CN111507355A

CN111507355A - 一种字符识别方法、装置、设备和存储介质

Info

Publication number: CN111507355A
Application number: CN202010307924.1A
Authority: CN
Inventors: 李轩; 章成全; 刘珊珊; 许海伦
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2020-04-17
Filing date: 2020-04-17
Publication date: 2020-08-07
Anticipated expiration: 2040-04-17
Also published as: CN111507355B

Abstract

本申请公开了一种字符识别方法、装置、设备和存储介质，涉及字符识别技术领域。具体实现方案为：获取待识别对象中目标字符位置的第一视觉特征；依据所述第一视觉特征生成所述目标字符位置的语义特征；基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符。本申请可以提高字符识别的效果。

Description

一种字符识别方法、装置、设备和存储介质

技术领域

本申请涉及计算机技术领域中的字符识别技术领域，尤其涉及一种字符识别方法、装置、设备和存储介质。

背景技术

字符识别作为光学字符识别(Optical Character Recognition，OCR)技术中很重要的一部分。然而，目前字符识别技术仅考虑视觉特征的影响，也就是说，目前字符识别技术仅依据识别对象的视觉特征识别字符，这样导致字符识别的效果比较差。

发明内容

本申请提供一种字符识别方法、装置、设备和存储介质，以解决字符识别的效果比较差的问题。

根据第一方面，提供了一种字符识别方法，包括：

获取待识别对象中目标字符位置的第一视觉特征；

依据所述第一视觉特征生成所述目标字符位置的语义特征；

基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符。

根据第二方面，提供了一种字符识别装置，包括：

获取模块，用于获取待识别对象中目标字符位置的第一视觉特征；

生成模块，用于依据所述第一视觉特征生成所述目标字符位置的语义特征；

识别模块，用于基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符。

根据第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请提供的字符识别方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行本申请提供的字符识别方法。

根据本申请的技术方案提高了字符识别的效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请提供的本申请提供的一种字符识别方法的流程图；

图2是本申请提供的本申请提供的另一种字符识别方法的流程图；

图3是本申请提供的一种全局语义信息推理模块的示意图；

图4是本申请提供的一种字符识别模型的示意图；

图5是本申请提供的本申请提供一种字符识别装置的结构图；

图6是本申请提供的本申请提供另一种字符识别装置的结构图；

图7是用来实现本申请实施例的主题概念挖掘方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

请参见图1，图1是本申请提供的一种字符识别方法的流程图，如图1所示，包括以下步骤：

步骤S101、获取待识别对象中目标字符位置的第一视觉特征。

上述待识别对象可以是图片，或者PDF文档等。

上述目标字符位置可以是上述待识别对象中的任一字符位置，也就是说，步骤S101可以获取到每个字符位置的第一视觉特征，且可以并行获取。

上述第一视觉特征可以是用于表示上述目标字符位置的视觉上的特征，该视觉特征可以通过视觉识别技术识别，或者通过预先训练的网络模块来识别各字符位置的第一视觉特征。

步骤S102、依据所述第一视觉特征生成所述目标字符位置的语义特征。

上述依据所述第一视觉特征生成所述目标字符位置的语义特征可以是，依据所述第一视觉特征生成所述目标字符位置的全局或者局部语义特征。

其中，依据所述第一视觉特征生成所述目标字符位置的语义特征可以是，通过预先训练好的语义信息推理模块，以生成所述目标字符位置的语义特征。其中，该语义信息推理模块的输入为第一视觉特征，输出为语义特征。当然，本申请中，并不限定通过语义信息推理模块语义信息推理模块，也可以通过视觉特征与语义信息的对应关系或者相关的计算公式，以生成语义信息等，对此不作限定。

步骤S103、基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符。

上述基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符可以是，获取所述第一视觉特征和所述语义特征共同表示的字符作为目标字符位置的字符，或者可以是，将所述第一视觉特征和所述语义特征中的一个作为条件判断另一个表示的字符是否可以作为目标字符位置的字符，或者将所述第一视觉特征和所述语义特征中的一个作为调整依据，调整另一个表示的字符，并调整后的字符作为目标字符位置的字符等。

上述字符包括但不限于汉字、字母、标点符号等。

本申请中，上述方法可以应用于电子设备，如服务器、计算机、手机、平板电脑等电子设备。

本申请中，获取待识别对象中目标字符位置的第一视觉特征；依据所述第一视觉特征生成所述目标字符位置的语义特征；基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符。由于基于所述第一视觉特征和所述语义特征识别所述目标字符位置的字符，这样可以提高识别字符的效果，且识别出的字符的准确性更高。

请参见图2，图2是本申请提供的另一种字符识别方法的流程图，如图3所示，包括以下步骤：

步骤S201、获取待识别对象中目标字符位置的第一视觉特征。

可选的，在步骤S201之前，可以将上述待识别对象进行尺度归一化操作，归一化到和训练对象相同的尺度输入。

这样可以更好地通过网络模块获取各字符位置的第一视觉特征。

作为一种可选的实施方式，所述获取待识别对象中目标字符位置的视觉特征，包括：

获取所述待识别对象的第二视觉特征；

依据所述第二视觉特征和所述目标字符位置的顺序信息，生成所述目标字符位置的归一化注意图；

基于所述归一化注意图与所述第二视觉特征，确定所述目标字符位置的第一视觉特征。

其中，上述第二视觉特征可以是上述待识别对象的视觉特征，该视觉特征可以概括到各字符位置。且第二视觉特征可以通过预先训练好的网络模块(可以称作主体网络模块)获取到待识别对象的第二视觉特征。例如：通过网络前向传播，获得待识别对象的视觉特征V。进一步的，上述第二视觉特征可以是一个三维特征向量，该三维特征向量可以包括各字符位置的二维特征向量。

上述依据所述第二视觉特征和所述目标字符位置顺序信息，生成所述目标字符位置的归一化注意图可以是，通过注意力模块，生成每个字符位置所对应的归一化注意力图。例如：预先训练的transfomer模块来获取归一化注意力图。

其中，以目标字符位置的归一化注意力图为例，该归一化注意力图中会突显出该目标字符位置的视觉信息，以及还包括目标字符位置相邻位置的视觉信息，但目标字符位置的在归一化注意力图中的视觉信息值与其他位置的视觉信息值不同。这样通过归一化注意力图可以表征目标字符位置，以及表征其相邻位置的视觉信息。

另外，不同字符位置的归一化注意力图可以并行获取，以提高工作效率。

上述基于所述归一化注意图与所述第二视觉特征，确定所述目标字符位置的第一视觉特征可以是，将归一化注意力图和第一视觉特征相乘并求和，以获得目标字符位置的第一视觉特征，可以命名为对齐的视觉特征G。需要说明的是，上述将归一化注意力图和第一视觉特征相乘并求和可以是将将归一化注意力图的向量和第一视觉特征的向量相乘并求和。

当然，本申请中并不限定通过将归一化注意力图和第一视觉特征相乘并求和，以获得目标字符位置的第一视觉特征获得归一化注意图的方式，例如：还可以是通过预先训练好的视觉特征生成模块基于所述归一化注意图与所述第二视觉特征，确定所述目标字符位置的第一视觉特征。

该实施方式中，由于基于所述归一化注意图与所述第二视觉特征，确定所述目标字符位置的第一视觉特征，这样可以提高第一视觉特征的准确率。

需要说明的是，该实施方式中，仅是一种可选的实施方式，例如：步骤S201可以通过视觉识别技术识别字符位置的第一视觉特征。

步骤S202、依据所述第一视觉特征生成所述目标字符位置的语义特征。

作为一种可选的实施方式，上述依据所述第一视觉特征生成所述目标字符位置的语义特征，包括：

获取所述第一视觉特征的语义向量，并基于所述第一视觉特征的语义向量和所述目标字符位置的相邻字符位置的语义向量，获取所述目标字符位置的语义特征。

上述获取所述第一视觉特征的语义向量可以是，将上述第一视觉特征转换为语义向量，例如：通过视觉特征向语义向量转换器获取第一视觉特征的语义向量，如第一视觉特征会依次经过语义向量转换器中argmax操作和embedding layer(即Embed)，以得到相应的语义向量，其中，上述语义向量转换器可以是预先训练得到的。

上述基于所述第一视觉特征的语义向量和所述目标字符位置的相邻字符位置的语义向量，获取所述目标字符位置的语义特征可以是，通过全局语义推理模块获取所述目标字符位置的全局语义特征。其中，全局语义推理模块由多层transformer模块叠加而成，这样由于transfomer模块可以直接建立任意两个位置的特征之间的联系，这样可以获得全局的语义信息用于推理，即推理得到上述全局语义特征，可以称作对齐的语义特征S。

进一步的，上述语义向量转换器和全局语义推理模块在训练阶段可以通过各自的对应的损失函数进行训练，例如：如图3所示，301表示argmax操作、302表示embeddinglayer，303表示transfomer模块。其中，语义向量转换器中的损失函数为在输入的第一视觉特征与相应的输出字符之间建立的损失函数，用于加强特征的区分性；而全局语义推理模块中的损失函数可以用来监督语义信息的推理。这样通过各自的损失函数可以使得各模块输出的结果更加准确。

上述相邻字符位置的语义向量可以是通过获取所述第一视觉特征的语义向量的获取方式获得。

进一步的，语义向量转换器和全局语义推理模块可以构成全局语义信息推理模块，即通过全局语义信息推理模块获取所述第一视觉特征的语义向量，并基于所述第一视觉特征的语义向量和所述目标字符位置的相邻字符位置的语义向量，获取所述目标字符位置的语义特征。该全局语义信息推理模块可以是预先训练得到的。

需要说明的是，上述获取所述目标字符位置的语义特征中各操作可以并行执行。另外，获取语义特征并不限定通过语义向量转换器和全局语义推理模块获取，例如：可以通过视觉特征和语义向量映射关系或者转换关系确定语义向量，而基于所述第一视觉特征的语义向量和所述目标字符位置的相邻字符位置的语义向量，获取所述目标字符位置的语义特征可以是，基于语义识别技术将所述第一视觉特征的语义向量和所述目标字符位置的相邻字符位置的语义向量进行融合，以得到目标字符位置的语义特征。

通过上述实施方式，可以获取到字符位置的全局语义特征，从而可以使得最终识别的字符更加准确。

步骤S203、将所述第一视觉特征和所述语义特征进行融合，以得到所述目标字符位置的字符。

其中，上述将所述第一视觉特征和所述语义特征进行融合，以得到所述目标字符位置的字符可以是，通过预先训练的特征融合模块将所述第一视觉特征和所述语义特征进行融合，以得到所述目标字符位置的字符。进一步，在训练过程上，可以通过标注的监督为特征融合模块建立相应的分类损失函数，以提高特征整合模块的整合准确性。

本实施例中，由于将所述第一视觉特征和所述语义特征进行融合，以得到所述目标字符位置的字符，这样可以使得最终识别的字符的准确率更高。

需要说明的是，本申请仅是以目标字符位置进行说明，而待识别对象中的每个字符位置均可以参考目标字符位置的识别方式，对此不作赘述。

另外，本申请具体可以通过一个统计的网络模型来实现字符的识别，例如：以待识别对象为图片为例，如图4所示，该网络模型可以包括：主体网络、并行视觉特征生成模块、全局语义信息推理模块和特征融合模块，以及还包括损失函数。其中，主体网络获取输入图片的视觉特征V，并行视觉特征生成模块获取对齐的视觉特征G，全局语义信息推理模块获取对齐的语义特征S，特征融合模块对视觉特征G和语义特征S进行整合，得到输出的最终特征。而损失函数主要用于在训练过程中对模型进行学习，例如：可以通过梯度反传机制来更新识别网络模型的参数，以达到模型学习的目的。

另外，由于本申请的并行视觉特征生成模块和全局语义信息推理模块由于可以使用transformer，这样可以在预测过程中实现并行化，速度更快，效率更高。

本实施例中，在图1所示的实施例的基础上增加了多种可选的实施方式，且均可以提高字符识别的效果。

请参见5，图5是本申请提供一种字符识别装置的结构图，如图7所示，字符识别装置500包括：

获取模块501，用于获取待识别对象中目标字符位置的第一视觉特征；

生成模块502，用于依据所述第一视觉特征生成所述目标字符位置的语义特征；

识别模块503，用于基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符。

可选的，所述生成模块502用于获取所述第一视觉特征的语义向量，并基于所述第一视觉特征的语义向量和所述目标字符位置的相邻字符位置的语义向量，获取所述目标字符位置的语义特征。

可选的，如图6所示，所述获取模块501包括：

获取单元5011，用于获取所述待识别对象的第二视觉特征；

生成单元5012，用于依据所述第二视觉特征和所述目标字符位置的顺序信息，生成所述目标字符位置的归一化注意图；

确定单元5013，用于基于所述归一化注意图与所述第二视觉特征，确定所述目标字符位置的第一视觉特征。

可选的，所述识别模块503用于将所述第一视觉特征和所述语义特征进行融合，以得到所述目标字符位置的字符。

本实施例提供的装置能够实现本申请的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的字符识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的字符识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的字符识别方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的字符识别方法对应的程序指令/模块(例如，附图5所示的获取模块501、生成模块502和识别模块503)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的字符识别方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据字符识别方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至字符识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

字符识别方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与字符识别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，由于基于所述第一视觉特征和所述语义特征识别所述目标字符位置的字符，这样可以提高识别字符的效果，且识别出的字符的准确性更高。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims

1.一种字符识别方法，其特征在于，包括：

获取待识别对象中目标字符位置的第一视觉特征；

依据所述第一视觉特征生成所述目标字符位置的语义特征；

2.如权利要求1所述的方法，其特征在于，所述依据所述第一视觉特征生成所述目标字符位置的语义特征，包括：

3.如权利要求1所述的方法，其特征在于，所述获取待识别对象中目标字符位置的视觉特征，包括：

获取所述待识别对象的第二视觉特征；

4.如权利要求1所述的方法，其特征在于，所述基于所述第一视觉特征和所述语义特征，识别所述目标字符位置的字符，包括：

将所述第一视觉特征和所述语义特征进行融合，以得到所述目标字符位置的字符。

5.一种字符识别装置，其特征在于，包括：

6.如权利要求5所述的装置，其特征在于，所述生成模块用于获取所述第一视觉特征的语义向量，并基于所述第一视觉特征的语义向量和所述目标字符位置的相邻字符位置的语义向量，获取所述目标字符位置的语义特征。

7.如权利要求5所述的装置，其特征在于，所述获取模块包括：

获取单元，用于获取所述待识别对象的第二视觉特征；

生成单元，用于依据所述第二视觉特征和所述目标字符位置的顺序信息，生成所述目标字符位置的归一化注意图；

确定单元，用于基于所述归一化注意图与所述第二视觉特征，确定所述目标字符位置的第一视觉特征。

8.如权利要求5所述的装置，其特征在于，所述识别模块用于将所述第一视觉特征和所述语义特征进行融合，以得到所述目标字符位置的字符。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。