CN113343981A - 一种视觉特征增强的字符识别方法、装置和设备 - Google Patents

Abstract

根据本公开的实施例，提供了一种视觉特征增强的字符识别方法、装置和设备。涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于智慧城市和智慧金融场景。具体方案为：针对包括字符的图像中的多个区域中的每个区域，确定区域的视觉特征和区域的多个字符文本特征，字符文本特征对应于区域中的一个字符；针对每个区域，基于区域的视觉特征和多个字符文本特征，确定区域的中的字符的字符视觉语义特征；以及基于字符视觉语义特征，对字符进行识别。由此，能够提升文本识别的准确率。

Description

一种视觉特征增强的字符识别方法、装置和设备

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术领域，可应用于智慧城市和智慧金融场景；并且更具体地，涉及用于视觉特征增强的字符识别方法、装置、设备、计算机可读存储介质和计算机程序产品。

背景技术

随着信息技术的发展，神经网络被广泛用于诸如计算机视觉、语音识别和信息检索等的各种机器学习任务。文档的特定信息提取，是从文档(例如请示、通知函、报告、会议纪要，以及合同、招标书、巡检报告、检修工单)中自动抽取特定信息，包括用户感兴趣的信息实体和关系等。利用神经网络对文档的图像进行处理，以对文档中的信息提取被认为是一种有效的方法。然而，文本识别的准确率还有待提高。

发明内容

根据本公开的示例实施例，提供了一种视觉特征增强的字符识别方法、装置、设备、计算机可读存储介质和计算机程序产品。

在本公开的第一方面中，提供了一种视觉特征增强的字符识别方法。该方法包括：针对包括字符的图像中的多个区域中的每个区域，确定区域的视觉特征和区域的多个字符文本特征，字符文本特征对应于区域中的一个字符；针对每个区域，基于区域的视觉特征和多个字符文本特征，确定区域的中的字符的字符视觉语义特征；以及基于字符视觉语义特征，对字符进行识别。

在本公开的第二方面中，提供了一种视觉特征增强的字符识别装置。该装置包括：第一特征确定模块，被配置为针对包括字符的图像中的多个区域中的每个区域，确定区域的视觉特征和区域的多个字符文本特征，字符文本特征对应于区域中的一个字符；第二特征确定模块，被配置为针对每个区域，基于区域的视觉特征和多个字符文本特征，确定区域的中的字符的字符视觉语义特征；以及字符识别模块，被配置为基于字符视觉语义特征，对字符进行识别。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令被处理器实现如本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，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。在附图中，相同或相似的附图标记表示相同或相似的元素。附图用于更好地理解本方案，不构成对本公开的限定，其中：

图1示出了本公开的一些实施例能够在其中实现的视觉特征增强的字符识别的系统100的示例的示意图；

图2示出了本公开实施例的包括字符的图像的示例性图像200；

图3示出了根据本公开的一些实施例的用于视觉特征增强的字符识别的过程300的流程图；

图4示出了根据本公开的一些实施例的用于确定字符视觉语义特征的过程400的流程图；

图5示出了根据本公开的实施例的视觉特征增强的字符识别的装置500的示意框图；以及

图6示出了能够实施本公开的多个实施例的设备600的框图。

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。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

在本公开的实施例中，术语“模型”能够处理输入并且提供相应输出。以神经网络模型为例，其通常包括输入层、输出层以及在输入层与输出层之间的一个或多个隐藏层。在深度学习应用中使用的模型(也称为“深度学习模型”)通常包括许多隐藏层，从而延长网络的深度。神经网络模型的各个层按顺序相连以使得前一层的输出被用作后一层的输入，其中输入层接收神经网络模型的输入，而输出层的输出作为神经网络模型的最终输出。神经网络模型的每个层包括一个或多个节点(也称为处理节点或神经元)，每个节点处理来自上一层的输入。在本文中，术语“神经网络”、“模型”、“网络”和“神经网络模型”可互换使用。

如以上提及的，需要提高文本识别的准确率。在传统方案中，通常存在如下三种情况：(1)人工手动录入。该方法缺陷在于不适用智能办公系统。无法实现自动化，人力成本较高。(2)通过搜索关键字和规则匹配来确确定对应的文本片段。该方法缺陷在于局限于固定样式的文档，应用范围有局限性。(3)基于命名实体抽取方案，训练一个基于纯文本的语言模型，该模型用于提取预定义类别的文本实体片段。该方法缺陷在于使用纯文本进行实体抽取，忽略了文档中内容的视觉排版，容易导致语义混淆问题。因此，传统方案对图像中的字符的识别的准确率较低。

本公开的示例实施例提出了一种视觉特征增强的字符识别的方案。在该方案中，首先获取待处理的图像，图像中包括待识别的字符。图像可以根据字符所在的行或者列被划分为多个区域，可以针对每个区域，确定在该区域中的字符的文本特征以及该区域的视觉特征(图像特征、位置特征等)。然后根据上述确定的区域的视觉特征和该区域中的字符的文本特征，对其进行例如特征融合操作，来确定字符的字符视觉语义特征。并且最后根据字符视觉语义特征，对字符进行分类和识别，以便于与待确定的实体进行匹配和提取。根据本公开的实施例，通过综合考虑图像中的字符和区域的位置特征、视觉特征和文本特征，可以准确地识别不同字符，进而提升文本识别的准确率。

图1示出本公开的一些实施例能够在其中实现的视觉特征增强的字符识别图的系统100的示例的示意图。

如图1所示，系统100包括计算设备110。计算设备110可以是具有计算能力的任何设备，例如个人计算机、平板计算机、可穿戴设备、云服务器、大型机和分布式计算系统等。

计算设备110获取输入120。例如，输入120可以是图像、视频、音频、文本、和/或多媒体文件等。计算设备110可以将输入120应用于网络模型130，以利用网络模型130，生成与输入120相对应的处理结果140。在一些实施例中，网络模型130可以是但不限于OCR识别模型、图像分类模型、语义分割模型、目标检测模型，或者其他与图像处理相关的神经网络模型。可以利用任何合适的网络结构来实现网络模型130，包括但不限于支持向量机(SVM)模型，贝叶斯模型，随机森林模型，各种深度学习/神经网络模型，诸如卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)、深度强化学习网路(DQN)等。本公开的范围在此方面不受限制。

系统100还可以包括训练数据获取装置、模型训练装置和模型应用装置(未示出)。在一些实施例中，上述多个装置可以分别实现在不同的物理计算设备中。备选地，上述多个装置中的至少一部分装置可以被实现在同一计算设备中。例如，训练数据获取装置、模型训练装置和可以被实现在同一计算设备中，而模型应用装置可以被实现在另一计算设备中。

输入120可以是待处理的输入数据(例如，图像数据)，网络模型130是经图像处理(例如，经训练的图像分类模型)，处理结果140可以是与输入120(例如，图像数据)相对应的预测结果(例如，图像的分类结果、语义分割结果或目标识别结果)。

在一些实施例中，处理结果140还可以是待处理图像中的每个字符的分类结果。在一些实施例中，处理结果140可以是待确定的多个实体在文本中所对应的字符，例如实体“姓名”对应于“张三”，实体“日期”对应于“2021年01月01日”，实体“金额”对应于“200”等。备选地，在一些实施例中，处理结果140还可以是图像中的多个区域的关联程度。可以根据需要应用根据本公开的实施例的方法以获取不同的处理结果140，本公开在此不做限制。

在一些实施例中，为了减少模型的计算量，计算设备110可以对输入120(例如图像)进行进一步处理。例如，计算设备110可以对上述图片进行尺寸重新设定和归一化操作，以形成预处理图像。在一些实施例中，对于形式为图像的输入120，可以通过对其中的图像进行图像裁剪、旋转和翻转。

应当理解，图1所示的系统100仅仅是本公开的实施例可实现于其中的一种示例，不旨在限制本公开的范围。本公开的实施例同样适用于其他系统或架构。

图2示出了本公开实施例的包括字符的图像的示例性图像200。

为了在下文中清楚地对实施例进行阐述，在描述本公开的各实施例前，首先参考图2对包括字符的图像200进行描述。

如图2所示，图像200包括多个区域210-270(由虚线矩形框所指示)，每个区域可以包括多个字符，例如区域210可以包括多个字符211-217。区域在这里可以是指一行字符或一行文本在图像200中所占据的区域，或者一列字符或一列文本在图像200中所占据的区域。区域可以是任何形状，本公开在此不做限制。字符可以是各种语言形式的文本。下文将参考图2作为示例图像进行描述。

以下结合图3至图4来进一步描述详细的视觉特征增强的字符识别过程。

图3图示了根据本公开的实施例的视觉特征增强的字符识别的过程300的流程图。

过程300可以由图1中的计算设备110来实施。为便于描述，将参照图1来描述过程300。

在图3的步骤310，计算设备110针对包括字符的图像200中的多个区域中的每个区域，确定区域的视觉特征和区域的多个字符文本特征，字符文本特征对应于区域中的一个字符。例如，计算设备110针对图像200中的多个区域210-270中的每个区域，确定区域的视觉特征和字符211-217、221、223、231、233、241、243、…271、273的字符文本特征。

区域的视觉特征可以表示区域在图像中的图像表观特征和其位置特征，计算设备110可以通过合适的算法或者模型确定区域的图像表观特征，例如通过卷神层对图像200进行处理所获取的特征图。计算设备110可以通过合适的算法或者模型确定区域在图像200中的位置来确定区域的位置特征。计算设备110可以对位置特征和图像表观特征进行加和等处理来确定视觉特征。对于区域中的字符文本特征。计算设备110可以利用光学字符识别技术来确定字符的字符文本特征。

在图3的步骤320，计算设备110针对每个区域，基于区域的视觉特征和多个字符文本特征，确定区域的中的字符的字符视觉语义特征。例如，在确定了上述区域的视觉特征和字符的字符文本特征后，计算设备110可以对上述特征进行进一步处理来确定字符的字符视觉语义特征，以用于后续的字符识别。

具体上说，计算设备110可以对区域的视觉特征和多个字符文本特征进行融合处理，然后对经融合的特征进行特征增强来确定字符的字符视觉语义特征。字符的字符视觉语义特征不仅可以准确地表示字符的文本特征，还可以表示该字符在图像中的视觉特征、空间特征和位置特征。

在图3的步骤330，计算设备110基于字符视觉语义特征，对字符进行识别。在确定了每个字符的字符视觉语义特征之后，计算设备110可以利用合适的模型对所确定的字符视觉语义特征进行处理，以进行字符识别。

例如，计算设备110可以根据字符视觉语义特征对字符进行分类，然后根据分类结果确定实体的实体值和实体名称。

计算设备110可以将字符的字符视觉语义特征按照字符在图像200中的位置进行排序，以获取字符视觉语义特征的特征序列。例如可以将多个区域中的字符视觉语义特征按照符合字符所属语言的文本顺序进行排列。然后将多个区域中的字符视觉语义特征拼接在一起以获得字符视觉语义特征的特征序列M＝{m_ij；i∈N,j∈k_i}，其中N为区域的数目，例如行数或者列数，对于图像200，N等于7，k_i为每个区域中的字符的数目。

在获取了特征的序列后，计算设备110可以基于特征序列，确定字符的字符类别。计算设备110可以利用合适的模型，例如BiLSTM-CRF模型对字符视觉语义特征的特征序列进行分类。BiLSTM-CRF模型可以将特征序列中的每个字符视觉语义特征作为输入，该模型可以输出与每个字符视觉语义特征相对应的不同分类标签。例如，以输出命名实体识别为例，我们规定在数据集中有两类实体，人名和日期。在数据集中总共有5类标签：B-Person(人名的开始部分)、I-Person(人名的中间部分)、B-Date、(日期的开始部分)、I-Date(日期的中间部分)、O(非实体信息)。则BiLSTM-CRF模型可以针对输入的特征序列确定字符的分类，例如将字符231“张”分类为B-Person，将字符233“三”分类为I-Person。通过融合字符的空间特征、视觉特征、文本特征，可以根据经组合的特征准确地将字符进行分类，从而提升字符识别的准确率。

备选地，计算设备110还可以利用其他的模型直接对每个字符视觉语义特征进行处理，以确定其所代表的字符。

在确定了字符所属的类别后，计算设备110可以获取待确定的实体的实体类别。然后基于实体类别和上述确定的字符类别，确定与实体相对应的字符。例如，计算设备110可以获取用户输入，用户输入指示获取图像中的姓名信息。上述已经将字符221、223、231和233分类为姓名类别，则计算设备110可以将字符“张三”确定为与实体“姓名”相对应的内容。对于待确定的实体不存在于图像200中的情况，例如，用户输入指示获取图像中的地址信息，计算设备未在图像中匹配到相对应的提示类别，则计算设备110可以向用户返回不存在相关信息的提示。可以理解的是，通过对图像中的每个字符都进行识别，对于信息未知结构的文本图像识别特别有利。并且可以根据在图像中所确定的实体类别高效、准确地确定实体内容。

根据本公开的实施例，通过将图像中的字符的空间特征、文本特征、视觉特征进行融合。可以准确地确定字符的分类，从而可以提升文本识别的准确率。进一步地，可以准确地提取待确定的实体的实体内容。

继续参见图3，针对步骤310“计算设备110针对包括字符的图像200中的多个区域中的每个区域，确定区域的视觉特征和区域的多个字符文本特征”，本实施例提供一种可选的实现方式，具体实现如下：

计算设备110可以首先确定图像200的图像特征。然后基于图像特征和图像200中的多个区域的每个区域在图像200中的区域位置信息，确定区域的视觉特征。并且基于区域位置信息和区域中包括的字符，确定多个字符文本特征。例如，计算设备110可以使用Resnet(Residual Network，残差网络)中Resnet50卷积神经网络来提取图像200的特征图，并且将该特征图作为图像200的图像特征。请注意，上述神经网络仅仅是示例性的，还可以应用任何合适的神经网络模型(例如Resnet43、Resnet101)来确定图像200的图像特征。

备选地，计算设备110可以利用合适的算法分别确定图像200(以及其中所包括的字符)的颜色特征、纹理特征、形状特征和空间关系特征等。然后将上述确定的特征进行融合(例如矩阵形式的拼接和加和)以确定图像200的特征。

在确定图像200的图像特征后，计算设备110根据该图像特征确定相应区域的视觉特征。区域的视觉特征可以表示区域在图像中的图像表观特征和其位置特征。

具体上讲，计算设备110可以确定图像200中的多个区域的每个区域在图像200中的区域位置信息。根据上述确定的图像特征和区域位置信息，确定区域的区域特征。然后将区域位置信息所对应的特征和区域特征进行组合，以确定区域的视觉特征。

例如，计算设备110可以首先确定图像200中的各个区域在图像200中的位置以作为区域位置信息。计算设备110可以应用EAST算法预测图像200中的包括字符的多个区域210-270的位置。例如，图像200经过EAST算法后的输出结果可以是图2所示的多个虚线框(多个区域)，每个虚线框中包围多个字符。计算设备110可以根据该多个虚线框确定每个区域在图像200中的区域位置信息。在一些实施例中，区域位置信息可以通过该区域的左上、右上、左下、右下四个点的坐标(虚线矩形框的四个顶点的坐标)来表示。备选地，在一个实施例中，在多个区域的区域大小相同的情况下，区域位置信息可以通过区域的中心点坐标来表示。还可以通过任何合适的模型和算法来确定区域在图像中的位置。在确定该位置的位置信息之后，计算设备110可以将该位置信息编码成向量(例如768维的向量)以作为区域位置信息(下文可以被记为S)。

在一些实施例中，计算设备110可以根据上述确定的图像200的特征和区域位置信息来确定区域的区域特征。例如，计算设备110可以使用ROI(regions of interest)Pooling(感兴趣的区域的池化操作，用于在图像的特征图中确定感兴趣区域的特征)操作在图像200的图像特征图中提取区域所在位置的图像表观特征，以作为区域的区域特征(下文可以被记为F)。

备选地，计算设备110可以将图像200根据上述确定的位置信息分割成多个子图像，然后利用合适的模型和算法确定多个子图像的图像特征以作为各个区域的区域特征。子图像的图像特征的确定方法参照上文描述(例如参照上文确定图像200的图像特征的方法)，在此不再赘述。

附加地或备选地，在区域的区域位置信息已经明确的情况下(例如对于预定格式的文件的图像)，可以根据预先确定的位置信息分别识别图像200中的不同区域，以确定各个区域的区域特征。

在确定了图像中的相应区域的区域特征和位置特征后，计算设备110可以将其组合为区域的视觉特征，例如，在F和S为相同维度的特征向量时(例如都为768维的向量)，计算设备110可以利用如下公式(1)确定视觉特征：

视觉特征＝F+S 公式(1)

上述以向量加和的形式对特征进行组合仅仅示例性的，还存在其他合适的组合方式，本公开在此不做限制。可以理解的是，区域的该视觉特征融合了区域的图像表观特征和位置特征，该视觉特征与图像特征相比更加丰富，这为后续的字符识别任务打下基础，使得最终的处理结果更加准确。

接下来，计算设备110可以确定字符的字符文本特征。例如，计算设备110可以根据上述位置信息，对图像200的虚线框内的字符使用光学字符识别技术(OCR)来确定其中每个字符。

在一些实施例中，对于图像中的字符长短不同，可以考虑将不同长度的字符转化为同样的长度。例如，计算设备140可以从图像200中确定包括最长字符长度的区域210，例如将最长字符长度4作为字符的定长字符。对于其他区域220-270内的字符，可以利用特定符号对长度不足4的字符进行填充。然后对各个区域210-270进行识别。请注意，上述将最长字符长度定为4仅仅是示例性的，还可以根据不同的包括不同字符的不同图像存在其他长度(例如5、6或者模型可以确定的最长字符长度)的字符，本公开在此不做限制。在一些实施例中，计算设备110可以利用特定的不定长字符识别模型，如CRNN字符识别模型直接对各个区域中的字符进行识别。并且将该字符编码为向量以作为字符文本特征。为了方便表示，我们将定位有n个区域，每个区域包括ki个字符，我们得到字符文本特征的序列：

T＝(t₁,t₂,…,t_n)＝(c_1.1,c_1.2,…,c_1.k1,c_2.1,c_2.2,…,c_2.k2,…,c_n.1,…,c_n.kn)

其中T表示图像中的所有字符的字符文本特征，t1-tn表示每个区域中的所有字符的字符文本特征，Cij表示单个字符的字符文本特征，i∈n，j∈ki在已经确定了区域的视觉特征的情况下，进一步确定区域内的字符文本特征可以更加准确地表示相应的区域，从而使得对区域内的字符识别和提取更加准确。

备选地，为了节省计算成本，计算设备110可以通过合适的算法或者模型直接确定字符的字符文本特征。而不必预先进行OCR识别再编码为字符文本特征。

图4示出了根据本公开的一些实施例的用于确定字符视觉语义特征的过程400的流程图。本实施例针对步骤320“针对每个区域，基于区域的视觉特征和多个字符文本特征，确定区域的中的字符的字符视觉语义特征”，提供其他可选的实现方式。

在图4的步骤410，计算设备110将多个区域的视觉特征和多个字符文本特征进行融合，以获取图像视觉语义特征。

计算设备110可以根据如下公式(2)确定图像视觉语义特征：

V＝concat(T,F+S) 公式(2)

也即，将上述确定的视觉特征F+S和图像中的所有字符的字符文本特征T进行拼接，以获取图像200的图像视觉语义特征。

备选地，计算设备110可以对字符文本特征T、区域特征F和区域位置信息S设置不同的权重以根据如下公式(3)确定图像视觉语义特征：

V＝concat(αT,βF+γS) 公式(3)

其中α、β和γ可以根据测试结果或者应用场景的需求进行设置。

附加地或备选地，计算设备110还可以利用AdaIN算法根据如下公式(4)来将区域特征F和区域位置信息S进行组合：

其中σ是平均值，μ和标准差，可以将x设置为F，将y设置为S(反之亦可)。然后可以根据如下公式(5)来确定图像视觉语义特征：

V＝concat(T,AdaIN(F,S)) 公式(5)

请注意，上述将字符文本特征T、区域特征F和区域位置信息S融合以确定图像视觉语义特征V仅仅是示例性的，可以采用除加和、拼接、AdaIN以外的其他合适的融合方法或其组合，本公开在此不做限制。

在图4的步骤420，计算设备110对图像视觉语义特征进行增强，以获取增强图像视觉语义特征。为了对图像视觉语义特征进行增强，计算设备110可以利用合适的算法使上述融合的特征V中的视觉特征F+S和字符文本特征T进一步融合。例如，可以利用多层双向转换自编码器(Bidirectional Encoder Representation from Transformers，BERT)增强图像视觉语义特征在空间、视觉、语义等模态上的信息表示。我们定义编码器的初始输入层H0＝V，并且根据如下公式(6)定义编码器的编码方式：

其中H_l-1,H_l表示分别第l层编码的输入特征和输出特征。模型使用多个全连接层(W_l*)对特征H_l-1进行变换并计算权重矩阵，再与H_l-1进行相乘，得到第l次融合的编码特征H_l。σ是归一化函数sigmoid。通过这样堆叠多次编码，使得视觉特征F+S和字符文本特征T在上述编码过程中交互信息，最后重组成更加丰富的增强图像视觉语义特征H。从上述公式(3)可以看出，H的维度没有变化，H中的每项与V中的每项相对应，区别在于H中的每项融合了相关联的项的特征。请注意，上述编码器和公式仅仅是示例性的，可以利用任何合适的方式融合特征中的信息。

在图4的步骤430，计算设备110基于增强图像视觉语义特征中的多个字符文本特征和相应的视觉特征，确定字符视觉语义特征。上述得到的增强图像视觉语义特征H可以被表示为：

H＝(x_1，1，x_1，2，...，x_1，k1，x_2，1，x_2，2，...，x_2，k2，...，x_n，1，...，x_n，kn，y₁，...，y_n)

其中X_ij对应于字符文本特征C_ij增强后的特征，y_i对应于视觉特征F+S增强后的特征，i∈n，j∈k_i。

计算设备110可以将增强图像视觉语义特征中的区域的多个字符文本特征X_ij与该区域的、增强视觉特征yi进行哈达玛积(Hadamard product)操作以获取字符的字符视觉语义特征。

备选地，计算设备110还可以对X_ij和y_i进行克罗内克积(Kronecker product)操作。

附加地或备选地，还可以应用标准矢量乘积的方式确定字符视觉语义特征。

上述乘积操作仅为了将字符的文本特征和字符的视觉、空间、位置特征融合在一起，还可以利用其他合适的操作进行融合，本公开在此不做限制。

通过组合(例如加和)、融合(例如拼接、AdaIN)、增强、以及乘积的多种方式，可以将每个字符的空间特征、语义特征以及视觉特征组合在一起，以构成代表该字符的特征，可以显著增加后续字符识别的准确率。

图5示出了根据本公开的实施例的视觉特征增强的字符识别装置500的示意框图。如图5所示，装置500包括：第一特征确定模块510，被配置为针对包括字符的图像中的多个区域中的每个区域，确定区域的视觉特征和区域的多个字符文本特征，字符文本特征对应于区域中的一个字符；第二特征确定模块520，被配置为针对每个区域，基于区域的视觉特征和多个字符文本特征，确定区域的中的字符的字符视觉语义特征；以及字符识别模块530，被配置为基于字符视觉语义特征，对字符进行识别。

在一些实施例中，其中第一特征确定模块510可以包括：图像特征确定模块，被配置为确定包括字符的图像的图像特征；第一视觉特征确定模块，被配置为基于图像特征和图像中的多个区域的每个区域在图像中的区域位置信息，确定区域的视觉特征；以及字符文本特征确定模块，被配置为基于区域位置信息和区域中包括的字符，确定多个字符文本特征。

在一些实施例中，其中第一视觉特征确定模块包括：区域位置信息确定模块，被配置为确定图像中的多个区域的每个区域在图像中的区域位置信息；区域特征确定模块，被配置为基于图像特征和区域位置信息，确定区域的区域特征；以及第二视觉特征确定模块，被配置为将区域位置信息和区域特征进行组合，以确定区域的视觉特征。

在一些实施例中，其中第二特征确定模块520可以包括：图像视觉语义特征确定模块，被配置为将多个区域的视觉特征和多个字符文本特征进行融合，以获取图像视觉语义特征；增强模块，被配置为对图像视觉语义特征进行增强，以获取增强图像视觉语义特征；以及字符视觉语义特征确定模块，被配置为基于增强图像视觉语义特征中的多个字符文本特征和相应的视觉特征，确定字符视觉语义特征。

在一些实施例中，其中字符识别模块530可以包括：特征序列获取模块，被配置为将字符的字符视觉语义特征按照字符在图像中的位置进行排序，以获取字符视觉语义特征的特征序列；以及字符类别确定模块，被配置为基于特征序列，确定字符的字符类别。

在一些实施例中，其中装置500还可以包括：实体类别获取模块，被配置为获取待确定的实体的实体类别；以及字符确定模块，被配置为基于实体类别和字符类别，确定与实体相对应的字符。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个装置和处理，例如过程300和过程400。例如，在一些实施例中，过程300和过程400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的过程300和过程400的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程300和过程400。

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

用于实施本公开的装置的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

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

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

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务增广性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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

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

Claims (15)

1.一种视觉特征增强的字符识别方法，包括：

针对包括字符的图像中的多个区域中的每个区域，确定区域的视觉特征和所述区域的多个字符文本特征，所述字符文本特征对应于所述区域中的一个字符；

针对每个区域，基于所述区域的视觉特征和所述多个字符文本特征，确定所述区域的中的字符的字符视觉语义特征；以及

基于所述字符视觉语义特征，对所述字符进行识别。

2.根据权利要求1所述的方法，其中针对包括字符的图像中的多个区域中的每个区域，确定区域的视觉特征和所述区域的多个字符文本特征包括：

确定所述包括字符的图像的图像特征；

基于所述图像特征和所述图像中的多个区域的每个区域在所述图像中的区域位置信息，确定所述区域的视觉特征；以及

基于所述区域位置信息和所述区域中包括的字符，确定所述多个字符文本特征。

3.根据权利要求2所述的方法，其中基于所述图像特征和所述图像中的多个区域的每个区域在所述图像中的区域位置信息，确定所述区域的视觉特征包括：

确定所述图像中的多个区域的每个区域在所述图像中的区域位置信息；

基于所述图像特征和所述区域位置信息，确定所述区域的区域特征；以及

将所述区域位置信息和所述区域特征进行组合，以确定所述区域的视觉特征。

4.根据权利要求1所述的方法，其中针对每个区域，基于所述区域的视觉特征和所述多个字符文本特征，确定所述区域中的字符的字符视觉语义特征包括：

将所述多个区域的所述视觉特征和所述多个字符文本特征进行融合，以获取图像视觉语义特征；

对所述图像视觉语义特征进行增强，以获取增强图像视觉语义特征；以及

基于增强图像视觉语义特征中的所述多个字符文本特征和相应的视觉特征，确定所述字符视觉语义特征。

5.根据权利要求1所述的方法，其中基于所述字符视觉语义特征，对所述字符进行识别包括：

将字符的所述字符视觉语义特征按照所述字符在所述图像中的位置进行排序，以获取所述字符视觉语义特征的特征序列；以及

基于所述特征序列，确定所述字符的字符类别。

6.根据权利要求5所述的方法，还包括：

获取待确定的实体的实体类别；以及

基于所述实体类别和所述字符类别，确定与所述实体相对应的字符。

7.一种视觉特征增强的字符识别装置，包括：

第一特征确定模块，被配置为针对包括字符的图像中的多个区域中的每个区域，确定区域的视觉特征和所述区域的多个字符文本特征，所述字符文本特征对应于所述区域中的一个字符；

第二特征确定模块，被配置为针对每个区域，基于所述区域的视觉特征和所述多个字符文本特征，确定所述区域的中的字符的字符视觉语义特征；以及

字符识别模块，被配置为基于所述字符视觉语义特征，对所述字符进行识别。

8.根据权利要求7所述的装置，其中所述第一特征确定模块包括：

图像特征确定模块，被配置为确定所述包括字符的图像的图像特征；

第一视觉特征确定模块，被配置为基于所述图像特征和所述图像中的多个区域的每个区域在所述图像中的区域位置信息，确定所述区域的视觉特征；以及

字符文本特征确定模块，被配置为基于所述区域位置信息和所述区域中包括的字符，确定所述多个字符文本特征。

9.根据权利要求8所述的装置，其中所述第一视觉特征确定模块包括：

区域位置信息确定模块，被配置为确定所述图像中的多个区域的每个区域在所述图像中的区域位置信息；

区域特征确定模块，被配置为基于所述图像特征和所述区域位置信息，确定所述区域的区域特征；以及

第二视觉特征确定模块，被配置为将所述区域位置信息和所述区域特征进行组合，以确定所述区域的视觉特征。

10.根据权利要求7所述的装置，其中所述第二特征确定模块包括：

图像视觉语义特征确定模块，被配置为将所述多个区域的所述视觉特征和所述多个字符文本特征进行融合，以获取图像视觉语义特征；

增强模块，被配置为对所述图像视觉语义特征进行增强，以获取增强图像视觉语义特征；以及

字符视觉语义特征确定模块，被配置为基于增强图像视觉语义特征中的所述多个字符文本特征和相应的视觉特征，确定所述字符视觉语义特征。

11.根据权利要求7所述的装置，其中所述字符识别模块包括：

特征序列获取模块，被配置为将字符的所述字符视觉语义特征按照所述字符在所述图像中的位置进行排序，以获取所述字符视觉语义特征的特征序列；以及

字符类别确定模块，被配置为基于所述特征序列，确定所述字符的字符类别。

12.根据权利要求11所述的装置，还包括：

实体类别获取模块，被配置为获取待确定的实体的实体类别；以及

字符确定模块，被配置为基于所述实体类别和所述字符类别，确定与所述实体相对应的字符。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。

Images