CN112749695A - 文本识别的方法和装置 - Google Patents

Abstract

本公开的实施例公开了文本识别的方法和装置。该方法的一具体实施方式包括：获取包含待识别文本的图像；将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像，其中，文本检测模型用于在图像中确定文本区域，文本区域包括一个沿行方向排列的字符串；将所得到的图像输入预先训练的文本识别模型，得到待识别文本的文本信息，其中，文本识别模型用于表征文本区域与文本信息的对应关系。该实施方式实现了识别图像中文本的字符串，而不是识别单个字符，该方法考虑了字符之间的上下文特征，提高了文本识别的准确率。

Description

文本识别的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及文本识别的方法和装置。

背景技术

自然场景中的文字识别是计算机视觉中的一个重要领域，包括文字检测和文字识别两个步骤，其中文字检测为检测出图像中出现文字的文字区域，文字识别则通过对文字区域进行识别，得到对应的文字。

相关技术中，在图像的文本识别的过程中需要采用图像分割算法将文本分为单个字符，之后，对分割得到的字符进行特征提取，利用提取得到的特征，通过神经网络(Neutral Network)、支持向量机(SVM)等识别出分割后的单个字符，不考虑文本字符之间的上下文特征，文本识别的准确率低。

发明内容

本公开的实施例提出了文本识别的方法和装置。

第一方面，本公开的实施例提供了一种文本识别的方法，该方法包括：获取包含待识别文本的图像；将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像，其中，文本检测模型用于在图像中确定文本区域，文本区域包括一个沿行方向排列的字符串；将所得到的图像输入预先训练的文本识别模型，得到待识别文本的文本信息，其中，文本识别模型用于表征文本区域与文本信息的对应关系。

在一些实施例中，在将图像输入预先训练的文本检测模型之前，方法还包括：确定待识别文本中字符排列方向与行方向之间的夹角；基于所确定的夹角，对图像进行旋转，以使待识别文本沿行方向排列。

在一些实施例中，在将图像输入预先训练的文本检测模型之前，方法还包括：增大图像中待识别文本和背景图像之间的对比度，以使包含待识别文本的图像的对比度大于预设阈值。

在一些实施例中，文本检测模型通过如下步骤训练得到：获取第一训练样本图像集合，其中，第一训练样本图像具有用于表征其所包含的文本所在的文本区域位置的标注；将第一训练样本图像作为输入，将第一训练样本图像中的标注作为期望输出，训练预先建立的卷积神经网络和双向长短期记忆网络得到文本检测模型。

在一些实施例中，文本识别模型基于预先建立的双向门控循环神经网络训练得到。

在一些实施例中，文本识别模型由第一神经网络、第二神经网络和第三神经网络构成，第一神经网络用于从确定文本区域的图像中提取预设维数的特征向量序列，第二神经网络用于对特征向量序列进行编码得到多个文本识别结果，第三神经网络用于从多个文本识别结果中确定出置信度最高的文本识别结果为文本信息。

在一些实施例中，文本识别模型通过如下步骤训练得到：获取第二训练样本图像集合，其中，第二训练样本图像标注文本区域中的文本内容；利用机器学习方法，将第二训练样本图像作为输入，训练预先建立的卷积神经网络得到第一神经网络；将第一神经网络的输出作为输入，训练预先建立的双向门控循环神经网络得到第二神经网络；将第二神经网络的输出作为输入，将述第二训练样本图像中标注的文本内容作为期望输出，训练预先建立的联结式时间分类器得到第三神经网络。

第二方面，本公开的实施例提供了一种文本识别的装置，装置包括：获取单元，被配置成获取包含待识别文本的图像；文本检测单元，被配置成将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像，其中，文本检测模型用于在图像中确定文本区域，文本区域包括一个沿行方向排列的字符串；文本识别单元，被配置成将所得到的图像输入预先训练的文本识别模型，得到待识别文本的文本信息，其中，文本识别模型用于表征文本区域与文本信息的对应关系。

在一些实施例中，装置还包括：确定单元，被配置成确定待识别文本中字符排列方向与行方向之间的夹角；旋转单元，被配置成基于所确定的夹角，对图像进行旋转，以使待识别文本沿行方向排列。

在一些实施例中，装置还包括：增大对比度单元，被配置成增大图像中待识别文本和背景图像之间的对比度，以使包含待识别文本的图像的对比度大于预设阈值。

在一些实施例中，文本检测模型通过如下步骤训练得到：获取第一训练样本图像集合，其中，第一训练样本图像具有用于表征其所包含的文本所在的文本区域位置的标注；将第一训练样本图像作为输入，将第一训练样本图像中的标注作为期望输出，训练预先建立的卷积神经网络和双向长短期记忆网络得到文本检测模型。

在一些实施例中，文本识别模型基于预先建立的双向门控循环神经网络训练得到。

在一些实施例中，文本识别模型由第一神经网络、第二神经网络和第三神经网络构成，第一神经网络用于从确定文本区域的图像中提取预设维数的特征向量序列，第二神经网络用于对特征向量序列进行编码得到多个文本识别结果，第三神经网络用于从多个文本识别结果中确定出置信度最高的文本识别结果为文本信息。

在一些实施例中，文本识别模型通过如下步骤训练得到：获取第二训练样本图像集合，其中，第二训练样本图像标注文本区域中的文本内容；利用机器学习方法，将第二训练样本图像作为输入，训练预先建立的卷积神经网络得到第一神经网络；将第一神经网络的输出作为输入，训练预先建立的双向门控循环神经网络得到第二神经网络；将第二神经网络的输出作为输入，将述第二训练样本图像中标注的文本内容作为期望输出，训练预先建立的联结式时间分类器得到第三神经网络。

本公开的实施例提供的文本识别的方法和装置，获取包含待识别文本的图像，而后将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域，得到包括待识别文本的文本区域位置信息的图像，其中，文本区域可以包括一个沿行方向排列的字符串，最后将所得到的包括文本区域位置信息的图像输入预先训练的文本识别模型，得到待识别文本的文本信息，从而实现了识别图像中文本的字符串，而不是识别单个字符，该方法考虑了字符之间的上下文特征，提高了文本识别的准确率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一些实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的文本识别的方法的一个实施例的流程图；

图3是根据本公开的实施例的文本识别的的一个应用场景的示意图；

图4是根据本公开的文本识别的的又一个实施例的流程图；

图5是根据本公开的文本识别的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的文本识别的方法或文本识别的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送图像和文本等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像显示的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供的包含待识别文本的图像进行文本识别的后台网页服务器。后台网页服务器可以对获取的包含待识别文本的图像等数据进行文本检测和文本识别等处理，并将处理结果(例如识别出的文本信息)反馈给终端设备。

需要说明的是，本公开的实施例所提供的文本识别的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，文本识别的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。在此不做具体限定。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

需要指出的是，服务器105的本地也可以直接存储包含待识别文本的图像，服务器105可以直接提取本地的包含待识别文本的图像进行文本检测和文本识别，此时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

还需要指出的是，终端设备101、102、103中也可以安装有图像处理类应用，终端设备101、102、103也可以基于图像处理类应用对包含待识别文本的图像进行文本检测和文本识别，此时，文本识别的方法也可以由终端设备101、102、103执行，相应地，文本识别的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

继续参考图2，示出了根据本公开的文本识别的方法的一个实施例的流程200。该文本识别的方法，包括以下步骤：

步骤201，获取包含待识别文本的图像。

在本实施例中，文本识别的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户所在的终端获取包含待识别文本的图像。这里，包含待识别文本的图像可以为对火车票、广告牌等包含文本的物体进行图像采集得到的图像。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像。

在本实施例中，可以预先训练用于文本检测的文本检测模型，该文本检测模型可以在图像中检测文本所在的文本区域。基于步骤201所获取的图像，上述执行主体(例如图1所示的服务器)可以将该图像输入上述文本检测模型，从而可以在图像中确定出待识别文本所在的文本区域，得到包括待识别文本的文本区域位置信息的图像。这里，对包含待识别文本的图像进行文本检测可以检测出一个或多个文本区域，每个文本区域可以包括一个沿行方向排列的字符串，该字符串可以包含多个字符。可以理解的是，对于图像中沿行方向排列的相邻字符，可以通过相邻字符之间的距离判断沿行方向排列的相邻字符是否在同一文本区域，若相邻字符之间的距离小于预设阈值，则可以确定该相邻字符为同一文本区域中的字符，否则可以确定该相邻字符为不同文本区域中的字符。由此可见，图像中可以包含两个或两个以上的文本区域沿同一行方向排列。通常，上述字符串可以为由字母、汉字、数字、标点符号等组成的字符序列。

在本实施例的一些可选的实现方式中，上述文本检测模型可以通过如下步骤训练得到：

第一，获取第一训练样本图像集合。该训练样本图像集合中可以包括多个第一训练样本图像，并且各第一训练样本图像可以具有用于表征其所包含的文本所在的文本区域位置的标注；

通常，上述第一训练样本图像集合中的第一训练样本图像可以为从中文语料库中获取的图像。中文语料库中包含汉字、标点、数字、英文字母和特殊符号等共5990个字符。这里可以通过对中文语料库中的字符的字体、大小、灰度、模糊程度、透视程度、文字拉伸等作出变化处理，随机生成文本图像。而后对所生成的文本图像进行图像分割等处理，使得到的每个图像可以包含十个左右的字符。最后，对处理后的图像进行标注可以生成第一训练样本图像。可以理解的是，根据文本检测模型所需要应用的领域可以进一步丰富第一训练样本图像集合，提高训练得到的文本检测模型的准确率。作为示例，若文本检测模型用于对火车票图像的文本检测，可以在第一训练样本图像集合中添加车站名称、座位席别、车次等文本内容生成的图片。可选地，还可以通过图像增广的方式处理第一训练样本图像集合中的图像，从而可以扩充第一训练样本图像集合所包含样本图像的数量。

第二，针对任一第一训练样本图像，可以将该第一训练样本图像作为输入，将该第一训练样本图像中的标注作为期望输出，训练预先建立的卷积神经网络(ConvolutionalNeural Network，CNN)和双向长短期记忆网络(Long Short-Term Memory，LSTM)得到文本检测模型。

上述文本检测模型可以对包含待识别文本的图像进行卷积获得特征图，而后在特征图上生成一系列的预选框进行文本检测。具体地，首先采用卷积神经网络作为基础神经网络层，将第一训练样本图像输入卷积神经网络层，卷积神经网络可以在第一训练样本图像中以固定宽度的矩形框来检测第一训练样本图像中的文本区域；而后将同一行矩形框对应的特征串成序列，输入预设的双向长短期记忆网络，再用全连接层来做分类，最后将小的矩形框内的区域进行合并，从而得到文本区域，将所得到文本区域与第一训练样本图像的标注对比，调整模型中的参数，直到调整后的模型输出的结果符合期望输出，得到上述文本检测模型。这里，采用卷积神经网络和双向长短期记忆网络相结合的方式训练文本检测模型可以使得文本检测模型对图像中的文本序列进行检测，而不是对图像进行单个文字进行检测，从而可以提高文本检测的精确度。

此外，上述文本检测模型还可以通过其他方式训练得到。例如，可以为对支持向量机(Support Vector Machine，SVM)等模型结构训练得到的从候选的文本区域中验证真实的文本区域，从而可以得到检测图像中文本区域的文本检测模型。

步骤203，将所得到的图像输入预先训练的文本识别模型，得到待识别文本的文本信息。

在本实施例中，可以预先训练文本识别模型。该文本识别模型可以用于表征文本区域与文本信息的对应关系。基于步骤202得到的包括待识别文本的文本区域位置信息的图像，上述执行主体可以将所得到的图像输入文本识别模型，文本识别模型可以输出待识别文本的文本信息。

在本实施例的一些可选的实现方式中，可以基于预先建立的双向门控循环神经网络(bidirectional gated recurrent units，BiGRU)训练上述文本识别模型。双向门控循环神经网络通常可以用来处理不定长文本序列的预测问题，因此这里可以采用向门控循环神经网络识别不同的长度的行文本。此外，长短期记忆网络也可以预测不定长的文本序列，但是长短期记忆网络包含三个门(忘记门，输入门，输出门)，门控循环神经网络只包含两个门(重置门和更新门)，因此双向门控循环神经网络中的参数较少，训练更快，利用较少的训练数据也可以训练双向门控循环神经网络也得到高性能的文本识别模型。

在本实施例的一些可选的实现方式中，上述文本识别模型可以由第一神经网络、第二神经网络和第三神经网络构成。其中，第一神经网络可以用于从确定文本区域的图像中提取预设维数的特征向量序列，第二神经网络可以用于对特征向量序列进行编码得到多个文本识别结果，第三神经网络可以用于从多个文本识别结果中确定出置信度最高的文本识别结果为文本信息。通过第一神经网络、第二神经网络和第三神经网络可以实现对文本区域中文本的识别。

具体地，上述文本识别模型可以通过如下方式训练得到：

第一，可以获取第二训练样本图像集合。其中，第二训练样本图像集合中可以包含多个第二训练样本图像，并且各第二训练样本图像可以标注文本区域对应的文本内容。可选的，第二训练样本图像集合与上述第一训练样本图像集合中所包含的样本图像相同，与第一训练样本图像集合相比，第二训练样本图像集合中所包含的第二训练样本图像不仅标注了文本区域的位置，还标注了文本区域所包含的文本内容。当然，上述第二训练样本图像集合与上述第一训练样本图像集合中所包含的样本图像也可以不同，这里没有唯一的限定。

第二，可以利用机器学习方法，将第二训练样本图像作为输入，训练预先建立的卷积神经网络得到第一神经网络。

这里，卷积神经网络可以对输入的第二训练样本图像进行归一化处理，从而可以将第二训练样本图像中的文本区域统一到相同的高度，例如，高度为32个像素。而后，卷积神经网络中的卷积层和最大池化层可以按照从左往右顺序的对文本区域进行特征向量提取，从而可以得到预设维数的特征向量序列。

第三，可以将第一神经网络的输出作为输入，训练预先建立的双向门控循环神经网络得到第二神经网络。

这里，在得到特征向量序列后，可以将所得到的特征向量序列输入预先建立的双向门控循环神经网络，从而可以实现对所输入的特征向量序列编码，而后对编码结果进行解码可以得到多种文本识别结果。

第四，将第二神经网络的输出作为输入，将述第二训练样本图像中标注的文本内容作为期望输出，训练预先建立的联结式时间分类器得到第三神经网络。

基于第二神经网络输出的多种文本识别结果，可以将其输入预先建立的联结式时间分类器(Connectionist Temporal Classification，CTC)，该联结式时间分类器可以对第二神经网络输出的多种文本识别结果进行整合，并从中确定出置信度最高的文本识别结果。将所确定的文本识别结果与第二训练样本图像中标注的文本内容相对比，调整各神经网络中的参数，直到调整后的模型输出的结果符合期望输出，从而可以得到由第一神经网络、第二神经网络和第三神经网络构成的文本识别模型。可以理解的是，联结式时间分类器可以解决训练数据的对齐问题，可用于执行端到端的训练，输出不定长的文本序列结果，因此在文本识别模型中采用联结式时间分类器可以直接输出字符序列结果。

这里，采用卷积神经网络、双向门控循环神经网络和联结式时间分类器相结合的方式训练得到的文本识别模型，在文本识别的过程中可以根据文本本身具有的上下文关联和序列化信息获得比单字符识别更加丰富的特征，从而提高了文本识别的准确率。进一步地，文本识别模型采用双向门控循环神经网络可以减少模型中的模型参数，使得文本识别模型的速度更快，提高了文本识别的效率。

可以理解的是，上述文本识别模型还可以采用其它的方式训练得到。作为示例，上述文本识别模型可以为预先建立的文本区域与文本信息的映射表格，将包含文本区域位置信息的图像输入后可以在文本识别模型中查找到对应的文本信息并输出。

继续参见图3，图3是根据本实施例的文本识别的方法的应用场景的一个示意图。在图3的应用场景中，包含待识别文本的图像可以为如图所示的火车票，后台服务器可以获取该包含待识别文本的火车票图像；而后，后台服务器可以将如图所示的火车票图像输入预先训练的文本检测模型，从而可以在图像中确定待识别文本所在文本区域，作为示例，待识别文本可以为图3中的“北京西站”所在为文本区域301，将该火车票图像输入文本检测模型后可以得到包含文本区域301的位置信息的图像；最后，后台服务器可以将包含文本区域301的位置信息的图像输入预先训练的文本识别模型，从而可以得到待识别文本的文本信息“北京西站”。

本公开的上述实施例提供的文本识别的方法，获取包含待识别文本的图像，而后将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域，得到包括待识别文本的文本区域位置信息的图像，其中，文本区域可以包括一个沿行方向排列的字符串，最后将所得到的包括文本区域位置信息的图像输入预先训练的文本识别模型，得到待识别文本的文本信息，从而实现了识别图像中文本的字符串，而不是识别单个字符，该方法考虑了字符之间的上下文特征，提高了文本识别的准确率。

进一步参考图4，其示出了文本识别的方法的又一个实施例的流程400。该文本识别的方法的流程400，包括以下步骤：

步骤401，获取包含待识别文本的图像。

在本实施例中，文本识别的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户所在的终端获取包含待识别文本的图像。这里，包含待识别文本的图像可以为对火车票、广告牌等包含文本的物体进行图像采集得到的图像。

步骤402，确定待识别文本中字符排列方向与行方向之间的夹角。

在本实施例中，基于步骤401所获取的图像，上述执行主体(例如图1所示的服务器)可以通过各种方式检测该图像中所包含的待识别文本中字符排列方向与行方向的夹角。作为示例，上述图像中包含火车票图像，待识别文本为火车票中的文本，上述执行主体可以根据火车票的长宽比例和所显示火车票的边缘，计算图像中所指示的火车票的边缘(与文字排列方向相同的边缘)与行方向的夹角，该夹角即为待识别文本中字符排列方向与行方向的夹角。

步骤403，基于所确定的夹角，对图像进行旋转，以使待识别文本沿行方向排列。

在本实施例中，基于步骤402所确定的夹角，上述执行主体可以将上述图像按照该夹角进行旋转，从而可以使得待识别文本中字符排列方向与行方向相同。此时，待识别文本沿行方向排列。

在本实施例的一些可选的实现方式中，上述执行主体还可以采用直方图均衡化等方式增大待识别文本和背景图像之间的对比度，以使包含待识别文本的图像的对比度大于预设阈值。增强待识别文本和背景图像之间的对比度可以进一步提高文本检测的准确度。当然，这里还可以采用去噪、防抖等多种方式处理对上述图像进行预处理，这里不再一一列举。

步骤404，将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像。

在本实施例中，可以预先训练用于文本检测的文本检测模型，该文本检测模型可以在图像中检测文本所在的文本区域。基于步骤403可以得到处理后的图像，上述执行主体可以将该处理后的图像输入上述文本检测模型，从而可以在图像中确定出待识别文本所在的文本区域，得到包括待识别文本的文本区域位置信息的图像。这里，对包含待识别文本的图像进行文本检测可以检测出一个或多个文本区域，每个文本区域可以包括一个沿行方向排列的字符串，该字符串可以包含多个字符。可以理解的是，对于图像中沿行方向排列的相邻字符，可以通过相邻字符之间的距离判断沿行方向排列的相邻字符是否在同一文本区域，若相邻字符之间的距离小于预设阈值，则可以确定该相邻字符为同一文本区域中的字符，否则可以确定该相邻字符为不同文本区域中的字符。由此可见，图像中可以包含两个或两个以上的文本区域沿同一行方向排列。

步骤405，将所得到的图像输入预先训练的文本识别模型，得到待识别文本的文本信息。

在本实施例中，可以预先训练文本识别模型。该文本识别模型可以用于表征文本区域与文本信息的对应关系。基于步骤404得到的包括待识别文本的文本区域位置信息的图像，上述执行主体可以将所得到的图像输入文本识别模型，文本识别模型可以输出待识别文本的文本信息。

从图4中可以看出，与图2对应的实施例相比，本实施例中的文本识别的方法的流程400可以对图像进行旋转处理，使得待识别文本沿行方向排列，将旋转后的图像输入预先训练的文本检测模型可以提高检测出的待识别文本所在文本区域的位置信息的准确性，从而进一步提高了文本识别模型识别出的文本信息的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种文本识别的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的文本识别的装置500包括：获取单元501、文本检测单元502、文本识别单元503。其中，获取单元501被配置成获取包含待识别文本的图像；文本检测单元502被配置成将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像，其中，文本检测模型用于在图像中确定文本区域，文本区域包括一个沿行方向排列的字符串；文本识别单元503被配置成将所得到的图像输入预先训练的文本识别模型，得到待识别文本的文本信息，其中，文本识别模型用于表征文本区域与文本信息的对应关系。

在本实施例的一些可选的实现方式中，装置500还包括：确定单元，被配置成确定待识别文本中字符排列方向与行方向之间的夹角；旋转单元，被配置成基于所确定的夹角，对图像进行旋转，以使待识别文本沿行方向排列。

在本实施例的一些可选的实现方式中，装置500还包括：增大对比度单元，被配置成增大图像中待识别文本和背景图像之间的对比度，以使包含待识别文本的图像的对比度大于预设阈值。

在本实施例的一些可选的实现方式中，文本检测模型通过如下步骤训练得到：获取第一训练样本图像集合，其中，第一训练样本图像具有用于表征其所包含的文本所在的文本区域位置的标注；将第一训练样本图像作为输入，将第一训练样本图像中的标注作为期望输出，训练预先建立的卷积神经网络和双向长短期记忆网络得到文本检测模型。

在本实施例的一些可选的实现方式中，文本识别模型基于预先建立的双向门控循环神经网络训练得到。

在本实施例的一些可选的实现方式中，文本识别模型由第一神经网络、第二神经网络和第三神经网络构成，第一神经网络用于从确定文本区域的图像中提取预设维数的特征向量序列，第二神经网络用于对特征向量序列进行编码得到多个文本识别结果，第三神经网络用于从多个文本识别结果中确定出置信度最高的文本识别结果为文本信息。

在本实施例的一些可选的实现方式中，文本识别模型通过如下步骤训练得到：获取第二训练样本图像集合，其中，第二训练样本图像标注文本区域中的文本内容；利用机器学习方法，将第二训练样本图像作为输入，训练预先建立的卷积神经网络得到第一神经网络；将第一神经网络的输出作为输入，训练预先建立的双向门控循环神经网络得到第二神经网络；将第二神经网络的输出作为输入，将述第二训练样本图像中标注的文本内容作为期望输出，训练预先建立的联结式时间分类器得到第三神经网络。

装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取包含待识别文本的图像；将图像输入预先训练的文本检测模型，在图像中确定待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像，其中，文本检测模型用于在图像中确定文本区域，文本区域包括一个沿行方向排列的字符串；将所得到的图像输入预先训练的文本识别模型，得到待识别文本的文本信息，其中，文本识别模型用于表征文本区域与文本信息的对应关系。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、文本检测单元和文本识别单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取包含待识别文本的图像的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种文本识别的方法，包括：

获取包含待识别文本的图像；

将所述图像输入预先训练的文本检测模型，在所述图像中确定所述待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像，其中，所述文本检测模型用于在图像中确定文本区域，所述文本区域包括一个沿行方向排列的字符串；

将所得到的图像输入预先训练的文本识别模型，得到所述待识别文本的文本信息，其中，所述文本识别模型用于表征文本区域与文本信息的对应关系。

2.根据权利要求1所述的方法，其中，在将所述图像输入预先训练的文本检测模型之前，所述方法还包括：

确定所述待识别文本中字符排列方向与所述行方向之间的夹角；

基于所确定的夹角，对所述图像进行旋转，以使所述待识别文本沿行方向排列。

3.根据权利要求1所述的方法，其中，在将所述图像输入预先训练的文本检测模型之前，所述方法还包括：

增大所述图像中待识别文本和背景图像之间的对比度，以使所述包含待识别文本的图像的对比度大于预设阈值。

4.根据权利要求1所述的方法，其中，所述文本检测模型通过如下步骤训练得到：

获取第一训练样本图像集合，其中，第一训练样本图像具有用于表征其所包含的文本所在的文本区域位置的标注；

将所述第一训练样本图像作为输入，将所述第一训练样本图像中的标注作为期望输出，训练预先建立的卷积神经网络和双向长短期记忆网络得到所述文本检测模型。

5.根据权利要求1所述的方法，其中，所述文本识别模型基于预先建立的双向门控循环神经网络训练得到。

6.根据权利要求1所述的方法，其中，所述文本识别模型由第一神经网络、第二神经网络和第三神经网络构成，所述第一神经网络用于从确定文本区域的图像中提取预设维数的特征向量序列，所述第二神经网络用于对所述特征向量序列进行编码得到多个文本识别结果，所述第三神经网络用于从多个文本识别结果中确定出置信度最高的文本识别结果为所述文本信息。

7.根据权利要求6所述的方法，其中，所述文本识别模型通过如下步骤训练得到：

获取第二训练样本图像集合，其中，第二训练样本图像标注文本区域中的文本内容；

利用机器学习方法，将所述第二训练样本图像作为输入，训练预先建立的卷积神经网络得到所述第一神经网络；

将所述第一神经网络的输出作为输入，训练预先建立的双向门控循环神经网络得到所述第二神经网络；

将所述第二神经网络的输出作为输入，将述第二训练样本图像中标注的文本内容作为期望输出，训练预先建立的联结式时间分类器得到所述第三神经网络。

8.一种文本识别的装置，包括：

获取单元，被配置成获取包含待识别文本的图像；

文本检测单元，被配置成将所述图像输入预先训练的文本检测模型，在所述图像中确定所述待识别文本所在的文本区域得到包括待识别文本的文本区域位置信息的图像，其中，所述文本检测模型用于在图像中确定文本区域，所述文本区域包括一个沿行方向排列的字符串；

文本识别单元，被配置成将所得到的图像输入预先训练的文本识别模型，得到所述待识别文本的文本信息，其中，所述文本识别模型用于表征文本区域与文本信息的对应关系。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images