CN113420757B - 文本审核方法、装置、电子设备和计算机可读介质 - Google Patents

文本审核方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN113420757B
CN113420757B CN202110964902.7A CN202110964902A CN113420757B CN 113420757 B CN113420757 B CN 113420757B CN 202110964902 A CN202110964902 A CN 202110964902A CN 113420757 B CN113420757 B CN 113420757B
Authority
CN
China
Prior art keywords
text
image
target
generate
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110964902.7A
Other languages
English (en)
Other versions
CN113420757A (zh
Inventor
邓博洋
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.)
Dalian University of Technology Press Co.,Ltd.
Original Assignee
Beijing Missfresh Ecommerce 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 Missfresh Ecommerce Co Ltd filed Critical Beijing Missfresh Ecommerce Co Ltd
Priority to CN202110964902.7A priority Critical patent/CN113420757B/zh
Publication of CN113420757A publication Critical patent/CN113420757A/zh
Application granted granted Critical
Publication of CN113420757B publication Critical patent/CN113420757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/103—Formatting, i.e. changing of presentation of documents
    • G06F40/106—Display of layout of documents; Previewing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Character Input (AREA)
  • Character Discrimination (AREA)

Abstract

本公开的实施例公开了文本审核方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：生成目标图像对应的热力图；根据热力图，对目标图像进行图像分割，以生成区域图像集合；对区域图像集合中的每个区域图像进行文本方向检测，以生成区域图像对应的文本方向信息；根据热力图和区域图像集合中每个区域图像对应的文本方向信息，对区域图像进行细化分割，以生成子图像，得到子图像集合；对子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合；对文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。该实施方式提高了文本识别的准确率和文本审核的准确率。

Description

文本审核方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及文本审核方法、装置、电子设备和计算机可读介质。
背景技术
文本审核是指对物品对应的展示信息中的内容，进行审核的一项技术。目前，在对物品对应的展示信息进行文本审核时，通常采用的方式为：采用人工的方式进行文本审核。
然而，当采用上述方式进行文本审核时，经常会存在如下技术问题：
第一、随着待审核的物品对应的展示信息的数量增加，采用人工的方式，会消耗大量的审核成本，同时审核效率难以提高；
第二、由于物品对应的展示信息中的文本的排列方向往往不同，采用单一方向的文本识别方法，往往会导致得到的文本识别结果不够准确，进而导致文本审核的准确率不高。
发明内容
本公开的内容部分用于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。本公开的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。
本公开的一些实施例提出了文本审核方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种文本审核方法，该方法包括：根据目标图像中文字的分布，生成上述目标图像对应的热力图，其中，上述目标图像为包含有目标物品对应的展示信息的图像；根据上述热力图，对上述目标图像进行图像分割，以生成区域图像集合，其中，上述区域图像集合中的区域图像为含有文本的图像；对上述区域图像集合中的每个区域图像进行文本方向检测，以生成上述区域图像对应的文本方向信息，得到文本方向信息集合；根据上述热力图和上述区域图像集合中每个区域图像对应的文本方向信息，对上述区域图像进行细化分割，以生成子图像，得到子图像集合；对上述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合；对上述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。
第二方面，本公开的一些实施例提供了一种文本审核装置，装置包括：生成单元，被配置成根据目标图像中文字的分布，生成上述目标图像对应的热力图，其中，上述目标图像为包含有目标物品对应的展示信息的图像；图像分割单元，被配置成根据上述热力图，对上述目标图像进行图像分割，以生成区域图像集合，其中，上述区域图像集合中的区域图像为含有文本的图像；文字方向检测单元，被配置成对上述区域图像集合中的每个区域图像进行文本方向检测，以生成上述区域图像对应的文本方向信息，得到文本方向信息集合；细化分割单元，被配置成根据上述热力图和上述区域图像集合中每个区域图像对应的文本方向信息，对上述区域图像进行细化分割，以生成子图像，得到子图像集合；文本识别单元，被配置成对上述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合；敏感词匹配单元，被配置成对上述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。
第三方面，本公开的一些实施例提供了一种电子设备，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上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的文本审核方法，提高了文本审核的效率和准确率。具体来说，造成文本审核的效率和准确率低下的原因在于：通过人工的方式进行文本审核难以提升审核速度，以及由于物品对应的展示信息中的文本的排列方向往往不同，采用单一方向的文本识别方法，往往会导致得到的文本识别结果不够准确，进而导致文本审核的准确率不高。基于此，本公开的一些实施例的文本审核方法，首先，根据目标图像中文字的分布，生成上述目标图像对应的热力图，其中，上述目标图像为包含有目标物品对应的展示信息的图像。实际情况中，物品对应的展示信息中的文本往往存在着文本聚集的情况，即文本在目标物品对应的展示信息的图像中的分布并不均匀。因此通过生成热力图，可以很好的表征文本在目标物品对应的展示信息的图像中的分布情况。其次，根据上述热力图，对上述目标图像进行图像分割，以生成区域图像集合，其中，上述区域图像集合中的区域图像为含有文本的图像。实际情况中，目标物品对应的展示信息的图像中往往包含较多的空白区域。对整张图像进行文本识别，会增加数据的处理量。因此，根据热力图，对上述目标图像进行图像分割，能够减少数据的处理量。然后，对上述区域图像集合中的每个区域图像进行文本方向检测，以生成上述区域图像对应的文本方向信息，得到文本方向信息集合。实际情况中，为了提高包含有目标物品对应的展示信息的图像的美观度，往往会对展示信息中的文字的排布进行调整，这就造成了展示信息中的文字的展示方式往往并不是水平排列，进而增加了文本识别难度。因此，通过确定区域图像对应的文本方向信息，能够辅助后续的文本识别。进一步，根据上述热力图和上述区域图像集合中每个区域图像对应的文本方向信息，对上述区域图像进行细化分割，以生成子图像，得到子图像集合。实际情况中，确定的区域图像中往往还会存在空白区域，为了进一步减少数据处理量。因此，结合热力图和区域图像对应的文本方向信息对图像进行进一步的分割，从而剔除区域图像中包含的空白区域。此外，对上述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合。通过对文本进行识别，以得到子图像中包含的文本。最后，对上述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。通过对文本进行敏感词进行匹配，以此确定文本信息中是否包含敏感词。通过此种方式，尤其是存在大量需要进行审核的图像，相比于人工审核的方式，能够大大提高审核效率。此外，由于加入了文本方向检测，因此，提高了文本识别结果的准确率。从而，提高了文本审核的准确率。
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，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的文本审核方法的一个应用场景的示意图；
图2是根据本公开的文本审核方法的一些实施例的流程图；
图3是目标图像的示意图；
图4是对区域图像进行细化分割，以生成子图像的示意图；
图5是根据本公开的文本审核方法的另一些实施例的流程图；
图6是目标图像的另一示意图；
图7是根据文字方向向量集合，生成文本方向信息的示意图；
图8是根据本公开的文本审核装置的一些实施例的结构示意图；
图9是适于用来实现本公开的一些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。
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。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。
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。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的文本审核方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以根据目标图像102中文字的分布，生成上述目标图像102对应的热力图103，其中，上述目标图像102为包含有目标物品对应的展示信息的图像。其次，计算设备101可以根据上述热力图103，对上述目标图像102进行图像分割，以生成区域图像集合104，其中，上述区域图像集合104中的区域图像为含有文本的图像。然后，计算设备101可以对上述区域图像集合104中的每个区域图像进行文本方向检测，以生成上述区域图像对应的文本方向信息，得到文本方向信息集合105。进一步，计算设备101可以根据上述热力图103和上述区域图像集合104中每个区域图像对应的文本方向信息，对上述区域图像进行细化分割，以生成子图像，得到子图像集合106。此外，计算设备101可以对上述子图像集合106中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合107。最后，计算设备101可以对上述文本信息集合107中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合108。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。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。
应该理解，图1中的计算设备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计算设备。
继续参考图2，示出了根据本公开的文本审核方法的一些实施例的流程200。该文本审核方法，包括以下步骤：
步骤201，根据目标图像中文字的分布，生成目标图像对应的热力图。
在一些实施例中，文本审核方法的执行主体（例如图1所示的计算设备101）可以根据上述目标图像中文字的分布，生成上述目标图像对应的上述热力图。其中，上述目标图像可以为包含有目标物品对应的展示信息的图像。上述目标物品可以是被流转的物品。例如，上述目标物品可以是被销售的物品。上述目标物品对应的展示信息可以是用于物品介绍的信息。
作为示例，如图3所示的目标图像的示意图。其中，图3中的目标图像可以是包含“草莓酸奶”对应的展示信息的图像。
作为又一示例，上述执行主体根据目标图像中文字的分布，生成目标图像对应的热力图，可以包括以下步骤：
第一步，通过文本定位模型确定上述目标图像中的文本的位置。
其中，上述文本定位模型可以是用于以单字粒度，识别图像中包含的文本的位置模型。单字粒度是指以单个文字为识别单位。上述文本定位模型可以是但不限于以下任意一项：AlexNet模型，VGG16模型和CRNN（Convolutional Recurrent Neural Network，卷积循环神经网络）模型。上述目标图像中的文本的位置可以用文本中心点在上述目标图像中的坐标表征。文本中心点在上述目标图像中的坐标可以是在目标坐标系下的坐标。上述目标坐标系可以是以与上述目标图像的长边平行的线为横轴，以与短边平行的线为纵轴，以上述目标图像的左下角的点为原点的坐标系。
作为示例，如图3所示的目标图像中的文本“草”的位置可以是（6，11）。
第二步，根据上述目标图像中的文本的位置，生成上述热力图。
作为示例，上述执行主体可以根据上述目标图像中的文本的位置，通过opencv-python模块和pyheatmap模块，生成上述热力图。
步骤202，根据热力图，对目标图像进行图像分割，以生成区域图像集合。
在一些实施例中，上述执行主体可以根据上述热力图，通过各种方式，对上述目标图像进行图像分割，以生成区域图像集合。其中，上述区域图像集合中的区域图像可以为含有文本的图像。
作为示例，对目标图像进行图像分割生成的区域图像可以如图4中的区域图像401所示。
步骤203，对区域图像集合中的每个区域图像进行文本方向检测，以生成区域图像对应的文本方向信息，得到文本方向信息集合。
在一些实施例中，上述执行主体可以通过文本方向检测模型，对上述区域图像集合中的每个区域图像进行文本方向检测，以生成区域图像对应的文本方向信息，得到上述文本方向信息集合。其中，上述文本方向检测模型可以是用于识别语义相关的文本的排列方向的模型。上述文本方向检测模型可以是但不限于以下任意一项：VGG模型，CTPN（connectionist text proposal network，场景文字检测）模型和CRNN模型。文本方向信息可以表征区域图像中包含的文本的文字方向。
步骤204，根据热力图和区域图像集合中每个区域图像对应的文本方向信息，对区域图像进行细化分割，以生成子图像，得到子图像集合。
在一些实施例中，上述执行主体可以根据热力图和区域图像集合中每个区域图像对应的文本方向信息，对区域图像进行细化分割，以生成子图像，得到子图像集合。
作为示例，上述执行主体根据热力图和区域图像集合中每个区域图像对应的文本方向信息，对区域图像进行细化分割，以生成子图像，可以包括以下步骤：
第一步，根据上述区域图像对应的文本方向信息，对上述区域图像对应的感兴趣框进行旋转，以使得感兴趣框的方向与上述文本方向信息对应的文本方向一致。
第二步，根据上述热力图，缩小上述感兴趣框，以实现对上述区域图像的细化分割，进而生成上述区域图像对应的子图像。
作为示例，如图4所示，对区域图像401进行细化分割后，以生成区域图像401对应的子图像402。
步骤205，对子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合。
在一些实施例中，上述执行主体可以对上述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到上述文本信息集合。例如，上述执行主体可以通过OCR（OpticalCharacter Recognition，光学字符识别）技术，对上述子图像集合中的每个子图像进行文本识别，以生成文本信息。
步骤206，对文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。
在一些实施例中，上述执行主体可以对上述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到上述文本审核结果集合。其中，文本审核结果可以表征文本信息是否包含敏感词。
作为示例，上述执行主体对文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果可以包括以下步骤：
第一步，对上述文本信息进行分词处理，以生成词集合。
其中，上述执行主体可以通过jieba分词，对上述文本信息进行分词处理，以生成上述词集合。
例如，上述文本信息可以是“全球销量最高”。上述执行主体可以通过以下代码对上述文本信息“全球销量最高”进行分词处理：
import jieba
print(" ".join(jieba.cut("全球销量最高")))。
得到的上述文本信息“全球销量最高”对应的词集合可以是[全球，销量，最高]。
第二步，通过布隆过滤器，确定上述词集合中的词是否属于敏感词，以生成上述文本信息对应的文本审核结果。
其中，上述执行主体可以通过布隆过滤器实现对上述文本信息进行敏感词匹配，以生成上述文本信息对应的文本审核结果。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的文本审核方法，提高了文本审核的效率和准确率。具体来说，造成文本审核的效率和准确率低下的原因在于：通过人工的方式进行文本审核难以提升审核速度，以及由于物品对应的展示信息中的文本的排列方向往往不同，采用单一方向的文本识别方法，往往会导致得到的文本识别结果不够准确，进而导致文本审核的准确率不高。基于此，本公开的一些实施例的文本审核方法，首先，根据目标图像中文字的分布，生成上述目标图像对应的热力图，其中，上述目标图像为包含有目标物品对应的展示信息的图像。实际情况中，物品对应的展示信息中的文本往往存在着文本聚集的情况，即文本在目标物品对应的展示信息的图像中的分布并不均匀。因此通过生成热力图，可以很好的表征文本在目标物品对应的展示信息的图像中的分布情况。其次，根据上述热力图，对上述目标图像进行图像分割，以生成区域图像集合，其中，上述区域图像集合中的区域图像为含有文本的图像。实际情况中，目标物品对应的展示信息的图像中往往包含较多的空白区域。对整张图像进行文本识别，会增加数据的处理量。因此，根据热力图，对上述目标图像进行图像分割，能够减少数据的处理量。然后，对上述区域图像集合中的每个区域图像进行文本方向检测，以生成上述区域图像对应的文本方向信息，得到文本方向信息集合。实际情况中，为了提高包含有目标物品对应的展示信息的图像的美观度，往往会对展示信息中的文字的排布进行调整，这就造成了展示信息中的文字的展示方式往往并不是水平排列，进而增加了文本识别难度。因此，通过确定区域图像对应的文本方向信息，能够辅助后续的文本识别。进一步，根据上述热力图和上述区域图像集合中每个区域图像对应的文本方向信息，对上述区域图像进行细化分割，以生成子图像，得到子图像集合。实际情况中，确定的区域图像中往往还会存在空白区域，为了进一步减少数据处理量。因此，结合热力图和区域图像对应的文本方向信息对图像进行进一步的分割，从而剔除区域图像中包含的空白区域。此外，对上述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合。通过对文本进行识别，以得到子图像中包含的文本。最后，对上述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。通过对文本进行敏感词进行匹配，以此确定文本信息中是否包含敏感词。通过此种方式，尤其是存在大量需要进行审核的图像，相比于人工审核的方式，能够大大提高审核效率。此外，由于加入了文本方向检测，因此，提高了文本识别结果的准确率。从而，提高了文本审核的准确率。
进一步参考图5，其示出了文本审核方法的另一些实施例的流程500。该文本审核方法的流程500，包括以下步骤：
步骤501，确定目标图像中每个像素点对应的像素点信息，得到像素点信息集合。
在一些实施例中，文本审核方法的执行主体（例如图1所示的计算设备101）可以确定目标图像中每个像素点对应的像素点信息，得到像素点信息集合。其中，上述像素点信息集合中的像素点信息可以表征对应的像素点落在文本所在区域内的置信度。
作为示例，上述执行主体确定上述目标图像中每个像素点对应的像素点信息，可以包括以下步骤：
第一步，上述执行主体可以通过目标模型，确定上述像素点是否落在上述目标图像包括的文本所在的区域内。
其中，上述目标模型可以是以像素为粒度的，识别目标图像中包含的文本的模型。上述目标模型可以是但不限于以下任意一项：CRAFT模型，TextSnake模型和FCN（FullyConvolutional Networks，全卷积网络）模型。
第二步，响应于确定上述像素点落在上述目标图像包括的文本所在的区域内，将上述像素点对应的置信度确定为上述像素点对应的像素点信息。
例如，如图6所示的目标图像的示意图。其中，图6中的黑色区域可以是上述目标图像包含的文本所在的区域。图6包含的第一像素点601对应的置信度可以是0.82。图6包含的第二像素点602对应的置信度可以是0.97。
步骤502，根据像素点信息集合中的像素点信息，生成热力图。
在一些实施例中，上述执行主体可以根据像素点信息集合中的像素点信息，生成热力图。
作为示例，上述执行主体根据上述像素点信息集合中的像素点信息，生成上述热力图，可以包括以下步骤：
第一步，确定目标色值信息序列中的每个目标色值信息在目标区间内，对应的子区间。
其中，上述目标色值信息序列中的目标色值信息可以是人工确定的。上述目标色值信息序列中的目标色值信息对应的色值，可以为上述热力图中的像素点对应的色值。上述目标区间可以是[0，1]。
例如，上述目标色值信息序列可以是[#FF0000，#FF4500，#00FF00，#00BFFF]。其中，“#FF0000”对应红色。“#FF4500”对应橙色。“#00FF00”对应绿色。“#00BFFF”对应蓝色。“#FF0000”对应的子区间可以是[0.75，1]。“#FF4500”对应的子区间可以是[0.5，0.75)。“#00FF00”对应的子区间可以是[0.25，0.5)。“#00BFFF”对应的子区间可以是[0，0.25)。
第二步，根据上述像素点信息集合中的像素点信息表征的置信度所在的子区间，确定像素点对应的色值，以生成上述热力图。
例如，坐标为（12，2）的像素点对应的像素点信息可以是0.89。其中，0.89所在的子区间为[0.75，1]。因此，坐标为（12，2）的像素点对应色值可以是“#FF0000”。
步骤503，根据热力图中的像素点对应的热力值，对热力图进行热力图分割，以生成子热力图，得到至少一个子热力图。
在一些实施例中，上述执行主体根据热力图中的像素点对应的热力值，对热力图进行热力图分割，以生成子热力图，得到至少一个子热力图。其中，上述执行主体可以以像素点对应的像素点信息表征的置信度，表征像素点对应的热力值。实际情况中，上述热力图有如下特点：热力图中对应文本的区域内的像素点的热力值数值大，依次向外辐射，热力值逐渐减小。因此，上述执行主体可以将上述热力图包含的至少一个目标边界内的图像进行分割，以生成子热力图，得到上述至少一个子热力图。其中，上述目标边界可以是对应的热力值与目标热力值相同的像素点构成的边界。例如，上述目标热力值可以是0.8。
步骤504，将目标图像中分割出的与至少一个子热力图中的子热力图对应的图像，作为区域图像，得到区域图像集合。
在一些实施例中，上述执行主体可以将上述目标图像中分割出的与上述至少一个子热力图中的子热力图对应的图像，作为区域图像，得到上述区域图像集合。
作为示例，首先，上述执行主体可以将上述目标图像与上述热力图进行叠加，以生成叠加后的图像。然后，上述执行主体可以根据上述叠加后的图像，将上述目标图像中分割出的与上述至少一个子热力图中的子热力图对应的图像，作为区域图像，得到上述区域图像集合。
步骤505，对区域图像集合中的每个区域图像进行文本方向检测，以生成区域图像对应的文本方向信息，得到文本方向信息集合。
在一些实施例中，上述执行主体对上述区域图像集合中的每个区域图像进行文本方向检测，以生成区域图像对应的文本方向信息，得到上述文本方向信息集合，可以包括以下步骤：
第一步，确定上述区域图像中包含的文字的位置，以生成文字位置信息序列。
其中，上述执行主体可以通过上述文本定位模型，确定上述区域图像中包含的文字的位置，以生成文字位置信息序列。其中，上述文字位置信息序列中的文字位置信息可以表征文字的中心点的位置。上述文本信息序列中的文本信息有序。
作为示例，如图3所示。其中，“草莓酸奶”对应的文字位置信息序列可以是[（12，30），（14，30），（16，30），（18，30）]。
第二步，根据上述文字位置信息序列中每两个相邻文字位置信息，生成文字方向向量，得到文字方向向量集合。
其中，上述文字方向向量集合中的文字方向向量可以包括：向量起点坐标，向量终点坐标和向量大小。
作为示例，文字方向向量可以是{[向量起点：（2，2），向量终点：（4，4），向量大小：
Figure 37792DEST_PATH_IMAGE001
]}。
第三步，根据上述文字方向向量集合，生成上述文本方向信息。
作为示例，如图7所示。首先，上述执行主体可以将上述文字方向向量集合中的相邻的文字方向向量进行连接。以生成拼接向量。然后将拼接向量包含的首相量701对应的向量起点703和末向量702对应的向量终点704进行连接，以生成目标向量705。然后，将上述目标向量705确定为上述文字方向信息。
步骤506，根据热力图和区域图像集合中每个区域图像对应的文本方向信息，对区域图像进行细化分割，以生成子图像，得到子图像集合。
在一些实施例中，上述执行主体根据热力图和区域图像集合中每个区域图像对应的文本方向信息，对区域图像进行细化分割，以生成子图像，得到子图像集合，可以包括以下步骤：
第一步，确定目标矩形框。
其中，上述目标矩形框的大小可以与上述区域图像的大小一致，上述目标矩形框的倾斜角度可以与上述区域图像对应的文本方向信息对应的倾斜角度一致。其中，上述文本方向信息对应的倾斜角度可以是上述文本方向信息表征的向量与水平向量的夹角的角度。
第二步，以固定步长，分别缩小上述目标矩形框的边界。
例如，上述固定步长可以是3像素。
第三步，响应于确定缩小后的目标矩形框包括的目标边界包含目标像素点，将上述目标边界确定为候选边界，得到候选边界集合。
其中，上述目标像素点是对应的热力值大于等于目标热力值的像素点。例如，上述目标热力值可以是0.8。
第四步，根据上述候选边界集合中的各个候选边界，构建图像分割框。
其中，上述执行主体可以将上述候选边界集合中的各个候选边界中的候选边界依次连接，以生成上述图像分割框。
第五步，根据上述图像分割框，对上述区域图像进行细化分割，以生成上述区域图像对应的子图像。
其中，上述执行主体可以将上述图像分割框内包含的区域对应的图像，确定为上述区域图像对应的子图像，以实现对上述区域图像的细化分割。
步骤507，对子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合。
在一些实施例中，上述执行主体对子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合，可以包括以下步骤：
第一步，对上述子图像中的每行像素进行文本预测，以生成预测文本信息，得到预测文本信息集合。
其中，上述预测文本信息集合中的预测文本信息可以表征像素对应的预测的文字，和预测的文字对应的置信度。上述预测文本信息集合中的预测文本信息可以为空。
上述执行主体可以通过上述目标模型，对每行像素进行文本预测，以生成预测文本信息，得到预测文本信息集合。
第二步，对上述子图像中的每列像素进行文本数量预测，以生成预测文本数量信息，得到预测文本数量信息集合。
其中，上述预测文本数量信息集合中的预测文本数量信息可以表征每列像素中像素对应的预测的文字的数量。对于每列像素中的像素，上述执行主体可以通过上述目标模型进行文本预测。响应于确定像素对应的预测文本信息不为空，根据预测文本信息对应的文字的数量，确定像素对应的预测文本数量信息。
第三步，对上述预测文本信息集合中的预测文本信息进行聚类处理，以生成文本聚类结果。
其中，上述执行主体可以通过目标聚类算法，对上述预测文本信息集合中的预测文本信息进行聚类处理，以生成文本聚类结果。上述文本聚类结果可以表征上述子图像包含的文字。上述目标聚类算法可以是用于对上述预测文本信息集合中的预测文本信息对应的文字进行聚类的算法。上述目标聚类算法可以是但不限于以下任意一项：KNN（k-NearestNeighbor，K-临近）算法，K-means算法和，DBSCAN（Density-Based SpatialClustering of Applications with Noise，基于密度的聚类）算法，RF（Random Forest，随机森林）模型，CNN（Convolutional Neural Networks，卷积神经网络）模型和MCL（MarkovCluster，马尔科夫聚类）算法。
第四步，对上述预测文本数量信息集合中的预测文本数量信息进行聚类处理，以生成文本数量聚类结果。
其中，上述执行主体可以通过上述目标聚类算法，对上述预测文本数量信息集合中的预测文本数量信息进行聚类处理，以生成文本数量聚类结果。上述文本数量聚类结果可以表征上述子图像包含的文字的数量。
第五步，根据上述文本数量聚类结果，对上述文本聚类结果进行校验，以生成上述子图像对应的文本信息。
作为示例，上述文本聚类结果可以是“高膳食纤维低脂肪高钙”。上述文本数量聚类结果可以是“10个字”。上述执行主体可以根据上述文本数量聚类结果对上述文本聚类结果进行校验，以此确定文本聚类结果是否准确。如，文本剧烈结果包括的文字的数量与文本数量聚类结果对应的文字数量一致，可认定上述文本数量聚类结果通过校验。
步骤508，通过目标匹配算法，根据目标词库，对文本信息进行敏感词匹配，以生成文本信息对应的文本审核结果。
在一些实施例中，上述执行主体可以通过上述目标匹配算法，根据上述目标词库，对上述文本信息进行敏感词匹配，以生成上述文本信息对应的文本审核结果。其中，上述目标匹配算法可以是用于进行敏感词匹配的算法。例如，上述目标匹配算法可以是KMP（TheKnuth-Morris-Pratt，模式匹配）算法。上述目标匹配算法也可以是有限自动机算法。上述目标词库可以是包含敏感词的词库。上述文本审核结果可以是表征上述文本信息是否包含敏感词的信息。
作为示例，上述文本信息可以是[全球，销量，最高]。生成的文本审核结果可以是{[“全球”：非敏感词，“销量”：非敏感词]，“最高”：敏感词}。
从图5可以看出，与图2对应的一些实施例的描述相比，本公开首先，通过对目标矩形框进行缩减，然后根据缩减后得到的候选边界集合，生成图像分割框的方式，实现了对区域图像的进一步分割，减少了图像中包含的空白区域，从而减少了数据处理量。此外，通过以像素粒度的，对子图像进行以行和列的文本预测，并根据对每列像素进行文本数量预测得到的预测文本数量信息，对预测文本信息进行验证，大大提高了生成文本信息的准确率。
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种文本审核装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，一些实施例的文本审核装置800包括：生成单元801、图像分割单元802、文字方向检测单元803、细化分割单元804、文本识别单元805和敏感词匹配单元806。其中，生成单元801，被配置成根据目标图像中文字的分布，生成上述目标图像对应的热力图，其中，上述目标图像为包含有目标物品对应的展示信息的图像；图像分割单元802，被配置成根据上述热力图，对上述目标图像进行图像分割，以生成区域图像集合，其中，上述区域图像集合中的区域图像为含有文本的图像；文字方向检测单元803，被配置成对上述区域图像集合中的每个区域图像进行文本方向检测，以生成上述区域图像对应的文本方向信息，得到文本方向信息集合；细化分割单元804，被配置成根据上述热力图和上述区域图像集合中每个区域图像对应的文本方向信息，对上述区域图像进行细化分割，以生成子图像，得到子图像集合；文本识别单元805，被配置成对上述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合；敏感词匹配单元806，被配置成对上述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。
可以理解的是，该装置800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、特征以及产生的有益效果同样适用于装置800及其中包含的单元，在此不再赘述。
下面参考图9，其示出了适于用来实现本公开的一些实施例的电子设备（如图1所示的计算设备101）900的结构示意图。图9示出的电子设备仅仅是一个示例，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9所示，电子设备900可以包括处理装置（例如中央处理器、图形处理器等）901，其可以根据存储在只读存储器（ROM）902中的程序或者从存储装置908加载到随机访问存储器（RAM）903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出（I/O）接口905也连接至总线904。
通常，以下装置可以连接至I/O接口905：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906；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，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9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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
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：根据目标图像中文字的分布，生成上述目标图像对应的热力图，其中，上述目标图像为包含有目标物品对应的展示信息的图像；根据上述热力图，对上述目标图像进行图像分割，以生成区域图像集合，其中，上述区域图像集合中的区域图像为含有文本的图像；对上述区域图像集合中的每个区域图像进行文本方向检测，以生成上述区域图像对应的文本方向信息，得到文本方向信息集合；根据上述热力图和上述区域图像集合中每个区域图像对应的文本方向信息，对上述区域图像进行细化分割，以生成子图像，得到子图像集合；对上述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合；对上述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合。
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一些实施例的操作的计算机程序代码，上述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。
描述于本公开的一些实施例中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：一种处理器包括生成单元、图像分割单元、文字方向检测单元、细化分割单元、文本识别单元和敏感词匹配单元。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，敏感词匹配单元还可以被描述为“对文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合的单元”。
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。
以上描述仅为本公开的一些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 (8)

1.一种文本审核方法，包括：
根据目标图像中文字的分布，生成所述目标图像对应的热力图，其中，所述目标图像为包含有目标物品对应的展示信息的图像；
根据所述热力图，对所述目标图像进行图像分割，以生成区域图像集合，其中，所述区域图像集合中的区域图像为含有文本的图像；
对所述区域图像集合中的每个区域图像进行文本方向检测，以生成所述区域图像对应的文本方向信息，得到文本方向信息集合；
根据所述热力图和所述区域图像集合中每个区域图像对应的文本方向信息，对所述区域图像进行细化分割，以生成子图像，得到子图像集合；
对所述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合；
对所述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合，其中，所述根据目标图像中文字的分布，生成所述目标图像对应的热力图，包括：确定所述目标图像中每个像素点对应的像素点信息，得到像素点信息集合；其中，所述像素点信息集合中的像素点信息表征对应的像素点落在文本所在区域内的置信度；根据所述像素点信息集合中的像素点信息，生成所述热力图，所述根据所述热力图和所述区域图像集合中每个区域图像对应的文本方向信息，对所述区域图像进行细化分割，以生成子图像，包括：确定目标矩形框，其中，所述目标矩形框的大小与所述区域图像的大小一致，所述目标矩形框的倾斜角度与所述区域图像对应的文本方向信息对应的倾斜角度一致；以固定步长，分别缩小所述目标矩形框的边界；响应于确定缩小后的目标矩形框包括的目标边界包含目标像素点，将所述目标边界确定为候选边界，得到候选边界集合，其中，所述目标像素点是对应的热力值大于等于目标热力值的像素点；根据所述候选边界集合中的各个候选边界，构建图像分割框；根据所述图像分割框，对所述区域图像进行细化分割，以生成所述区域图像对应的子图像。
2.根据权利要求1所述的方法，其中，所述根据所述热力图，对所述目标图像进行图像分割，以生成区域图像集合，包括：
根据所述热力图中的像素点对应的热力值，对所述热力图进行热力图分割，以生成子热力图，得到至少一个子热力图；
将所述目标图像中分割出的与所述至少一个子热力图中的子热力图对应的图像，作为区域图像，得到所述区域图像集合。
3.根据权利要求1所述的方法，其中，所述对所述区域图像集合中的每个区域图像进行文本方向检测，以生成所述区域图像对应的文本方向信息，包括：
确定所述区域图像中包含的文字的位置，以生成文字位置信息序列；
根据所述文字位置信息序列中每两个相邻文字位置信息，生成文字方向向量，得到文字方向向量集合；
根据所述文字方向向量集合，生成所述文本方向信息。
4.根据权利要求1所述的方法，其中，所述对所述子图像集合中的每个子图像进行文本识别，以生成文本信息，包括：
对所述子图像中的每行像素进行文本预测，以生成预测文本信息，得到预测文本信息集合；
对所述子图像中的每列像素进行文本数量预测，以生成预测文本数量信息，得到预测文本数量信息集合；
对所述预测文本信息集合中的预测文本信息进行聚类处理，以生成文本聚类结果；
对所述预测文本数量信息集合中的预测文本数量信息进行聚类处理，以生成文本数量聚类结果；
根据所述文本数量聚类结果，对所述文本聚类结果进行校验，以生成所述子图像对应的文本信息。
5.根据权利要求1所述的方法，其中，所述对所述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，包括：
通过目标匹配算法，根据目标词库，对所述文本信息进行敏感词匹配，以生成所述文本信息对应的文本审核结果。
6.一种文本审核装置，包括：
生成单元，被配置成根据目标图像中文字的分布，生成所述目标图像对应的热力图，其中，所述目标图像为包含有目标物品对应的展示信息的图像；
图像分割单元，被配置成根据所述热力图，对所述目标图像进行图像分割，以生成区域图像集合，其中，所述区域图像集合中的区域图像为含有文本的图像；
文字方向检测单元，被配置成对所述区域图像集合中的每个区域图像进行文本方向检测，以生成所述区域图像对应的文本方向信息，得到文本方向信息集合；
细化分割单元，被配置成根据所述热力图和所述区域图像集合中每个区域图像对应的文本方向信息，对所述区域图像进行细化分割，以生成子图像，得到子图像集合；
文本识别单元，被配置成对所述子图像集合中的每个子图像进行文本识别，以生成文本信息，得到文本信息集合；
敏感词匹配单元，被配置成对所述文本信息集合中的每个文本信息进行敏感词匹配，以生成文本审核结果，得到文本审核结果集合，其中，所述根据目标图像中文字的分布，生成所述目标图像对应的热力图，包括：确定所述目标图像中每个像素点对应的像素点信息，得到像素点信息集合；其中，所述像素点信息集合中的像素点信息表征对应的像素点落在文本所在区域内的置信度；根据所述像素点信息集合中的像素点信息，生成所述热力图，所述根据所述热力图和所述区域图像集合中每个区域图像对应的文本方向信息，对所述区域图像进行细化分割，以生成子图像，包括：确定目标矩形框，其中，所述目标矩形框的大小与所述区域图像的大小一致，所述目标矩形框的倾斜角度与所述区域图像对应的文本方向信息对应的倾斜角度一致；以固定步长，分别缩小所述目标矩形框的边界；响应于确定缩小后的目标矩形框包括的目标边界包含目标像素点，将所述目标边界确定为候选边界，得到候选边界集合，其中，所述目标像素点是对应的热力值大于等于目标热力值的像素点；根据所述候选边界集合中的各个候选边界，构建图像分割框；根据所述图像分割框，对所述区域图像进行细化分割，以生成所述区域图像对应的子图像。
7.一种电子设备，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至5中任一所述的方法。
8.一种计算机可读介质，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至5中任一所述的方法。
CN202110964902.7A 2021-08-23 2021-08-23 文本审核方法、装置、电子设备和计算机可读介质 Active CN113420757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110964902.7A CN113420757B (zh) 2021-08-23 2021-08-23 文本审核方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110964902.7A CN113420757B (zh) 2021-08-23 2021-08-23 文本审核方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN113420757A CN113420757A (zh) 2021-09-21
CN113420757B true CN113420757B (zh) 2021-11-30

Family

ID=77719119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110964902.7A Active CN113420757B (zh) 2021-08-23 2021-08-23 文本审核方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN113420757B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972880A (zh) * 2022-06-15 2022-08-30 卡奥斯工业智能研究院(青岛)有限公司 一种标签识别方法、装置、电子设备及存储介质
CN115393472B (zh) * 2022-09-01 2023-09-15 南京数睿数据科技有限公司 画布处理方法、装置、电子设备、可读介质和程序产品
CN117056455A (zh) * 2023-07-04 2023-11-14 中国经济信息社有限公司 一种稿件内容安全审核方法、装置、电子设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8009928B1 (en) * 2008-01-23 2011-08-30 A9.Com, Inc. Method and system for detecting and recognizing text in images
CN111476067B (zh) * 2019-01-23 2023-04-07 腾讯科技（深圳）有限公司 图像的文字识别方法、装置、电子设备及可读存储介质
CN111444908B (zh) * 2020-03-25 2024-02-02 腾讯科技（深圳）有限公司 图像识别方法、装置、终端和存储介质
CN111507250B (zh) * 2020-04-16 2022-07-22 北京世纪好未来教育科技有限公司 图像识别方法、设备及存储介质
CN111967469B (zh) * 2020-08-13 2023-12-15 上海明略人工智能(集团)有限公司 一种畸形文本矫正方法、系统及文字识别方法

Also Published As

Publication number Publication date
CN113420757A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113420757B (zh) 文本审核方法、装置、电子设备和计算机可读介质
CN110321958B (zh) 神经网络模型的训练方法、视频相似度确定方法
WO2019129032A1 (zh) 遥感图像识别方法、装置、存储介质以及电子设备
US11461999B2 (en) Image object detection method, device, electronic device and computer readable medium
CN110222775B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN111915480B (zh) 生成特征提取网络的方法、装置、设备和计算机可读介质
CN113468330B (zh) 信息获取方法、装置、设备及介质
CN110826567A (zh) 光学字符识别方法、装置、设备及存储介质
US20230316792A1 (en) Automated generation of training data comprising document images and associated label data
CN114037985A (zh) 信息提取方法、装置、设备、介质及产品
CN112712036A (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN113255812B (zh) 视频边框检测方法、装置和电子设备
CN113191257B (zh) 笔顺检测方法、装置和电子设备
CN115700838A (zh) 用于图像识别模型的训练方法及其装置、图像识别方法
CN111461965B (zh) 图片处理方法、装置、电子设备和计算机可读介质
CN113807056B (zh) 一种文档名称序号纠错方法、装置和设备
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN116503596A (zh) 图片分割方法、装置、介质和电子设备
WO2022100401A1 (zh) 基于图像识别的价格信息处理方法、装置、设备和介质
WO2022105120A1 (zh) 图片文字检测方法、装置、计算机设备及存储介质
CN114862720A (zh) 画布还原方法、装置、电子设备和计算机可读介质
CN114139059A (zh) 资源推荐模型的训练方法、资源推荐方法及装置
CN113780239A (zh) 虹膜识别方法、装置、电子设备和计算机可读介质
CN113239943B (zh) 基于部件语义图的三维部件提取组合方法和装置
CN111626283B (zh) 文字提取方法、装置和电子设备

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
TR01 Transfer of patent right

Effective date of registration: 20231109

Address after: 518000 807, No. 121, Minsheng Avenue, Shangcun Community, Gongming Street, Guangming District, Shenzhen, Guangdong

Patentee after: Shenzhen Zhuanxin Intellectual Property Service Co.,Ltd.

Address before: 100102 room 076, no.1-302, 3 / F, commercial building, No.9 Wangjing street, Chaoyang District, Beijing

Patentee before: BEIJING MISSFRESH E-COMMERCE Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240506

Address after: 116000, No. 2 Linggong Road, Lingshui Town, Dalian High tech Industrial Park, Dalian, Liaoning Province

Patentee after: Dalian University of Technology Press Co.,Ltd.

Country or region after: China

Address before: 518000 807, No. 121, Minsheng Avenue, Shangcun Community, Gongming Street, Guangming District, Shenzhen, Guangdong

Patentee before: Shenzhen Zhuanxin Intellectual Property Service Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right