CN110991520B - 一种生成训练样本的方法以及装置 - Google Patents

Abstract

本说明书公开了一种生成训练样本的方法及装置，将数据库中获取已存储的存在关联关系的各数据，作为训练样本的来源，针对每个图像中，确定该图像中文本行对应的字符串，再从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，将该字符串对应的文本行在该图像中所在区域作为训练样板的样本图像，将匹配的数据标识作为训练样本的样本标签，生成训练样本。充分利用了数据库中已经存储的数据，自动的从中生成训练样本，避免了人工进行样本打标，降低了生成训练样本的成本，从海量业务数据中的图像确定样本图像更加贴近实际场景，可提高通过训练样本训练得到的OCR模型的识别准确率。

Description

一种生成训练样本的方法以及装置

技术领域

本申请涉及信息处理技术领域，尤其涉及一种生成训练样本的方法以及装置。

背景技术

目前，光学字符识别(Optical Character Recognition，OCR)技术已经是较为成熟一种识别文字字符的方法，通过训练好的ORC模型可以实现识别图像中的文字。OCR模型的训练过程通常是有监督的，也就是训练样本携带有“标签”，在训练OCR模型时通过计算OCR模型的输出结果与“标签”的损失，调整OCR模型的参数，因此OCR模型的识别结果是否准确，与训练样本相关。

在现有技术中，OCR模型训练所使用的训练样本主要通过人工标注或者通过模型生成两种方式得到。

其中，人工标注训练样本，需要通过人工对已有的图像进行标注来生成训练样本，成本较高的同时标注效率较低，还存在标注错误的情况。

而模型生成的方法包括：基于已有图像(通常为实际采集的图像)进行图像处理，得到多个训练样本的方法。或者，基于从已有图像中提取出的单个字符对应的图像，进行图像拼接，生成训练样本的方法。可见模型生成方法得到的训练样本，本质上是基于已有的图像进行“改造”得到的，并没有实际增加训练样本的丰富程度。图像处理得到的训练样本，毕竟不是真实在实际场景中采集的图像，训练出的OCR模型在实际场景中的识别准确率难以确定。

发明内容

本说明书实施例提供的一种生成训练样本的方法及装置，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：

本说明书提供的生成训练样本的方法，包括：

从数据库中获取已存储的存在关联关系的各数据，所述数据至少包括：图像以及数据标识；

针对每个图像，确定该图像中至少一个文本行对应的字符串；

从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，作为样本标签；

在该图像中，确定与所述样本标签匹配的字符串对应的文本行所在区域，作为与样本标签对应的样本图像；

根据确定出的样本图像及其对应的样本标签，生成训练样本。

可选地，从数据库中获取已存储的存在关联关系的各数据，具体包括：

针对配送平台的数据库中存储的每个兴趣点POI，获取预先保存的该POI对应的业务数据；

确定所述业务数据中包含的图像以及所述业务数据中包含的数据标识，所述数据标识包括：供应方名称、供应方联系方式、供应方地址中的至少一种。

可选地，确定该图像中至少一个文本行对应的字符串，具体包括：

确定该图像中至少一个文本行所在区域；

确定各文本行所在区域的文本行分别对应的字符串。

可选地，从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，具体包括：

针对与该图像关联的每个数据标识，确定该数据标识分别与该图像中各文本行对应的字符串的相似度，确定与该数据标识匹配的字符串。

可选地，确定该数据标识分别与该图像中各文本行对应的字符串的相似度，具体包括：

根据字符串包含的字符、字符串包含的字符数量、字符串中包含的各字符的置信度中的至少一种，确定各字符串与该数据标识的相似度。

可选地，确定与所述样本标签匹配的字符串对应的文本行所在区域，具体包括：

针对与所述样本标签匹配的字符串对应的文本行，确定所述文本行在该图像中对应的多边形区域，以及所述多边形区域对应的最小外接矩形；

确定所述多边形区域的文字竖直方向；

根据确定出的文字竖直方向以及所述多边形区域，调整所述最小外接矩形，得到所述文本行在所述图像中对应的外接四边形区域；

根据得到的外接四边形区域，确定与所述样本标签匹配的字符串对应的文本行在该图像中所在区域。

本说明书提供的生成训练样本的装置，包括：

获取模块，从数据库中获取已存储的存在关联关系的各数据，所述数据至少包括：图像以及数据标识；

第一确定模块，针对每个图像，确定该图像中至少一个文本行对应的字符串；

匹配模块，从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，作为样本标签；

第二确定模块，在该图像中，确定与所述样本标签匹配的字符串对应的文本行所在区域，作为与样本标签对应的样本图像；

生成模块，根据确定出的样本图像及其对应的样本标签，生成训练样本。

可选地，所述第二确定模块针对与所述样本标签匹配的字符串对应的文本行，确定所述文本行在该图像中对应的多边形区域，以及所述多边形区域对应的最小外接矩形，确定所述多边形区域的文字竖直方向，根据确定出的文字竖直方向以及所述多边形区域，调整所述最小外接矩形，得到所述文本行在所述图像中对应的外接四边形区域，根据得到的外接四边形区域，确定与所述样本标签匹配的字符串对应的文本行在该图像中所在区域。

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生成训练样本的方法。

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生成训练样本的方法。

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：

将数据库中获取已存储的存在关联关系的各数据，作为训练样本的来源，针对每个图像中，确定该图像中文本行对应的字符串，再从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，将该字符串对应的文本行在该图像中所在区域作为训练样板的样本图像，将匹配的数据标识作为训练样本的样本标签，生成训练样本。充分利用了数据库中已经存储的数据，自动的从中生成训练样本，避免了人工进行样本打标，降低了生成训练样本的成本，并且从海量业务数据中的图像确定样本图像，并非通过对少量图像进行“改造”得到的，使得训练样本的丰富程度相较于现有方法更加丰富，更加贴近实际场景，可提高通过训练样本训练得到的OCR模型的识别准确率。

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为本说明书实施例提供的生成训练样本的过程示意图；

图2为本说明书实施例提供的确定样本图像的示意图；

图3为本说明书实施例提供的非正面采集图像确定出的最小外接矩形的示意图；

图4为本说明书实施例提供的确定文字竖直方向的示意图；

图5为本说明书实施例提供的连线示意图；

图6为本说明书提供的外接四边形的示意图；

图7和图8为本说明书实施例提供的确定样本图像的过程示意图；

图9为本说明书实施例提供的生成训练样本的装置的结构示意图；

图10为本说明书实施例提供的控制器的示意结构图。

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。

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1为本说明书实施例提供的生成训练样本的过程，具体可包括以下步骤：

S100：从数据库中获取已存储的存在关联关系的各数据。

由于通常只有服务提供方存在训练模型的需求，因此通常只有服务提供方有生成训练样本的需求，于是在本说明书中，该生成训练样本的过程可由服务提供方的服务器执行，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，本说明书不做限制，可根据需要设置。

为了避免人工标注训练样本成本高、容易出错的问题，以及通过少量图像“制造”出大量训练样本，导致训练样本与真实场景采集的图像存在差异，光学字符识别(OpticalCharacter Recognition，OCR)模型识别准确率低的问题，在本说明书中，该服务器可从数据库已存储的数据中，获取存在关联关系的各数据，其中，数据至少包括：图像以及数据标识，以根据获取的数据生成训练样本。通过服务器执行该生产训练样本的过程，使得服务器可自动的根据数据库中存储的海量数据，生成包含样本标注和样本图像的训练样本。其中，样本标注为训练样本的正确识别结果，样本图像为输入待训练的OCR模型的图像，例如，某个训练样本的样本图像为包含文本行“第一大道”的图像，该训练样本的样本标注为：第一大道。

其中，与同一个对象存在对应的关系的数据之间，可认为存在关联关系。该对象可根据需要设置，例如，对象为用户时，用户的个人信息之间存在关联关系，对象为一个地理位置时，与该地理位置对应的各数据之间存在关联关系，对象为一个企业时，该企业对应的各种企业数据之间存在关联关系等。

为方便描述，本说明书以该服务提供方为配送平台为例进行说明，存在关联关系的数据为：对应同一个兴趣点(Point of Interest，POI)的各数据之间存在关联关系，该POI可以是与该配送平台合作的店铺的POI、物流公司的POI等。则该服务器可针对该配送平台的数据库中存储的每个POI，获取预先保存的该POI对应的业务数据，该业务数据至少包括：图像以及数据标识。对于该POI的类型，本说明书不做限定，例如当该配送平台为外卖平台时，该POI可以是外卖店铺的POI，则POI对应的业务数据中的数据标识可包括：店铺名称、店铺联系方式、店铺地址、店铺经营菜系、店铺营业时间、菜单等，POI对应的业务数据中的图像可包括：店铺环境图像、菜品图像等。业务数据中的图像既可以是店铺或配送平台上传的，也可是用户上传的，例如，用户点评店铺时上传的图像。

其次，服务器可确定该POI对应的业务数据中包含的图像以及该业务数据中包含的数据标识，并且由于都是同一个POI对应的业务数据，因此图像中包含的文本行和数据标识之间可能存在对应关系。于是，该服务器可基于获取的业务数据，通过后续步骤确定同一个POI对应的业务数据中具体哪个图像包含的文本行与哪个数据标识对应，并将确定出的对应关系中的图像作为训练图像，对应关系中的数据标识作为样本标注，生成训练样本。

例如，假设某POI对应业务数据包含图像进行识别后，确定该图像包含文本行“第一太道”，而该POI对应业务数据包含的数据标识中存在“第一大道”，则服务器根据“第一太道”与“第一大道”相似度，确定该“第一太道”的正确识别结果应为“第一大道”，则可将图像中包含该文本行的区域作为样本图像，将“第一大道”作为样本标签，生成训练样本。

可见，对于同一POI对应的业务数据中的图像以及数据标识，该图像中文本行与数据标识之间可能存在对应关系。该服务器执行的该生成训练样本的过程，就是确定这一对应关系的过程。并且，显然不能利用对应不同的POI对应的业务数据中，虽然也可能存在类似的对应关系，来确定这种图像与数据标识的对应关系。

例如，继续沿用上例并进一步假设，假设另一个POI对应的业务数据中包含的数据标识中存在：“第一太道”，那么将该图像作为样本图像，可能会生成样本标签错误的训练样本，这种训练样本不能起到训练OCR模型的作用。

S102：针对每个图像，确定该图像中至少一个文本行对应的字符串。

在本说明书中，服务器可从获取的各数据中，确定属于图像的数据，并针对每个图像，确定该图像中至少一个文本行对应的字符串。继续以该服务器获取的是POI对应的业务数据进行说明，首先，该服务器可针对每个POI，确定该POI对应的业务数据包含的图像，并根据该图像确定该图像中至少一个文本行对应的区域，其中该文本行对应的区域为通过训练得到的图像分割模型确定出的该图像中文本行所在区域。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。

具体地，该服务器可先将该图像输入预先训练好的FCN模型中，得到该FCN模型输出的该图像的分割结果，该图像的分割结果可如图2所示的对图像进行分割得到的文本行对应的多边形以及非文字行的区域，之后再通过确定各文本行对应的多边形的最小连通区域，确定图像各中文本行的最小外接矩形，作为图像中文本行所在区域。其中，通过FCN模型输出的文本行所在区域为规则的多边形，即图2中间图像浅色为文字行区域，深色为非文字行区域，浅色区域为多边形，对多边形继续进行处理可确定各文本行的最小外接矩形，即图2右侧图像中的灰色矩形框。需要说明的是，由于通过FCN模型对图像进行分割，并确定文本行的最小外接矩形已经是较为成熟的技术，本说明书对FCN模型的使用、FCN模型的训练过程以及确定最小外接矩形的过程不再进行赘述。

之后，服务器可再确定各文本行所在区域的文本行分别对应的字符串，具体可以采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(ConnectionistTemporal Classification，CTC)模型等。该服务器可以将文本行所在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。目前通过attention模型或者CTC模型对图像中包含的文本行进行识别，确定文本行对应的字符串已经是较为成熟的技术，本说明书对此不再赘述。

另外需要说明的是，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。而继续通过文本行识别模型，该服务器可分别确定每个文本行对应的字符串。

S104：从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，作为样本标签。

在本说明书中，由于步骤S102确定出的字符串，可用于表征图像中文本行的内容，但是出于识别模型的准确率考虑，该服务器可如在步骤S100中所述，确定从该POI对应的业务数据包含的数据标识中，确定与至少一个字符串相匹配的数据标识，作为样本标签，也就是基于已存储的与该图像关联的各数据标识，确定图像中文本行的正确的识别结果。

具体地，服务器可针对与该图像关联的每个数据标识以及步骤S102根据该图像确定出的每个字符串，确定各数据标识与各字符串之间的相似度，并确定相似度大于预设值的数据标识和字符串匹配，将确定与至少一个字符串相匹配的数据标识，作为样本标签。继续以该服务器获取的是POI对应的业务数据进行说明，该服务器可针对每个POI，从该POI对应的业务数据包含的各数据标识，确定与至少一个字符串相匹配的数据标识，作为样本标签。

另外，在本说明书中，该服务器可根据字符串包含的字符、字符串包含的字符数量、字符串中包含的各字符的置信度中的至少一种，确定各字符串与该数据标识的相似度。具体地，服务器可仅根据字符、字符数量等进行相似度计算，或者通过计算数据标识与字符串的编辑距离确定相似度，或者通过置信度模型确定字符串中每个字符的置信度，并确定字符串与数据标识的置信度相似度(如，根据预设的阈值进行置信度匹配)。当然，上述计算相似度的方法都是常见的文本之间相似度计算的方法，本说明书对此不作赘述。

进一步地，由于该图像中的字符串之间可能存在重复，因为一个数据标识只要至少与一个字符串配匹配时，就可将该数据标识作为样本标识，再通过后续步骤具体确定该样本标识与哪个样本图像匹配。

S106：在该图像中，确定与所述样本标签匹配的字符串对应的文本行所在区域，作为与样本标签对应的样本图像。

在本说明书中，服务器在确定出字符串与数据标识相匹配后，该数据标识可作为训练样本的样本标签，而该字符串对应的文本行在该图像中所在区域，则可作为训练样本的样本图像，且该样本图像是与该样本标签对应的。

具体地，针对从与该图像关联的各数据标识中确定出的每个样本标识，该服务器可在该图像中，确定与该样本标签匹配的字符串对应的文本行在该图像中所在区域。该服务器可将该区域剪裁下来，作为样本图像。

如图2该服务器可仅将原始图像中包含文本行所在区域，也就是图2中右侧图像中灰色粗线矩形所围成的区域，作为样本图像。

例如，假设存在字符串a与数据标识c匹配，且字符串a为图2中的文本行所在区域，则该服务器可确定该数据标识c与该图3确定出的样本图像对应。

S108：根据确定出的样本图像及其对应的样本标签，生成训练样本。

在本说明书中，服务器在确定出样本标签对应的样本图像的对应关系后，便可根据确定出的样本图像及其对应的样本标签，生成训练样本。而后续服务器可基于生成的训练样本，对OCR模型进行训练。

基于图1所示的生成训练样本的方法，将数据库中获取已存储的存在关联关系的各数据，作为训练样本的来源，针对每个图像中，确定该图像中文本行对应的字符串，再从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，将该字符串对应的文本行在该图像中所在区域作为训练样板的样本图像，将匹配的数据标识作为训练样本的样本标签，生成训练样本。充分利用了数据库中已经存储的数据，自动的从中生成训练样本，避免了人工进行样本打标，降低了生成训练样本的成本，并且从海量业务数据中的图像确定样本图像，并非通过对少量图像进行“改造”得到的，使得训练样本的丰富程度相较于现有方法更加丰富，更加贴近实际场景，可提高通过训练样本训练得到的OCR模型的识别准确率。

另外，在本说明书提供的一个或多个实施例中，如步骤S102中确定图像中文本行所在区域时，由于采集图像时，通常不是正对文本采集的，可能会存在一定角度，导致图像中的文本行呈现近大远小的透视效果，这就使得确定出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)，会影响最终图像识别结果，如图3所示。

图3为非正面采集图像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，则可能导致文本行对应的字符串识别准确率降低。

因此在本说明书中，该服务器在确定文本行所在区域时，可先确定所述图像中至少一个文本行对应的多边形区域，再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，然后再根据该多边形区域，确定该多边形区域对应的最小外接矩形，最后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，作为文本行所在区域。

具体地，该服务器可先将该图像输入预先训练好的FCN模型中，得到该FCN模型输出的该图像的分割结果，该图像的分割结果可如图3中间图像所示的对图像进行分割得到的包含文本行的多边形以及非文字行的区域。

而由于图像采集角度，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。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4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，浅色区域为图像包含中文本行的多边形，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。

在本说明书中，为了调整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。

最后，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，根据得到的外接四边形区域，确定与所述样本标签匹配的字符串对应的文本行在该图像中所在区域，作为文本行所在区域。

在该服务器确定外接四边形区域时，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。

服务器可再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5所示。

图5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5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。

服务器然后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5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。

服务器最后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文本行所在区域。

图6为基于图3所示的文本行最终确定出的外接四边形的示意图，其中灰色线段围成的区域为外接四边形。

在确定出外接四边形之后，由于OCR模型的输入，通常是矩形图像，因此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样本图像。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，从而得到样本图像。

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样本图像的过程示意图，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6中所示，最后将该外接四边形调整为矩形后，作为样本图像。通过图7中样本图像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，该服务器得到的样本图像为图7中的图像m。其中，确定该外接四边形减少了图6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样本图像的过程示意图，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及位置，以统一各字符的大小，确定出的样本图像则如图8中样本图像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，该服务器也将文本行对应的外接四边形直接作为样本图像。或者该服务器除了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，可使生成的训练样本中的样本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，统一各训练样本中样本图像的尺寸。

当然，进行拉伸处理、调整尺寸等过程都是现有技术中较为成熟的方法，本说明书不做限制，可根据需要设置，对此也不再赘述。

基于图1示的生成训练样本的方法，本说明书实施例还对应提供生成训练样本的装置的结构示意图，如图9所示。

图9为本说明书实施例提供的生成训练样本的装置的结构示意图，所述装置包括：

获取模块200，从数据库中获取已存储的存在关联关系的各数据，所述数据至少包括：图像以及数据标识；

第一确定模块202，针对每个图像，确定该图像中至少一个文本行对应的字符串；

匹配模块204，从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，作为样本标签；

第二确定模块206，在该图像中，确定与所述样本标签匹配的字符串对应的文本行所在区域，作为与样本标签对应的样本图像；

生成模块208，根据确定出的样本图像及其对应的样本标签，生成训练样本。

可选地，所述获取模块200针对配送平台的数据库中存储的每个兴趣点POI，获取预先保存的该POI对应的业务数据，确定所述业务数据中包含的图像以及所述业务数据中包含的数据标识，所述数据标识包括：供应方名称、供应方联系方式、供应方地址中的至少一种。

可选地，所述第一确定模块202确定该图像中至少一个文本行所在区域，确定各文本行所在区域的文本行分别对应的字符串。

可选地，所述匹配模块204针对与该图像关联的每个数据标识，确定该数据标识分别与该图像中各文本行对应的字符串的相似度，确定与该数据标识匹配的字符串。

可选地，所述匹配模块204根据字符串包含的字符、字符串包含的字符数量、字符串中包含的各字符的置信度中的至少一种，确定各字符串与该数据标识的相似度。

可选地，所述第二确定模块206针对与所述样本标签匹配的字符串对应的文本行，确定所述文本行在该图像中对应的多边形区域，以及所述多边形区域对应的最小外接矩形，确定所述多边形区域的文字竖直方向，根据确定出的文字竖直方向以及所述多边形区域，调整所述最小外接矩形，得到所述文本行在所述图像中对应的外接四边形区域，根据得到的外接四边形区域，确定与所述样本标签匹配的字符串对应的文本行在该图像中所在区域。

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生成训练样本的方法中的任一个。

基于图1所示的数据处理方法，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，以实现任一个上述生成训练样本的方法。

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 (10)

1.一种生成训练样本的方法，其特征在于，包括：

从数据库中获取已存储的存在关联关系的各数据，所述数据至少包括：图像以及数据标识；

针对每个图像，确定该图像中至少一个文本行对应的字符串；

从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，作为样本标签；

在该图像中，确定与所述样本标签匹配的字符串对应的文本行所在区域，作为与样本标签对应的样本图像；

根据确定出的样本图像及其对应的样本标签，生成训练样本。

2.如权利要求1所述的方法，其特征在于，从数据库中获取已存储的存在关联关系的各数据，具体包括：

针对配送平台的数据库中存储的每个兴趣点POI，获取预先保存的该POI对应的业务数据；

确定所述业务数据中包含的图像以及所述业务数据中包含的数据标识，所述数据标识包括：供应方名称、供应方联系方式、供应方地址中的至少一种。

3.如权利要求1所述的方法，其特征在于，确定该图像中至少一个文本行对应的字符串，具体包括：

确定该图像中至少一个文本行所在区域；

确定各文本行所在区域的文本行分别对应的字符串。

4.如权利要求1所述的方法，其特征在于，从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，具体包括：

针对与该图像关联的每个数据标识，确定该数据标识分别与该图像中各文本行对应的字符串的相似度，确定与该数据标识匹配的字符串。

5.如权利要求4所述的方法，其特征在于，确定该数据标识分别与该图像中各文本行对应的字符串的相似度，具体包括：

根据字符串包含的字符、字符串包含的字符数量、字符串中包含的各字符的置信度中的至少一种，确定各字符串与该数据标识的相似度。

6.如权利要求1所述的方法，其特征在于，确定与所述样本标签匹配的字符串对应的文本行所在区域，具体包括：

针对与所述样本标签匹配的字符串对应的文本行，确定所述文本行在该图像中对应的多边形区域，以及所述多边形区域对应的最小外接矩形；

确定所述多边形区域的文字竖直方向；

根据确定出的文字竖直方向以及所述多边形区域，调整所述最小外接矩形，得到所述文本行在所述图像中对应的外接四边形区域；

根据得到的外接四边形区域，确定与所述样本标签匹配的字符串对应的文本行在该图像中所在区域。

7.一种生成训练样本的装置，其特征在于，包括：

获取模块，从数据库中获取已存储的存在关联关系的各数据，所述数据至少包括：图像以及数据标识；

第一确定模块，针对每个图像，确定该图像中至少一个文本行对应的字符串；

匹配模块，从与该图像关联的各数据标识中，确定与至少一个字符串相匹配的数据标识，作为样本标签；

第二确定模块，在该图像中，确定与所述样本标签匹配的字符串对应的文本行所在区域，作为与样本标签对应的样本图像；

生成模块，根据确定出的样本图像及其对应的样本标签，生成训练样本。

8.如权利要求7所述的装置，其特征在于，所述第二确定模块针对与所述样本标签匹配的字符串对应的文本行，确定所述文本行在该图像中对应的多边形区域，以及所述多边形区域对应的最小外接矩形，确定所述多边形区域的文字竖直方向，根据确定出的文字竖直方向以及所述多边形区域，调整所述最小外接矩形，得到所述文本行在所述图像中对应的外接四边形区域，根据得到的外接四边形区域，确定与所述样本标签匹配的字符串对应的文本行在该图像中所在区域。

9.一种电子设备，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1～6任一所述的方法。

10.一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1～6任一所述的方法。

Images