CN109753968A - 字符识别模型的生成方法、装置、设备及介质 - Google Patents

Abstract

本公开实施例公开了一种字符识别模型的生成方法、装置、设备及介质。该方法包括：根据与语料信息对应的Unicode获取与语料信息中各字符对应的标准字符图像；如果确定语料信息中存在变体字符，则对与变体字符对应的标准字符图像进行修正；根据语料信息内容将各标准字符图像按顺序合并为一张字符图片；将字符图片和与语料信息对应的文本对应作为一组字符识别训练样本数据；采用至少一组字符识别训练样本数据对标准识别模型进行训练，生成字符识别模型。上述方法为训练字符识别模型快速提供大量且正确率高的针对小语种语言的训练样本，以使字符识别模型有效地识别对应的小语种字符，解决了人工构造训练样本时存在的效率低且成本高的问题。

Description

字符识别模型的生成方法、装置、设备及介质

技术领域

本公开实施例涉及数据技术，尤其涉及一种字符识别模型的生成方法、装置、设备及介质。

背景技术

OCR(Optical Character Recognition，光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。

为了提高OCR识别模型对小语种文字(例如是印地语)的识别正确率，需要大量的针对小语种文字的字符识别训练样本数据对OCR识别模型进行训练，进而如何得到大量的字符识别训练样本数据便变得至关重要。针对小语种文字的字符识别训练样本数据往往是通过人工手动构造的，例如，将图片中的小语种文字手动敲成TXT文本，然后将其对应作为一种字符识别训练样本数据。由于懂小语种的人比较少，因此能够胜任这项相对枯燥工作的人就更少了，而且，人工构造字符识别训练样本数据的效率比较低，人工成本却比较高。

发明内容

本公开实施例提供一种字符识别模型的生成方法、装置、设备及介质，目的在于为生成字符识别模型自动且快速地构造大量针对小语种文字的字符识别训练样本数据，替代人工低效的样本数据构造工作，进而使生成的字符识别模型能够有效识别对应的小语种文字。

第一方面，本公开实施例提供了一种字符识别模型的生成方法，该方法包括：

根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像；

如果确定所述语料信息中存在变体字符，则对与所述变体字符对应的标准字符图像进行修正；

根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片；

将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据；

采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型。

进一步的，所述对与所述变体字符对应的标准字符图像进行修正，包括：

根据所述变体字符的变体规则确定与所述变体字符对应的原始标准字符图像；

重新获取与所述变体字符匹配的变体字符图像；

将所述变体字符图像作为与所述变体字符对应的新的标准字符图像对原始标准字符图像进行替换。

进一步的，所述根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片，包括：

根据所述语料信息内容将各所述标准字符图像按顺序添加至空白背景图片中。

进一步的，在所述将所述标准字符图像按顺序合并为一张字符图片之后，还包括：

对所述字符图片进行图像处理，其中，

所述图像处理包括下述至少一项：拉伸变形处理、颜色处理、膨胀处理、腐蚀处理和添加噪声处理。

进一步的，所述根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像，包括：

根据与语料信息对应的Unicode在字体库中获取与所述语料信息中各字符对应的至少两种字体形式的标准字符图像；

所述根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片，包括：

根据语料信息内容将相同字体形式的各所述标准字符图像按顺序合并之后构造至少两张字符图片；

所述将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据，包括：

将所述至少两张字符图片分别和与所述语料信息对应的文本对应作为至少两组字符识别训练样本数据。

进一步的，所述语料信息的语种为印地语。

进一步的，所述语料信息为通过网络爬虫方式获取的且能够通过一行进行显示的语料信息；所述字符图片为字符行图像。

进一步的，所述标准识别模型为原始机器学习模型；

所述采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型，包括：

采用至少一组字符识别训练样本数据以及标准字符识别训练样本集，对所述原始机器学习模型进行训练，生成字符识别模型。

第二方面，本公开实施例还提供了一种字符识别模型的生成装置，该装置包括：

标准字符图像获取模块，用于根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像；

字符图像修正模块，用于如果确定所述语料信息中存在变体字符，则对与所述变体字符对应的标准字符图像进行修正；

字符图片生成模块，用于根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片；

训练样本数据生成模块，用于将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据；

模型训练模块，用于采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型。

进一步的，所述字符图像修正模块包括：原始标准字符图像确定单元、变体字符图像获取单元和字符图像替换单元，其中，

原始标准字符图像确定单元，用于根据所述变体字符的变体规则确定与所述变体字符对应的原始标准字符图像；

变体字符图像获取单元，用于重新获取与所述变体字符匹配的变体字符图像；

字符图像替换单元，用于将所述变体字符图像作为与所述变体字符对应的新的标准字符图像对原始标准字符图像进行替换。

进一步的，所述字符图片生成模块具体用于根据所述语料信息内容将各所述标准字符图像按顺序添加至空白背景图片中。

进一步的，所述字符识别模型的生成装置还包括：图像处理模块，用于在将所述标准字符图像按顺序合并为一张字符图片之后，对所述字符图片进行图像处理，其中，

所述图像处理包括下述至少一项：拉伸变形处理、颜色处理、膨胀处理、腐蚀处理和添加噪声处理。

进一步的，所述标准字符图像获取模块，具体用于根据与语料信息对应的Unicode在字体库中获取与所述语料信息中各字符对应的至少两种字体形式的标准字符图像；

所述字符图片生成模块，具体用于根据语料信息内容将相同字体形式的各所述标准字符图像按顺序合并之后构造至少两张字符图片；

所述训练样本数据生成模块，具体用于将所述至少两张字符图片分别和与所述语料信息对应的文本对应作为至少两组字符识别训练样本数据。

进一步的，所述语料信息的语种为印地语。

进一步的，所述语料信息为通过网络爬虫方式获取的且能够通过一行进行显示的语料信息；所述字符图片为字符行图像。

进一步的，所述标准识别模型为原始机器学习模型；

所述模型训练模块，具体用于采用至少一组字符识别训练样本数据以及标准字符识别训练样本集，对所述原始机器学习模型进行训练，生成字符识别模型。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开任意实施例所述的字符识别模型的生成方法。

第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例所述的字符识别模型的生成方法。

本公开实施例通过根据与语料信息对应的Unicode获取与语料信息中各字符对应的标准字符图像之后构造字符图片，进而将字符图片和与语料信息对应的文本对应作为一组字符识别训练样本数据的技术方案来实现快速生成大量的字符识别训练样本，以此来替代通过人工来生成字符识别训练样本的方式，提高了字符识别训练样本的生成效率，进而可以为训练字符识别模型快速且大量地提供样本。在构造样本数据过程中，还解决了由于小语种语言(例如是印地语)中存在的变体字符而导致的样本数据构造错误的问题，进而提升了构建的字符识别训练样本的正确率。通过上述技术方案可以为训练字符识别模型快速提供大量且正确率高的针对小语种语言的字符识别训练样本，以使字符识别模型在接受训练后能够有效地识别对应的小语种语言的字符，解决了通过人工构造字符识别训练样本数据时存在的效率低且成本高的问题。

附图说明

图1是本公开实施例一提供的一种字符识别模型的生成方法的流程图；

图2是本公开实施例二提供的一种字符识别模型的生成方法的流程图；

图3是本公开实施例三提供的字符识别模型的生成装置的结构示意图；

图4是本公开实施例四提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分而非全部结构。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。

实施例一

图1为本公开实施例一提供的一种字符识别模型的生成方法的流程图，本实施例可适用于生成用于字符识别的模型的情况，该方法可以由字符识别模型的生成装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中，例如典型的是计算机等。如图1所示，该方法具体包括如下步骤：

S110、根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像。

其中，语料信息是通过网络爬虫技术获取的字符数据源，语料信息中的字符可以是小语种字符，具体的，语料信息的语种为印地语，对应的，语料信息中的字符为印地语字符。

语料信息在计算机中的存储形式为Unicode(统一码、万国码、单一码)，Unicode是计算机科学领域里的一项业界标准，包括字符集、编码方案，是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

当获取到一段语料后，可以根据与该语料对应的Unicode确定该语料中的各个字符，然后在字体库中获取与每个字符对应的字符图像。本实施例中涉及的标准字符图像即为在字体库中直接获取的分别与每个字符对应的字符图像，其中，相同语种的各个字符图像的像素大小通常是相同的。

值得指出的是，在每一种语种中，针对同一个字符都可能存在多种字体，进而可以在字体库中获取到与同一个字符对应的多个标准字符图像(不同字体形式)。以汉语为例，汉字有宋体、楷体、隶书等多种字体形式，进而可以在字体库中获取到与同一个字符对应的不同字体形式的标准字符图像。

在实际应用中对待识别文字图片进行字符识别时，同一待识别文字图片中的各字符的字体通常是一致的。进而，在字体库中获取与语料中的各字符对应的字符图像时，获取同一字体形式的字符图像即可，进而构造的字符图片中各字符的字体是一致的。

S120、如果确定语料信息中存在变体字符，则对与变体字符对应的标准字符图像进行修正。

在有一些小语种语言中，例如是印地语中，存在一些变体字符，也即，当按顺序键入至少两个字符时，与所述至少两个字符对应的显示图像并不是将这几个字符图像按顺序直接拼接而成的图像，而是根据变体规则生成与所述至少两个字符对应的变体字符的变体字符图像。

鉴于懂印地语的人并不多，不便于进行举例说明，下述以符号为示例进行解释说明，例如，变体规则是字符组合“#％”对应于“&”，那么当依次键入字符“#”和“％”时，显示图像则为与“&”直接对应的字符图像。

其中，可以将语料与变体字符集合进行比对，以确定语料中是否存在变体字符，变体字符集合中还包括分别与各个变体字符对应的变体规则。

如果语料信息中存在变体字符“&”，那么根据与该变体字符“&”对应的Unicode确定的字符为“#”和“％”，进而在字体库中获取的与字符对应的图像即为“#”的标准字符图像和“％”的标准字符图像，也即，变体字体“&”对应于“#”和“％”这两个标准字符图像。

此时，如果获取与语料中各字符对应的标准字符图像后直接拼接生成与语料信息对应的字符图片，则字符图片中不会存在“&”这个变体字符，变体字符“&”图像是被由“#”图像和“％”图像生成的组合图像替代的。

如果语料中的内容是“％#&”，那么在根据Unicode获取与“％#&”对应的各标准字符图像后生成的字符图片中的字符图像依次分别是“％”图像、“#”图像、“#”图像和“％”图像。此时，如果将该字符图片和语料文本对应起来作为字符识别训练样本，则会构造出一个错误的字符识别训练样本，因此，在本实施例中对此种情况进行修正。

作为本实施例一种具体的实施方式，可以将对与所述变体字符对应的标准字符图像进行修正，具体为：

根据变体字符的变体规则确定与变体字符对应的原始标准字符图像；重新获取与变体字符匹配的变体字符图像；将变体字符图像作为与变体字符对应的新的标准字符图像对原始标准字符图像进行替换。

根据变体字符“&”的变体规则字符组合“#％”对应于“&”，确定与变体字符“&”对应的原始标准字符图像为顺序排列的“#”图像和“％”图像；重新获取与变体字符“&”对应的变体字符图像“&”图像，其中，“&”图像可以在变体字符图像集合中获取；使用变体字符图像“&”图像去替换原始标准字符图像(顺序排列的“#”图像和“％”图像)，作为与变体字符“&”对应的新的标准字符图像。

S130、根据语料信息内容将各标准字符图像按顺序合并为一张字符图片。

如果语料中的内容是“％#&”，那么修正后的各标准字符图像依次为“％”图像、“#”图像和“&”图像，进而将这几个标准字符图像按照语料中各字符的顺序对应拼接为一张字符图片，其中，字符图片中各标准字符图像的排列顺序与语料内容完全一致，同一行的各标准字符图像之间可以是无间隔拼接，也可以是等间隔拼接。至此，生成了一张与语料内容对应的字符图片。

典型的，根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片，包括：根据所述语料信息内容将各所述标准字符图像按顺序添加至空白背景图片中。

具体可以是，依次将每个标准字符图像按其对应字符在语料中的顺序添加至空白背景图片中生成字符图片，其中，字符图片中各标准字符图像的排列顺序与语料内容完全一致，同一行的各标准字符图像的旋转角度均相同，各标准字符图像之间可以是无间隔拼接，也可以是等间隔拼接。

具体还可以是，先按照语料内容将标准字符图像拼接(无间隔拼接或等间隔拼接)成与语料内容对应的至少一个字符行图像，然后再将至少一个字符行图像按照预设旋转角度添加至空白背景图片中生成字符图片，其中，字符图片中各字符行图像的排列顺序与语料内容完全一致。

作为本实施例一种具体的实施方式，所述语料信息为通过网络爬虫方式获取的且能够通过一行进行显示的语料信息；所述字符图片为字符行图像。

也即，通过网络爬虫获取的一条语料信息中包括的字符能够在一行图像中进行显示，进而根据语料信息的各字符的标准字符图像生成的字符图片为字符行图像。具体的，字符行图像可以是由至少一个标准字符图像无间隔或等间隔拼接而成的，也可以是将至少一个标准字符图像无间隔或等间隔拼接之后添加至空白背景行图像中生成的。

S140、将字符图片和与语料信息对应的文本对应作为一组字符识别训练样本数据。

获取系统根据与语料信息对应的Unicode转换的与语料信息对应的文本，进而可以将该文本与根据语料信息构造的字符图片对应起来作为一组字符识别训练样本数据。具体的，在通过网络爬虫获取的一条语料中选取一行字符，进而根据这些字符确定对应的标准字符图像后生成字符行图像，然后把该字符行图像和与所述一行字符对应的文本对应起来作为一组字符识别训练样本数据，类似的，可以构造大量的字符识别训练样本数据。

S150、采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型。

在生成大量的字符识别训练样本数据之后，使用这些字符识别训练样本数据对标准识别模型进行训练，使标准识别模型根据这些样本数据进行学习后生成能够将待识别文字图片中各个小语种字符图像识别为对应的文本。

可选的，所述标准识别模型为原始机器学习模型；

对应的，所述采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型，具体为：

采用至少一组字符识别训练样本数据以及标准字符识别训练样本集，对所述原始机器学习模型进行训练，生成字符识别模型。

原始机器学习模型可以是指未经训练的机器学习模型。字符识别模型可以是指经过训练后的机器学习模型，用于将识别文字图片中的字符图像识别为对应的字符文本，输入为待识别文字图片，输出为对应的字符文本。其中，标准字符识别训练样本集中包括的字符识别训练样本可以是指现有的、用于训练字符识别模型能够成功将待识别文字图片中大语种(例如中文、英文等)字符图识别为对应文本的训练样本，也即不是通过S110-S140生成针对小语种字符的字符识别训练样本。进而，采用大量的针对小语种字符的字符识别训练样本数据以及标准字符识别训练样本集，对原始机器学习模型进行训练后生成字符识别模型，既能将待识别文字图片中的大语种字符图像识别为文本，也能将待识别文字图片中的小语种(例如是印地语)字符图像识别为文本。

本实施例通过根据与语料信息对应的Unicode获取与语料信息中各字符对应的标准字符图像之后构造字符图片，进而将字符图片和与语料信息对应的文本对应作为一组字符识别训练样本数据的技术方案来实现快速生成大量的字符识别训练样本，以此来替代通过人工来生成字符识别训练样本的方式，提高了字符识别训练样本的生成效率，进而可以为训练字符识别模型快速且大量地提供样本。在构造样本数据过程中，还解决了由于小语种语言(例如是印地语)中存在的变体字符而导致的样本数据构造错误的问题，进而提升了构建的字符识别训练样本的正确率。通过上述技术方案可以为训练字符识别模型快速提供大量且正确率高的针对小语种语言的字符识别训练样本，以使字符识别模型在接受训练后能够有效地识别出对应的小语种语言的字符，解决了通过人工构造字符识别训练样本数据时存在的效率低且成本高的问题，实现了生成字符识别训练样本数据的自动化，提高了字符识别训练样本数据的生成效率。

实施例二

图2为本公开实施例二提供的一种字符识别模型的生成方法的流程图。本实施例以上述实施例中各个可选方案为基础进行具体化。其中，在将所述标准字符图像按顺序合并为一张字符图片之后，还包括：对所述字符图片进行图像处理，其中，所述图像处理包括下述至少一项：拉伸变形处理、颜色处理、膨胀处理、腐蚀处理和添加噪声处理。

同时，将根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像，具体为：根据与语料信息对应的Unicode在字体库中获取与所述语料信息中各字符对应的至少两种字体形式的标准字符图像；

将根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片，具体为：根据语料信息内容将相同字体形式的各所述标准字符图像按顺序合并之后构造至少两张字符图片；

将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据，具体为：将所述至少两张字符图片分别和与所述语料信息对应的文本对应作为至少两组字符识别训练样本数据。

如图2所示，该方法具体包括如下步骤：

S210、根据与语料信息对应的Unicode在字体库中获取与所述语料信息中各字符对应的至少两种字体形式的标准字符图像。

典型的，语料为印地语语料。

在每一种语种中，针对同一个字符可能会存在多种字体，进而在字体库中获取与语料中各字符对应的所有字体形式的标准字符图像。以汉语进行示例，语料为“我是中国人”，在字体库中分别获取与“我”“是”“中”“国”“人”这五个字符对应的所有字体形式的标准字符图像，例如，获取与“我”“是”“中”“国”“人”这五个字符对应的宋体形式的标准字符图像，与这五个字符对应的楷体形式的标准字符图像，与这五个字符对应的隶书形式的标准字符图像，等等。以英语进行示例，语料为“I am Chinese”，在字体库中获取与这十个字符对应的手写体形式的标准字符图像，获取与这十个字符对应的印刷体形式的标准字符图像，等等。

S220、如果确定语料信息中存在变体字符，则根据变体字符的变体规则确定与变体字符对应的至少两种字体形式的原始标准字符图像。

在字体库中获取多少种不同字体形式的标准字符图像，就根据变体字符的变体规则确定与变体字符对应的多少种不同字体的原始标准字符图像，进而可以对所有字体形式的原始标准字符图像进行替换。

S230、重新获取与所述变体字符匹配的至少两种字体形式的变体字符图像。

根据在字库中获取的字体形式的数量及类型，在变体字符图像集合中获取对应数量对应类型的变体字符图像。

S240、将至少两种字体形式的变体字符图像作为与变体字符对应的新的标准字符图像对原始标准字符图像进行对应替换。

分别根据字体形式的类型进行对应的变体字符图像与原始标准字符图像的替换，以使各个字体形式的变体字符对应的标准字符图像均是正确的。

S250、根据语料信息内容将相同字体形式的各所述标准字符图像按顺序合并之后构造至少两张字符图片。

分别根据字体形式的类型，将相同字体形式的各标准字符图像按顺序构建字符图片，其中，字符图片的数量与字体形式的数量相同，每张字符图片中各个字符的字体形式是相同的。

S260、对至少两张字符图片进行图像处理，所述图像处理包括下述至少一项：拉伸变形处理、颜色处理、膨胀处理、腐蚀处理和添加噪声处理。

字符识别模型在实际应用中识别的待识别文字图片可能不会像构造的字符图片如此标准，为了模拟真实应用场景中的待识别文字图片，可以对每张字符图像进行图像处理，例如通过拉伸变形处理来模拟图片变形、字符变形的情景，通过颜色处理来模拟彩色图片的情景(也可以是分别改变每个字符图像的颜色)，通过膨胀处理来模拟字体笔画粘连的情景，通过腐蚀处理来模拟字体笔画断裂的情景，通过添加噪声(例如高斯噪声或是椒盐噪声等)来模拟图片不清晰的情景，等等。

S270、将至少两张字符图片分别和与所述语料信息对应的文本对应作为至少两组字符识别训练样本数据。

其中，字符图片可以为字符行图像。

由此，与同一语料文本对应的字符行图像有多个，进而将该语料文本分别与各个字符行图像对应起来作为多组字符识别训练样本数据，也即，根据一行语料文本可以构造多组字符识别训练样本数据。如果构造的字符行图像中各字符图像的字体形式不同，那么根据一行语料文本可以构造出更多的字符识别训练样本数据。

S280、采用至少一组字符识别训练样本数据以及标准字符识别训练样本集，对所述原始机器学习模型进行训练，生成字符识别模型。

本实施未详细解释之处，请详见前述实施例，在此不再赘述。

在上述技术方案中，通过对构造的字符图片进行处理来模拟真实的待识别文字图片，提高了生成的字符识别训练样本数据的真实性。而且，通过结合语料信息中各字符对应的标准字符图像的不同字体形式，极大地增加了构造的字符识别训练样本数据的数量，以使字符识别模型得到更全面的训练。

实施例三

图3为本公开实施例提供的一种字符识别模型的生成装置的结构示意图，本实施例可适用于生成用于字符识别的模型的情况。该装置可以采用软件和/或硬件的方式实现，该装置可以配置于电子设备中，例如典型的是计算机等。如图3所示，该装置可以包括：标准字符图像获取模块310、字符图像修正模块320、字符图片生成模块330、训练样本数据生成模块340和模型训练模块350，其中，

标准字符图像获取模块310，用于根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像；

字符图像修正模块320，用于如果确定所述语料信息中存在变体字符，则对与所述变体字符对应的标准字符图像进行修正；

字符图片生成模块330，用于根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片；

训练样本数据生成模块340，用于将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据；

模型训练模块350，用于采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型。

进一步的，字符图像修正模块320包括：原始标准字符图像确定单元、变体字符图像获取单元和字符图像替换单元，其中，

原始标准字符图像确定单元，用于根据所述变体字符的变体规则确定与所述变体字符对应的原始标准字符图像；

变体字符图像获取单元，用于重新获取与所述变体字符匹配的变体字符图像；

字符图像替换单元，用于将所述变体字符图像作为与所述变体字符对应的新的标准字符图像对原始标准字符图像进行替换。

进一步的，字符图片生成模块330具体用于根据所述语料信息内容将各所述标准字符图像按顺序添加至空白背景图片中。

进一步的，所述字符识别模型的生成装置还包括：图像处理模块，用于在将所述标准字符图像按顺序合并为一张字符图片之后，对所述字符图片进行图像处理，其中，

所述图像处理包括下述至少一项：拉伸变形处理、颜色处理、膨胀处理、腐蚀处理和添加噪声处理。

进一步的，标准字符图像获取模块310，具体用于根据与语料信息对应的Unicode在字体库中获取与所述语料信息中各字符对应的至少两种字体形式的标准字符图像；

字符图片生成模块330，具体用于根据语料信息内容将相同字体形式的各所述标准字符图像按顺序合并之后构造至少两张字符图片；

训练样本数据生成模块340，具体用于将所述至少两张字符图片分别和与所述语料信息对应的文本对应作为至少两组字符识别训练样本数据。

进一步的，所述语料信息的语种为印地语。

进一步的，所述语料信息为通过网络爬虫方式获取的且能够通过一行进行显示的语料信息；所述字符图片为字符行图像。

进一步的，所述标准识别模型为原始机器学习模型；

模型训练模块350，具体用于采用至少一组字符识别训练样本数据以及标准字符识别训练样本集，对所述原始机器学习模型进行训练，生成字符识别模型。

本实施例通过根据与语料信息对应的Unicode获取与语料信息中各字符对应的标准字符图像之后构造字符图片，进而将字符图片和与语料信息对应的文本对应作为一组字符识别训练样本数据的技术方案来实现快速生成大量的字符识别训练样本，以此来替代通过人工来生成字符识别训练样本的方式，提高了字符识别训练样本的生成效率，进而可以为训练字符识别模型快速且大量地提供样本。在构造样本数据过程中，还解决了由于小语种语言(例如是印地语)中存在的变体字符而导致的样本数据构造错误的问题，进而提升了构建的字符识别训练样本的正确率。通过上述技术方案可以为训练字符识别模型快速提供大量且正确率高的针对小语种语言的字符识别训练样本，以使字符识别模型在接受训练后能够有效地识别出对应的小语种语言的字符，解决了通过人工构造字符识别训练样本数据时存在的效率低且成本高的问题，实现了生成字符识别训练样本数据的自动化，提高了字符识别训练样本数据的生成效率。

本公开实施例提供的字符识别模型的生成装置，与实施例一和实施例二提供的字符识别模型的生成方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见实施例一和实施例二，并且本公开实施例与实施例一和实施例二具有相同的有益效果。

实施例四

本公开实施例提供了一种电子设备，下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如客户端或服务器端)400的结构示意图。本公开实施例中的电子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、个人数字助理(PDA)、平板电脑(PAD)、便携式多媒体播放器(PMP)、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4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4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的字符识别模型的生成方法中限定的上述功能。

实施例六

本公开实施例还提供了一种计算机可读存储介质，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、或半导体的系统、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系统、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系统、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、射频(RF)等等，或者上述的任意合适的组合。

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：根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像；如果确定所述语料信息中存在变体字符，则对与所述变体字符对应的标准字符图像进行修正；根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片；将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据；采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型。

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。

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，“标准字符图像获取模块”还可以被描述为“获取至少一个标准字符图像的模块”。

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。

Claims (18)

1.一种字符识别模型的生成方法，其特征在于，包括：

根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像；

如果确定所述语料信息中存在变体字符，则对与所述变体字符对应的标准字符图像进行修正；

根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片；

将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据；

采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型。

2.根据权利要求1所述的方法，其特征在于，所述对与所述变体字符对应的标准字符图像进行修正，包括：

根据所述变体字符的变体规则确定与所述变体字符对应的原始标准字符图像；

重新获取与所述变体字符匹配的变体字符图像；

将所述变体字符图像作为与所述变体字符对应的新的标准字符图像对原始标准字符图像进行替换。

3.根据权利要求1所述的方法，其特征在于，所述根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片，包括：

根据所述语料信息内容将各所述标准字符图像按顺序添加至空白背景图片中。

4.根据权利要求3所述的方法，其特征在于，在所述将所述标准字符图像按顺序合并为一张字符图片之后，还包括：

对所述字符图片进行图像处理，其中，

所述图像处理包括下述至少一项：拉伸变形处理、颜色处理、膨胀处理、腐蚀处理和添加噪声处理。

5.根据权利要求1所述的方法，其特征在于，所述根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像，包括：

根据与语料信息对应的Unicode在字体库中获取与所述语料信息中各字符对应的至少两种字体形式的标准字符图像；

所述根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片，包括：

根据语料信息内容将相同字体形式的各所述标准字符图像按顺序合并之后构造至少两张字符图片；

所述将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据，包括：

将所述至少两张字符图片分别和与所述语料信息对应的文本对应作为至少两组字符识别训练样本数据。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述语料信息的语种为印地语。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述语料信息为通过网络爬虫方式获取的且能够通过一行进行显示的语料信息；所述字符图片为字符行图像。

8.根据权利要求1-5任一项所述的方法，其特征在于，所述标准识别模型为原始机器学习模型；

所述采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型，包括：

采用至少一组字符识别训练样本数据以及标准字符识别训练样本集，对所述原始机器学习模型进行训练，生成字符识别模型。

9.一种字符识别模型的生成装置，其特征在于，包括：

标准字符图像获取模块，用于根据与语料信息对应的Unicode获取与所述语料信息中各字符对应的标准字符图像；

字符图像修正模块，用于如果确定所述语料信息中存在变体字符，则对与所述变体字符对应的标准字符图像进行修正；

字符图片生成模块，用于根据所述语料信息内容将各所述标准字符图像按顺序合并为一张字符图片；

训练样本数据生成模块，用于将所述字符图片和与所述语料信息对应的文本对应作为一组字符识别训练样本数据；

模型训练模块，用于采用至少一组字符识别训练样本数据，对标准识别模型进行训练，生成字符识别模型。

10.根据权利要求9所述的装置，其特征在于，所述字符图像修正模块包括：原始标准字符图像确定单元、变体字符图像获取单元和字符图像替换单元，其中，

原始标准字符图像确定单元，用于根据所述变体字符的变体规则确定与所述变体字符对应的原始标准字符图像；

变体字符图像获取单元，用于重新获取与所述变体字符匹配的变体字符图像；

字符图像替换单元，用于将所述变体字符图像作为与所述变体字符对应的新的标准字符图像对原始标准字符图像进行替换。

11.根据权利要求9所述的装置，其特征在于，所述字符图片生成模块具体用于根据所述语料信息内容将各所述标准字符图像按顺序添加至空白背景图片中。

12.根据权利要求11所述的装置，其特征在于，还包括：图像处理模块，用于在将所述标准字符图像按顺序合并为一张字符图片之后，对所述字符图片进行图像处理，其中，

所述图像处理包括下述至少一项：拉伸变形处理、颜色处理、膨胀处理、腐蚀处理和添加噪声处理。

13.根据权利要求9所述的装置，其特征在于，

所述标准字符图像获取模块，具体用于根据与语料信息对应的Unicode在字体库中获取与所述语料信息中各字符对应的至少两种字体形式的标准字符图像；

所述字符图片生成模块，具体用于根据语料信息内容将相同字体形式的各所述标准字符图像按顺序合并之后构造至少两张字符图片；

所述训练样本数据生成模块，具体用于将所述至少两张字符图片分别和与所述语料信息对应的文本对应作为至少两组字符识别训练样本数据。

14.根据权利要求9-13任一项所述的装置，其特征在于，所述语料信息的语种为印地语。

15.根据权利要求9-13任一项所述的装置，其特征在于，所述语料信息为通过网络爬虫方式获取的且能够通过一行进行显示的语料信息；所述字符图片为字符行图像。

16.根据权利要求9-13任一项所述的装置，其特征在于，所述标准识别模型为原始机器学习模型；

所述模型训练模块，具体用于采用至少一组字符识别训练样本数据以及标准字符识别训练样本集，对所述原始机器学习模型进行训练，生成字符识别模型。

17.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一项所述的字符识别模型的生成方法。

18.一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，该程序被处理器执行时实现如权利要求1-8任一项所述的字符识别模型的生成方法。