CN110929664A - 图像识别方法以及装置 - Google Patents

Abstract

本说明书公开了一种图像识别方法以及装置，对于待识别的图像，确定该图像中至少一个文本行对应的多边形区域，并通过预先训练角度纠正模型，确定每个多边形区域中字符的文字竖直方向，针对每个多边形区域，根据该多边形区域以及确定出的文字竖直方向，调整该多边形区域的最小外接矩形的竖边位置以及长度，以确定该多边形区域对应的文本行的外接四边形区域，并通过对确定出的外接四边形区域进行识别，确定文本行的字符串。通过确定字符的文字竖直方向，调整在图像中确定的最小外接矩形为外接四边形，减少透视关系带来的最小外接矩形背景噪音，解决了识别准确率低的问题。

Description

图像识别方法以及装置

技术领域

本申请涉及信息处理技术领域，尤其涉及一种图像识别方法以及装置。

背景技术

目前，随着图像识别技术的进步，服务提供方可以通过用户采集的图像，识别图像中包含的待识别对象，并将该待识别对象对应的信息返回给用户。例如，用户采集了一张花的图像，服务提供方可以通过图像识别技术，确定该图像中的花的品种，并返回给该用户。或者，用户采集了一张店铺门头的图像，服务提供方可通过图像识别技术识别该店铺，并将该店铺对应的信息(如菜品、评价等)返回给该用户。

在现有技术中，对于图像中文字的识别，主要是基于对图像中的文本行识别，采用的方法通常是先利用训练好的完全卷积网络(Fully Convolutional Networks，FCN)确定图像中的文本行对应的区域，之后再通过确定该文本行的对应的区域最小连通区域，确定图像中文本行的最小外接矩形，最后利用文本行识别模型确定该图像中文本行的最小外接矩形包含的文本行的字符串。其中，常见的文本行识别模型包括：注意力(attention)模型、连接时间模型(Connectionist Temporal Classification，CTC)模型等。

但是，由于用户采集店铺门头的图像时，通常不是正对该店铺门头的文本采集的，可能会存在一定角度，导致店铺门头的图像中的文本行呈现近大远小的透视效果，这就导致目前确定的图像中文本行的最小外接矩形，在文本行的远端(即，文字较小的一端)可能会包含较多的背景噪音(即，非文字区域)，导致最终图像识别结果错误，识别准确率低。

发明内容

本说明书实施例提供的一种图像识别方法以及装置，用于部分解决现有技术中存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的图像识别方法，包括：

获取待识别的图像；

根据所述图像，确定所述图像中至少一个文本行对应的多边形区域；

针对每个多边形区域，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向；

根据该多边形区域，确定该多边形区域对应的最小外接矩形；

根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，作为待识别区域；

确定所述图像中各待识别区域分别包含的文本行的字符串。

可选地，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向，具体包括，将包含该多边形区域的图像输入预先训练的角度纠正模型，确定该多边形区域与所述图像的水平方向的夹角，根据确定出的夹角，确定该多边形区域包含的文本行中字符在所述图像中的文字竖直方向。

可选地，根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，具体包括：根据确定出的最小外接矩形以及所述文字竖直方向，确定所述文本行对应的外接四边形的竖边所在的直线，根据确定出的竖边所在的直线、该多边形区域对应的凸包的每个角点、所述最小外接矩形的四个角，确定所述文本行对应的外接四边形区域。

可选地，根据确定出的最小外接矩形以及所述文字竖直方向，确定所述文本行对应的外接四边形的竖边所在的直线，具体包括：针对所述最小外接矩形的每条竖边，确定沿所述文字竖直方向穿过该竖边的中点的直线，为所述文本行对应的外接四边形的竖边所在的直线。

可选地，根据确定出的竖边所在的直线、该多边形区域对应的凸包的每个角点、所述最小外接矩形的四个角，确定所述文本行对应的外接四边形区域，具体包括：确定该多边形区域对应的凸包的每个角点，作为第一类型点，确定所述最小外接矩形的每个角所在的点，作为第二类型点，针对每个第二类型点，确定各第一类型点与该第二类型点的连线，以及确定各连线所在的直线与各竖边所在的直线的交点，根据该第二类型点与其他第二类型点的位置关系，从各交点中确定所述文本行对应的外接四边形的角所在的点，根据确定出的外接四边形的角所在的点，确定所述外接四边形区域。

可选地，所述方法还包括：确定采集所述图像时的地理位置，根据已存储的各兴趣点POI的地理位置以及所述图像对应的地理位置，确定与所述图像对应的位置小于预设距离的各POI，作为相关POI，根据各相关POI包含的信息以及确定出的各文本行的字符串，确定与所述图像匹配的POI，作为所述图像的识别结果。

可选地，根据各相关POI包含的信息以及确定出的各文本行的字符串，确定与所述图像匹配的POI，作为所述图像的识别结果，具体包括：针对每个文本行的字符串，确定各相关POI包含的文本信息与该文本行的字符串的文字相似度，根据确定出的文字相似度，在各相关POI包含的信息中，确定与至少一个字符串匹配的信息，作为匹配信息，确定包含所述匹配信息的POI与所述图像匹配。

可选地，根据确定出的相似度，确定与所述图像匹配的POI，具体包括：确定各相关POI包含的图像，确定所述待识别的图像分别与各相关POI包含的图像的图像相似度，确定包含所述匹配信息且图像相似度大于预设值的POI与所述图像匹配。

本说明书提供的图像识别装置，包括：

获取模块，获取待识别的图像；

第一确定模块，根据所述图像，确定所述图像中至少一个文本行对应的多边形区域；

方向确定模块，针对每个多边形区域，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向；

第二确定模块，针对每个多边形区域，确定该多边形区域对应的最小外接矩形；

第三确定模块，针对每个多边形区域，根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，作为待识别区域；

识别模块，确定所述图像中各待识别区域分别包含的文本行的字符串。

本说明书提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的图像识别方法。

本说明书提供的计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像识别方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

对于待识别的图像，确定该图像中至少一个文本行对应的多边形区域，并通过预先训练角度纠正模型，确定每个多边形区域中字符的文字竖直方向，针对每个多边形区域，根据该多边形区域以及确定出的文字竖直方向，调整该多边形区域的最小外接矩形的竖边位置以及长度，以确定该多边形区域对应的文本行的外接四边形区域，并通过对确定出的外接四边形区域进行识别，确定文本行的字符串。通过确定字符的文字竖直方向，调整在图像中确定的本文行对应的最小外接矩形的竖边的角度和长度，以根据调整后的竖边确定文本行对应的外接四边形，减少由于透视关系导致的文本行字符大小不一致，导致的最小外接矩形包含的背景噪音较多的问题，提高了图像识别的准确率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为现有技术确定出的最小外接矩形的示意图；

图2为本说明书实施例提供的图像识别的过程示意图；

图3为本说明书实施例提供的确定文字竖直方向的示意图；

图4为本说明书实施例提供的连线示意图；

图5为本说明书实施例提供的外接四边形的示意图；

图6为本说明书提供的服务器返回识别结果的示意图；

图7和图8为本说明书实施例提供的确定文本行所在区域的过程示意图；

图9为本说明书实施例提供的图像识别装置的结构示意图；

图10为本说明书实施例提供的实现图像识别方法的电子设备的示意结构图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

现有技术对图像中文字的识别时，通常是先确定出的文本行对应的最小外接矩形，在对该最小外接矩形对应的图像区域进行文字识别，确定文本行的字符串。

图1为现有技术确定出的最小外接矩形的示意图，其中左侧为原始图像，中间为通过FCN模型处理后，分割得到的文字行区域以及非文字行区域，浅色为文字行区域，深色为非文字行区域，右侧为根据分割后的区域确定的最小外接矩形用虚线表示，可见在文字行的远端，最小外接矩形包含了较多的背景。而在后续图像识别时，基于该最小外接矩形对应的图像区域进行识别，则可能导致识别准确率降低。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图2为本说明书实施例提供的图像识别的过程，具体可包括以下步骤：

S100：获取待识别的图像。

在本说明书中，该图像识别过程可以由终端执行，或者也可由服务器接收终端上传的图像，并执行该图像识别过程，其中，终端可包括：手机、平板电脑等设备，该服务器可以是单独的一台服务器，或者由多台服务器组成的系统，如，分布式服务器，对于具体有何种设备执行该图像识别过程本说明书不做限制，可根据需要设置。

为了方便描述，本说明书基于现有的图像识别场景，以服务提供方根据用户采集的图像，对图像中的店铺的招牌文字进行识别为例进行说明。于是，在本说明书提供的实施例中，当用户在一个店铺需要进一步获取该店铺对应的信息时，可通过终端采集该店铺门头的图像，服务提供方的服务器则可获取该终端采集的图像，作为待识别的图像。

其中，该服务提供方至少可提供对图像中的文字进行识别服务，后续根据文字识别结果确定该店铺对应的信息的服务可由该服务提供方或者其他服务提供方提供，本说明书不做限制。

S102：根据所述图像，确定所述图像中至少一个文本行对应的多边形区域。

在本说明书中，服务器在获取待识别的图像之后，可根据该图像确定该图像中至少一个文本行对应的多边形区域，其中该多边形区域为通过模型确定出的该图像中文本行所在区域。

具体地，为了确定该图像中包含的文本行信息，该服务器可先确定该图像中属于文本行的区域，因此该服务器可先将该图像输入预先训练好的图像分割模型中，得到该图像分割模型输出的该图像的分割结果，该图像的分割结果可如图1所示的对图像进行分割得到的文本行所在区域以及非文字行的区域。其中，该图像分割模型具体可以是FCN模型、条件随机场(Conditional Random Field，CRF)等，本说明书不做限制。为方便描述后续以FCN模型为例进行说明，通过FCN模型输出的文本行所在区域为规则的多边形，需要说明的是，由于本说明书中图像识别具体涉及的是对图像中的文本行的字符串进行识别的过程，因此在本说明书所述的多边形区域均可视为是FCN模型输出的文本行所在的区域。

另外，通过FCN模型对图像进行分割已经是较为成熟的技术，其中将图像中的文本行所在区域分割出来也是较为成熟技术，本说明书对FCN模型的使用和FCN的训练过程不再进行赘述。

需要说明的是，若输入FCN模型中的图像包含了多行文本行，则该FCN模型可输出各文本行分别对应的字符串多边形区域。

S104：针对每个多边形区域，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向。

在本说明书中，由于图像采集角度，图像中的文本行除了可能存在的近大远小的透视关系以外，也可能存在文本行的各字符不在同一条水平线上，因此为了纠正文本行中存在的各字符不在同一条水平线上的问题，服务器可针对确定出的每个文本行对应的多边形区域，通过预先训练的角度纠正模型，确定该多边形区域包含的文本行在该图像中的文字竖直方向。

具体地，首先该服务器可针对每个多边形区域，确定包含该多边形区域的图像。该服务器可以采用将该图像中其他多边形区域变为非文字区域的方式，得到仅包含该多边形区域的图像，或者按照图像的竖直和水平方向裁剪的方式，裁剪得到只包含该多边形区域的图像，并且保持裁剪后的图像的竖直和水平方向与裁剪前的图像的竖直和水平方向一致。当然，该服务器也可采用其他方式确定包含该多边形区域的图像，本说明书不做限制，或者当该图像中仅存在一个多边形区域时也可直接确定步骤S102确定出的图像已经是只包含该多边形区域的图像。通过确定包含该多边形区域的图像，可以避免该图像中其他多边形区域对于模型输出结果的干扰。

其次，该服务器可将包含该多边形区域的图像作为输入，输入预先训练的角度纠正模型，确定该多边形区域与所述图像的水平方向的夹角。其中，该角度纠正模型输出的结果可为夹角的正切数值，该正切数值的取值范围为(-1，1)，根据该正切数值可确定该多边形区域与所述图像的水平方向的夹角，当正切数值取值为负时表征该多边形区域的字体在图像中向左倾倒，反之表征向右倾倒。

最后，该服务器可根据确定出的夹角，确定该多边形区域包含的文本行中字符在该图像中的文字竖直方向。图3为本说明书实施例提供的确定文字竖直方向的示意图。其中，浅色区域为图像中文本行所在区域，直线为确定出的文字竖直方向，虚线为图像的水平反向，该角度纠正模型输出直线与虚线夹角的正切数值，该服务器根据正切数值确定文字竖直方向。

另外，在本说明书中该角度纠正模型具体可为回归模型，如，逻辑回归或者线性回归等。在本说明书中，该角度纠正模型的训练可基于预先准备的训练样本，具体地，服务器可获取可训练样本的图像，通常可从数据库中获取包含文字行的图像。之后确定每个训练样本的“标签”，具体可由工作人员标注图像中文本行的左上角以及左下角。然后服务器针对每个标注后的图像，确定该图像中标注的左上角与左下角的连线，与该图像的水平方向的夹角的正切数值。例如，假设左上角为P0，左下角为P3，则服务器可确定正切值为P0(x)-P3(x)/P0(y)-P3(y)，其中，P0(x)和P0(y)分别为P0点像素在图像中x轴坐标和y轴坐标，同理P3(x)和P3(y)分别为P3点像素在图像中x轴坐标和y轴坐标。再后，针对每个标注后的图像，通过FCN模型对该图像进行分割处理，得到包含该图像中文本行所在区域的多边形区域的图像，作为训练用图像，确定包含训练用图像和正切数值的训练样本。

在确定训练样本之后，该服务器便可以最小化角度纠正模型输出的正切数值与训练样本包含的正切数值的差值为优化目标，调整该角度纠正模型中的模型参数，直至满足训练结束条件为止。

进一步地，在本说明书中，该角度纠正模型输出的结果，也可以根据需要设置，并在训练该角度纠正模型时，采用相应的训练样本和优化目标调整该角度纠正模型的模型参数，本说明书并不限制。例如，输出该多边形区域与所述图像的竖直方向的夹角等，则在确定训练样本时需要标注相应的夹角角度值，则也可通过类似的训练过程得到该角度纠正模型。

S106：根据该多边形区域，确定该多边形区域对应的最小外接矩形。

在本说明书中，为了调整文本行所在区域的多边形区域对应的最小外接矩形，使进行图像分析的区域中非文字部分的背景噪音减少，提高识别准确率，因此该服务器还可针对每个多边形区域，确定该多边形区域对应的最小外接矩形。当然，由于确定多边形区域对应的最小外接矩形已经是较为成熟的技术，因此本说明书对此不摘赘述。

S108：根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，作为待识别区域。

在本说明书中，针对每个多边形，服务器在确定出多边形包含的文本行的文字竖直方向以及多边形对应的最小外接矩形后，便可根据文字竖直方向调整最小外接矩形竖边的位置以及长度，以确定多边形中包含的文本行对应的外接四边形区域。

首先，服务器可先根据确定出的最小外接矩形以及文字竖直方向，确定文本行对应的外接四边形的竖边所在的直线。具体地，服务器可针对该最小外接矩形的每条竖边，即左竖边和右竖边，确定沿该文字竖直方向穿过该竖边的中点的直线，为该文本行对应的外接四边形的竖边所在的直线。也就是调整该最小外接矩形的竖边的角度，至该文字竖直方向。

之后，服务器可根据确定出的竖边所在的直线、该多边形区域对应的凸包的每个角点、该最小外接矩形的四个角，确定该文本行对应的外接四边形区域。具体地，服务器可先确定该多边形区域对应的每个角点，作为第一类型点，确定该最小外接矩形的每个角所在的点，作为第二类型点，然后针对每个第二类型点，确定各第一类型点与该第二类型点的连线，以及确定各连线所在的直线与各竖边所在的直线的交点，如图4所示。

图4为本说明书提供的连线示意图。其中黑色点为第一类型点，白色点为第二类型点，图4中显示了各第一类型点与最小外接矩形中左上角的第二类型点的连线，即图中虚线，最小外接矩形左侧调整后的竖边(即，外接四边形的竖边所在的直线，图中的浅色直线)，服务器可确定各虚线与该浅色直线的交点。

然后服务器可根据该第二类型点与其他第二类型点的位置关系，从各交点中确定该文本行对应的外接四边形的角所在的点。也就是，调整该最小外接矩形的竖边的长度。例如图4中交点与图像的上边界最近的交点，可作为调整后最小外接矩形的竖边的顶点，也就是外接四边形的左上角，而与图像的下边界最近的交点，可作为调整后最小外接矩形的竖边的另一个顶点，也就是外接四边形的左下角。该左上角到左下角的距离，也就是调整后该最小外接矩形的竖边的长度，也是外接四边形的左侧竖边。同理，该服务器也采用相同的方法确定外接四边形的右侧竖边。

最后，服务器可根据确定出的外接四边形的角所在的点，确定该外接四边形区域，也就是确定出的外接四边形的四个角围成的区域，将该外接四边形区域作为待识别区域。图5为基于图1所示的文本行最终确定出的外接四边形的示意图，其中浅色线段围成的区域为外接四边形。

S110：确定所述图像中各待识别区域分别包含的文本行的字符串。

在本说明书中，服务器针对确定出的任一待识别区域，可通过图像识别技术确定该待识别区域包含的文本行的字符串，作为识别结果。具体地，该服务器可以将待识别区域对应的图像输入训练好的attention模型或者CTC模型，得到模型输出的字符串，即图像识别结果。

基于图2所示的图像识别方法，对于待识别的图像，确定该图像中至少一个文本行对应的多边形区域，并通过预先训练角度纠正模型，确定每个多边形区域中字符的文字竖直方向，针对每个多边形区域，根据该多边形区域以及确定出的文字竖直方向，调整该多边形区域的最小外接矩形的竖边位置以及长度，以确定该多边形区域对应的文本行的外接四边形区域，并通过对确定出的外接四边形区域进行识别，确定文本行的字符串。通过确定字符的文字竖直方向，调整在图像中确定的本文行对应的最小外接矩形的竖边的角度和长度，以根据调整后的竖边确定文本行对应的外接四边形，减少由于透视关系导致的文本行字符大小不一致，导致的最小外接矩形包含的背景噪音较多的问题，提高了图像识别的准确率。

另外，在本说明书提供的一个或多个实施例中，如步骤S100中所述的步骤，当服务提供方提供的服务是根据用户采集的图像，确定用户采集的店铺对应的信息，并为用户提供店铺对应的信息时，该服务器还可获取采集该图像时的地理位置，以根据识别出的字符串，从预存的信息中确定与用户采集的图像匹配的店铺的信息。

首先，服务器获取采集该图像时的地理位置。

具体地，该地理位置是采集图像的终端在采集该图像时的地理位置。例如，终端在采集图像时，通过终端中携带的全球定位系统(Global Positioning System，GPS)芯片确定该终端的坐标，并作为采集该图像时的地理位置。于是，该服务器在获取该图像时还可从该终端获取该地理位置。

在经过步骤S110确定图像中各待识别区域分别包含的文本行的字符串之后，该服务器可确定该图像中可能包含的店铺。并且，由于用户采集图像时的位置通常与店铺的兴趣点(Point of Interest，POI)位置存在一定距离，否则难以采集到店铺的门头图形，并且GPS芯片的定位也存在一定误差，因此该服务器可以采集该图像时的地理位置为中心确定周边的POI，作为相关POI，再根据确定出的字符串，从各相关POI中确定用户采集图像对应的店铺的POI，并将用户采集图像对应的店铺的信息作为识别结果返回用户的终端。其中，店铺的信息可包括：联系方式、地址、贩卖的商品、评价信息等。

于是，该服务器可根据已存储的各POI的地理位置以及该图像对应的地理位置，确定与该图像对应的位置小于预设距离的各POI，作为相关POI。

该服务器相当于确定以该图像对应的地理位置的坐标为中心，以预设距离为半径的范围内的POI，作为相关POI。其中，该预设距离可根据需要设置，本说明书不做限定。

最后，该服务器可再根据各相关POI包含的信息以及确定出的各文本行的字符串，确定与该图像匹配的POI，将匹配的POI包含的信息，作为该图像的识别结果。

具体地，该服务器可针对每个字符串和每个相关POI包含的信息，进行相似度计算，确定各相关POI包含的信息与各文本行的字符串之间的文字相似度，并确定相似度大于预设阈值的信息以及字符串之间相互匹配。将与字符串相互匹配的信息对应的POI，作为与该图像匹配的POI，再将该POI包含的信息作为该图像的识别结果返回用户的终端。其中，该预设阈值可根据需要设置，本说明书不做限定。

例如，假设根据某图像确定出字符串A和字符串B，相关POI包含的信息如表1所示。

表1

则可确定该字符串A与C点POI包含的信息匹配，该字符串B与D点POI包含的信息匹配，服务器可将C点POI以及D点POI分别包含的信息(如字符串E～G)作为图像识别结果，并返回该用户的终端。假设该C点POI以及D点POI均为餐饮场所，服务器可以以卡片形式向终端返回表1中信息的，如图6所示。

图6为本说明书提供的服务器返回识别结果的示意图，可见用户的终端上以卡片形式显示了服务器返回的信息，两个卡片中分别显示了C点POI以及D点POI包含的信息。

进一步地，通常服务提供方的服务器中通常还存储有POI的图像，例如，店铺的环境图、店铺的门头图像等。于是在本说明书中，该服务器还可以针对每个相关POI，获取该POI包含的图像。

之后计算该待识别的图像分别与各相关POI包含的图像的图像相似度，并确定图像相似度大于预设值的POI确定与该待识别的图像匹配。

最后确定包含匹配信息且图像相似度大于预设值的POI与该图像匹配。

具体地，该服务器可根据信息与字符串的文字相似度和预设的文字权重，以及图像相似度以及预设的图像权重，对各POI与该图像的匹配度进行打分，并将分值最高的POI确定为与图像匹配的POI，返回用户的终端。

例如，假设文字权重为0.9，图像权重为0.1，预设值为0.85，某图像分别与C点POI以及D点POI的文字相似度为90％和85％，图像相似度分别为50％和60％，则服务器可确定C点POI以及D点POI和该图像的匹配度打分分别为：0.86和0.825，该图像与C点POI匹配，将C点POI包含的信息返回该用户的终端。

另外，在本说明书一个或多个实施例中，该服务器在步骤S108确定出外接四边形之后，由于文本行识别模型的输入的通常是矩形图像，因此为了方便进行文本行识别，该服务器可继续对该外接四边形进行图像处理，将该外接四边形调整为矩形。

具体地，该服务器可采用，拉伸、旋转、扭曲等图像处理方法，对该外接四边形进行图像处理，将该外接四边形调整为矩形，以及对外接四边形中的文本行进行坐标变化处理，使转换得到的矩形中的文本行中各字符的大小统一，将得到矩形图像作为文本行所在区域。或者，直接对外接四边形进行拉伸、旋转、扭曲等图像处理方法，将该外接四边形调整为矩形。

最后，对通过上述处理得到的该文本行所在区域(即转换得到的矩形)进行剪裁，从而得到后续步骤S108输入文本行识别模型的图像。

第一种处理情况可如图7所示。图7为本说明书实施例提供的确定文本行所在区域的过程示意图，其中，该服务器可先确定文本行对应的多边形，再确定最小外接矩形，通过前述过程确定该文本行对应的外接四边形，如图5中所示，最后将该外接四边形调整为矩形后，作为文本行所在区域。通过图7中矩形图像m可见，该服务器可直接根据外接四边形进行拉伸、旋转、扭曲等图像处理，确定对应的矩形，该服务器得到的矩形图像为图7中的图像m。其中，确定该外接四边形减少了图5中由于透视的原因导致的远端背景噪音较多的问题，而通过拉伸等处理并不会带入新的背景噪音，而只是对原有的背景噪音进行图像处理。

第二种处理情况可如图8所示。图8为本说明书实施例提供的确定文本行所在区域的过程示意图，该服务器可先通过拉伸、旋转、扭曲等图像处理，确定外接四边形对应的矩形，再进一步对外接四边形中的文本行进行坐标变化处理，调整该文本行中较小的字符的尺寸，以统一各字符的大小，确定出的文本行所在区域则如图8中图像n所示，使得由于透视的原因导致图像中原本较小的字符得到了放大，进一步减轻背景噪音带来的问题。

进一步地，该服务器也可将文本行对应的外接四边形直接作为后续步骤S108输入文本行识别模型的图像。或者，该服务器除了还可对该外接四边形进行拉伸、旋转、扭曲等图像处理，将该外接四边形调整为矩形的图像以外，该服务器还可确定该外接四边形外接的矩形，并填充该外接四边形和该外接四边形外接的矩形之间的空白区域，例如利用预设的纯色填充，或者确定该外接四边形的平均灰度值，并基于平均灰度值填充灰色等。其中，该外接四边形外接的矩形，可以是该外接四边形外接的最小矩形，或者预设的同一尺寸的外接矩形，本说明书不做限制，可根据需要设置。并且，如何填充空白区域也可根据需要设置，例如，可以选择带入的背景噪音较小的方式进行填充。

通过上述将外接四边形变换为矩形图像的操作，可使生成的输入文本行识别模型的图像统一为矩形图像，当然服务器也可通过上采样或者图像压缩等处理，统一各输入文本行识别模型的图像的尺寸。

基于图2示的图像识别方法，本说明书实施例还对应提供图像识别装置的结构示意图，如图9所示。

图9为本说明书实施例提供的图像识别装置的结构示意图，所述装置包括：

获取模块200，获取待识别的图像；

第一确定模块202，根据所述图像，确定所述图像中至少一个文本行对应的多边形区域；

方向确定模块204，针对每个多边形区域，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向；

第二确定模块206，针对每个多边形区域，确定该多边形区域对应的最小外接矩形；

第三确定模块208，针对每个多边形区域，根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，作为待识别区域；

识别模块210，确定所述图像中各待识别区域分别包含的文本行的字符串。

可选地，所述方向确定模块204将包含该多边形区域的图像输入预先训练的角度纠正模型，确定该多边形区域与所述图像的水平方向的夹角，根据确定出的夹角，确定该多边形区域包含的文本行中字符在所述图像中的文字竖直方向。

可选地，所述第三确定模块208根据确定出的最小外接矩形以及所述文字竖直方向，确定所述文本行对应的外接四边形的竖边所在的直线，根据确定出的竖边所在的直线、该多边形区域对应的凸包的每个角点、所述最小外接矩形的四个角，确定所述文本行对应的外接四边形区域。

可选地，所述第三确定模块208针对所述最小外接矩形的每条竖边，确定沿所述文字竖直方向穿过该竖边的中点的直线，为所述文本行对应的外接四边形的竖边所在的直线。

可选地，所述第三确定模块208确定该多边形区域对应的每个角点，作为第一类型点，确定所述最小外接矩形的每个角所在的点，作为第二类型点，针对每个第二类型点，确定各第一类型点与该第二类型点的连线，以及确定各连线所在的直线与各竖边所在的直线的交点，根据该第二类型点与其他第二类型点的位置关系，从各交点中确定所述文本行对应的外接四边形的角所在的点，根据确定出的外接四边形的角所在的点，确定所述外接四边形区域。

可选地，所述识别模块200确定采集所述图像时的地理位置，根据已存储的各兴趣点POI的地理位置以及所述图像对应的地理位置，确定与所述图像对应的位置小于预设距离的各POI，作为相关POI，根据各相关POI包含的信息以及确定出的各文本行的字符串，确定与所述图像匹配的POI，作为所述图像的识别结果。

可选地，所述识别模块200针对每个文本行的字符串，确定各相关POI包含的文本信息与该文本行的字符串的文字相似度，根据确定出的文字相似度，在各相关POI包含的信息中，确定与至少一个字符串匹配的信息，作为匹配信息，确定包含所述匹配信息的POI与所述图像匹配。

可选地，所述识别模块200确定所述待识别的图像分别与各相关POI包含的图像的图像相似度，确定包含所述匹配信息且图像相似度大于预设值的POI与所述图像匹配。

本说明书实施例还提供了计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述确备餐的方法中的任一个。

基于图2所示的图像识别方法，本说明书实施例还提出了图10所示的电子设备的示意结构图。如图10在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现任一个上述图像识别方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体地，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种图像识别方法，其特征在于，包括：

获取待识别的图像；

根据所述图像，确定所述图像中至少一个文本行对应的多边形区域；

针对每个多边形区域，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向；

根据该多边形区域，确定该多边形区域对应的最小外接矩形；

根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，作为待识别区域；

确定所述图像中各待识别区域分别包含的文本行的字符串。

2.如权利要求1所述的方法，其特征在于，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向，具体包括：

将包含该多边形区域的图像输入预先训练的角度纠正模型，确定该多边形区域与所述图像的水平方向的夹角；

根据确定出的夹角，确定该多边形区域包含的文本行中字符在所述图像中的文字竖直方向。

3.如权利要求1所述的方法，其特征在于，根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，具体包括：

根据确定出的最小外接矩形以及所述文字竖直方向，确定所述文本行对应的外接四边形的竖边所在的直线；

根据确定出的竖边所在的直线、该多边形区域对应的凸包的每个角点、所述最小外接矩形的四个角，确定所述文本行对应的外接四边形区域。

4.如权利要求3所述的方法，其特征在于，根据确定出的最小外接矩形以及所述文字竖直方向，确定所述文本行对应的外接四边形的竖边所在的直线，具体包括：

针对所述最小外接矩形的每条竖边，确定沿所述文字竖直方向穿过该竖边的中点的直线，为所述文本行对应的外接四边形的竖边所在的直线。

5.如权利要求3所述的方法，其特征在于，根据确定出的竖边所在的直线、该多边形区域对应的凸包的每个角点、所述最小外接矩形的四个角，确定所述文本行对应的外接四边形区域，具体包括：

确定该多边形区域对应的每个角点，作为第一类型点；

确定所述最小外接矩形的每个角所在的点，作为第二类型点；

针对每个第二类型点，确定各第一类型点与该第二类型点的连线，以及确定各连线所在的直线与各竖边所在的直线的交点；

根据该第二类型点与其他第二类型点的位置关系，从各交点中确定所述文本行对应的外接四边形的角所在的点；

根据确定出的外接四边形的角所在的点，确定所述外接四边形区域。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

确定采集所述图像时的地理位置；

根据已存储的各兴趣点POI的地理位置以及所述图像对应的地理位置，确定与所述图像对应的位置小于预设距离的各POI，作为相关POI；

根据各相关POI包含的信息以及确定出的各文本行的字符串，确定与所述图像匹配的POI，作为所述图像的识别结果。

7.如权利要求6所述的方法，其特征在于，根据各相关POI包含的信息以及确定出的各文本行的字符串，确定与所述图像匹配的POI，具体包括：

针对每个文本行的字符串，确定各相关POI包含的文本信息与该文本行的字符串的文字相似度；

根据确定出的文字相似度，在各相关POI包含的信息中，确定与至少一个字符串匹配的信息，作为匹配信息；

确定包含所述匹配信息的POI与所述图像匹配。

8.如权利要求7所述的方法，其特征在于，确定包含所述匹配信息的POI与所述图像匹配，具体包括：

确定各相关POI包含的图像；

确定所述待识别的图像分别与各相关POI包含的图像的图像相似度；

确定包含所述匹配信息且图像相似度大于预设值的POI与所述待识别的图像匹配。

9.一种图像识别装置，其特征在于，包括：

获取模块，获取待识别的图像；

第一确定模块，根据所述图像，确定所述图像中至少一个文本行对应的多边形区域；

方向确定模块，针对每个多边形区域，根据预先训练的角度纠正模型，确定该多边形区域包含的文本行在所述图像中的文字竖直方向；

第二确定模块，针对每个多边形区域，确定该多边形区域对应的最小外接矩形；

第三确定模块，针对每个多边形区域，根据确定出的文字竖直方向以及该多边形区域，调整该多边形区域对应的最小外接矩形中竖边的位置以及长度，并根据调整后的竖边确定所述文本行对应的外接四边形区域，作为待识别区域；

识别模块，确定所述图像中各待识别区域分别包含的文本行的字符串。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～8任一所述的方法。

11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一所述的方法。

Images