CN110766010A - 一种信息识别方法、模型训练方法和相关装置 - Google Patents

Abstract

本申请实施例公开了一种信息识别方法，当需要识别目标对象的身份信息时，获取表征目标对象身份信息的待识别对象。利用识别模型对所述待识别对象进行特征向量提取，由于特征向量用于体现待识别对象的不同区域的特征信息，故，可以根据特征向量，对待识别对象进行区域划分。根据区域划分结果可以确定待识别对象是否符合预设条件，即确定待识别对象是否为需要进一步识别具体身份信息的对象，若确定待识别对象符合预设条件，即需要进一步识别该待识别对象中目标对象的身份信息，此时，采用图片文字识别技术识别所述目标对象的身份信息。通过这种方式，可以自动从待识别对象中识别目标对象的身份信息，避免了人工识别导致的人力耗费，提高了识别效率。

Description

一种信息识别方法、模型训练方法和相关装置

技术领域

本申请涉及数据处理领域，特别是涉及一种信息识别方法、模型训练方法和相关装置。

背景技术

工牌作为公司员工的身份证明，已经成为每个公司不可缺少的一部分。工牌上通常包括员工头像、员工姓名、公司名称、岗位等信息。通常情况下，可以根据工牌上的信息识别员工的身份，例如识别该员工是否为本公司的员工，从而为属于本公司的员工发放福利。

目前，主要需要人工识别工牌上的信息，从而识别员工的身份。但是，这种方法尤其是在所需识别工牌数量较多的情况下，效率低下，需要耗费大量人力。

发明内容

为了解决上述技术问题，本申请提供了一种信息识别方法、模型训练方法和相关装置，无需人工识别，可以自动识别身份信息，避免了人力的耗费，提高了识别效率。

第一方面，本申请实施例提供一种信息识别方法，所述方法包括：

获取待识别对象，所述待识别对象用于表征目标对象的身份信息；

利用识别模型对所述待识别对象进行特征向量提取，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

根据所述特征向量，对所述待识别对象进行区域划分；

若根据区域划分结果确定所述待识别对象符合预设条件，采用图片文字识别技术识别所述目标对象的身份信息。

可选的，所述预设条件包括以下一种或多种的组合：

划分得到的区域数量符合预设数量；

划分得到的区域类别符合预设类别；

每个类别区域的位置信息符合预设位置信息。

可选的，所述待识别对象为员工的工牌。

可选的，所述区域划分结果包括4个区域，每个区域的类别分别头像、姓名、公司、职位。

可选的，在所述利用识别模型对所述待识别对象进行特征向量提取之前，所述方法还包括：

对所述待识别对象进行图像预处理；

所述利用识别模型对所述待识别对象进行特征向量提取，包括：

利用所述识别模型对预处理后的所述待识别对象进行特征向量提取。

第二方面，本申请实施例提供一种模型训练方法，所述方法包括：

获取待训练图像，所述待训练图像用于表征目标对象的身份信息；所述待训练图像具有区域划分标签，所述区域划分标签用于标识所述待训练图像的区域划分结果；

根据所述待训练图像提取特征向量，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

根据所述特征向量和所述区域划分标签标识的所述区域划分结果训练识别模型。

第三方面，本申请实施例提供一种信息识别装置，所述装置包括：

获取单元，用于获取待识别对象，所述待识别对象用于表征目标对象的身份信息；

提取单元，用于利用识别模型对所述待识别对象进行特征向量提取，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

划分单元，用于根据所述特征向量，对所述待识别对象进行区域划分；

识别单元，用于若根据区域划分结果确定所述待识别对象符合预设条件，采用图片文字识别技术识别所述目标对象的身份信息。

可选的，所述预设条件包括以下一种或多种的组合：

划分得到的区域数量符合预设数量；

划分得到的区域类别符合预设类别；

每个类别区域的位置信息符合预设位置信息。

可选的，所述待识别对象为员工的工牌。

可选的，所述区域划分结果包括4个区域，每个区域的类别分别头像、姓名、公司、职位。

可选的，所述装置还包括：

处理单元，用于对所述待识别对象进行图像预处理；

所述提取单元，具体用于：

利用所述识别模型对预处理后的所述待识别对象进行特征向量提取。

第四方面，本申请实施例提供一种模型训练装置，所述装置包括：

获取单元，用于获取待训练图像，所述待训练图像用于表征目标对象的身份信息；所述待训练图像具有区域划分标签，所述区域划分标签用于标识所述待训练图像的区域划分结果；

提取单元，用于根据所述待训练图像提取特征向量，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

训练单元，用于根据所述特征向量和所述区域划分标签标识的所述区域划分结果训练识别模型。

第五方面，本申请实施例提供一种电子设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面或第二方面任一项所述的方法。

第六方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面或第二方面任一项所述的方法。

由上述技术方案可以看出，本申请实施例具有以下优点：

当需要识别目标对象的身份信息时，可以获取表征目标对象身份信息的待识别对象。然后，利用识别模型对所述待识别对象进行特征向量提取，由于特征向量用于体现待识别对象的不同区域的特征信息，故，可以根据特征向量，对待识别对象进行区域划分。根据区域划分结果可以确定待识别对象是否符合预设条件，即确定待识别对象是否为需要进一步识别具体身份信息的对象，若根据区域划分结果确定所述待识别对象符合预设条件，即需要进一步识别该待识别对象中目标对象的身份信息，此时，采用图片文字识别技术识别所述目标对象的身份信息。通过这种方式，可以自动从待识别对象中识别目标对象的身份信息，避免了人工识别导致的人力耗费，提高了识别效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种信息识别方法的流程图；

图2为本申请实施例提供的一种实现信息识别方法的软件平台的界面图；

图3为本申请实施例提供的一种模型训练方法的流程图；

图4为本申请实施例提供的一种信息识别装置的结构图；

图5为本申请实施例提供的一种模型训练装置的结构图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

为了解决现有的身份信息识别过程需要耗费大量的人力，识别效率过低的技术问题，本申请实施例提供一种信息识别方法、模型训练方法和相关装置，无需人工识别，可以自动识别身份信息，避免了人力的耗费，提高了识别效率。

本申请实施例提供的方法可以应用到各种身份信息识别的场景中，例如，通过工牌识别员工的身份信息，从而判断员工是否属于本公司，进而为属于本公司的员工发放福利等。

参见图1，所述方法包括：

S101、获取待识别对象，所述待识别对象用于表征目标对象的身份信息。

本申请实施例提供的信息识别方法可以通过软件平台实现，该软件平台可以部署在终端设备上，终端设备例如可以是智能终端、计算机、个人数字助理(Personal DigitalAssistant，PDA)、平板电脑等。

该软件平台的界面图可以参见图2所示。当需要识别目标对象的身份信息时，可以首先获取表征目标对象的身份信息的待识别对象，例如，可以通过该软件平台的“选择文件”入口选择待识别对象，当选择待识别对象后，点击“提交”便可以获取该待识别对象。

需要说明的是，待识别对象可以包括多种类型，待识别对象例如可以为员工的工牌、名片、身份证等，本实施例对待识别对象的类型不做限定。本申请实施例主要以待识别对象为员工的工牌为例进行介绍。

S102、利用识别模型对所述待识别对象进行特征向量提取，所述特征向量用于体现所述待识别对象的不同区域的特征信息。

该识别模型是预先训练得到的，例如可以是卷积神经网络(ConvolutionalNeural Networks，CNN)，通过该识别模型可以提取特征向量。其中，特征向量可以包括字符、字符串、图片、位置信息、背景颜色等。

由于特征向量用于体现所述待识别对象的不同区域的特征信息，故，根据特征向量可以对待识别对象进行区域划分，以便后续根据区域划分结果确定是否进一步对目标对象的身份信息进行识别。

S103、根据所述特征向量，对所述待识别对象进行区域划分。

若待识别对象为工牌，通常情况下工牌中可以包括员工的头像、员工的姓名、员工所属公司、员工的职位信息，故，工牌一般包括四个区域，每个区域的类别分别是头像、姓名、公司、职位。因此，若待识别对象为工牌，区域划分结果可以包括4个区域，每个区域的类别分别头像、姓名、公司、职位。

特征向量用于体现所述待识别对象的不同区域的特征信息，例如可以基于支持向量机(Support Vector Machine，SVM)进行特征向量分类。例如，特征向量为图片，而能提取到图片这一特征向量的区域通常是类别为头像的区域，则可以根据该特征向量确定头像区域。依此类推，可以确定出其他区域，得到待识别对象的区域划分结果。

需要说明的是，根据所述特征向量，对所述待识别对象进行区域划分的具体实现方式可以是：在利用识别模型进行区域划分时，根据特征向量可以得到某一区域属于某一类别的概率，当概率达到预设阈值时，则可以认为该区域属于该类别。

例如，图2所示，可以分别得到每个区域所属类别的概率，若确定某个区域的类别属于头像的概率是0.998767，预设阈值为0.9，由于该概率0.998767大于预设阈值0.9，则可以确定该区域的类别属于头像。

可以理解的是，区域划分结果可以通过候选框进行标注，每个候选框标注一个类别的区域。

S104、若根据区域划分结果确定所述待识别对象符合预设条件，采用图片文字识别技术识别所述目标对象的身份信息。

当对待识别对象进行区域划分后，可以根据区域划分结果确定待识别对象符合预设条件，即判断是否需要进一步识别待识别对象上的目标对象的身份信息。如果根据区域划分结果确定待识别对象不符合预设条件，则无需进一步识别目标对象的身份信息。若根据区域划分结果确定待识别对象符合预设条件，则可以认为该待识别对象为需要进一步识别身份信息的对象，采用图片文字识别技术识别所述目标对象的身份信息，识别出每个区域所包括的身份信息。例如，在姓名这一类别的区域中识别出身份信息“王小明”，在公司这一类别的区域中识别出身份信息“***公司”，在职位这一类别的区域中识别出身份信息“高级软件工程师***互联网组”。

其中，图片文字识别技术例如可以是光学字符识别(Optical CharacterRecognition，OCT)技术。

需要说明的是，针对不同待识别对象划分得到的区域数量、区域类别、以及区域的位置信息可能有所不同，因此，在一种实现方式中，预设条件包括以下一种或多种的组合：划分得到的区域数量符合预设数量；划分得到的区域类别符合预设类别；每个类别区域的位置信息符合预设位置信息。从而判断出待识别对象是否为需要进一步识别身份信息的对象。

在需要根据工牌识别员工身份信息，以便为属于本公司的员工发放福利的场景下，此时需要从工牌上识别员工身份信息。由于不同的待识别对象的区域划分结果可能不同，例如名片和工牌的区域划分结果不同，因此，可以首先确定区域划分结果是否满足预设条件，若满足预设条件则可以认为该待识别对象为工牌，且该工牌是本公司的工牌。例如，工牌中包括4个区域，分别是头像、姓名、公司、职位，而名片中可能包括3个区域，分别是姓名、公司、职位，不包括头像，因此，若待识别对象为名片，则划分得到的区域数量为3，并非预设数量4，则可以认为待识别对象不符合预设条件，无需进一步针对待识别对象执行后续操作。若区域数量为预设数量4，则可以进一步确定划分得到的区域类别是否符合预设类别(分别是头像、姓名、公司、职位)，若不符合，则无需进一步针对待识别对象执行后续操作。若符合，此时可以初步认为待识别对象为工牌。由于不同公司的工牌可能有所不同，每个公司有固定的工牌形式，则可以进一步判断待识别对象的类别区域的位置信息是否符合预设位置信息，若否，则可以认为该工牌(待识别对象)不是本公司的工牌，无需进一步针对待识别对象执行后续操作。若是，则可以认为该工牌(待识别对象)是本公司的工牌，采用图片文字识别技术识别所述目标对象的身份信息。

由上述技术方案可以看出，当需要识别目标对象的身份信息时，可以获取表征目标对象身份信息的待识别对象。然后，利用识别模型对所述待识别对象进行特征向量提取，由于特征向量用于体现待识别对象的不同区域的特征信息，故，可以根据特征向量，对待识别对象进行区域划分。根据区域划分结果可以确定待识别对象是否符合预设条件，即确定待识别对象是否为需要进一步识别具体身份信息的对象，若根据区域划分结果确定所述待识别对象符合预设条件，即需要进一步识别该待识别对象中目标对象的身份信息，此时，采用图片文字识别技术识别所述目标对象的身份信息。通过这种方式，可以自动从待识别对象中识别目标对象的身份信息，避免了人工识别导致的人力耗费，提高了识别效率。

需要说明的是，在S102中利用识别模型对待识别对象进行特征向量提取之前，即将待识别对象输入识别模型之前，可以对待识别对象进行图像预处理，例如，采用Opencv对待识别对象进行大小、灰度等有关参数的图像预处理，并将待识别对象转换成识别模型所需格式的数据流。然后，利用识别模型对预处理后的待识别对象进行特征向量提取。

基于前述实施例提供的信息识别方法，本实施例还提供一种模型训练方法，参见图3，所述方法包括：

S301、获取待训练图像。

其中，所述待训练图像用于表征目标对象的身份信息；所述待训练图像具有区域划分标签，所述区域划分标签用于标识所述待训练图像的区域划分结果。区域划分标签可以是通过数据集标注工具Lablelme进行标定的。

S302、根据所述待训练图像提取特征向量。

其中，所述特征向量用于体现所述待识别对象的不同区域的特征信息。

S303、根据所述特征向量和所述区域划分标签标识的所述区域划分结果训练识别模型。

将大量的待训练图像转换成识别模型所需要的格式输入到识别模型，识别模型可以提取特征向量，从而确定待训练图像的区域划分结果。通过将识别模型划分得到的区域划分结果与区域划分标签标识的区域划分结果进行比较，从而调整识别模型的参数，直到该识别模型划分得到的区域划分结果与区域划分标签标识的区域划分结果相符，完成识别模型的训练。

基于图1对应的实施例提供的信息识别方法，本申请实施例还提供了一种信息识别装置，参见图4，所述装置包括获取单元401、提取单元402、划分单元403和识别单元404：

获取单元401，用于获取待识别对象，所述待识别对象用于表征目标对象的身份信息；

提取单元402，用于利用识别模型对所述待识别对象进行特征向量提取，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

划分单元403，用于根据所述特征向量，对所述待识别对象进行区域划分；

识别单元404，用于若根据区域划分结果确定所述待识别对象符合预设条件，采用图片文字识别技术识别所述目标对象的身份信息。

可选的，所述预设条件包括以下一种或多种的组合：

划分得到的区域数量符合预设数量；

划分得到的区域类别符合预设类别；

每个类别区域的位置信息符合预设位置信息。

可选的，所述待识别对象为员工的工牌。

可选的，所述区域划分结果包括4个区域，每个区域的类别分别头像、姓名、公司、职位。

可选的，所述装置还包括：

处理单元，用于对所述待识别对象进行图像预处理；

所述提取单元，具体用于：

利用所述识别模型对预处理后的所述待识别对象进行特征向量提取。

基于图3对应的实施例提供的模型训练方法，本申请实施例还提供了一种模型训练装置，参见图5，所述装置包括获取单元501、提取单元502和训练单元503：

获取单元501，用于获取待训练图像，所述待训练图像用于表征目标对象的身份信息；所述待训练图像具有区域划分标签，所述区域划分标签用于标识所述待训练图像的区域划分结果；

提取单元502，用于根据所述待训练图像提取特征向量，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

训练单元503，用于根据所述特征向量和所述区域划分标签标识的所述区域划分结果训练识别模型。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种信息识别方法，其特征在于，所述方法包括：

获取待识别对象，所述待识别对象用于表征目标对象的身份信息；

利用识别模型对所述待识别对象进行特征向量提取，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

根据所述特征向量，对所述待识别对象进行区域划分；

若根据区域划分结果确定所述待识别对象符合预设条件，采用图片文字识别技术识别所述目标对象的身份信息。

2.根据权利要求1所述的方法，其特征在于，所述预设条件包括以下一种或多种的组合：

划分得到的区域数量符合预设数量；

划分得到的区域类别符合预设类别；

每个类别区域的位置信息符合预设位置信息。

3.根据权利要求1或2所述的方法，其特征在于，所述待识别对象为员工的工牌。

4.根据权利要求3所述的方法，其特征在于，所述区域划分结果包括4个区域，每个区域的类别分别头像、姓名、公司、职位。

5.根据权利要求1所述的方法，其特征在于，在所述利用识别模型对所述待识别对象进行特征向量提取之前，所述方法还包括：

对所述待识别对象进行图像预处理；

所述利用识别模型对所述待识别对象进行特征向量提取，包括：

利用所述识别模型对预处理后的所述待识别对象进行特征向量提取。

6.一种模型训练方法，其特征在于，所述方法包括：

获取待训练图像，所述待训练图像用于表征目标对象的身份信息；所述待训练图像具有区域划分标签，所述区域划分标签用于标识所述待训练图像的区域划分结果；

根据所述待训练图像提取特征向量，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

根据所述特征向量和所述区域划分标签标识的所述区域划分结果训练识别模型。

7.一种信息识别装置，其特征在于，所述装置包括：

获取单元，用于获取待识别对象，所述待识别对象用于表征目标对象的身份信息；

提取单元，用于利用识别模型对所述待识别对象进行特征向量提取，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

划分单元，用于根据所述特征向量，对所述待识别对象进行区域划分；

识别单元，用于若根据区域划分结果确定所述待识别对象符合预设条件，采用图片文字识别技术识别所述目标对象的身份信息。

8.一种模型训练装置，其特征在于，所述装置包括：

获取单元，用于获取待训练图像，所述待训练图像用于表征目标对象的身份信息；所述待训练图像具有区域划分标签，所述区域划分标签用于标识所述待训练图像的区域划分结果；

提取单元，用于根据所述待训练图像提取特征向量，所述特征向量用于体现所述待识别对象的不同区域的特征信息；

训练单元，用于根据所述特征向量和所述区域划分标签标识的所述区域划分结果训练识别模型。

9.一种电子设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-6任一项所述的方法。

Images