CN112883968B - 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 PDFInfo
- Publication number
- CN112883968B CN112883968B CN202110210136.5A CN202110210136A CN112883968B CN 112883968 B CN112883968 B CN 112883968B CN 202110210136 A CN202110210136 A CN 202110210136A CN 112883968 B CN112883968 B CN 112883968B
- Authority
- CN
- China
- Prior art keywords
- character
- image
- language
- character recognition
- recognized
- 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
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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (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;所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。由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,并且贴合多语种下的应用场景。
Description
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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。
第二方面,本公开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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。
第三方面,本公开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,本公开提供一种电子设备,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,可以通过字符识别模型中的解码模块在其解码的过程中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,该字符识别模型可以同时进行字符识别和语种分类,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3是一待识别图像的示意图;
图4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5是基于图3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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。
示例地,该解码模块可以为Transformer模型的解码器,在所述解码模块在对图像特征进行解码时,其可以对图像特征进行顺序迭代解码获得每一解码特征进而获得识别出的每一字符,而在本公开实施例中,在字符识别模型中基于该解码模块进行解码时,可以基于该每一解码特征同时获得对应的字符以及该字符对应的语种分类,从而获得字符识别结果和所述语种分类结果。
在该实施例中,解码模块在解码时同时进行字符识别和语种分类,从而可以在语种分类和字符识别时,充分考虑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,可以通过字符识别模型中的解码模块在其解码的过程中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,该字符识别模型可以同时进行字符识别和语种分类,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,所述待识别图像中包含多个字符行,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与所述解码模块的输入耦合。
示例地,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 Neural Networks,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。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。
相应地,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2所示,该步骤可以包括:
在步骤21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3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3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22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21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22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23中,针对每一字符行图像,通过特征提取子模型提取字符行图像的图像特征。
在步骤24中,在解码模块对图像特征进行迭代解码的过程中,针对图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类,其中,该语种分类用于指示该字符所对应的语种。
示例地,获得的图像特征为W*H的矩阵,其中W用于表征字符维度,H用于表征特征维度,例如图像特征为24*512的矩阵,即该图像特征中包含24个字符,每一字符通过512维特征进行表示。因此,在解码模块对图像特征进行迭代解码的过程中,针对图像特征中每一字符维度的特征,针对该矩阵的128行中的每一行向量进行逐行迭代解码所得的解码特征确定该字符维度对应的字符和语种分类。
在步骤25中,根据每一字符维度对应的语种分类,确定字符行图像对应的语种分类结果,并根据每一字符维度对应的字符确定字符行图像对应的字符识别结果。
其中,在该实施例中,通过对每一字符维度的特征进行字符识别可以获得该字符维度对应的字符,从而可以将该字符行图像的图像特征中的每一字符维度识别出来的字符进行顺序拼接获得该字符行图像的字符识别结果。并且,在解码过程中可以同时确定出每一字符维度对应的语种分类,从而可以根据该字符行中各个字符的语种分类确定字符行对应的语种分类结果,在提高语种分类结果的精度的同时,便于后续对字符行整体的操作。由此,可以通过确定待识别图像中的每一字符行图像的对应的语种分类结果和字符识别结果,以获得该待识别图像对应的语种分类结果和字符识别结果,该待识别图像对应的语种分类结果和字符识别结果包含每一符行图像的对应的语种分类结果和字符识别结果。
在该步骤中,可以基于解码出的解码特征分别进行计算,以获得该字符维度对应的字符和语种分类,使得在进行字符识别和语种分类时能够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,在进行字符识别和语种分类时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。
在实际应用场景中,同一字符行图像中的不同字符确定的语种分类可能不同,因此,本公开还提供以下实施例,以在字符行图像对应有多个语种分类时确定该字符行图像对应的语种分类结果。
在一种可能的实施例中,在所确定的所述字符行图像的图像特征中的字符维度对应的语种分类为多种的情况下,
在步骤25中,根据每一字符维度对应的语种分类,确定字符行图像对应的语种分类结果的实现方式可以包括以下条件中的一种:
第一种条件,将对应的字符维度的数量最多的语种分类确定为所述字符行图像对应的语种分类结果。
作为示例,该字符行图像中包含有24个字符,则可以分别确定出24个语种分类,其中中文对应有19个字符,英文对应有5个字符,则在该示例中,可以将中文确定该字符行图像的语种分类结果。在该示例中,该语种分类结果可以用于表征该字符行图像中所包含的字符整体对应的语种分类。
第二种条件,将每一所述字符维度对应的语种分类进行去重所得的多个语种分类确定为所述字符行图像对应的语种分类结果。
作为另一示例,该字符行图像中包含有24个字符,确定出的语种分类分别是中文对应有19个字符,英文对应有5个字符,则在该示例中,可以确定该字符行对应的语种分类结果为{中文,英文},即在该实施例中,所述语种分类结果可以用于表示该字符行图像中所包含的各个语种分类。
第三种条件,将每一所述字符维度对应的语种分类进行去重所得的多个目标语种分类,以及每一所述目标语种分类对应的字符维度的数量确定为所述字符行图像对应的语种分类结果。
作为另一示例,该字符行图像中包含有24个字符,确定出的语种分类分别是中文对应有19个字符,英文对应有5个字符,则在该示例中,可以确定该字符行对应的语种分类结果为{中文:19,英文:5},即在该实施例中,所述语种分类结果可以用于表示该字符行图像中所包含的各个语种分类以及每一语种分类所对应的字符数量。
第四种条件,将对应于同一语种分类的相邻字符维度进行合并,并将该语种分类确定为合并后所得的字符维度对应的字符段的语种分类,所述字符行图像对应的语种分类结果包括每一所述字符段以及所述字符段对应的语种分类。
作为另一示例,该字符行图像中包含有24个字符,确定出的语种分类分别是中文对应有19个字符,英文对应有5个字符,若第1-5个字符的语种分类为中文,第6-10个字符的语种分类为英文,第11-14个字符的语种分类为中文,则在该示例中,可以将第1-5个字符合并为字符段A1,该字符段A1对应的语种分类为中文,将第6-10个字符合并为字符段A2,该字符段A2对应的语种分类为英文,将第11-24个字符合并为字符段A3,该字符段A3对应的语种分类为中文,则可以确定该字符行对应的语种分类结果为{A1:中文,A2:英文,A3:中文},即在该实施例中,所述语种分类结果可以用于表示该字符行图像中所包含的字符中对应于同一语种分类且连续的字符的特征。
由此,通过上述技术方案,可以根据字符行图像的图像特征中每一字符维度对应的语种分类,确定字符行图像对应的语种分类结果,从而可以提高该语种分类结果的准确性,同时可以对该字符行文本对应的语种分类进行准确表征,为后续基于语种分类结果的处理提供准确的数据支持。
在一种可能的实施例中,如图4所示,所述字符识别模型20包括特征提取子模型101,还包括分别与所述解码模块102连接的第一全连接层1031和第二全连接层1032;
所述在所述解码模块对所述图像特征进行迭代解码的过程中,针对所述图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类的示例性实现方式可以包括:
通过所述第一全连接层将所述解码特征映射至字符空间,获得该字符维度对应的字符;以及通过所述第二全连接层将所述解码特征映射至语种空间,获得该字符维度对应的语种分类。
其中,所述字符空间和所述语种空间可以预先设置,示例地,字符空间中可以包括N个字符,语种空间中可以包括M种语种分类,在第一全连接层1031,可以将该解码特征映射至该N个字符,即确定该解码特征对应于每一字符的概率信息,从而可以将概率信息所表示的概率最大的字符确定为该字符维度对应的字符。同样地,在第二全连接层1032,可以将该解码特征映射至该M种语种分类,即确定该解码特征对应于每一语种分类的概率信息,从而可以将概率信息所表示的概率最大的语种分类确定为该字符维度对应的语种分类。
由此,通过上述技术方案,在通过解码模块进行对图像特征进行解码获得字符的同时,可以在字符识别模型中增加第二全连接层,以同时实现语种分类,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,一方面在字符识别模型中可以将语种分类和字符识别的计算过程进行联合训练,以便于通过语种分类的过程对字符识别的过程进行辅助训练,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3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。
在一种可能的实施例中,如上文所述语种分类结果中可以包含对应的字符数量时,则可以在显示对应的语种标识后,对应显示该语种标识对应的字符数量,以对用户进行准确提示。作为另一实施例,语种分类结果中包含字符段以及字符段的语种分类,则可以在该字符行文本中的每一字符段的最后一位字符处显示对应的语种分类的语种标识,从而既可以对用户进行字符段的提示,同时可以提示相应的语种分类,贴合用户的使用需求。
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。
在一种可能的实施例中,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。
针对每组所述图像训练样本,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解码模块以及与所述解码模块分别连接的第一全连接层和第二全连接层,其中,所述解码模块可以为Transformer模型的解码器,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解码模块和第一全连接层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解码模块和第二全连接层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解码模块和第一全连接层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解码模块和第二全连接层对所述训练图像特征进行处理,以获得训练语种分类结果和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训练,从而获得字符识别模型。
在该实施例中,所述第二预设模型包括解码模块以及与所述解码模块分别连接的第一全连接层和第二全连接层,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出字符识别计算和语种分类计算的损失,进而确定该第二预设模型的总损失。其中,每一计算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,可以将字符识别计算的损失和语种分类计算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。之后,可以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(finetune)以获得字符识别模型,进而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。
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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。
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与所述解码模块的输入耦合,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;
提取子模块,用于针对每一所述字符行图像,通过所述特征提取子模型提取所述字符行图像的图像特征;
第三确定子模块,用于在所述解码模块对所述图像特征进行迭代解码的过程中,针对所述图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类;
第四确定子模块,用于根据每一所述字符维度对应的语种分类,确定所述字符行图像对应的所述语种分类结果,并根据每一所述字符维度对应的字符确定所述字符行图像对应的所述字符识别结果。
可选地,在所确定的所述字符行图像的图像特征中的字符维度对应的语种分类为多种的情况下,所述第四确定子模块包括:
第五确定子模块,用于将对应的字符维度的数量最多的语种分类确定为所述字符行图像对应的语种分类结果;或
第六确定子模块,用于将每一所述字符维度对应的语种分类进行去重所得的多个语种分类确定为所述字符行图像对应的语种分类结果;或
第七确定子模块,用于将每一所述字符维度对应的语种分类进行去重所得的多个目标语种分类,以及每一所述目标语种分类对应的字符维度的数量确定为所述字符行图像对应的语种分类结果;或
第八确定子模块,用于将对应于同一语种分类的相邻字符维度进行合并,并将该语种分类确定为合并后所得的字符维度的语种分类结果,以获得所述字符行图像对应的语种分类结果。
可选地,所述字符识别模型还包括分别与所述解码模块连接的第一全连接层和第二全连接层;
所述第三确定子模块包括:
通过所述第一全连接层将所述解码特征映射至字符空间,获得该字符维度对应的字符;以及通过所述第二全连接层将所述解码特征映射至语种空间,获得该字符维度对应的语种分类。
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。
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解码模块以及与所述解码模块分别连接的第一全连接层和第二全连接层,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。
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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。
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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。
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,所述特征提取子模型的输出与所述解码模块的输入耦合,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;
针对每一所述字符行图像,通过所述特征提取子模型提取所述字符行图像的图像特征;
在所述解码模块对所述图像特征进行迭代解码的过程中,针对所述图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类;
根据每一所述字符维度对应的语种分类,确定所述字符行图像对应的所述语种分类结果,并根据每一所述字符维度对应的字符确定所述字符行图像对应的所述字符识别结果。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,其中,在所确定的所述字符行图像的图像特征中的字符维度对应的语种分类为多种的情况下,所述根据每一所述字符维度对应的语种分类,确定所述字符行图像对应的所述语种分类结果,包括:
将对应的字符维度的数量最多的语种分类确定为所述字符行图像对应的语种分类结果;或
将每一所述字符维度对应的语种分类进行去重所得的多个语种分类确定为所述字符行图像对应的语种分类结果;或
将每一所述字符维度对应的语种分类进行去重所得的多个目标语种分类,以及每一所述目标语种分类对应的字符维度的数量确定为所述字符行图像对应的语种分类结果;或
将对应于同一语种分类的相邻字符维度进行合并,并将该语种分类确定为合并后所得的字符维度的语种分类结果,以获得所述字符行图像对应的语种分类结果。
根据本公开的一个或多个实施例,示例4提供了示例2的方法,其中,所述字符识别模型还包括分别与所述解码模块连接的第一全连接层和第二全连接层;
所述在所述解码模块对所述图像特征进行迭代解码的过程中,针对所述图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类,包括:
通过所述第一全连接层将所述解码特征映射至字符空间,获得该字符维度对应的字符;以及通过所述第二全连接层将所述解码特征映射至语种空间,获得该字符维度对应的语种分类。
根据本公开的一个或多个实施例,示例5提供了示例2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6提供了示例5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7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解码模块以及与所述解码模块分别连接的第一全连接层和第二全连接层,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8提供了示例7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9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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果。
根据本公开的一个或多个实施例,示例10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1-8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11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1-8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 (9)
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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果;
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与所述解码模块的输入耦合,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;
针对每一所述字符行图像,通过所述特征提取子模型提取所述字符行图像的图像特征;
在所述解码模块对所述图像特征进行迭代解码的过程中,针对所述图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类;
根据每一所述字符维度对应的语种分类,确定所述字符行图像对应的所述语种分类结果,并根据每一所述字符维度对应的字符确定所述字符行图像对应的所述字符识别结果;
所述字符识别模型还包括分别与所述解码模块连接的第一全连接层和第二全连接层;
所述在所述解码模块对所述图像特征进行迭代解码的过程中,针对所述图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类,包括:
通过所述第一全连接层将所述解码特征映射至字符空间,获得该字符维度对应的字符;以及通过所述第二全连接层将所述解码特征映射至语种空间,获得该字符维度对应的语种分类。
2.根据权利要求1所述的方法,其特征在于,在所确定的所述字符行图像的图像特征中的字符维度对应的语种分类为多种的情况下,所述根据每一所述字符维度对应的语种分类,确定所述字符行图像对应的所述语种分类结果,包括:
将对应的字符维度的数量最多的语种分类确定为所述字符行图像对应的语种分类结果;或
将每一所述字符维度对应的语种分类进行去重所得的多个语种分类确定为所述字符行图像对应的语种分类结果;或
将每一所述字符维度对应的语种分类进行去重所得的多个目标语种分类,以及每一所述目标语种分类对应的字符维度的数量确定为所述字符行图像对应的语种分类结果;或
将对应于同一语种分类的相邻字符维度进行合并,并将该语种分类确定为合并后所得的字符维度对应的字符段的语种分类,所述字符行图像对应的语种分类结果包括每一所述字符段以及所述字符段对应的语种分类。
3.根据权利要求1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。
4.根据权利要求3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。
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所述解码模块以及与所述解码模块分别连接的第一全连接层和第二全连接层,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。
7.一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,所述字符识别模型包括解码模块,在所述解码模块对所述待识别图像的图像特征进行迭代解码的过程中,基于解码获得的每一解码特征进行字符识别和语种分类,以获得所述字符识别结果和所述语种分类结果;
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与所述解码模块的输入耦合,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;
提取子模块,用于针对每一所述字符行图像,通过所述特征提取子模型提取所述字符行图像的图像特征;
第三确定子模块,用于在所述解码模块对所述图像特征进行迭代解码的过程中,针对所述图像特征中每一字符维度的特征,根据对该字符维度的特征进行解码所得的解码特征确定该字符维度对应的字符和语种分类;
第四确定子模块,用于根据每一所述字符维度对应的语种分类,确定所述字符行图像对应的所述语种分类结果,并根据每一所述字符维度对应的字符确定所述字符行图像对应的所述字符识别结果;
所述字符识别模型还包括分别与所述解码模块连接的第一全连接层和第二全连接层;
所述第三确定子模块包括:
通过所述第一全连接层将所述解码特征映射至字符空间,获得该字符维度对应的字符;以及通过所述第二全连接层将所述解码特征映射至语种空间,获得该字符维度对应的语种分类。
8.一种计算机可读介质,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1-6中任一项所述方法的步骤。
9.一种电子设备,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1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210136.5A CN112883968B (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 |
---|---|---|---|
CN202110210136.5A CN112883968B (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 |
---|---|
CN112883968A CN112883968A (zh) | 2021-06-01 |
CN112883968B true CN112883968B (zh) | 2023-02-28 |
Family
ID=76054423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110210136.5A Active CN112883968B (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) | CN112883968B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255652B (zh) * | 2021-07-09 | 2021-10-29 | 北京世纪好未来教育科技有限公司 | 文本修正方法、装置、设备及介质 |
CN113657391A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 文字识别模型的训练方法、识别文字的方法和装置 |
CN114067327A (zh) * | 2021-11-18 | 2022-02-18 | 北京有竹居网络技术有限公司 | 文本识别方法、装置、可读介质及电子设备 |
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 |
CN114495112B (zh) * | 2022-01-20 | 2024-07-19 | 北京字节跳动网络技术有限公司 | 图像中文本的处理方法、装置、可读介质和电子设备 |
CN114445808A (zh) * | 2022-01-21 | 2022-05-06 | 上海易康源医疗健康科技有限公司 | 基于Swin Transformer的手写文字识别方法及系统 |
Citations (4)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110914827B (zh) * | 2017-04-23 | 2024-02-09 | 赛伦斯运营公司 | 生成多语言语义解析器的系统和计算机实现方法 |
-
2021
- 2021-02-24 CN CN202110210136.5A patent/CN112883968B/zh active Active
Patent Citations (4)
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 |
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)
Title |
---|
Aditya Mogadala 等.Bilingual Word Embeddings from Parallel and Non-parallel Corpora for Cross-Language Text Classification.《Proceedings of NAACL-HLT 2016》.2016,第692-702页. * |
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)》.2017,第47卷(第12期),第130-136页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112883968A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN113313064B (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
CN112883967B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112883966B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN113378586B (zh) | 语音翻译方法、翻译模型训练方法、装置、介质及设备 | |
CN112509562B (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN110659639B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN112712795B (zh) | 标注数据确定方法、装置、介质及电子设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN110674813B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
CN115129877B (zh) | 标点符号预测模型的生成方法、装置和电子设备 | |
CN114495112B (zh) | 图像中文本的处理方法、装置、可读介质和电子设备 | |
CN114612909A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN114429629A (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
CN110728137B (zh) | 用于分词的方法和装置 | |
CN111460214B (zh) | 分类模型训练方法、音频分类方法、装置、介质及设备 | |
CN114495080A (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN114758342A (zh) | 文本识别方法、装置、介质及电子设备 | |
CN113986958A (zh) | 文本信息的转换方法、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 |