识别该类别的文字内容的，那么准确性会提高。

步骤S250，基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。

在一个例子中，在进行菜名菜价的拍照录入时，菜单的文字区域“燕京纯生500ml15元/瓶”，通过本实施例，先对文字区域进行分类，得到菜名类“燕京纯生500ml”，菜价类“15元/瓶”，然后再将文字区域的信息输入到识别模型中，识别模型就会分别对菜名类进行相应的识别，识别结果就是“燕京纯生500ml”；对菜价类进行相应的识别，识别结果是“15元/瓶”，而不会将菜名类中的“500”识别成菜价“500元”。然后将识别出的“燕京纯生500ml”归类到菜名类，将识别出的“15元/瓶”归类到菜价类。先分类再识别，可以提高识别文字内容的识别准确率。

另外，还考虑到现有技术中，在检测出文字区域后，对文字区域内的文字进行识别，其文字的分类依赖于识别结果和人工规则，受到识别模型性能的限制。如果识别结果较差，对文字内容的解析也会受到影响；而且识别结果与分类规则中的错误将会累计，最终引起更多错误。

在本实施例中，对文字内容的分类不再受到识别模型性能和人工规则的限制，而是采用先分类再通过识别模型进行识别，在识别模型识别前就已经进行分类，避免了识别模型性能的限制，使得文字内容识别的准确性更高。

可见，通过本技术方案，首先对文字区域进行分类，再将文字区域的信息输入到识别模型，利用识别模型对文字区域的文字进行识别，防止在文字识别时因噪声和非同类文字的干扰造成的识别不准确，可以准确识别图像文字区域的文字内容，保证文字内容录入的效率的同时，提高文字内容的录入的准确性，满足用户的使用需求，提高用户的使用体验。

需要说明的是，上述的举例说明中利用的是菜单的文字识别，但是，本实施例的实施不限于该指定的应用场景，还可以应用在其他文字识别中，尤其是应用到拍照录入的文字内容属于不同类的场景中。举例而言，商品的报价单中包括商品代码和商品价格，文字内容属于不同类；票务信息中包括座位号和价格，文字内容也属于不同类，等等，在此不再一一举例。

在本发明的一个实施例中，图2所示的方法的步骤S240中的将文字区域的图像信息输入到文字识别模型包括：将文字区域的图像信息输入到与该文字区域所属类别对应的文字识别模型，其中，不同的类别对应不同的文字识别模型。

在本实施例中，对文字区域进行分类后，将分类后的文字区域分别输入到其所属类别对应的识别模型中。

例如，在进行菜名菜价的拍照录入时，对文字区域进行分类，得到菜名类和菜价类，在将文字区域的信息输入到识别模型中时，则将菜名类的文字区域的信息输入到菜名类的识别模型(简称菜名识别模型)中，将菜价类的文字区域的信息输入到菜价类的识别模型(简称菜价识别模型)中。因为菜名中出现的字符覆盖范围很广，包括常见汉字和一些生僻字，在菜价中出现的字符比较少，往往是数字、计量单位和简单的符号。因而，对菜名、菜价使用不同的识别模型，对应的字符表中分别包含菜名、菜价所需的字符，在识别时，可进一步提高文字内容的识别率。具体来说，菜名识别模型通过使用菜名区域的文本行图像作为训练样本，对序列识别模型进行训练得到。也可以先做单字检测，然后使用单字识别模型实现对文字区域的识别。类似地，菜价识别模型通过使用菜价区域的文本行图像作为训练样本，对序列识别模型进行训练得到。菜名模型和菜价模型识别的字符不同。

在对文字区域进行分类时，可采用不同方法实现分类，下面进行详细说明。

(1)在本发明的一个实施例中，图2所示的方法的步骤S230中的对文字区域进行分类包括：将文字区域的图像特征数据输入到第一分类模型中，得到第一分类模型输出的类别信息；其中，第一分类模型是用一定数量的标记了类别的图像特征数据作为样本数据进行训练后得到。

在本实施例中，利用的是图像特征数据对文字区域进行分类，用一定数量的标记了类别的图像特征数据作为样本数据对机器学习模型(如CNN分类模型)进行训练后得到第一分类模型。然后将图像中文字区域的图像特征数据输入到第一分类模型中，得到输出的类别信息。使用图像特征对文字区域进行分类，可以有效利用文字、数字的纹理特征，以及图像的上下文信息，有利于提高文字区域分类的准确性。

(2)在本发明的一个实施例中，图2所示的方法的步骤S230中的对文字区域进行分类包括：获取图像上文字区域的图像，将文字区域的图像输入到第二分类模型中，得到第二分类模型输出的类别信息；其中，第二分类模型是用一定数量的标记了类别的包含文字的图像作为样本数据进行训练后得到。

在本实施例中，利用的是图像本身的数据对文字区域进行分类。用一定数量的标记了类别的包含文字的图像作为样本数据对机器学习模型(如CNN分类模型)进行训练后得到第二分类模型。然后将文字区域的图像直接输入到第二分类模型中，得到第二分类模型输出的类别信息。具体地，在定位到图像上的文字区域后，在图像上抠取文字区域的图像，或适当扩展定位区域后进行抠取，然后将抠取的图像输入到第二分类模型中，得到文字区域的分类。

(3)在本发明的一个实施例中，图2所示的方法的步骤S230中的对文字区域进行分类包括：将图像输入到第三分类模型中，得到第三分类模型输出的图像的每个像素所属的类别信息；其中，第三分类模型是用一定数量的标记了每个像素所属类别的图像作为样本数据进行训练后得到的；对于一个文字区域，统计其包含的各类别的像素数量，像素数量最多的类别即为该文字区域的类别。

在本实施例中，利用的是图像的每个像素信息进行文字区域分类。用一定数量的标记了每个像素所属类别的图像作为样本数据对机器学习模型(如FCN语义分割模型)进行训练后得到第三分类模型，因为第三分类模型是通过标记了每个像素所属类别的图像训练得到的，那么在进行文字区域分类时，直接将图像输入到第三分类模型中，就可以得到图像的每个像素所属的类别信息。因为已经定位了图像的文字区域，在得到图像的每个像素所属的类别信息后，统计定位的文字区域内的各类别信息的像素数量，将像素数量最多的类别作为该文字区域的类别。例如，一个文字区域中，菜名类的像素数量是500，菜价类的像素数量是100，则该文字区域的类别是菜名类。

在本发明的一个实施例中，在图2所示的方法中的步骤S250的将识别出的文字信息归类到相应文字区域所属的类别的步骤之后，图2所示的方法还包括：将文字信息与其所属类别的知识库进行匹配，以进行校正。

在本实施例中，在将识别出的文字信息归类到形影文字区域所述的类别之后，还可以对文字信息进行校正，例如，识别出菜名是“爆沙羊肉”，将识别出的菜名“爆沙羊肉”归类到相应的菜名类后，将该识别出的菜名“爆沙羊肉”与菜名的知识库进行匹配，获得相近的菜名为“爆炒羊肉”，而不是“爆沙羊肉”，因而判断出该识别出的菜名“爆沙羊肉”是有误的，则可以使用“爆炒羊肉”替换识别出的菜名“爆沙羊肉”，将“爆炒羊肉”归类到相应的菜名类，进一步提高了文字内容识别的准确性，提高用户的使用体验。

在发明的一个实施例中，图2所示的方法中的图像包括菜单图像；类别包括：“菜名”和“菜价”。具体地，进行菜单的文字识别包括：获取摄像头拍摄的菜单图像；定位菜单图像上的文字区域；对文字区域进行分类；将文字区域的信息输入到识别模型，得到识别模型进行识别后输出的文字信息；将识别出的文字信息归类到相应文字区域所属的类别。正如前文所述，应用场景不仅仅局限于对菜单上的文字内容进行识别，在识别商品报价单等场景下也有着较好的效果。

图3示出了根据本发明一个实施例的菜单图像的示意图。以图3所示的菜单图像为例，具体说明本发明中的文字识别方法。如图3所示，获取摄像头拍摄的特色农家地锅锅的菜单图像，定位菜单图像上的文字区域，对文字区域进行分类后得到菜名类的文字区域310和菜价类的文字区域320然后将文字区域310和文字区域320输入到识别模型中，得到识别模型进行识别后输出的文字信息“烧土鸡(4斤左右)”、“烧羊腿(3斤左右)”、“烧羊排(2斤左右)”、“烧土豆”，以及“168元/只”、“168元/份”、“158元/份”、“16元/份”，然后将“烧土鸡(4斤左右)”、“烧羊腿(3斤左右)”、“烧羊排(2斤左右)”、“烧土豆”归类到菜名类，将“168元/只”、“168元/份”、“158元/份”、“16元/份”归类到菜价类。

优选地，进行菜单的文字识别时，将文字区域的信息输入到识别模型包括：将文字区域的信息输入到其所属类别对应的识别模型，其中，不同的类别对应不同的识别模型。

优选地，进行菜单的文字识别时，对文字区域进行分类包括：将文字区域的菜单图像特征数据输入到第一分类模型中，得到第一分类模型输出的类别信息；其中，第一分类模型是用一定数量的标记了类别的菜单图像特征数据作为样本数据进行训练后得到。

优选地，进行菜单的文字识别时，对文字区域进行分类包括：

在菜单图像上对文字区域进行抠图，将文字区域的菜单图像输入到第二分类模型中，得到第二分类模型输出的类别信息；其中，第二分类模型是用一定数量的标记了类别的包含文字的菜单图像作为样本数据进行训练后得到。

优选地，进行菜单的文字识别时，对文字区域进行分类包括：

将菜单图像输入到第三分类模型中，得到第三分类模型输出的菜单图像的每个像素所属的类别信息；其中，第三分类模型是用一定数量的标记了每个像素所属类别的菜单图像作为样本数据进行训练后得到的；对于一个文字区域，统计其包含的各类别的像素数量，像素数量最多的类别即为该文字区域的类别。

优选地，进行菜单的文字识别的方法在将识别出的文字信息归类到相应文字区域所属的类别的步骤之后，还包括：将文字信息与其所属类别的知识库进行匹配，以进行校正。

图4示出了根据本发明一个实施例的文字识别装置的结构示意图。如图4所示，该文字识别装置400包括：

图像获取单元410，用于获取摄像头拍摄的图像。

优选地，可以利用智能终端的摄像头拍摄的图像，或者是摄像设备的摄像头拍摄的图像。

优选地，这里获取的摄像头拍摄的图像不限于实时拍摄的图像，可以是摄像头拍摄后存储在本地的图像。

文字定位单元420，用于定位图像上的文字区域。

摄像头拍摄的图像中会存在没有文字的部分，在本实施例中，需要定位图像上的文字区域，在进行文字区域的文字识别时，仅需要对文字区域进行识别，而无需对整个图像进行识别，可以提高识别的效率，节省资源。

在本发明的实施例中，可以先提取整个菜单图像的图像特征，根据文字区域的特有的图像特征，定位文字区域。

分类单元430，用于对文字区域进行分类。

在本实施例中，对文字区域进行分类，例如，在进行菜名和菜价的文字识别时，先对文字区域分类，即区分出改文字区域是属于“菜名”类别还是属于“菜价”类别。

文字识别单元440，用于将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息，以及用于基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。

本步骤中所述的将文字区域的图像信息输入到识别模型，具体可以是：将文字区域对应的图像本身输入到识别模型，或者也可以是将文字区域对应的图像特征信息输入到识别模型。

因为已经对文字区域进行了分类，那么在进行识别时，识别模型会根据分类结果进行识别，不会受到非同类的文字的干扰。

在一个例子中，在进行菜名菜价的拍照录入时，菜单的文字区域“燕京纯生500ml15元/瓶”，通过本实施例，先对文字区域进行分类，得到菜名类“燕京纯生500ml”，菜价类“15元/瓶”，然后再将文字区域的信息输入到识别模型中，识别模型就会分别对菜名类进行相应的识别，识别结果就是“燕京纯生500ml”；对菜价类进行相应的识别，识别结果是“15元/瓶”，而不会将菜名类中的“500”识别成菜价“500元”。然后将识别出的“燕京纯生500ml”归类到菜名类，将识别出的“15元/瓶”归类到菜价类。先分类再识别，可以提高识别文字内容的识别准确率。

另外，还考虑到现有技术中，在检测出文字区域后，对文字区域内的文字进行识别，其文字的分类依赖于识别结果和人工规则，受到识别模型性能的限制。如果识别结果较差，对文字内容的解析也会受到影响；而且识别结果与分类规则中的错误将会累计，最终引起更多错误。

在本实施例中，对文字内容的分类不再受到识别模型性能和人工规则的限制，而是采用先分类再通过识别模型进行识别，在识别模型识别前就已经进行分类，避免了识别模型性能的限制，使得文字内容识别的准确性更高。

可见，通过本技术方案，首先对文字区域进行分类，再将文字区域的信息输入到识别模型，利用识别模型对文字区域的文字进行识别，防止在文字识别时因噪声和非同类文字的干扰造成的识别不准确，可以准确识别图像文字区域的文字内容，保证文字内容录入的效率的同时，提高文字内容的录入的准确性，满足用户的使用需求，提高用户的使用体验。

需要说明的是，上述的举例说明中利用的是菜单的文字识别，但是，本实施例的实施不限于该指定的应用场景，还可以应用在其他文字识别中，尤其是应用到拍照录入的文字内容属于不同类的场景中。举例而言，商品的报价单中包括商品代码和商品价格，文字内容属于不同类；票务信息中包括座位号和价格，文字内容也属于不同类，等等，在此不再一一举例。

在本发明的一个实施例中，图4所示的装置的文字识别单元440，用于将文字区域的图像信息输入到与该文字区域所属类别对应的文字识别模型，其中，不同的类别对应不同的文字识别模型。

在本实施例中，对文字区域进行分类后，将分类后的文字区域分别输入到其所属类别对应的识别模型中。

例如，在进行菜名菜价的拍照录入时，对文字区域进行分类，得到菜名类和菜价类，在将文字区域的信息输入到识别模型中时，则将菜名类的文字区域的信息输入到菜名类的识别模型中，将菜价类的文字区域的信息输入到菜价类的识别模型中。因为菜名中出现的字符覆盖范围很广，包括常见汉字和一些生僻字，在菜价中出现的字符比较少，往往是数字、计量单位和简单的符号。因而，对菜名、菜价使用不同的识别模型，对应的字符表中分别包含菜名、菜价所需的字符，在识别时，可进一步提高文字内容的识别率。具体来说，菜名识别模型通过使用菜名区域的文本行图像作为训练样本，对序列识别模型进行训练得到。也可以先做单字检测，然后使用单字识别模型实现对文字区域的识别。类似地，菜价识别模型通过使用菜价区域的文本行图像作为训练样本，对序列识别模型进行训练得到。菜名模型和菜价模型识别的字符不同。

在对文字区域进行分类时，可采用不同方法实现分类，下面进行详细说明。

(1)在本发明的一个实施例中，图4所示的装置的分类单元430，用于将文字区域的图像特征数据输入到第一分类模型中，得到第一分类模型输出的类别信息；其中，第一分类模型是用一定数量的标记了类别的图像特征数据作为样本数据进行训练后得到。

在本实施例中，利用的是图像特征数据对文字区域进行分类，用一定数量的标记了类别的图像特征数据作为样本数据对机器学习模型(如CNN分类模型)进行训练后得到第一分类模型。然后将图像中文字区域的图像特征数据输入到第一分类模型中，得到输出的类别信息。使用图像特征对文字区域进行分类，可以有效利用文字、数字的纹理特征，以及图像的上下文信息，有利于提高文字区域分类的准确性。

(2)在本发明的一个实施例中，图4所示的装置的分类单元430，用于获取图像上文字区域的图像，将文字区域的图像输入到第二分类模型中，得到第二分类模型输出的类别信息；其中，第二分类模型是用一定数量的标记了类别的包含文字的图像作为样本数据进行训练后得到。

在本实施例中，利用的是图像本身的数据对文字区域进行分类。用一定数量的标记了类别的包含文字的图像作为样本数据对机器学习模型(如CNN分类模型)进行训练后得到第二分类模型。然后将文字区域的图像直接输入到第二分类模型中，得到第二分类模型输出的类别信息。具体地，在定位到图像上的文字区域后，在图像上抠取文字区域的图像，或适当扩展定位区域后进行抠取，然后将抠取的图像输入到第二分类模型中，得到文字区域的分类。

(3)在本发明的一个实施例中，图4所示的装置的分类单元430，用于将图像输入到第三分类模型中，得到第三分类模型输出的图像的每个像素所属的类别信息；以及用于对于一个文字区域，统计其包含的各类别的像素数量，像素数量最多的类别即为该文字区域的类别；其中，第三分类模型是用一定数量的标记了每个像素所属类别的图像作为样本数据进行训练后得到的。

在本实施例中，利用的是图像的每个像素信息进行文字区域分类。用一定数量的标记了每个像素所属类别的图像作为样本数据对机器学习模型(如FCN语义分割模型)进行训练后得到第三分类模型，因为第三分类模型是通过标记了每个像素所属类别的图像训练得到的，那么在进行文字区域分类时，直接将图像输入到第三分类模型中，就可以得到图像的每个像素所属的类别信息。因为已经定位了图像的文字区域，在得到图像的每个像素所属的类别信息后，统计定位的文字区域内的各类别信息的像素数量，将像素数量最多的类别作为该文字区域的类别。例如，一个文字区域中，菜名类的像素数量是500，菜价类的像素数量是100，则该文字区域的类别是菜名类。

在本发明的一个实施例中，在图4所示的装置还包括：校正单元，用于将文字信息与其所属类别的知识库进行匹配，以进行校正。

在本实施例中，在将识别出的文字信息归类到形影文字区域所述的类别之后，还可以对文字信息进行校正，例如，识别出菜名是“爆沙羊肉”，将识别出的菜名“爆沙羊肉”归类到相应的菜名类后，将该识别出的菜名“爆沙羊肉”与菜名的知识库进行匹配，获得相近的菜名为“爆炒羊肉”，而不是“爆沙羊肉”，因而判断出该识别出的菜名“爆沙羊肉”是有误的，则可以使用“爆炒羊肉”替换识别出的菜名“爆沙羊肉”，将“爆炒羊肉”归类到相应的菜名类，进一步提高了文字内容识别的准确性，提高用户的使用体验。

在发明的一个实施例中，上述各实施例中的图像包括菜单图像；类别包括：“菜名”和“菜价”。正如前文所述，应用场景不仅仅局限于对菜单上的文字内容进行识别，在识别商品报价单等场景下也有着较好的效果。

综上所述，根据本发明的技术方案，获取摄像头拍摄的图像；定位所述图像上的文字区域；对文字区域进行分类；将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息；基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。在本技术方案中，首先对文字区域进行分类，再进行文字区域的文字识别，防止在文字识别时因噪声和非同类文字的干扰造成的识别不准确。可见，通过本技术方案，可以准确识别图像文字区域的文字内容，保证文字内容录入的效率的同时，提高文字内容的录入的准确性，满足用户的使用需求，提高用户的使用体验。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的文字识别装置、电子设备和计算机可读存储介质中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图5是本发明实施例中的电子设备的结构示意图。该电子设备500包括：处理器510，以及存储有可在所述处理器510上运行的计算机程序的存储器520。处理器510，用于在执行所述存储器520中的计算机程序时执行本发明中方法的各步骤。存储器520可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器520具有存储用于执行上述方法中的任何方法步骤的计算机程序531的存储空间530。计算机程序531可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图6所述的计算机可读存储介质。

图6是本发明实施例中的一种计算机可读存储介质的结构示意图。该计算机可读存储介质600存储有用于执行根据本发明的方法步骤的计算机程序531，可以被电子设备500的处理器510读取，当计算机程序531由电子设备500运行时，导致该电子设备500执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算程序531可以执行上述任一实施例中示出的方法。计算机程序531可以以适当形式进行压缩。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (16)

1.一种文字识别方法，其特征在于，该方法包括：

获取摄像头拍摄的图像；

定位所述图像上的文字区域；

对文字区域进行分类；

将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息；

基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。

2.如权利要求1所述的方法，其特征在于，将文字区域的图像信息输入到文字识别模型包括：

将文字区域的图像信息输入到与该文字区域所属类别对应的文字识别模型，其中，不同的类别对应不同的文字识别模型。

3.如权利要求1所述的方法，其特征在于，所述对文字区域进行分类包括：

将文字区域的图像特征数据输入到第一分类模型中，得到第一分类模型输出的类别信息；

其中，第一分类模型是用一定数量的标记了类别的图像特征数据作为样本数据进行训练后得到。

4.如权利要求1所述的方法，其特征在于，所述对文字区域进行分类包括：

获取所述图像上文字区域的图像，将文字区域的图像输入到第二分类模型中，得到第二分类模型输出的类别信息；

其中，第二分类模型是用一定数量的标记了类别的包含文字的图像作为样本数据进行训练后得到。

5.如权利要求1所述的方法，其特征在于，所述对文字区域进行分类包括：

将所述图像输入到第三分类模型中，得到第三分类模型输出的所述图像的每个像素所属的类别信息；其中，第三分类模型是用一定数量的标记了每个像素所属类别的图像作为样本数据进行训练后得到的；

对于一个文字区域，统计其包含的各类别的像素数量，像素数量最多的类别即为该文字区域的类别。

6.如权利要求1所述的方法，其特征在于，该方法还包括：

将文字信息与其所属类别的知识库进行匹配，以进行校正。

7.如权利要求1-6中任一项所述的方法，其特征在于，

所述图像包括菜单图像；

所述类别包括：“菜名”和“菜价”。

8.一种文字识别装置，其特征在于，该装置包括：

图像获取单元，用于获取摄像头拍摄的图像；

文字定位单元，用于定位所述图像上的文字区域；

分类单元，用于对文字区域进行分类；

文字识别单元，用于将文字区域的图像信息输入到文字识别模型，得到文字识别模型输出的文字信息，以及用于基于对文字区域的分类结果，将文字识别模型输出的文字信息归类到相应文字区域所属的类别。

9.如权利要求8所述的装置，其特征在于，

所述文字识别单元，用于将文字区域的图像信息输入到与该文字区域所属类别对应的文字识别模型，其中，不同的类别对应不同的文字识别模型。

10.如权利要求8所述的装置，其特征在于，

所述分类单元，用于将文字区域的图像特征数据输入到第一分类模型中，得到第一分类模型输出的类别信息；

其中，第一分类模型是用一定数量的标记了类别的图像特征数据作为样本数据进行训练后得到。

11.如权利要求8所述的装置，其特征在于，

所述分类单元，用于获取所述图像上文字区域的图像，将文字区域的图像输入到第二分类模型中，得到第二分类模型输出的类别信息；

其中，第二分类模型是用一定数量的标记了类别的包含文字的图像作为样本数据进行训练后得到。

12.如权利要求8所述的装置，其特征在于，

所述分类单元，用于将所述图像输入到第三分类模型中，得到第三分类模型输出的所述图像的每个像素所属的类别信息；以及用于对于一个文字区域，统计其包含的各类别的像素数量，像素数量最多的类别即为该文字区域的类别；

其中，第三分类模型是用一定数量的标记了每个像素所属类别的图像作为样本数据进行训练后得到的。

13.如权利要求8所述的装置，其特征在于，该装置还包括：

校正单元，用于将文字信息与其所属类别的知识库进行匹配，以进行校正。

14.如权利要求8-13中任一项所述的装置，其特征在于，

所述图像包括菜单图像；

所述类别包括：“菜名”和“菜价”。

15.一种电子设备，其特征在于，所述电子设备包括：处理器，以及存储有可在处理器上运行的计算机程序的存储器；

其中，所述处理器，用于在执行所述存储器中的计算机程序时执行权利要求1-7中任一项所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。