CN112883967A - 图像字符识别方法、装置、介质及电子设备 - Google Patents

图像字符识别方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN112883967A
CN112883967A CN202110210130.8A CN202110210130A CN112883967A CN 112883967 A CN112883967 A CN 112883967A CN 202110210130 A CN202110210130 A CN 202110210130A CN 112883967 A CN112883967 A CN 112883967A
Authority
CN
China
Prior art keywords
image
character recognition
character
language
model
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.)
Granted
Application number
CN202110210130.8A
Other languages
English (en)
Other versions
CN112883967B (zh
Inventor
卢永晨
蔡悦
王长虎
黄灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110210130.8A priority Critical patent/CN112883967B/zh
Publication of CN112883967A publication Critical patent/CN112883967A/zh
Application granted granted Critical
Publication of CN112883967B publication Critical patent/CN112883967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Character Discrimination (AREA)

Abstract

本公开涉及一种图像字符识别方法、装置、介质及电子设备，所述方法包括：接收待识别图像，其中，所述待识别图像中包含多个语种的字符；根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；其中字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。因此可以基于该字符识别模型对包含多语种的字符的待识别图像进行准确地字符识别，提高字符识别结果的准确性，贴合多语种下的应用场景。

Description

图像字符识别方法、装置、介质及电子设备
技术领域
本公开涉及计算机技术领域，具体地，涉及一种图像字符识别方法、装置、介质及电子设备。
背景技术
相关技术中，通常采用深度学习神经网络基于大量的标注数据学习图像与文本之间的映射关系，从而可以实现对图像中的字符的识别。然而在多语言场景下，上述模型对图像中字符的识别准确率不足，难以适应多语言场景下的字符识别。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种图像字符识别方法，所述方法包括：
接收待识别图像，其中，所述待识别图像中包含多个语种的字符；
根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。
第二方面，提供一种图像字符识别装置，所述装置包括：
接收模块，用于接收待识别图像，其中，所述待识别图像中包含多个语种的字符；
确定模块，用于根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。
第三方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
第四方面，提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
在上述技术方案中，在多语言场景下，可以通过包含字符识别子模型和语种分类子模型的字符识别模型同时确定出该待识别图像中的字符识别结果和语种分类结果。因此，通过上述技术方案，该字符识别模型中包含语种分类子模型和字符识别子模型，在该模型在训练过程中则可以通过子模型之间的相互关联从而保证该模型输出结果的准确性，从而可以基于该字符识别模型对包含多语种的字符的待识别图像进行准确地字符识别，提高字符识别结果的准确性，并且在获得字符识别结果的同时可以获得对应的语种分类结果，从而可以为后续处理过程提供更加全面的数据支持，贴合多语种下的应用场景，提高该图像字符识别方法的适用范围。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开的一种实施方式提供的图像字符识别方法的流程图；
图2是根据本公开的一种实施方式提供的字符识别模型的结构示意图；
图3是根据本公开的一种实施方式提供的根据待识别图像和字符识别模型，确定待识别图像对应的字符识别结果和语种分类结果的示例性实现方式的流程图；
图4是一待识别图像的示意图；
图5是为基于图4中的待识别图像进行字符识别的识别结果的显示示意图；
图6是根据本公开的一种实施方式提供的图像字符识别装置的框图；
图7示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1所示，为根据本公开的一种实施方式提供的图像字符识别方法的流程图，如图1所示，所述方法可以包括：
在步骤11中，接收待识别图像，其中，所述待识别图像中包含多个语种的字符，该待识别图像可以是用户需要进行字符识别而上传的图像，其中可以包含多个语种下的字符文本。
在步骤12中，根据待识别图像和字符识别模型，确定待识别图像对应的字符识别结果和语种分类结果。
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别，所述语种分类子模型和所述字符识别子模型可以进行联合训练从而获得该字符识别模型。
在该实施例中，在对语种进行分类的同时，不仅基于待识别图像的图像特征，同时可以待识别图像对应的语义特征，从而可以在一定程度上提高语种分类的准确度，进而在一定程度上提高字符识别结果的准确度。
由此，在上述技术方案中，在多语言场景下，可以通过包含字符识别子模型和语种分类子模型的字符识别模型同时确定出该待识别图像中的字符识别结果和语种分类结果。因此，通过上述技术方案，该字符识别模型中包含语种分类子模型和字符识别子模型，在该模型在训练过程中则可以通过子模型之间的相互关联从而保证该模型输出结果的准确性，从而可以基于该字符识别模型对包含多语种的字符的待识别图像进行准确地字符识别，提高字符识别结果的准确性，并且在获得字符识别结果的同时可以获得对应的语种分类结果，从而可以为后续处理过程提供更加全面的数据支持，贴合多语种下的应用场景，提高该图像字符识别方法的适用范围。
在一种可能的实施例中，所述字符识别模型还包括特征提取子模型；
在步骤12中，根据待识别图像和字符识别模型，确定待识别图像对应的字符识别结果和语种分类结果的示例性实现方式如下，该步骤可以包括：
通过所述特征提取子模型提取所述待识别图像的图像特征。其中，该特征提取子模型中可以包含多个特征层，该特征提取子模型可以由CNN(Convolutional NeuralNetworks，卷积神经网络)组成。示例地，可以通过多个卷积层进行卷积计算从而获得卷积特征，将提取出的特征确定为该待识别图像的图像特征。
之后，通过所述语种分类子模型对所述图像特征进行语义特征编码，获得所述图像特征对应的语义特征，并根据所述语义特征进行语种分类，获得所述语种分类结果，以及通过所述字符识别子模型对所述图像特征进行解码，以获得所述字符识别结果。
Transformer模型是一个Encoder-Decoder(编码器-解码器)的结构，由若干个编码器和解码器堆叠形成。其中，编码器用于将输入的数据转化成语义特征向量，解码器用于将根据编码器的输出以及已经预测的输出结果确定当前输出结果的条件概率。
在一种可能的实施例中，可以基于相关技术中的Transformer模型的结构进行构建字符识别模型，如上文所述通用的Transformer模型中包含编码器和解码器，在可以将该Transformer模型中解码器的分支作为所述字符识别子模型，并在编码器的输出后增加一个分支，即语种分类子模型，从而获得该字符识别模型。
在另一种可能的实施例中，图2所示为根据本公开的一种实施方式提供的字符识别模型的结构示意图，如图2所示，所述字符识别模型20包括字符识别子模型101和语种分类子模型102，还包括特征提取子模型103，所述特征提取子模型可以通过CNN网络实现，所述特征提取子模型103的输出分别与所述语种分类子模型102和所述字符识别子模型101的输入耦合，所述字符识别子模型101包括Transformer模型的解码器1011和第一全连接层1012，所述语种分类子模型102包括Transformer模型的编码器1021和第二全连接层1022。
在该实施例中，可以以CNN网络代替所述Transformer模型中的编码器部分，如图2所示，所述特征提取子模型输出的图像特征分别输入字符识别子模型和语种分类子模型，即该两个子模型为并行的子模型，可以同时进行字符的识别和语种的分类，从而可以避免将其中一个子模型的输出结果输入另一子模型从而获得另一子模型的输出结果时，前一子模型的输出结果的误差对另一子模型输出结果的影响，如可以避免出现语种分类子模型的语种分类结果输入至字符识别模型获得字符识别结果时，由于语种分类结果的误差从而导致字符识别结果准确度降低的误差传播的问题。并且在该字符识别模型训练的过程中，可以在进行模型参数的调整过程中，同时参考该语种分类子模型和字符识别子模型的损失，从而可以进一步提高字符识别的准确性和多语种兼容性。
Transformer模型是基于注意力机制来编码输入数据及计算输出数据，而不依赖于序列对齐的循环或者卷积神经网络。因此，在该实施例中，基于Transformer模型实现该语种分类子模型和字符识别子模型可以无需对该各个子模型的输入序列进行对齐处理的操作，既可以减少数据处理的过程，又可以有效避免对齐处理对子模型进行数据计算时可能产生的影响。在该实施例中，语种分类子模型基于Transformer模型实现，因此在语种分类子模型进行语种分类时，可以基于Transformer模型获得待识别图像对应的语义特征，从而可以在一定程度上提高语种分类的准确度，进而在一定程度上提高字符识别结果的准确度。
在上述实施例中，该语种分类子模型为通过Transformer模型实现的模型结构，因此，在将图像特征输入该语种分类子模型时，可以通过该Transformer模型基于图像特征对该待识别图像中字符的进行语义特征提取，从而获得语义特征，之后则可以根据该语义特征进行语种分类，从而获得语种分类结果。在所述字符识别子模型中，则可以直接基于该图像特征进行解码，从而可以获得对应的字符识别结果。
由此，通过上述技术方案，可以通过结合图像识别和自然语言处理，基于待识别图像对应的图像特征和语义特征获得语种分类结果和字符识别结果，从而提高对待识别图像处理的准确性和全面性。同时，在待识别图像中包含的字符的语种需要增加时，只需要增加部分训练数据进行模型参数微调即可实现，从而可以进一步提高该字符识别模型的适用性，便于扩展，进一步提高图像字符识别方法的使用范围，便于用户使用。并且，在提取图像特征之后，可以通过增加用于进行语种分类的语种分类子模型的分支，使得本公开中的字符识别模型可以基于相关技术中的字符识别模型进行拓展而来，即本公开中该字符识别子模型的结构可以采用相关技术中的识别模型的结构进行创建，一方面可以将语种分类和字符识别进行联合训练，通过语种分类子模型对字符识别子模型进行辅助训练，可以有效解决多语种下的字符相近时进行字符识别的准确度，提高字符识别的准确度。
在一种可能的实施例中，所述字符识别模型还包括特征提取子模型，所述待识别图像中包含多个字符行；
在步骤12中，根据待识别图像和字符识别模型，确定待识别图像对应的字符识别结果和语种分类结果的示例性实现方式如下，如图3所示，该步骤可以包括：
在步骤31中，确定待识别图像中的每一字符行信息。
其中，可以预先训练一个检测网络，该检测网络用于对图像中的字符行进行识别，获得字符行信息。示例地，该字符行信息可以包括该字符行对应的区域的四个点的坐标信息，如图4所示，为一待识别图像的示意图，其中包含4个字符行，分别为A、B、C、D，则可以通过检测网络确定出字符行A、B、C、D的字符行信息，如图4所示，确定出的字符行A的字符行信息可以为点A1、A2、A3、A4的坐标信息。其他字符行信息的确定方式类似，在此不再赘述。
其中，该检测网络可以通过预先对原始图像中的字符行进行标注，从而可以将原始图像作为神经网络模型的输入，以标注后的图像作为神经网络模型的目标输出，从而对神经网络模型进行训练，获得该检测网络。其中，可以采用本领域中的神经网络学习算法进行训练，本公开对此不进行限定。
作为示例，该检测网络可以作为该字符识别模型中的一个组成部分，该检测网络也可以独立于该字符识别模型，本公开对此不进行限定，该检测网络用于确定出待识别图像中的每一字符行信息，以对待识别图像中的字符行进行检测。
在步骤32中，根据每一字符行信息从待识别图像中确定每一字符行图像。如上文所述，在步骤31中可以确定出每一字符行信息，如字符行A的4个点的坐标信息，相应地在该步骤32中，则可以基于4个点的坐标信息从待识别图像中进行图像提取。示例地，可以将待识别图像中该4个点形成的区域中的图像确定为字符行A对应的字符行图像，从而可以基于字符行信息从待识别图像中进行图像提取，获得字符行图像。其他字符行图像的确定方式类似，在此不再赘述。
在步骤33中，通过特征提取子模型提取每一字符行图像的图像特征。其中，该特征提取子模型中可以包含多个特征层，该特征提取子模型可以由CNN网络实现，则在该步骤中可以通过多个卷积层进行卷积计算从而获得卷积特征，以作为该字符行图像的图像特征。
在步骤34中，通过字符识别子模型对图像特征进行处理，以获得字符识别结果，以及通过所述语种分类子模型对图像特征进行处理，以获得语种分类结果。
在该步骤中，将提取出的图像特征分别输入字符识别子模型和语种分类子模型，以由两个子模型分别基于该图像特征进行各自的计算操作，以获得该字符识别结果和语种分类结果，使得字符识别子模型和语种分类子模型可以复用同一图像特征进行处理。
由此，通过上述技术方案，在进行图像字符识别的过程中，可以首先对待识别图像中的字符行进行检测，从而可以以字符行为单位对待识别图像中的字符和字符行对应的语种进行识别，提高图像字符识别和语种分类的精度，贴合用户的使用需求。同时，可以字符识别子模型和语种分类子模型可以复用同一图像特征，从而可以提高图像特征的利用率，同时提高字符识别的准确性和效率，提高字符识别方法的可拓展性。
在一种可能的实施例中，所述字符识别模型可以通过以下方式进行训练：
确定多组图像训练样本中的训练图像的每一训练字符行图像，其中，每组所述图像训练样本中包括所述训练图像，以及与所述训练图像对应的字符标注结果和语种标注结果。其中，可以通过检测网络确定训练图像中的每一字符行信息，进而从训练图像中确定每一训练字符行图像。该步骤的具体实现方式与上文所述确定待识别图像的每一字符行图像的方式相同，在此不再赘述。
在该实施例中，可以预先获取多张包含多个语种的字符的图像作为训练图像，之后可以对该多张训练图像以字符行为单位进行语种和字符的标注，从而获得每组图像训练样本。
之后，则可以针对每组图像训练样本，以该图像训练样本中的所述训练图像的每一训练字符行图像作为第一预设模型的输入，以所述训练图像对应的字符标注结果和语种标注结果作为所述第一预设模型的目标输出，对所述第一预设模型进行训练，获得所述字符识别模型，其中，所述第一预设模型包括特征提取子模型和第二预设模型，所述第二预设模型包括语种分类子模型和字符识别子模型，所述第二预设模型是基于多组文本训练样本进行预先训练所得的模型，每一组文本训练样本包括训练文本以及该训练文本对应的语种标注结果。
作为示例，在该步骤中，第一预设模型的训练过程如下：
通过所述特征提取子模型提取每一所述训练字符行图像的训练图像特征；通过所述第二预设模型中的字符识别子模型对所述训练图像特征进行处理，以获得训练字符识别结果，以及通过所述第二预设模型中的语种分类子模型对所述训练图像特征进行处理，以获得训练语种分类结果。之后，根据所述训练字符识别结果和所述训练语种分类结果，以及所述字符标注结果和所述语种标注结果，确定所述第一预设模型的目标损失，并在所述第一预设模型的目标损失小于或等于第一预设阈值时结束训练，将获得的第一预设模型确定为所述字符识别模型。其中，该第一预设阈值可以根据实际使用场景进行设置，要求字符识别模型的准确度越高，该第一预设阈值的值越小。
在该步骤中，在确定出第一预设模型的目标损失大于第一预设阈值时，可以以降低目标损失为目标，利用反向传播算法来修正第一预设模型中的模型参数，如模型中神经元的权重和偏置量等。之后，重复上述步骤，即可以重新执行所述通过所述特征提取子模型提取每一所述训练字符行图像的训练图像特征；所述通过所述第二预设模型中的字符识别子模型对所述训练图像特征进行处理，以获得训练字符识别结果，以及通过所述第二预设模型中的语种分类子模型对所述训练图像特征进行处理，以获得训练语种分类结果的步骤，以及所述根据所述训练字符识别结果和所述训练语种分类结果，以及所述字符标注结果和所述语种标注结果，确定所述第一预设模型的目标损失的步骤，直至目标损失小于或等于第一预设阈值。
其中，在重新执行上述步骤的过程中，可以选择不同的图像训练样本进行训练，从而可以提高字符识别模型中的可以学习到的特征的全面性和广泛性，以提高字符识别模型的学习效率。在目标损失小于或等于第一预设阈值时结束训练，表示此时该第一预设模型的识别准确度较高，满足用户的使用需求，此时可以将该第一预设模型作为该字符识别模型使用。
在实际应用场景中，直接通过图像训练样本对字符识别模型进行训练时，需要通过大量图像训练样本进行训练，不仅训练字符识别模型的效率较低，同时需要大量的人力对训练图像中的样本进行标注，工作量较大。因此，在本公开中的实施例中，可以基于文本训练样本预先训练第二预设模型，之后在第二预设模型的基础上通过图像训练样本进一步对第一预设模型进行微调(finetune)，从而获得字符识别模型。
在该实施例中，第二预设模型可以包括字符识别子模型和语种分类子模型，从而在基于文本训练样本对第二预设模型进行训练时，可以将该文本训练文本中的训练文本作为第二预设模型的输入，将该训练文本作为字符识别子模型的目标输出，并将训练文本对应的语种标注结果作为语种分类子模型的目标输出，从而可以基于各个子模型的实际输出和目标输出确定每一子模型的损失，进而确定该第二预设模型的总损失。其中，每一子模型的损失均可以通过相关技术中的损失函数进行计算，如可以采用CEloss进行计算。示例地，可以将语种分类子模型的损失和字符识别子模型的损失进行加权求和，从而确定该第二预设模型的总损失，从而基于该总损失以降低该总损失为目标，利用反向传播算法来修正第二预设模型中的模型参数。
通过上述方式，可以仅基于文本训练样本使得第二预设模型学习到文本的语义特征与字符识别和语种分类之间的映射关系，在该过程中，可以基于文本训练样本中所包含的语义特征对文本字符识别和语种分类进行学习，并且在基于文本训练样本对第二预设模型进行训练时，无需对字符进行标注，可以直接将该训练文本作为字符识别子模型的目标输出，从而可以有效降低获得字符识别模型所需的标注数据量。并且，基于图像训练样本对在该第二预设模型的基础上进行微调获得字符识别模型，可以提高字符识别模型的训练效率。并且可以有效降低单独进行语种分类时所需的数据计算量，进一步提高该字符识别模型的使用场景，提升用户使用体验。
在实际使用过程中，基于该字符识别模型对待识别图像进行字符识别时，该待识别图像中可能会出现在训练该字符识别模型时，暂未进行训练的语种的文字，在该情况下，基于该字符识别模型难以对其进行准确识别。基于此，本公开还提供以下实施例。
在一种可能的实施例中，所述字符识别模型通过如下方式进行更新：
获取待增加的目标语种下的多组微调训练样本，其中，每组微调训练样本中包含微调训练图像，以及与所述微调训练图像对应的字符标注结果和语种标注结果。
其中，所述目标语种即为该字符识别模型中的需要新增加的识别语种。获得该目标语种下的训练样本的方式与上文所述获取图像训练样本的方式相同，在此不再赘述。
之后，针对每组微调训练样本，以该微调训练样本中的所述微调训练图像的每一微调训练字符行图像作为所述字符识别模型的输入，以所述微调训练图像对应的字符标注结果和语种标注结果作为所述字符识别模型的目标输出，对所述字符识别模型进行微调，以获得更新后的所述字符识别模型。
其中，基于微调训练样本对字符识别模型更新的方式与上文所述更新方式类型，在此不再赘述。在该实施例中，在需要增加字符识别模型需要进行识别的新语种下的文字时，无需基于该新语种下的训练样本重新训练一个字符识别模型，而可以基于已经训练好的字符识别模型通过该新语种下的训练样本对该字符识别模型进行微调，从而可以快速且准确地对该字符识别模型进行拓展，使得更新后的字符识别模型可以对更多语种下的文本进行识别，同时也可以保证该字符识别模型在多语种识别下的准确性，进一步提升用户使用体验。
在一种可能的实施例中，所述方法还包括：
根据所述字符识别结果和所述语种分类结果，输出所述待识别图像的识别结果，所述识别结果包括所述待识别图像中的每一字符行文本以及与该字符行文本对应的语种标识。
在该实施例中，在确定出字符识别结果和语种分类结果后，则可以输出显示给用户，以对用户进行提示。示例地，如图5所示，为基于图4中的待识别图像进行字符识别的识别结果的显示示意图，其中，可以分别对应显示其中的每一字符行文本，以便于用户逐行进行查看对比以便于在确定字符识别错误时可以简单准确地确定错误位置，同时可以在每一字符行后显示该字符行对应的语种标识，以向用户提示语种分类，便于用户对待识别图像中的文本更加全面的了解，例如可以为用户后续查询相关的辞典种类提供参考。其中需要进行说明的是，图5所示显示方式仅为示例性说明，不对本公开进行限定，语种标识的显示方式可以是在对应的字符行文本上悬浮显示，或者可以通过鼠标悬停显示的方式均可。
由此，通过上述技术方案，可以将字符识别结果和语种分类结果进行输出显示，从而将待识别图像的识别结果对用户进行准确、方便的提示，便于用户查看识别结果，可以为用户进行后续编辑或者对待识别图像中的文本的使用提供便利，同时以字符行的方式进行显示，也便于用户进行字符识别结果的比对，进一步提升用户使用体验。
在一种可能的实施例中，所述方法还包括：
响应于接收到用户针对于所述识别结果的确认操作，根据所述字符行文本对应的语种标识对所述字符行文本进行语种转换，以获得目标语种下所述字符行文本对应的转换文本。
其中，该目标语种可以是用户预先设置的需要转换的语种，或者根据设备中的默认语种确定出的语种。在该实施例中，在将识别结果输出后，用户可以查看该识别结果是否准确，在确认该识别结果准确的情况下，可以进行确认操作，此时可以对识别出的字符行文本进行语种转换，以为用户提供更加便于阅读的文本。其中，根据所述字符行文本对应的语种标识对所述字符行文本进行语种转换，可以将该待识别图像中对应的各个字符行文本进行拼接，并将连续的对应于同一语种标识的字符行文本进行合并，从而基于合并后的文本进行语种转换，从而可以避免单一字符行文本进行语种转换造成的转换文本的语义偏差，提高转换文本的可读性和准确性。其中，语种转换的过程中可以调用相关技术中的翻译器接口，在此不再赘述。
可替换地或者可附加地，所述方法还可以包括：
响应于接收到用户针对所述识别结果中的目标字符行文本对应的语种标识的修改操作，将修改后的语种标识确定为所述目标字符行文本对应的语种标识。
在该实施例中，在识别出的语种分类结果不准确时，用户可以对该相应的字符行文本对应的语种进行修改，从而可以以用户修改的语种作为该目标字符行文本所对应的语种，进一步提高待识别图像中的字符行文本对应的语种的准确性，以便于为后续进行语种转换提供准确的数据支持。
示例地，用户可以通过修改操作修改对应的字符行文本对应的语种标识，在用户修改完进行确认操作时，则可以直接响应于该确认操作执行根据字符行文本对应的语种标识对所述字符行文本进行语种转换，以获得目标语种下所述字符行文本对应的转换文本。需要进行说明的是，在该过程中若用户对字符行文本的语种标识进行了修改，则进行语种转换时则根据修改后的语种标识进行语种转换，从而可以保证语种转换的准确性，同时可以简化用户操作，提升用户使用体验。
可替换地或者可附加地，所述方法还可以包括：响应于接收到用户针对所述识别结果中的目标字符行文本的修改操作，以修改后的字符替换所述目标字符行文本中与该修改后的字符所对应的字符，获得修改后的目标字符行文本。因此，在该实施例中，可以支持用户对字符识别结果中的识别本文的修改，贴合用户的使用需求。同样地，在用户修改完进行确认操作时，则可以直接响应于该确认操作执行根据字符行文本对应的语种标识对所述字符行文本进行语种转换，以获得目标语种下所述字符行文本对应的转换文本。需要进行说明的是，在该过程中若用户对字符行文本进行了修改，则进行语种转换时则根据修改后的字符行文本进行语种转换，从而可以保证进行语种转换的初始文本的准确性，以保证获得的转换文本的准确性，进一步提升用户使用体验。
本公开还提供一种图像字符识别装置，如图6所示，所述装置10包括：
接收模块100，用于接收待识别图像，其中，所述待识别图像中包含多个语种的字符；
确定模块200，用于根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。
可选地，所述字符识别模型还包括特征提取子模型；
所述确定模块包括：
第一提取子模块，用于通过所述特征提取子模型提取所述待识别图像的图像特征；
第一处理子模块，用于通过所述语种分类子模型对所述图像特征进行语义特征编码，获得所述图像特征对应的语义特征，并根据所述语义特征进行语种分类，获得所述语种分类结果，以及通过所述字符识别子模型对所述图像特征进行解码，以获得所述字符识别结果。
可选地，所述字符识别模型还包括特征提取子模型，所述特征提取子模型的输出分别与所述语种分类子模型和所述字符识别子模型的输入耦合。
可选地，所述字符识别子模型包括Transformer模型的解码器和第一全连接层，所述语种分类子模型包括Transformer模型的编码器和第二全连接层。
可选地，所述字符识别模型通过以下方式进行训练：
确定多组图像训练样本中的训练图像的每一训练字符行图像，其中，每组所述图像训练样本中包括所述训练图像，以及与所述训练图像对应的字符标注结果和语种标注结果；
针对每组图像训练样本，以该图像训练样本中的所述训练图像的每一训练字符行图像作为第一预设模型的输入，以所述训练图像对应的字符标注结果和语种标注结果作为所述第一预设模型的目标输出，对所述第一预设模型进行训练，获得所述字符识别模型，其中，所述第一预设模型包括特征提取子模型和第二预设模型，所述第二预设模型包括语种分类子模型和字符识别子模型，所述第二预设模型是基于多组文本训练样本进行预先训练所得的模型，每一组文本训练样本包括训练文本以及该训练文本对应的语种标注结果。
可选地，所述字符识别模型通过如下方式进行更新：
获取待增加的目标语种下的多组微调训练样本，其中，每组微调训练样本中包含微调训练图像，以及与所述微调训练图像对应的字符标注结果和语种标注结果；
针对每组微调训练样本，以该微调训练样本中的所述微调训练图像的每一微调训练字符行图像作为所述字符识别模型的输入，以所述微调训练图像对应的字符标注结果和语种标注结果作为所述字符识别模型的目标输出，对所述字符识别模型进行微调，以获得更新后的所述字符识别模型。
可选地，所述字符识别模型还包括特征提取子模型，所述待识别图像中包含多个字符行；
所述确定模块包括：
第一确定子模块，用于确定所述待识别图像中的每一字符行信息；
第二确定子模块，用于根据每一所述字符行信息从所述待识别图像中确定每一字符行图像；
第二提取子模块，用于通过所述特征提取子模型提取每一所述字符行图像的图像特征；
第二处理子模块，用于通过所述字符识别子模型对所述图像特征进行处理，以获得所述字符识别结果，以及通过所述语种分类子模型对所述图像特征进行处理，以获得所述语种分类结果。
可选地，所述装置还包括：
输出模块，用于根据所述字符识别结果和所述语种分类结果，输出所述待识别图像的识别结果，所述识别结果包括所述待识别图像中的每一字符行文本以及与该字符行文本对应的语种标识。
可选地，所述装置还包括：
转换模块，用于响应于接收到用户针对于所述识别结果的确认操作，根据所述字符行文本对应的语种标识对所述字符行文本进行语种转换，以获得目标语种下所述字符行文本对应的转换文本；和/或，
修改模块，用于响应于接收到用户针对所述识别结果中的目标字符行文本对应的语种标识的修改操作，将修改后的语种标识确定为所述目标字符行文本对应的语种标识。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7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7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。
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，其包括承载在非暂态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，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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：接收待识别图像，其中，所述待识别图像中包含多个语种的字符；根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。。
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操作的计算机程序代码，上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，接收模块还可以被描述为“接收待识别图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种图像字符识别方法，其中，所述方法包括：
接收待识别图像，其中，所述待识别图像中包含多个语种的字符；
根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述字符识别模型还包括特征提取子模型；
所述根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果，包括：
通过所述特征提取子模型提取所述待识别图像的图像特征；
通过所述语种分类子模型对所述图像特征进行语义特征编码，获得所述图像特征对应的语义特征，并根据所述语义特征进行语种分类，获得所述语种分类结果，以及通过所述字符识别子模型对所述图像特征进行解码，以获得所述字符识别结果。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，其中，所述字符识别模型还包括特征提取子模型，所述特征提取子模型的输出分别与所述语种分类子模型和所述字符识别子模型的输入耦合。
根据本公开的一个或多个实施例，示例4提供了示例1的方法，其中，所述字符识别子模型包括Transformer模型的解码器和第一全连接层，所述语种分类子模型包括Transformer模型的编码器和第二全连接层。
根据本公开的一个或多个实施例，示例5提供了示例1的方法，其中，所述字符识别模型通过以下方式进行训练：
确定多组图像训练样本中的训练图像的每一训练字符行图像，其中，每组所述图像训练样本中包括所述训练图像，以及与所述训练图像对应的字符标注结果和语种标注结果；
针对每组图像训练样本，以该图像训练样本中的所述训练图像的每一训练字符行图像作为第一预设模型的输入，以所述训练图像对应的字符标注结果和语种标注结果作为所述第一预设模型的目标输出，对所述第一预设模型进行训练，获得所述字符识别模型，其中，所述第一预设模型包括特征提取子模型和第二预设模型，所述第二预设模型包括语种分类子模型和字符识别子模型，所述第二预设模型是基于多组文本训练样本进行预先训练所得的模型，每一组文本训练样本包括训练文本以及该训练文本对应的语种标注结果。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，其中，所述字符识别模型通过如下方式进行更新：
获取待增加的目标语种下的多组微调训练样本，其中，每组微调训练样本中包含微调训练图像，以及与所述微调训练图像对应的字符标注结果和语种标注结果；
针对每组微调训练样本，以该微调训练样本中的所述微调训练图像的每一微调训练字符行图像作为所述字符识别模型的输入，以所述微调训练图像对应的字符标注结果和语种标注结果作为所述字符识别模型的目标输出，对所述字符识别模型进行微调，以获得更新后的所述字符识别模型。
根据本公开的一个或多个实施例，示例7提供了示例1的方法，其中，所述字符识别模型还包括特征提取子模型，所述待识别图像中包含多个字符行；
所述根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果，包括：
确定所述待识别图像中的每一字符行信息；
根据每一所述字符行信息从所述待识别图像中确定每一字符行图像；
通过所述特征提取子模型提取每一所述字符行图像的图像特征；
通过所述字符识别子模型对所述图像特征进行处理，以获得所述字符识别结果，以及通过所述语种分类子模型对所述图像特征进行处理，以获得所述语种分类结果。
根据本公开的一个或多个实施例，示例8提供了示例7的方法，其中，所述方法还包括：
根据所述字符识别结果和所述语种分类结果，输出所述待识别图像的识别结果，所述识别结果包括所述待识别图像中的每一字符行文本以及与该字符行文本对应的语种标识。
根据本公开的一个或多个实施例，示例9提供了示例8的方法，其中，所述方法还包括：
响应于接收到用户针对于所述识别结果的确认操作，根据所述字符行文本对应的语种标识对所述字符行文本进行语种转换，以获得目标语种下所述字符行文本对应的转换文本；和/或，
响应于接收到用户针对所述识别结果中的目标字符行文本对应的语种标识的修改操作，将修改后的语种标识确定为所述目标字符行文本对应的语种标识。
根据本公开的一个或多个实施例，示例10提供了一种图像字符识别装置，其中，所述装置包括：
接收模块，用于接收待识别图像，其中，所述待识别图像中包含多个语种的字符；
确定模块，用于根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。
根据本公开的一个或多个实施例，示例11提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理装置执行时实现示例1-9中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例12提供了一种电子设备，其中，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-9中任一项所述方法的步骤。
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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (12)

1.一种图像字符识别方法，其特征在于，所述方法包括：
接收待识别图像，其中，所述待识别图像中包含多个语种的字符；
根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。
2.根据权利要求1所述的方法，其特征在于，所述字符识别模型还包括特征提取子模型；
所述根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果，包括：
通过所述特征提取子模型提取所述待识别图像的图像特征；
通过所述语种分类子模型对所述图像特征进行语义特征编码，获得所述图像特征对应的语义特征，并根据所述语义特征进行语种分类，获得所述语种分类结果，以及通过所述字符识别子模型对所述图像特征进行解码，以获得所述字符识别结果。
3.根据权利要求1所述的方法，其特征在于，所述字符识别模型还包括特征提取子模型，所述特征提取子模型的输出分别与所述语种分类子模型和所述字符识别子模型的输入耦合。
4.根据权利要求1所述的方法，其特征在于，所述字符识别子模型包括Transformer模型的解码器和第一全连接层，所述语种分类子模型包括Transformer模型的编码器和第二全连接层。
5.根据权利要求1所述的方法，其特征在于，所述字符识别模型通过以下方式进行训练：
确定多组图像训练样本中的训练图像的每一训练字符行图像，其中，每组所述图像训练样本中包括所述训练图像，以及与所述训练图像对应的字符标注结果和语种标注结果；
针对每组图像训练样本，以该图像训练样本中的所述训练图像的每一训练字符行图像作为第一预设模型的输入，以所述训练图像对应的字符标注结果和语种标注结果作为所述第一预设模型的目标输出，对所述第一预设模型进行训练，获得所述字符识别模型，其中，所述第一预设模型包括特征提取子模型和第二预设模型，所述第二预设模型包括语种分类子模型和字符识别子模型，所述第二预设模型是基于多组文本训练样本进行预先训练所得的模型，每一组文本训练样本包括训练文本以及该训练文本对应的语种标注结果。
6.根据权利要求5所述的方法，其特征在于，所述字符识别模型通过如下方式进行更新：
获取待增加的目标语种下的多组微调训练样本，其中，每组微调训练样本中包含微调训练图像，以及与所述微调训练图像对应的字符标注结果和语种标注结果；
针对每组微调训练样本，以该微调训练样本中的所述微调训练图像的每一微调训练字符行图像作为所述字符识别模型的输入，以所述微调训练图像对应的字符标注结果和语种标注结果作为所述字符识别模型的目标输出，对所述字符识别模型进行微调，以获得更新后的所述字符识别模型。
7.根据权利要求1所述的方法，其特征在于，所述字符识别模型还包括特征提取子模型，所述待识别图像中包含多个字符行；
所述根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果，包括：
确定所述待识别图像中的每一字符行信息；
根据每一所述字符行信息从所述待识别图像中确定每一字符行图像；
通过所述特征提取子模型提取每一所述字符行图像的图像特征；
通过所述字符识别子模型对所述图像特征进行处理，以获得所述字符识别结果，以及通过所述语种分类子模型对所述图像特征进行处理，以获得所述语种分类结果。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
根据所述字符识别结果和所述语种分类结果，输出所述待识别图像的识别结果，所述识别结果包括所述待识别图像中的每一字符行文本以及与该字符行文本对应的语种标识。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
响应于接收到用户针对于所述识别结果的确认操作，根据所述字符行文本对应的语种标识对所述字符行文本进行语种转换，以获得目标语种下所述字符行文本对应的转换文本；和/或，
响应于接收到用户针对所述识别结果中的目标字符行文本对应的语种标识的修改操作，将修改后的语种标识确定为所述目标字符行文本对应的语种标识。
10.一种图像字符识别装置，其特征在于，所述装置包括：
接收模块，用于接收待识别图像，其中，所述待识别图像中包含多个语种的字符；
确定模块，用于根据所述待识别图像和字符识别模型，确定所述待识别图像对应的字符识别结果和语种分类结果；
其中，所述字符识别模型中包含字符识别子模型和语种分类子模型，所述语种分类子模型用于基于所述待识别图像对应的语义特征对所述多个语种的字符进行语种分类，所述字符识别子模型用于对所述多个语种的字符进行识别。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。
CN202110210130.8A 2021-02-24 2021-02-24 图像字符识别方法、装置、介质及电子设备 Active CN112883967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110210130.8A CN112883967B (zh) 2021-02-24 2021-02-24 图像字符识别方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110210130.8A CN112883967B (zh) 2021-02-24 2021-02-24 图像字符识别方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN112883967A true CN112883967A (zh) 2021-06-01
CN112883967B CN112883967B (zh) 2023-02-28

Family

ID=76054426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110210130.8A Active CN112883967B (zh) 2021-02-24 2021-02-24 图像字符识别方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN112883967B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313064A (zh) * 2021-06-23 2021-08-27 北京有竹居网络技术有限公司 字符识别方法、装置、可读介质及电子设备
CN114120346A (zh) * 2021-10-21 2022-03-01 北京百度网讯科技有限公司 内容识别方法、装置、电子设备及存储介质
CN114187593A (zh) * 2021-12-14 2022-03-15 北京有竹居网络技术有限公司 一种图像处理方法及装置
CN114998881A (zh) * 2022-05-27 2022-09-02 北京百度网讯科技有限公司 深度学习模型的训练方法、文本识别方法、装置和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598937A (zh) * 2015-10-16 2017-04-26 阿里巴巴集团控股有限公司 用于文本的语种识别方法、装置和电子设备
CN107203763A (zh) * 2016-03-18 2017-09-26 北大方正集团有限公司 文字识别方法和装置
US20180307679A1 (en) * 2017-04-23 2018-10-25 Voicebox Technologies Corporation Multi-lingual semantic parser based on transferred learning
CN110569830A (zh) * 2019-08-01 2019-12-13 平安科技（深圳）有限公司 多语言文本识别方法、装置、计算机设备及存储介质
CN111563495A (zh) * 2020-05-09 2020-08-21 北京奇艺世纪科技有限公司 一种图像中字符的识别方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598937A (zh) * 2015-10-16 2017-04-26 阿里巴巴集团控股有限公司 用于文本的语种识别方法、装置和电子设备
CN107203763A (zh) * 2016-03-18 2017-09-26 北大方正集团有限公司 文字识别方法和装置
US20180307679A1 (en) * 2017-04-23 2018-10-25 Voicebox Technologies Corporation Multi-lingual semantic parser based on transferred learning
CN110569830A (zh) * 2019-08-01 2019-12-13 平安科技（深圳）有限公司 多语言文本识别方法、装置、计算机设备及存储介质
CN111563495A (zh) * 2020-05-09 2020-08-21 北京奇艺世纪科技有限公司 一种图像中字符的识别方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ADITYA MOGADALA 等: "Bilingual Word Embeddings from Parallel and Non-parallel Corpora for Cross-Language Text Classification", 《PROCEEDINGS OF NAACL-HLT 2016》, 17 June 2016 (2016-06-17), pages 692 - 702 *
张巍 等: "基于隐含狄利克雷分布的多语种文本的自动检测研究", 《中国海洋大学学报(自然科学版)》, vol. 47, no. 12, 15 December 2017 (2017-12-15), pages 130 - 136 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313064A (zh) * 2021-06-23 2021-08-27 北京有竹居网络技术有限公司 字符识别方法、装置、可读介质及电子设备
CN114120346A (zh) * 2021-10-21 2022-03-01 北京百度网讯科技有限公司 内容识别方法、装置、电子设备及存储介质
CN114187593A (zh) * 2021-12-14 2022-03-15 北京有竹居网络技术有限公司 一种图像处理方法及装置
CN114187593B (zh) * 2021-12-14 2024-01-30 北京有竹居网络技术有限公司 一种图像处理方法及装置
CN114998881A (zh) * 2022-05-27 2022-09-02 北京百度网讯科技有限公司 深度学习模型的训练方法、文本识别方法、装置和设备
CN114998881B (zh) * 2022-05-27 2023-11-07 北京百度网讯科技有限公司 深度学习模型的训练方法、文本识别方法、装置和设备

Also Published As

Publication number Publication date
CN112883967B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN112883967B (zh) 图像字符识别方法、装置、介质及电子设备
CN112883968B (zh) 图像字符识别方法、装置、介质及电子设备
CN113470619B (zh) 语音识别方法、装置、介质及设备
CN111798834B (zh) 多音字的识别方法、装置、可读介质和电子设备
CN112509562B (zh) 用于文本后处理的方法、装置、电子设备和介质
CN113436620B (zh) 语音识别模型的训练方法、语音识别方法、装置、介质及设备
CN112883966B (zh) 图像字符识别方法、装置、介质及电子设备
CN113362811B (zh) 语音识别模型的训练方法、语音识别方法和装置
CN113313064A (zh) 字符识别方法、装置、可读介质及电子设备
CN110659639B (zh) 汉字识别方法、装置、计算机可读介质及电子设备
CN111667810B (zh) 多音字语料的获取方法、装置、可读介质和电子设备
CN110826567A (zh) 光学字符识别方法、装置、设备及存储介质
CN111368560A (zh) 文本翻译方法、装置、电子设备及存储介质
CN112380876A (zh) 基于多语言机器翻译模型的翻译方法、装置、设备和介质
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN114765025A (zh) 语音识别模型的生成方法、识别方法、装置、介质及设备
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN114067327A (zh) 文本识别方法、装置、可读介质及电子设备
CN112712795A (zh) 标注数据确定方法、装置、介质及电子设备
CN112487937B (zh) 视频识别方法、装置、存储介质及电子设备
CN114429629A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN115984868A (zh) 文本处理方法、装置、介质及设备
CN113986958A (zh) 文本信息的转换方法、装置、可读介质和电子设备
CN110728137B (zh) 用于分词的方法和装置
CN112685996B (zh) 文本标点预测方法、装置、可读介质和电子设备

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
GR01 Patent grant
GR01 Patent grant