CN111753822B - 文本识别方法及装置、电子设备和存储介质 - Google Patents
文本识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111753822B CN111753822B CN201910251661.4A CN201910251661A CN111753822B CN 111753822 B CN111753822 B CN 111753822B CN 201910251661 A CN201910251661 A CN 201910251661A CN 111753822 B CN111753822 B CN 111753822B
- Authority
- CN
- China
- Prior art keywords
- vector
- semantic vector
- neural network
- target semantic
- prior information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 396
- 238000012545 processing Methods 0.000 claims abstract description 91
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 87
- 238000000605 extraction Methods 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims description 49
- 239000003999 initiator Substances 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 239000007858 starting material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- -1 and further Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种文本识别方法及装置、电子设备和存储介质。该方法包括:对待检测图像进行特征提取处理,获得多个语义向量,其中,所述多个语义向量与所述待检测图像中的文本序列的多个字符对应;通过卷积神经网络对多个语义向量依次进行识别处理,得到文本序列的识别结果。根据本公开的实施例的文本识别方法,可在待检测图像中提取语义向量,并通过卷积神经网络依次处理语义向量,确定文本序列的识别结果,可提高文本识别的精确度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种文本识别方法及装置、电子设备和存储介质。
背景技术
图像中的文本识别是图像识别和文本识别技术中的重要问题。精确的文本识别能够用于多个领域,例如图片理解,自动翻译,盲人引导,机器人导航等。在相关技术中,图像中的文本识别具有多种问题,图像中复杂多样背景、低分辨率、不同的字体、不同的光照条件、不同大小尺度、不同倾斜方向、模糊等因素,都使得图像中的文本识别更加复杂和困难。
发明内容
本公开提出了一种文本识别方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种文本识别方法,包括:
对待检测图像进行特征提取处理,获得多个语义向量,其中,所述多个语义向量与所述待检测图像中的文本序列的多个字符对应;
通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果。
根据本公开的实施例的文本识别方法,可在待检测图像中提取语义向量,并通过卷积神经网络依次处理语义向量,确定文本序列的识别结果,可提高文本识别的精确度。
在一些实施例中,所述通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果,包括:
通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,其中,所述多个语义向量包括所述目标语义向量;
根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果。
通过这种方式,可使用根据先验信息获得的权值参数对目标语义向量进行加权,可在对目标语义向量的识别过程中参考先验信息,提高对目标语义向量的识别精度。
在一些实施例中,所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果和/或起始符。
在一些实施例中,所述通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,包括:
通过所述卷积神经网络中的至少一个第一卷积层对所述目标语义向量进行编码处理,获得所述目标语义向量的第一向量;
通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量;
基于所述第一向量和所述第二向量,确定所述权值参数。
通过这种方式,可通过卷积神经网络获取与先验信息对应的第二向量,进一步地,可获取权值参数,使权值参数中包含先验信息,为识别目标语义向量提供依据。
在一些实施例中,通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量,包括:
响应于所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果,对所述前一语义向量对应的文本识别结果进行词嵌入处理,获得与先验信息对应的特征向量;
对所述特征向量进行编码处理,得到所述第二向量。
通过这种方式,可使用卷积神经网络根据前一字符的识别结果,对当前目标语义向量对应的字符进行预测,避免了不可控的长依赖问题,提高了识别的准确率。
在一些实施例中,通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量,包括:
对所述先验信息中的起始符对应的初始向量进行编码处理,得到所述第二向量。
在一些实施例中,所述根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果,包括:
基于所述权值参数和所述目标语义向量,获得与所述目标语义向量对应的注意力分布向量;
通过所述卷积神经网络中的至少一个反卷积层对根据所述注意力分布向量进行解码处理,确定与所述目标语义向量对应的文本识别结果。
在一些实施例中,所述对待检测图像进行特征提取处理,获得多个语义向量,包括:
对所述待检测图像进行特征提取,获得特征信息;
对所述特征信息进行下采样处理,得到所述多个语义向量。
根据本公开的另一方面,提供了一种文本识别装置,包括:
提取模块,用于对待检测图像进行特征提取处理,获得多个语义向量,其中,所述多个语义向量与所述待检测图像中的文本序列的多个字符对应;
识别模块,用于通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果。
在一些实施例中,所述识别模块被进一步配置为:
通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,其中,所述多个语义向量包括所述目标语义向量;
根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果。
在一些实施例中,所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果和/或起始符。
在一些实施例中,所述识别模块被进一步配置为:
通过所述卷积神经网络中的至少一个第一卷积层对所述目标语义向量进行编码处理,获得所述目标语义向量的第一向量;
通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量;
基于所述第一向量和所述第二向量,确定所述权值参数。
在一些实施例中,所述识别模块被进一步配置为:
响应于所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果,对所述前一语义向量对应的文本识别结果进行词嵌入处理,获得与先验信息对应的特征向量;
对所述特征向量进行编码处理,得到所述第二向量。
在一些实施例中,所述识别模块被进一步配置为:
对所述先验信息中的起始符对应的初始向量进行编码处理,得到所述第二向量。
在一些实施例中,所述识别模块被进一步配置为:
基于所述权值参数和所述目标语义向量,获得与所述目标语义向量对应的注意力分布向量;
通过所述卷积神经网络中的至少一个反卷积层对所述注意力分布向量进行解码处理,确定与所述目标语义向量对应的文本识别结果。
在一些实施例中,所述提取模块被进一步配置为:
对所述待检测图像进行特征提取,获得特征信息;
对所述特征信息进行下采样处理,得到所述多个语义向量。
根据本公开的另一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:调用所述存储器中存储的指令,以执行上述图像处理方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的文本识别方法的流程图;
图2示出根据本公开实施例的文本识别方法的应用示意图;
图3示出根据本公开实施例的文本识别装置的框图;
图4示出根据本公开实施例的电子装置的框图;
图5示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的文本识别方法的流程图,如图1所示,所述方法包括:
在步骤S11中,对待检测图像进行特征提取处理,获得多个语义向量,其中,所述多个语义向量与所述待检测图像中的文本序列的多个字符对应;
在步骤S12中,通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果。
根据本公开的实施例的文本识别方法,可在待检测图像中提取语义向量,并通过卷积神经网络依次处理语义向量,确定文本序列的识别结果,可提高文本识别的精确度。
在一些实施例中,所述文本识别方法可以由终端设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可由终端设备获取待检测图像,并将待检测图像发送至服务器,从而通过服务器执行所述方法。
在一些实施例中,步骤S11可包括:对所述待检测图像进行特征提取,获得特征信息;对所述特征信息进行下采样处理,得到所述多个语义向量。
在一些实施例中,可对待检测图像进行特征提取处理,以获得待检测图像的特征信息,所述特征信息可以是特征图或特征向量等特征信息,本公开对特征信息的类型不作限制。
在一些实施例中,可对特征信息进行下采样处理,以获得待检测图像的多个语义向量。在示例中,待检测图像中可具有文本序列,例如,由多个文本组成的文本序列,所述文本序列的各文本之间可具有一定的语义连接关系,即,所述文本序列可具有某种语义。
在一些实施例中,可使用特征提取网络来提取待检测图像中的多个语义向量。特征提取网络可以是卷积神经网络等神经网络,本公开对特征提取网络的类型不做限制。对待检测图像进行特征提取处理,获得多个语义向量,包括:将所述待检测图像输入特征提取网络,获得所述多个语义向量。
在示例中,可将待检测图像输入特征提取网络进行处理,特征提取网络可通过编码处理等处理方法获取待检测图像的特征矩阵,如特征矩阵的维度为M×P,在示例中,特征提取网络可通过编码处理获得待检测图像的一个或多个特征矩阵,例如,可获得一个或多个宽度为32且长度按照待检测图像的长宽比进行缩放的特征矩阵,例如,待检测图像为分辨率为1024×768的图像,则经过编码处理,可获得一个或多个43×32的特征图。
在示例中,特征提取网络可对特征矩阵进行下采样处理,可获得一个或多个特征向量,例如,对的维度为M×P的特征矩阵进行下采样处理,获得P个维度为M×1的特征向量,例如,可获得一个或多个43×1的特征向量。
通过这种方式,可通过特征提取处理降低文本识别的复杂度,提高文本识别的效率。
在一些实施例中,可在使用特征提取网络对待检测进行特征提取处理前,对所述特征提取网络进行训练。
在一些实施例中,可拍摄多种背景、多种分辨率、多种字体、多种光照条件、多种大小尺度、多种倾斜方向和多重模糊程度的多个图像,作为第一样本图像,并使用多个第一样本图像对特征提取网络进行训练。
在一些实施例中,可根据概率字典,对多个第一样本图像中的文本进行标注,获得每个第一样本图像的语义向量,其中,所述概率字典可以是用户定义的关于文本的概率分布,例如,可使用包括多个元素的向量表示概率字典中的各文本的概率分布信息,并根据各文本的概率分布信息确定概率字典中的文本,或者,可根据文本确定所述文本的在概率字典中的概率分布信息,从而确定与所述文本对应的语义向量,本公开对概率字典与文本的关系不做限制。在示例中,可确定第一样本图像中的文本在所述概率字典中的概率分布信息,从而确定第一样本图像中的文本对应的语义向量,并根据所述语义向量对第一样本图像进行标注,获得标注信息,即,所述标注信息为第一样本图像中的真实的语义向量。
在一些实施例中,可将任意一个第一样本图像输入所述特征提取网络中进行处理,获得与第一样本图像对应的样本语义向量,所述样本语义向量为特征提取网络针对该第一样本图像的输出结果,该输出结果可能存在误差。
在一些实施例中,可根据标注信息和输出结果来确定特征提取网络的网络损失。在示例中,可将第一样本图像中的真实的语义向量(即,标注信息)和样本语义向量(即,输出结果)进行对比,将对比获得的差异确定为特征提取网络的损失函数,又例如,可根据标注信息和输出结果确定特征提取网络的交叉熵损失函数,本公开对确定损失函数的方式不做限制。在示例中,可使用正则化的损失函数作为特征提取网络的网络损失,可避免在迭代训练过程中,特征提取网络的网络参数出现过拟合的情况。
在一些实施例中,可根据网络损失来调整特征提取网络的网络参数,在示例中,可按照使模型损失最小化的方向来调整网络参数,使调整后的特征提取网络具有较高的拟合优度,同时避免过拟合。在示例中,可使用梯度下降法进行网络损失的反向传播,以调整特征提取网络的网络参数,例如,对于各神经元之间进行树型连接的特征提取网络,可使用随机梯度下降法等方法调整网络参数,以降低调整网络参数的过程的复杂程度,提高调整网络参数的效率,并可避免调整的网络参数出现过拟合的情况。
在一些实施例中,可对特征提取网络进行迭代调整,并将满足训练条件的特征提取网络用于获取语义向量的处理中。训练条件可包括调整次数、网络损失的大小或网络损失敛散性等条件。可对特征提取网络输入预定数量的第一样本图像,即,将特征提取网络的网络参数调整预定次数,当调整次数达到所述预定次数时,即为满足训练条件。或者,可不限制调整的次数,而在网络损失降低到一定程度或收敛于一定阈值内时,停止调整,获得调整后的特征提取网络。并可将调整后的特征提取网络用于获取待检测图像的语义向量的处理中。通过标注信息和输出结果的误差来训练特征提取网络,可降低损失函数的复杂程度,提高训练速度。
在一些实施例中,在步骤S12中,可通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果。所述卷积神经网络可使用GPU进行加速,提高卷积神经网络的处理效率。
在一些实施例中,步骤S12可包括:通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,其中,所述多个语义向量包括所述目标语义向量;根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果。所述目标语义向量为任一语义向量。
在一些实施例中,所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果和/或起始符。如果目标语义向量是多个语义向量中的第一个,则所述先验信息可以是起始符,如果目标语义向量不是多个语义向量中的第一个,则所述先验信息可以是目标语义向量的前一语义向量。
在一些实施例中,所述通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,包括:通过所述卷积神经网络中的至少一个第一卷积层对所述目标语义向量进行编码处理,获得所述目标语义向量的第一向量;通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量;基于所述第一向量和所述第二向量,确定所述权值参数。
在一些实施例中,可通过卷积神经网络中的至少一个第一卷积层对目标语义向量进行编码处理,获得第一向量,所述第一向量可具有目标语义向量的语义信息,且第一向量具有目标语义向量所对应的字符的语义连接关系。
在一些实施例中,如果目标语义向量是多个语义向量中的第一个,即,目标语义向量为与文本序列中的第一个字符对应的语义向量,通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量,包括:对所述先验信息中的起始符对应的初始向量进行编码处理,得到所述第二向量。在示例中,与起始符对应的初始向量可以是元素全为1的向量,或者元素为预设值的向量,本公开对与起始符对应的初始向量的元素不做限制。在示例中,文本序列中的字符为A、B、C和D,可对起始符S对应的初始向量编码处理,得到第二向量。
在一些实施例中,如果目标语义向量不是多个语义向量中的第一个,通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量,包括:响应于所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果,对所述前一语义向量对应的文本识别结果进行词嵌入处理,获得与先验信息对应的特征向量;对所述特征向量进行编码处理,得到所述第二向量。例如,文本序列中的字符为A、B、C和D,目标语义向量为B、C或D对应的语义向量,可对目标语义向量的前一语义向量的文本识别结果进行词嵌入处理,获得特征向量,并对特征向量进行编码处理,得到所述第二向量。
在一些实施例中,如果目标语义向量不是多个语义向量中的第一个语义向量,则可对目标语义向量的前一个语义向量对应的文本识别结果进行词嵌入处理,确定文本识别结果的特征向量。在示例中,可通过Word2Vec或Glove等算法来对前一语义向量对应的文本识别结果进行词嵌入处理以获得与先验信息对应的特征向量,本公开对词嵌入处理的方法不做限制。
在一些实施例中,在目标语义向量的前一个语义向量对应的文本识别结果的识别过程中,可识别出了待检测图像中的背景、拍摄角度、尺寸、光照条件和字体等信息,即,所述前一个语义向量对应的文本识别结果的是依据待检测图像中的背景、拍摄角度、尺寸、光照条件和字体等信息进行识别的,因此,与所述前一个语义向量对应的文本识别结果对应的特征向量可作为识别其后续字符的依据,此外与所述前一个语义向量对应的文本识别结果对应的特征向量具有所述前一个语义向量对应的文本识别结果的语义信息,且具有所述前一个语义向量对应的文本识别结果的语义连接关系。
在一些实施例中,可根据所述第一向量和所述第二向量,确定所述权值参数。所述权值参数可以是权值矩阵,例如,可将第一向量和第二向量进行向量乘法,获得所述权值矩阵。
在一些实施例中,所述根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果,包括:基于所述权值参数和所述目标语义向量,获得与所述目标语义向量对应的注意力分布向量;通过所述卷积神经网络中的至少一个反卷积层对所述注意力分布向量进行解码处理,确定与所述目标语义向量对应的文本识别结果。
在一些实施例中,可通过残差网络对权值参数和目标语义向量进行处理,获得所述注意力分布向量,或者使用权值参数(权值矩阵)和目标语义向量进行矩阵乘法,获得所述注意力分布向量,即,对目标语义向量进行加权处理,使得注意力分布向量具有待检测图像中的背景、拍摄角度、尺寸、光照条件和字体等信息以及第一文本的语义信息,本公开对获得注意力分布向量的方式不做限制。
在一些实施例中,可根据注意力分布向量确定关于概率字典的概率分布信息,例如,可通过所述卷积神经网络中的至少一个反卷积层对所述注意力分布向量进行解码处理,获得关于概率字典的概率分布信息,并根据概率分布信息确定概率字典中的文本,即,确定文本识别结果。该文本识别结果可用于识别下一个字符的处理过程,直到文本序列中的字符全部识别完成,在文本序列中的文本全部预测完成时,可在卷积神经网络中输入结束向量,所述结束向量的元素可以是预设的,或者,所述结束向量的元素全为1等,本公开对结束向量不做限制。在输入结束向量时,待检测图像中的文本序列的识别工作完成,并获得所述文本序列的识别结果。
在一些实施例中,所述前一个语义向量对应的文本识别结果的语义信息可被包含在与所述前一个语义向量对应的文本识别结果对应的特征向量的权值参数(权值矩阵)中,权值参数中的元素可具有待检测图像中的背景、拍摄角度、尺寸、光照条件和字体等信息,可用于在识别文本序列的后续文本时提供依据。因此,该权值参数包含的语义信息也可作为识别其后续字符的依据。例如,目标语义向量为第二个语义向量,则目标语义向量的前一个语义向量为第一个语义向量,其对应的字符为文本序列中的第一个字符,对第一个字符的识别结果可作为识别目标语义向量对应的字符的依据,并且,对目标语义向量的识别结果可作为识别第三个语义向量(即,目标语义向量的下一个语义向量)所对应的字符的依据。
在示例中,对文本序列中第一个字符进行识别时,待识别图像中不存在已识别字符,起始符作为先验信息,利用开始符识别第一个字符。举例来说,如文本序列中存在字符A、B、C和D时,在第一步,将起始符S作为已识别字符,利用起始符S对应的初始向量识别出字符A,得到文本序列的第一个字符的识别结果为A;在识别出A后,利用已识别字符A识别字符B,得到第二个字符的识别结果B,以此类推,直至识别出字符A、B、C和D,得到文本序列的识别结果。
通过这种方式,可使用卷积神经网络根据前一字符的识别结果,对当前目标语义向量对应的字符进行预测,避免了不可控的长依赖问题,提高了识别的准确率。
在一些实施例中,可在使用卷积神经网络确定文字识别结果之前,对所述卷积神经网络进行训练。
在一些实施例中,可拍摄多种背景、多种分辨率、多种字体、多种光照条件、多种大小尺度、多种倾斜方向和多重模糊程度的多个图像,作为第二样本图像,并使用多个第二样本图像对卷积神经网络进行训练。
在一些实施例中,可根据概率字典,对多个第二样本图像中的字符进行标注,获得每个第二样本图像中的字符的概率分布信息,并根据所述概率分布信息对第二样本图像进行标注,获得第二样本图像的每个字符的标注信息,即,所述标注信息为第二样本图像中多个字符的真实的概率分布信息。
在一些实施例中,可对任一第二样本图像进行特征提取处理,获得与第二样本图像中的多个字符对应的多个语义向量,并向卷积神经网络的第一卷积层输入第一个语义向量以及向第二卷积层起始符,获得第一个语义向量的权值参数。进一步地,可使用该权值矩阵对第一个语义向量进行加权(即,进行矩阵乘法),获得与第一个语义向量对应的样本注意力分布向量,所述样本注意力分布向量为卷积神经网络针对该第二样本图像的输出结果,该输出结果可能存在误差。
在一些实施例中,可通过卷积神经网络的反卷积层对样本注意力分布向量进行解码处理,获得卷积神经网络输出的概率分布信息,即,卷积神经网络的输出结果,进一步地,可根据标注信息(真实的概率分布信息)和输出结果(卷积神经网络输出的概率分布信息)来确定卷积神经网络的网络损失。在示例中,可将第二样本图像中的字符的标注信息和输出结果进行对比,将对比获得的差异确定为卷积神经网络的损失函数,又例如,可根据标注信息和输出结果确定卷积神经网络的交叉熵损失函数,本公开对确定损失函数的方式不做限制。在示例中,可使用正则化的损失函数作为卷积神经网络的网络损失,可避免在迭代训练过程中,卷积神经网络的网络参数出现过拟合的情况。
在一些实施例中,可根据网络损失来调整卷积神经网络的网络参数,在示例中,可按照使网络损失最小化的方向来调整网络参数,使调整后的卷积神经网络具有较高的拟合优度,同时避免过拟合。在示例中,可使用梯度下降法进行网络损失的反向传播,以调整卷积神经网络的网络参数,例如,对于各神经元之间进行树型连接的卷积神经网络,可使用随机梯度下降法等方法调整网络参数,以降低调整网络参数的过程的复杂程度,提高调整网络参数的效率,并可避免调整的网络参数出现过拟合的情况。
在一些实施例中,可根据卷积神经网络输出的概率分布信息以及概率字典,确定卷积神经网络识别出的字符,并将该字符进行词嵌入处理,获得与该字符对应的特征向量,进一步地,可将特征向量输入卷积神经网络的第二卷积层,并将第二样本图像中的第二个语义向量输入卷积神经网络的第一卷积层,获得第二个语义向量的权值参数,并使用该权值参数对第二个语义向量进行加权,获得与第二个语义向量对应的样本注意力分布向量,随后可通过反卷积层对该样本注意力分布向量进行解码,获得概率分布信息,并根据该概率分布信息与第二个字符的标注信息确定网络损失,并使用网络损失再次调整卷积神经网络的网络参数。在示例中,可通过这种方式进行迭代处理,例如,根据卷积神经网络识别的第二个字符的特征向量与第三个语义向量,获得第三个语义向量的权值参数,进而获得与第三个语义向量对应的样本概率注意力分布向量,解码处理后,可确定网络损失,并根据网络损失对卷积神经网络进行进一步地调整。还可根据第三个字符以及第四个语义向量调整卷积神经网络,根据第四个字符以及第五个语义向量调整卷积神经网络…直到该第二样本图像中的字符全部识别完成,卷积神经网络的网络参数被调节了多次。
在一些实施例中,当卷积神经网络满足训练条件时,可将卷积神经网络用于识别待检测图像中的文本序列的识别结果的处理中。训练条件可包括调整次数、网络损失的大小或网络损失敛散性等条件。可将卷积神经网络的网络参数调整预定次数,当调整次数达到所述预定次数时,即为满足训练条件。或者,可不限制调整的次数,而在网络损失降低到一定程度或收敛于一定阈值内时,停止调整,获得调整后的卷积神经网络。并可将调整后的卷积神经网络用于获取权值矩阵处理中。
根据本公开的实施例的文本识别方法,可在待检测图像中提取语义向量,降低文本识别的复杂度,提高文本识别的效率。并可使用卷积神经网络依赖前一字符的识别结果,对当前目标语义向量对应的字符进行预测,避免了不可控长依赖问题,提高了识别的准确率,并可使用GPU对卷积神经网络进行加速,提高卷积神经网络的处理效率。进一步地,可根据权值矩阵确定字符的观测条件,避免了精度较低的长依赖问题,提高字符识别的精确度。
图2示出根据本公开实施例的文本识别方法的应用示意图。参照图2,图2示出了卷积神经网络的结构。
在一些实施例中,可对待检测图像进行特征提取处理,获得多个语义向量,所述目标语义向量为多个语义向量中的任意一个。
在一些实施例中,如果目标语义向量为第一个语义向量(即,与待检测图像中的文本序列中的第一个字符对应的语义向量),则将目标语义向量输入所述卷积神经网络的第一卷积层进行编码处理,获得第一向量,并将起始符对应初始向量输入所述卷积神经网络第二卷积层进行编码处理,获得第二向量,进一步地,可将第一向量和第二向量进行向量乘法,获得第一个语义向量的权值参数,即权值矩阵。
在一些实施例中,可使用该权值矩阵对第一个语义向量进行加权处理,获得第一个字符的注意力分布向量,并可通过所述卷积神经网络中的至少一个反卷积层对所述注意力分布向量进行解码处理,获得关于概率字典的概率分布信息,进一步地,根据概率分布信息确定概率字典中的文本,即,确定文本识别结果,可获得第一个字符的识别结果。
在一些实施例中,可对第一个字符的识别结果进行词嵌入处理,获得第一个字符的特征向量,并将第一个字符的特征向量输入所述卷积神经网络第二卷积层进行编码处理,获得第一个字符的第二向量,并将第二个语义向量(即,与待检测图像中的字符序列中的第二个字符对应的语义向量)输入卷积神经网络的第一卷积层进行编码处理,获得第二个字符的第一向量,进一步地,可将第二个字符的第一向量和第一个字符的第二向量进行向量乘法,获得第二个语义向量的权值矩阵,可使用该权值矩阵对第二个语义向量进行加权处理,获得第二个字符的注意力分布向量,并可通过所述卷积神经网络中的至少一个反卷积层对第二个字符的注意力分布向量进行解码处理,获得关于概率字典的概率分布信息,进而可根据概率分布信息确定概率字典中的文本,即,可获得第二个字符的识别结果。进一步地,还可通过第二个字符的识别结果,确定第三个字符的识别结果,通过第三个字符的识别结果,确定第四个字符的识别结果,以此类推。
在示例中,对文本序列中第一个字符进行识别时,待识别图像中不存在已识别字符,起始符作为先验信息,利用开始符识别第一个字符。举例来说,如文本序列中存在字符A、B、C和D时,在第一步,将起始符S作为已识别字符,利用起始符S对应的初始向量识别出字符A,得到文本序列的第一个字符的识别结果为A;在识别出A后,利用已识别字符A识别字符B,得到第二个字符的识别结果B,以此类推,直至识别出字符A、B、C和D,得到文本序列的识别结果。
在一些实施例中,可通过上述方式对待处理图像中的各语义向量进行迭代处理,可获得待检测图像中的每个字符的识别结果,直到文本序列中的字符全部识别完成,在文本序列中的字符全部预测完成时,获得文本序列的识别结果,并可在卷积神经网络中输入结束向量,以完成待检测图像中的文本序列的识别工作。
图3示出根据本公开实施例的文本识别装置的框图,如图3所示,所述装置包括:
提取模块11,用于对待检测图像进行特征提取处理,获得多个语义向量,其中,所述多个语义向量与所述待检测图像中的文本序列的多个字符对应;
识别模块12,用于通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果。
在一些实施例中,所述识别模块被进一步配置为:
通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,其中,所述多个语义向量包括所述目标语义向量;
根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果。
在一些实施例中,所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果和/或起始符。
在一些实施例中,所述识别模块被进一步配置为:
通过所述卷积神经网络中的至少一个第一卷积层对所述目标语义向量进行编码处理,获得所述目标语义向量的第一向量;
通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量;
基于所述第一向量和所述第二向量,确定所述权值参数。
在一些实施例中,所述识别模块被进一步配置为:
响应于所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果,对所述前一语义向量对应的文本识别结果进行词嵌入处理,获得与先验信息对应的特征向量;
对所述特征向量进行编码处理,得到所述第二向量。
在一些实施例中,所述识别模块被进一步配置为:
对所述先验信息中的起始符对应的初始向量进行编码处理,得到所述第二向量。
在一些实施例中,所述识别模块被进一步配置为:
基于所述权值参数和所述目标语义向量,获得与所述目标语义向量对应的注意力分布向量;
通过所述卷积神经网络中的至少一个反卷积层对所述注意力分布向量进行解码处理,确定与所述目标语义向量对应的文本识别结果。
在一些实施例中,所述提取模块被进一步配置为:
对所述待检测图像进行特征提取,获得特征信息;
对所述特征信息进行下采样处理,得到所述多个语义向量。
图4是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种文本识别方法,其特征在于,包括:
对待检测图像进行特征提取处理,获得多个语义向量,其中,所述多个语义向量与所述待检测图像中的文本序列的多个字符对应;
通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果;
其中,所述通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果,包括:
通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,其中,所述多个语义向量包括所述目标语义向量;
根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果;
所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果和/或起始符。
2.根据权利要求1所述的方法,其特征在于,所述通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,包括:
通过所述卷积神经网络中的至少一个第一卷积层对所述目标语义向量进行编码处理,获得所述目标语义向量的第一向量;
通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量;
基于所述第一向量和所述第二向量,确定所述权值参数。
3.根据权利要求2所述的方法,其特征在于,所述通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量,包括:
响应于所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果,对所述前一语义向量对应的文本识别结果进行词嵌入处理,获得与先验信息对应的特征向量;
通过所述卷积神经网络中的至少一个第二卷积层对所述特征向量进行编码处理,得到所述第二向量。
4.根据权利要求2或3所述的方法,其特征在于,所述通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量,包括:
通过所述卷积神经网络中的至少一个第二卷积层对所述先验信息中的起始符对应的初始向量进行编码处理,得到所述第二向量。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果,包括:
基于所述权值参数和所述目标语义向量,获得与所述目标语义向量对应的注意力分布向量;
通过所述卷积神经网络中的至少一个反卷积层对所述注意力分布向量进行解码处理,确定与所述目标语义向量对应的文本识别结果。
6.根据权利要求1至3中任一项所述的方法,其特征在于,所述对待检测图像进行特征提取处理,获得多个语义向量,包括:
对所述待检测图像进行特征提取,获得特征信息;
对所述特征信息进行下采样处理,得到所述多个语义向量。
7.一种文本识别装置,其特征在于,包括:
提取模块,用于对待检测图像进行特征提取处理,获得多个语义向量,其中,所述多个语义向量与所述待检测图像中的文本序列的多个字符对应;
识别模块,用于通过卷积神经网络对所述多个语义向量依次进行识别处理,得到所述文本序列的识别结果;
其中,所述识别模块被进一步配置为:
通过卷积神经网络对目标语义向量的先验信息进行处理,获得所述目标语义向量的权值参数,其中,所述多个语义向量包括所述目标语义向量;
根据所述权值参数和所述目标语义向量,确定与所述目标语义向量对应的文本识别结果;
所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果和/或起始符。
8.根据权利要求7所述的装置,其特征在于,所述识别模块被进一步配置为:
通过所述卷积神经网络中的至少一个第一卷积层对所述目标语义向量进行编码处理,获得所述目标语义向量的第一向量;
通过所述卷积神经网络中的至少一个第二卷积层对所述目标语义向量的先验信息进行编码处理,获得与所述先验信息对应的第二向量;
基于所述第一向量和所述第二向量,确定所述权值参数。
9.根据权利要求8所述的装置,其特征在于,所述识别模块被进一步配置为:
响应于所述先验信息包括所述目标语义向量的前一语义向量对应的文本识别结果,对所述前一语义向量对应的文本识别结果进行词嵌入处理,获得与先验信息对应的特征向量;
通过所述卷积神经网络中的至少一个第二卷积层对所述特征向量进行编码处理,得到所述第二向量。
10.根据权利要求8或9所述的装置,其特征在于,所述识别模块被进一步配置为:
通过所述卷积神经网络中的至少一个第二卷积层对所述先验信息中的起始符对应的初始向量进行编码处理,得到所述第二向量。
11.根据权利要求7至9中任一项所述的装置,其特征在于,所述识别模块被进一步配置为:
基于所述权值参数和所述目标语义向量,获得与所述目标语义向量对应的注意力分布向量;
通过所述卷积神经网络中的至少一个反卷积层对所述注意力分布向量进行解码处理,确定与所述目标语义向量对应的文本识别结果。
12.根据权利要求7至9中任一项所述的装置,其特征在于,所述提取模块被进一步配置为:
对所述待检测图像进行特征提取,获得特征信息;
对所述特征信息进行下采样处理,得到所述多个语义向量。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:调用所述存储器中存储的指令,以执行权利要求1至6中任意一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910251661.4A CN111753822B (zh) | 2019-03-29 | 2019-03-29 | 文本识别方法及装置、电子设备和存储介质 |
PCT/CN2020/072804 WO2020199730A1 (zh) | 2019-03-29 | 2020-01-17 | 文本识别方法及装置、电子设备和存储介质 |
JP2020561646A JP7153088B2 (ja) | 2019-03-29 | 2020-01-17 | テキスト認識方法及びテキスト認識装置、電子機器、記憶媒体並びにコンピュータプログラム |
SG11202010916SA SG11202010916SA (en) | 2019-03-29 | 2020-01-17 | Text recognition method and apparatus, electronic device and storage medium |
TW109104030A TW202036464A (zh) | 2019-03-29 | 2020-02-10 | 文本識別方法及裝置、電子設備和儲存介質 |
US17/081,758 US20210042474A1 (en) | 2019-03-29 | 2020-10-27 | Method for text recognition, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910251661.4A CN111753822B (zh) | 2019-03-29 | 2019-03-29 | 文本识别方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753822A CN111753822A (zh) | 2020-10-09 |
CN111753822B true CN111753822B (zh) | 2024-05-24 |
Family
ID=72664623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910251661.4A Active CN111753822B (zh) | 2019-03-29 | 2019-03-29 | 文本识别方法及装置、电子设备和存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210042474A1 (zh) |
JP (1) | JP7153088B2 (zh) |
CN (1) | CN111753822B (zh) |
SG (1) | SG11202010916SA (zh) |
TW (1) | TW202036464A (zh) |
WO (1) | WO2020199730A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7363107B2 (ja) * | 2019-06-04 | 2023-10-18 | コニカミノルタ株式会社 | 発想支援装置、発想支援システム及びプログラム |
CN110569846A (zh) * | 2019-09-16 | 2019-12-13 | 北京百度网讯科技有限公司 | 图像文字识别方法、装置、设备及存储介质 |
US11227009B1 (en) * | 2019-09-30 | 2022-01-18 | Amazon Technologies, Inc. | Text de-obfuscation with image recognition of text |
CN112487826A (zh) * | 2020-11-30 | 2021-03-12 | 北京百度网讯科技有限公司 | 信息抽取方法、抽取模型训练方法、装置以及电子设备 |
CN112733830A (zh) * | 2020-12-31 | 2021-04-30 | 上海芯翌智能科技有限公司 | 店铺招牌识别方法及装置、存储介质和计算机设备 |
CN112949477B (zh) * | 2021-03-01 | 2024-03-15 | 苏州美能华智能科技有限公司 | 基于图卷积神经网络的信息识别方法、装置及存储介质 |
CN113190643B (zh) * | 2021-04-13 | 2023-02-03 | 安阳师范学院 | 信息生成方法、终端设备和计算机可读介质 |
CN113762050B (zh) * | 2021-05-12 | 2024-05-24 | 腾讯云计算(北京)有限责任公司 | 图像数据处理方法、装置、设备以及介质 |
CN113326887B (zh) * | 2021-06-16 | 2024-03-29 | 深圳思谋信息科技有限公司 | 文本检测方法、装置、计算机设备 |
CN113448477B (zh) * | 2021-08-31 | 2021-11-23 | 南昌航空大学 | 交互式图像编辑方法、装置、可读存储介质及电子设备 |
CN113704478B (zh) * | 2021-09-07 | 2023-08-22 | 平安银行股份有限公司 | 文本要素提取方法、装置、电子设备及介质 |
CN113792741B (zh) * | 2021-09-17 | 2023-08-11 | 平安普惠企业管理有限公司 | 文字识别方法、装置、设备及存储介质 |
CN113837965A (zh) * | 2021-09-26 | 2021-12-24 | 北京百度网讯科技有限公司 | 图像清晰度识别方法、装置、电子设备及存储介质 |
CN113688955B (zh) * | 2021-10-25 | 2022-02-15 | 北京世纪好未来教育科技有限公司 | 文本识别方法、装置、设备及介质 |
CN113963358B (zh) * | 2021-12-20 | 2022-03-04 | 北京易真学思教育科技有限公司 | 文本识别模型训练方法、文本识别方法、装置及电子设备 |
CN114207673A (zh) * | 2021-12-20 | 2022-03-18 | 商汤国际私人有限公司 | 序列识别方法及装置、电子设备和存储介质 |
CN114495102A (zh) * | 2022-01-12 | 2022-05-13 | 北京百度网讯科技有限公司 | 文本识别方法、文本识别网络的训练方法及装置 |
CN114492437B (zh) * | 2022-02-16 | 2023-07-18 | 平安科技(深圳)有限公司 | 关键词识别方法、装置、电子设备及存储介质 |
CN115062118B (zh) * | 2022-07-26 | 2023-01-31 | 神州医疗科技股份有限公司 | 双通道信息抽取方法、装置、电子设备和介质 |
CN115601752A (zh) * | 2022-10-26 | 2023-01-13 | 维沃移动通信有限公司(Cn) | 文字识别方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6057112B1 (ja) * | 2016-04-19 | 2017-01-11 | AI inside株式会社 | 文字認識装置、方法およびプログラム |
CN108288078A (zh) * | 2017-12-07 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 一种图像中字符识别方法、装置和介质 |
CN108615036A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学技术大学 | 一种基于卷积注意力网络的自然场景文本识别方法 |
CN108874174A (zh) * | 2018-05-29 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种文本纠错方法、装置以及相关设备 |
CN108960330A (zh) * | 2018-07-09 | 2018-12-07 | 西安电子科技大学 | 基于快速区域卷积神经网络的遥感图像语义生成方法 |
CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别系统及方法 |
CN109471945A (zh) * | 2018-11-12 | 2019-03-15 | 中山大学 | 基于深度学习的医疗文本分类方法、装置及存储介质 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954814A (ja) * | 1995-08-04 | 1997-02-25 | At & T Corp | 入力記号表現の分析及び入力記号表現の可能解釈のスコアリングシステム |
GB201511887D0 (en) * | 2015-07-07 | 2015-08-19 | Touchtype Ltd | Improved artificial neural network for language modelling and prediction |
WO2018094295A1 (en) | 2016-11-18 | 2018-05-24 | Salesforce.Com, Inc. | Adaptive attention model for image captioning |
CN108287858B (zh) * | 2017-03-02 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 自然语言的语义提取方法及装置 |
CN107168952B (zh) * | 2017-05-15 | 2021-06-04 | 北京百度网讯科技有限公司 | 基于人工智能的信息生成方法和装置 |
CN108228686B (zh) * | 2017-06-15 | 2021-03-23 | 北京市商汤科技开发有限公司 | 用于实现图文匹配的方法、装置和电子设备 |
US10628668B2 (en) * | 2017-08-09 | 2020-04-21 | Open Text Sa Ulc | Systems and methods for generating and using semantic images in deep learning for classification and data extraction |
CN107590192B (zh) * | 2017-08-11 | 2023-05-05 | 深圳市腾讯计算机系统有限公司 | 文本问题的数学化处理方法、装置、设备和存储介质 |
CN107644209A (zh) * | 2017-09-21 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN107797985B (zh) * | 2017-09-27 | 2022-02-25 | 百度在线网络技术(北京)有限公司 | 建立同义鉴别模型以及鉴别同义文本的方法、装置 |
US10810467B2 (en) * | 2017-11-17 | 2020-10-20 | Hong Kong Applied Science and Technology Research Institute Company Limited | Flexible integrating recognition and semantic processing |
CN108287585A (zh) | 2018-01-25 | 2018-07-17 | 西安文理学院 | 一种稳压电源 |
US10585988B2 (en) * | 2018-06-08 | 2020-03-10 | Microsoft Technology Licensing, Llc | Graph representations for identifying a next word |
EP3598339A1 (en) * | 2018-07-19 | 2020-01-22 | Tata Consultancy Services Limited | Systems and methods for end-to-end handwritten text recognition using neural networks |
CN109446328A (zh) * | 2018-11-02 | 2019-03-08 | 成都四方伟业软件股份有限公司 | 一种文本识别方法、装置及其存储介质 |
US11010560B2 (en) * | 2018-11-08 | 2021-05-18 | International Business Machines Corporation | Multi-resolution convolutional neural networks for sequence modeling |
-
2019
- 2019-03-29 CN CN201910251661.4A patent/CN111753822B/zh active Active
-
2020
- 2020-01-17 JP JP2020561646A patent/JP7153088B2/ja active Active
- 2020-01-17 SG SG11202010916SA patent/SG11202010916SA/en unknown
- 2020-01-17 WO PCT/CN2020/072804 patent/WO2020199730A1/zh active Application Filing
- 2020-02-10 TW TW109104030A patent/TW202036464A/zh unknown
- 2020-10-27 US US17/081,758 patent/US20210042474A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6057112B1 (ja) * | 2016-04-19 | 2017-01-11 | AI inside株式会社 | 文字認識装置、方法およびプログラム |
CN108288078A (zh) * | 2017-12-07 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 一种图像中字符识别方法、装置和介质 |
CN108615036A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学技术大学 | 一种基于卷积注意力网络的自然场景文本识别方法 |
CN108874174A (zh) * | 2018-05-29 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种文本纠错方法、装置以及相关设备 |
CN108960330A (zh) * | 2018-07-09 | 2018-12-07 | 西安电子科技大学 | 基于快速区域卷积神经网络的遥感图像语义生成方法 |
CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别系统及方法 |
CN109471945A (zh) * | 2018-11-12 | 2019-03-15 | 中山大学 | 基于深度学习的医疗文本分类方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
Deep neural network with attention model for scene text recognition;Shuohao Li et al.;《IET Computer Vision》;全文 * |
基于多种上下文信息的联机手写中文文本识别方法及系统实现;邱理权;《知网》;全文 * |
基于深度学习的图像文本识别系统研究与实现;吴晓玮;《知网》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20210042474A1 (en) | 2021-02-11 |
JP2021520002A (ja) | 2021-08-12 |
SG11202010916SA (en) | 2020-12-30 |
TW202036464A (zh) | 2020-10-01 |
WO2020199730A1 (zh) | 2020-10-08 |
CN111753822A (zh) | 2020-10-09 |
JP7153088B2 (ja) | 2022-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753822B (zh) | 文本识别方法及装置、电子设备和存储介质 | |
CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111783756B (zh) | 文本识别方法及装置、电子设备和存储介质 | |
CN111445493B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN111539410B (zh) | 字符识别方法及装置、电子设备和存储介质 | |
CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN112598676B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN110955800A (zh) | 视频检索方法及装置 | |
CN113283343A (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN111275055B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
CN113506325B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114118278A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112800954A (zh) | 文本检测方法及装置、电子设备和存储介质 | |
CN113537350B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110119652B (zh) | 视频的镜头分割方法及装置 | |
CN111814796A (zh) | 字符序列识别方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40033120 Country of ref document: HK |
|
GR01 | Patent grant |