CN109615006A - 文字识别方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种文字识别方法及装置、电子设备和存储介质，所述方法包括：对待检测图像进行特征提取处理，获得语义向量；根据语义向量，预测待检测图像中的文字序列的文字数量；根据文字数量，确定位置向量；根据位置向量和语义向量，识别文字序列。根据本公开的实施例的文字识别方法，可获得待检测图像中的文字序列的位置向量，并根据位置向量和语义向量识别文字序列，可以以位置向量为识别依据，一次性识别所有文字，处理效率高，并且，一次性识别所有文字的方法不依赖过去的识别结果，避免了不可控的长期依赖问题。

Description

文字识别方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种文字识别方法及装置、电子设备和存储介质。

背景技术

在相关技术中，可通过神经网络等方法，识别图像中的文字，然而，该方法仅可按照文字顺序每次输出一个或几个字符，无法一次同时输出所有字符，识别速度慢，运行效率较低，并且，该方法通常依赖前一个或多个文字作为当前文字的识别依据，因此，该方法有长期依赖问题，即，以多次之前识别出的文字作为当前文字的识别依据，造成当前文字的识别结果不准确。

发明内容

本公开提出了一种文字识别方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种文字识别方法，包括：

对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量；

根据所述语义向量，预测待检测图像中的文字序列的文字数量；

根据所述文字数量，确定与所述文字序列对应的位置向量；

根据所述位置向量和所述语义向量，识别所述文字序列。

根据本公开的实施例的文字识别方法，可获得待检测图像中的文字序列的位置向量，并根据位置向量和语义向量识别文字序列，可以以位置向量为识别依据，一次性识别所有文字，处理效率高，并且，一次性识别所有文字的方法不依赖过去的识别结果，避免了不可控的长期依赖问题。

在一种可能的实现方式中，根据所述位置向量和所述语义向量，识别所述文字序列，包括：

根据所述位置向量和所述语义向量，确定权值矩阵；

根据所述权值矩阵和所述语义向量，识别所述文字序列。

通过这种方式，可根据数字序列和语义向量获得权值矩阵，所述权值矩阵可具有文字序列中的文字的数量、排序和语义信息，可用于一次性识别文字序列中的所有文字，提高了识别文字的速度，并且避免了不可控的长依赖问题，提高了识别的准确率。

在一种可能的实现方式中，根据所述数字序列和所述语义向量，确定权值矩阵，包括：

对所述位置向量进行卷积处理，获得与所述数字序列对应的第一特征向量；

对所述语义向量进行卷积处理，获得第二特征向量；

将所述第一特征向量和所述第二特征向量相乘，获得所述权值矩阵。

在一种可能的实现方式中，根据所述权值矩阵和所述语义向量，识别所述文字序列，包括：

将所述权值矩阵与所述第二特征向量相乘，获得概率分布向量；

根据所述概率分布向量，确定所述文字序列中的文字。

在一种可能的实现方式中，根据所述文字数量，确定与所述文字序列对应的位置向量，包括：

根据所述文字数量，确定与所述文字序列对应的数字序列；

对所述数字序列进行词嵌入处理，获得与所述数字序列对应的位置向量。

在一种可能的实现方式中，所述文字数量为n，所述数字序列为从1到n的正整数组成的序列。

在一种可能的实现方式中，对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量，包括：

对所述待检测图像进行卷积处理，获得所述待检测图像的特征图；

对所述特征图进行下采样处理，获得与所述待检测图像中的文字序列对应的语义向量。

通过这种方式，可通过特征提取处理降低文字识别的复杂度，提高文字识别的效率。

在一种可能的实现方式中，通过第一网络对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量，

其中，所述方法还包括：

通过包括多个第一样本图像的图像集，训练所述第一网络，其中，所述第一样本图像包括一个或多个文字。

在一种可能的实现方式中，通过第二网络根据所述位置向量和所述语义向量，确定权值矩阵，

其中，所述方法还包括：

通过包括多个第二样本图像的图像集，训练所述第二网络，其中，所述第二样本图像包括一个或多个文字。

根据本公开的另一方面，提供了一种文字识别装置，包括：

特征提取模块，用于对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量；

预测模块，用于根据所述语义向量，预测待检测图像中的文字序列的文字数量；

确定模块，用于根据所述文字数量，确定与所述文字序列对应的位置向量；

识别模块，用于根据所述位置向量和所述语义向量，识别所述文字序列。

在一种可能的实现方式中，所述识别模块被进一步配置为：

根据所述位置向量和所述语义向量，确定权值矩阵；

根据所述权值矩阵和所述语义向量，识别所述文字序列。

在一种可能的实现方式中，所述识别模块被进一步配置为：

对所述位置向量进行卷积处理，获得与所述数字序列对应的第一特征向量；

对所述语义向量进行卷积处理，获得第二特征向量；

将所述第一特征向量和所述第二特征向量相乘，获得所述权值矩阵。

在一种可能的实现方式中，所述识别模块被进一步配置为：

将所述权值矩阵与所述第二特征向量相乘，获得概率分布向量；

根据所述概率分布向量，确定所述文字序列中的文字。

在一种可能的实现方式中，所述确定模块被进一步配置为：

根据所述文字数量，确定与所述文字序列对应的数字序列；

对所述数字序列进行词嵌入处理，获得与所述数字序列对应的位置向量。

在一种可能的实现方式中，所述文字数量为n，所述数字序列为从1到n的正整数组成的序列。

在一种可能的实现方式中，所述特征提取模块被进一步配置为：

对所述待检测图像进行卷积处理，获得所述待检测图像的特征图；

对所述特征图进行下采样处理，获得与所述待检测图像中的文字序列对应的语义向量。

在一种可能的实现方式中，所述特征提取模块被进一步配置为：

通过第一网络对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量，

其中，所述装置还包括：

第一训练模块，用于通过包括多个第一样本图像的图像集，训练所述第一网络，其中，所述第一样本图像包括一个或多个文字。

在一种可能的实现方式中，所述识别模块被进一步配置为：

通过第二网络根据所述位置向量和所述语义向量，确定权值矩阵，

其中，所述装置还包括：

第二训练模块，用于通过包括多个第二样本图像的图像集，训练所述第二网络，其中，所述第二样本图像包括一个或多个文字。

根据本公开的另一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述文字识别方法。

根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述文字识别方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的文字识别方法的流程图；

图2示出根据本公开实施例的文字识别方法的流程图；

图3示出根据本公开实施例的文字识别方法的流程图；

图4示出根据本公开实施例的文字识别方法的应用示意图；

图5示出根据本公开实施例的文字识别装置的框图；

图6示出根据本公开实施例的文字识别装置的框图；

图7示出根据本公开实施例的电子设备的框图；

图8示出根据本公开实施例的电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的文字识别方法的流程图。如图1所示，所述方法包括：

在步骤S11中，对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量；

在步骤S12中，根据所述语义向量，预测待检测图像中的文字序列的文字数量；

在步骤S13中，根据所述文字数量，确定与所述文字序列对应的位置向量；

在步骤S14中，根据所述位置向量和所述语义向量，识别所述文字序列。

根据本公开的实施例的文字识别方法，可获得待检测图像中的文字序列的位置向量，并根据位置向量和语义向量识别文字序列，可以以位置向量为识别依据，一次性识别所有文字，处理效率高，并且，一次性识别所有文字的方法不依赖过去的识别结果，避免了不可控的长期依赖问题。

在一些可能的实现方式中，所述文字识别方法可以由终端设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可由终端设备或图像采集设备(例如相机等)获取待处理图像，并将待处理图像发送至服务器，从而通过服务器执行所述方法。

在一些可能的实现方式中，在步骤S11中，可对待检测图像进行特征提取处理，以提取与待检测图像中的文字序列对应的语义向量。在示例中，待检测图像中可具有文字序列，例如，由多个文字组成的文字序列，所述文字序列的各文字之间可具有一定的语义连接关系，即，所述文字序列可具有某种语义。可对所述文字序列的多个文字进行特征提取处理，可提取分别与每个文字对应的多个语义向量。

在一些可能的实现方式中，步骤S11可包括：对所述待检测图像进行卷积处理，获得所述待检测图像的特征图；对所述特征图进行下采样处理，获得与所述待检测图像中的文字序列对应的语义向量。

在一些可能的实现方式中，可通过第一网络对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量。所述第一网络可以是卷积神经网络等神经网络，本公开对第一网络的类型不做限制。

在示例中，可将待检测图像输入第一网络进行处理，第一网络可通过卷积处理等处理方法获取待检测图像的特征图，在示例中，例如，待检测图像为分辨率为1024×768的图像，则经过卷积处理，可获得43×32的特征图。

在示例中，第一网络可对特征图进行下采样处理，可获得与文字序列对应的语义向量。在示例中，可通过池化层对特征图进行下采样处理，可获得与文字序列对应的语义向量。

通过这种方式，可通过特征提取处理降低文字识别的复杂度，提高文字识别的效率。

在一种可能的实现方式中，在步骤S12中，可预测待检测图像中的文字序列的文字数量。

在一种可能的实现方式中，可通过深度学习的方法预测文字数量、可通过对待检测图像进行边缘检测的方法确定文字数量，或者，可通过所述语义向量的维度确定文字数量，本公开对确定文字数量的方法不做限制。在示例中，可使用深度学习的方法预测文字数量，例如，通过神经网络预测待检测图像中的文字序列的文字数量进行预测。例如，可使用卷积神经网络等神经网络预测所述文字序列的文字数量，本公开对神经网络的类型不做限制。

在一种可能的实现方式中，可将待检测图像输入所述神经网络，该神经网络可通过卷积处理等方法获得待检测图像中的文字序列的文字数量，在示例中，所述神经网络可对待检测图像进行卷积处理，获得待检测图像的特征矩阵，并通过全连接层对特征矩阵进行处理，可通过全连接层的权值对特征矩阵进行加权处理，获得文字序列的文字数量。

在一种可能的实现方式中，在通过神经网络预测文字序列的文字数量之前，可对神经网络进行训练。在示例中，可使用第三样本图像训练所述神经网络。所述第三样本图像可具有表示文字序列的文字数量的标注信息。在示例中，可将任意一个第三样本图像输入神经网络，神经网络可输出预测的文字数量，预测的文字数量为神经网络的输出信息，该输出信息可能存在误差，可通过输出信息和标注信息之间的差异确定神经网络的网络损失，并按照使网络损失减小的方向调整神经网络的网络参数，在对神经网络调整预定次数，或者网络损失减小到预定范围内时，可获得调整后的神经网络，调整后的神经网络即可用于预测待检测图像中的文字序列的文字数量。

在一种可能的实现方式中，在步骤S13中，可根据文字数量，确定与文字序列中每个文字的排序对应的位置向量。

在一种可能的实现方式中，步骤S13可包括：根据所述文字数量，确定与所述文字序列对应的数字序列；对所述数字序列进行词嵌入处理，获得与所述数字序列对应的位置向量。

在一种可能的实现方式中，可根据文字数量，确定所述数字序列，例如，所述文字数量为n，所述数字序列为从1到n的正整数组成的序列。在示例中，可确定文字数量为n，则文字序列可以是以1为首位，以n为末位的递增序列。例如，1、2…n。在示例中，数字序列中的各数字分别与文字序列中的各文字相对应，且各数字分别表征各文字在文字序列中的排序。例如，数字1表示文字序列中的第一个文字，其在文字序列中的排序为第1位，数字2表示文字序列中的第二个文字，其在文字序列中的排序为第2位…数字n表示文字序列中的第n个文字，其在文字序列中的排序为第n位。在示例中，数字序列还可以是以n为首位，以1为末位的递减序列，即，n、n-1…1。在示例中，数字序列还可以是由1到n的正整数组成的乱序的数字序列，本公开对数字序列的排序方式不做限制。

在一种可能的实现方式中，可对数字序列进行词嵌入处理，获得所述位置向量。在示例中，可对数字序列中的每个数字进行词嵌入处理，获得与每个数字对应的向量，其中，各数字分别表征各文字在文字序列中的排序，因此，与各数字对应的向量与文字在文字序列中的排序对应。与数字序列中的多个数字对应的向量可组成所述位置向量，即，所述位置向量包括文字在文字序列中的排序信息。

在一种可能的实现方式中，可确定各数字在所述概率字典中的概率分布信息，其中，各数字在概率字典中的概率分布信息可通过各数字在概率字典中出现的位置、频率、次数等参数表示，并可根据所述参数确定与各数字对应的向量，与数字序列中的多个数字对应的向量可组成所述位置向量。在示例中，可通过Word2Vec或Glove等算法来对各数字进行词嵌入处理，获得与各数字对应的向量，从而获得所述位置向量，所述位置向量包括文字在文字序列中的排序信息。词嵌入处理可通过本领域已知的方法实现，本公开对词嵌入处理的方法不做限制。

在一种可能的实现方式中，在步骤S14中，可根据位置向量和语义向量，识别所述文字序列。在示例中，所述位置向量包括文字在文字序列中的排序信息，位置向量可作为判断文字序列中的文字的形状和语义的依据，因此，可作为识别文字序列的依据。

在一种可能的实现方式中，步骤S14可包括：根据所述位置向量和所述语义向量，确定权值矩阵；根据所述权值矩阵和所述语义向量，识别所述文字序列。

在一种可能的实现方式中，可通过位置向量和所述语义向量，确定权值矩阵，使权值矩阵具有位置向量的文字数量和排序信息以及语义向量的语义信息。其中，根据所述位置向量和所述语义向量，确定权值矩阵，包括：对所述位置向量进行卷积处理，获得与所述数字序列对应的第一特征向量；对所述语义向量进行卷积处理，获得第二特征向量；将所述第一特征向量和所述第二特征向量相乘，获得所述权值矩阵。

在一种可能的实现方式中，可对位置向量进行卷积处理，获得与所述数字序列对应的第一特征向量，并可对语义向量进行卷积处理，获得第特征二向量。在示例中，可通过卷积处理获取位置向量和语义向量的特征信息，以分别获得第一特征向量和第二特征向量。进一步地，可使用第一特征向量和所述第二特征向量相乘，即，做向量乘法，可获得所述权值矩阵。所述权值矩阵可具有待检测图像中的文字序列中的文字的数量和排序等信息，还可具有文字序列的语义信息，所述权值矩阵可提高识别文字序列的准确率。

通过这种方式，可根据数字序列和语义向量获得权值矩阵，所述权值矩阵可具有文字序列中的文字的数量、排序和语义信息，可用于一次性识别文字序列中的所有文字，提高了识别文字的速度，并且避免了不可控的长依赖问题，提高了识别的准确率。

在一种可能的实现方式中，可通过第二网络根据所述数字序列和所述语义向量，确定所述权值矩阵。在示例中，可将所述位置向量和所述语义向量输入第二网络，获得所述权值矩阵。在示例中，第二网络可对位置向量和语义向量进行卷积处理，并对卷积处理后的第一特征向量和卷积处理后的第二特征向量做向量乘法，以获得所述权值矩阵。

在一种可能的实现方式中，可利用权值矩阵来确定文字序列中的所有文字。其中，根据所述权值矩阵和所述语义向量，识别所述文字序列，包括：将所述权值矩阵与所述第二特征向量相乘，获得概率分布向量；根据所述概率分布向量，确定所述文字序列中的文字。

在一种可能的实现方式中，可使用权值矩阵与所述第二特征向量相乘，即，对语义向量进行加权处理，可获得概率分布向量，所述概率分布向量可具有文字序列中的文字的数量、排序和语义信息。即，通过权值矩阵对第二特征向量进行加权处理，使获得的概率分布向量即具有语义向量的语义信息，又具有数字序列的数量和排序信息。

在一种可能的实现方式中，可根据概率分布向量确定关于概率字典的概率分布信息，并根据概率分布信息确定概率字典中的文字，即，识别文字序列。例如，可将概率分布向量输入关于概率分布的激活函数(例如，softmax函数等激活函数)，以确定在概率字典中的关于文字的概率分布信息，即，确定概率字典中的各文字的概率分布信息，并根据概率分布信息查找概率字典中的对应文字，确定文字序列中的各文字，即可识别所述文字序列。

在一种可能的实现方式中，可在使用第一网络对待检测进行特征提取处理前，对所述第一网络进行训练。在示例中，可在识别待检测图像中的文字前的任意时间训练第一网络，并在训练完成后，使用第一网络对待检测图像进行特征提取处理。

图2示出根据本公开实施例的文字识别方法的流程图，如图2所示，所述方法还包括：

在步骤S15中，通过包括多个第一样本图像的图像集，训练所述第一网络，其中，所述第一样本图像包括一个或多个文字。

在一种可能的实现方式中，可拍摄多种背景、多种分辨率、多种字体、多种光照条件、多种大小尺度、多种倾斜方向和多种模糊程度的多个图像，作为第一样本图像，并使用多个第一样本图像对第一网络进行训练。

在一种可能的实现方式中，可根据概率字典，对多个第一样本图像中的文字进行标注，获得每个第一样本图像的语义向量，其中，所述概率字典可以是用户定义的关于文字的语料库，例如，可使用包括多个元素的向量表示概率字典中的各文字在所述语料库中的概率分布信息，并根据各文字的概率分布信息确定概率字典中的文字，或者，可根据文字确定所述文字的在概率字典中的概率分布信息，从而确定与所述文字对应的语义向量，本公开对概率字典与文字的关系不做限制。在示例中，可确定第一样本图像中的文字在所述概率字典中的概率分布信息，从而确定第一样本图像中的文字对应的语义向量，并根据所述语义向量对第一样本图像进行标注，获得标注信息，即，所述标注信息为第一样本图像中的真实的语义向量。

在一种可能的实现方式中，可将任意一个第一样本图像输入所述第一网络中进行处理，获得与第一样本图像对应的样本语义向量，所述样本语义向量为第一网络针对该第一样本图像的输出结果，该输出结果可能存在误差。

在一种可能的实现方式中，可根据标注信息和输出结果来确定第一网络的网络损失。在示例中，可将第一样本图像中的真实的语义向量(即，标注信息)和样本语义向量(即，输出结果)进行对比，将对比获得的差异确定为第一网络的损失函数，又例如，可根据标注信息和输出结果确定第一网络的交叉熵损失函数，本公开对确定损失函数的方式不做限制。在示例中，可使用正则化的损失函数作为第一网络的网络损失，可避免在迭代训练过程中，第一网络的网络参数出现过拟合的情况。

在一种可能的实现方式中，可根据网络损失来调整第一网络的网络参数，在示例中，可按照使模型损失最小化的方向来调整网络参数，使调整后的第一网络具有较高的拟合优度，同时避免过拟合。在示例中，可使用梯度下降法进行网络损失的反向传播，以调整第一网络的网络参数，例如，对于各神经元之间进行树型连接的第一网络，可使用随机梯度下降法等方法调整网络参数，以降低调整网络参数的过程的复杂程度，提高调整网络参数的效率，并可避免调整的网络参数出现过拟合的情况。

在一种可能的实现方式中，可对第一网络进行迭代调整，并将满足训练条件的第一网络用于获取语义向量的处理中。训练条件可包括调整次数、网络损失的大小或网络损失敛散性等条件。可对第一网络输入预定数量的第一样本图像，即，将第一网络的网络参数调整预定次数，当调整次数达到所述预定次数时，即为满足训练条件。或者，可不限制调整的次数，而在网络损失降低到一定程度或收敛于一定阈值内时，停止调整，获得调整后的第一网络。并可将调整后的第一网络用于获取待检测图像的语义向量的处理中。通过标注信息和输出结果的误差来训练第一网络，可降低损失函数的复杂程度，提高训练速度。

在一种可能的实现方式中，可在使用第二网络获得权值矩阵之前，对所述第二网络进行训练。可在识别待检测图像中的文字前的任意时间训练第二网络，并在训练完成后，使用第二网络确定所述权值矩阵。

图3示出根据本公开实施例的文字识别方法的流程图，如图3所示，所述方法还包括：

在步骤S16中，通过包括多个第二样本图像的图像集，训练所述第二网络，其中，所述第二样本图像包括一个或多个文字。

在一种可能的实现方式中，可拍摄多种背景、多种分辨率、多种字体、多种光照条件、多种大小尺度、多种倾斜方向和多重模糊程度的多个图像，作为第二样本图像，并使用多个第二样本图像对第二网络进行训练。

在一种可能的实现方式中，可根据概率字典，对多个第二样本图像中的文字进行标注，获得每个第二样本图像中的文字的概率分布向量，并根据所述概率分布向量对第二样本图像进行标注，获得第二样本图像的文字序列的标注信息，即，所述标注信息为第二样本图像中文字序列的真实的概率分布向量。

在一种可能的实现方式中，可对任一第二样本图像进行特征提取处理，获得与第二样本图像中的文字序列对应的样本语义向量，并对第二样本图像中的文字序列的文字数量进行预测，根据文字数量可获得样本数字序列，并对样本数字序列进行词嵌入处理，获得样本位置向量。进一步地，可将样本位置向量和样本语义向量输入第二网络，获得权值矩阵。

在一种可能的实现方式中，可根据该权值矩阵与样本语义向量，获得样本概率分布向量，所述样本概率分布向量为第二网络针对该第二样本图像的输出结果，该输出结果可能存在误差。

在一种可能的实现方式中，可根据样本概率分布向量和标注信息(即，真实的概率分布向量)之间的差异确定第二网络的网络损失，并按照使网络损失减小的方向调整第二网络的网络参数，在对第二网络调整预定次数，或者网络损失减小到预定范围内时，可获得调整后的第二网络，调整后的第二网络即可用于确定权值矩阵。

根据本公开的实施例的文字识别方法，可通过特征提取处理降低文字识别的复杂度，提高文字识别的效率，并根据数字序列和语义向量获得权值矩阵，进而识别文字序列，所述权值矩阵可具有文字序列中的文字的数量、排序和语义信息，可一次性识别文字序列中的所有文字，提高了文字识别的速度，并且避免了不可控的长依赖问题，提高了识别的准确率。

图4示出根据本公开实施例的文字识别方法的应用示意图，如图4所示，待检测图像中可具有文字序列，文字序列可由一个或多个文字组成，例如，待检测图像中的文字序列为S、U和B三个字符。可将待检测图像输入第一网络，第一网络可获取与待检测图像中的文字序列对应的语义向量。

在一种可能的实现方式中，可预测待检测图像中的文字序列的文字数量。例如，可通过语义向量的维度或边缘检测等方法预测所述文字数量，或者，可使用神经网络预测待检测图像中的文字序列的文字数量(例如，S、U和B共有三个字符，文字数量为3)，并可按照文字数量确定数字序列，例如，文字数量为3，则文字序列可以是以1为首位，以3为末位的递增序列，例如，1、2、3，在示例中，所述数字序列还可包括结束位4。数字序列中的各数字分别与文字序列中的各文字相对应，且各数字分别表征各文字在文字序列中的排序。

在一种可能的实现方式中，可对数字序列进行词嵌入处理，获得数字序列的位置向量。位置向量可具有数字序列的数量和排序信息。可将位置向量和语义向量输入第二网络进行处理，第二网络可对语义向量和位置向量进行卷积处理，并将卷积处理后获得的第一特征向量和第二特征向量进行向量乘法，获得权值矩阵，该权值矩阵可具有数量、排序和语义信息。

在一种可能的实现方式中，可通过权值矩阵对第二特征向量进行加权，获得概率分布向量，可将概率分布向量输入关于概率分布的激活函数，确定在概率字典中的关于文字的概率分布信息，并可根据概率分布信息查找概率字典中的对应文字，确定文字序列中的每个文字，可识别所述文字序列，即，获得S、U和B三个字符。

在一种可能的实现方式中，所述数字序列还可以是倒序或乱序的，例如，3、2、1或2、3、1等，数字序列中的数字与文字序列中排序与所述数字相同的文字对应，例如，数字k与文字序列中第k个文字对应。在输出的文字序列时，可按照数字序列中的顺序输出，例如，如果数字序列为3、2、1，则可获得B、U和S三个字符，如果数字序列为2、3、1，则可获得U、B和S三个字符。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了三维模型构建装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种文字识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图5示出根据本公开实施例的文字识别装置的框图，如图5所示，所述文字识别装置包括：

特征提取模块11，用于对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量；

预测模块12，用于根据所述语义向量，预测待检测图像中的文字序列的文字数量；

确定模块13，用于根据所述文字数量，确定与所述文字序列对应的位置向量；

识别模块14，用于根据所述位置向量和所述语义向量，识别所述文字序列。

在一种可能的实现方式中，所述识别模块被进一步配置为：

根据所述位置向量和所述语义向量，确定权值矩阵；

根据所述权值矩阵和所述语义向量，识别所述文字序列。

在一种可能的实现方式中，所述识别模块被进一步配置为：

对所述位置向量进行卷积处理，获得与所述数字序列对应的第一特征向量；

对所述语义向量进行卷积处理，获得第二特征向量；

将所述第一特征向量和所述第二特征向量相乘，获得所述权值矩阵。

在一种可能的实现方式中，所述识别模块被进一步配置为：

将所述权值矩阵与所述第二特征向量相乘，获得概率分布向量；

根据所述概率分布向量，确定所述文字序列中的文字。

在一种可能的实现方式中，所述确定模块被进一步配置为：

根据所述文字数量，确定与所述文字序列对应的数字序列；

对所述数字序列进行词嵌入处理，获得与所述数字序列对应的位置向量。

在一种可能的实现方式中，所述文字数量为n，所述数字序列为从1到n的正整数组成的序列。

在一种可能的实现方式中，所述特征提取模块被进一步配置为：

对所述待检测图像进行卷积处理，获得所述待检测图像的特征图；

对所述特征图进行下采样处理，获得与所述待检测图像中的文字序列对应的语义向量。

图6示出根据本公开实施例的文字识别装置的框图。如图6所示，所述特征提取模块被进一步配置为：通过第一网络对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量，

所述文字识别装置还包括：

第一训练模块15，用于通过包括多个第一样本图像的图像集，训练所述第一网络，其中，所述第一样本图像包括一个或多个文字。

在一种可能的实现方式中，所述识别模块被进一步配置为：

通过第二网络根据所述位置向量和所述语义向量，确定权值矩阵，

其中，所述装置还包括：

第二训练模块16，用于通过包括多个第二样本图像的图像集，训练所述第二网络，其中，所述第二样本图像包括一个或多个文字。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种文字识别方法，其特征在于，包括：

对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量；

根据所述语义向量，预测待检测图像中的文字序列的文字数量；

根据所述文字数量，确定与所述文字序列对应的位置向量；

根据所述位置向量和所述语义向量，识别所述文字序列。

2.根据权利要求1所述的方法，其特征在于，根据所述位置向量和所述语义向量，识别所述文字序列，包括：

根据所述位置向量和所述语义向量，确定权值矩阵；

根据所述权值矩阵和所述语义向量，识别所述文字序列。

3.根据权利要求2所述的方法，其特征在于，根据所述数字序列和所述语义向量，确定权值矩阵，包括：

对所述位置向量进行卷积处理，获得与所述数字序列对应的第一特征向量；

对所述语义向量进行卷积处理，获得第二特征向量；

将所述第一特征向量和所述第二特征向量相乘，获得所述权值矩阵。

4.根据权利要求2所述的方法，其特征在于，根据所述权值矩阵和所述语义向量，识别所述文字序列，包括：

将所述权值矩阵与所述第二特征向量相乘，获得概率分布向量；

根据所述概率分布向量，确定所述文字序列中的文字。

5.根据权利要求1-4中任一项所述的方法，其特征在于，根据所述文字数量，确定与所述文字序列对应的位置向量，包括：

根据所述文字数量，确定与所述文字序列对应的数字序列；

对所述数字序列进行词嵌入处理，获得与所述数字序列对应的位置向量。

6.根据权利要求5所述的方法，其特征在于，所述文字数量为n，所述数字序列为从1到n的正整数组成的序列。

7.根据权利要求1-6中任一项所述的方法，其特征在于，对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量，包括：

对所述待检测图像进行卷积处理，获得所述待检测图像的特征图；

对所述特征图进行下采样处理，获得与所述待检测图像中的文字序列对应的语义向量。

8.一种文字识别装置，其特征在于，包括：

特征提取模块，用于对待检测图像进行特征提取处理，获得与所述待检测图像中的文字序列对应的语义向量；

预测模块，用于根据所述语义向量，预测待检测图像中的文字序列的文字数量；

确定模块，用于根据所述文字数量，确定与所述文字序列对应的位置向量；

识别模块，用于根据所述位置向量和所述语义向量，识别所述文字序列。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。