CN113590857A - 键值匹配方法、装置、可读介质及电子设备 - Google Patents

键值匹配方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN113590857A
CN113590857A CN202110915753.5A CN202110915753A CN113590857A CN 113590857 A CN113590857 A CN 113590857A CN 202110915753 A CN202110915753 A CN 202110915753A CN 113590857 A CN113590857 A CN 113590857A
Authority
CN
China
Prior art keywords
attribute
data
attribute value
position information
node
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.)
Pending
Application number
CN202110915753.5A
Other languages
English (en)
Inventor
赵田雨
陈露露
黄灿
王长虎
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 CN202110915753.5A priority Critical patent/CN113590857A/zh
Publication of CN113590857A publication Critical patent/CN113590857A/zh
Priority to PCT/CN2022/101765 priority patent/WO2023016111A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种键值匹配方法、装置、可读介质及电子设备，该键值匹配方法通过获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；根据该至少一个属性数据的第一位置信息生成第一关系图，并根据该至少一个属性值数据的第二位置信息生成第二关系图；将该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该第一关系图，该第二关系图以及该待检测图像输入预设图匹配模型，得到该属性数据与该属性值数据的匹配关系。这样，通过该预设图匹配模型进行键值匹配，不仅能够针对不同场景进行键值匹配，提升模型的泛化性，还能够有效保证键值匹配结果准确性。

Description

键值匹配方法、装置、可读介质及电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种键值匹配方法、装置、可读介质及电子设备。
背景技术
文档图像中的键值匹配，是指对文档图像中构成键值关系的文本进行组对提取的过程。例如，在营业执照的图像中，名称与某某公司构成键值关系，在身份证的图像中，姓名与张三构成键值关系，在毕业证的图像中，学校与某某大学构成键值关系，键值匹配即对形成这种键值关系中的键值对进行识别和提取。
目前的键值匹配方法通常要么是根据键值对之间的位置关系，将文字识别的结果结合预设好的关系字典进行查找匹配，要么是对待匹配的键值对进行分类预测，然而，无论是关系字典查找匹配，还是分类预测匹配都存在泛化性较差，仅能应用于特定场景的问题。
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。
本公开提供了一种键值匹配方法、装置、可读介质及电子设备。
第一方面，本公开提供一种键值匹配方法，所述方法包括：
获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；
根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图；
将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述第一关系图，所述第二关系图以及所述待检测图像输入预设图匹配模型，得到所述属性数据与所述属性值数据的匹配关系。
第二方面，本公开提供一种键值匹配装置，所述装置包括：
第一获取模块，用于获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；
关系图生成模块，用于根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图；
确定模块，用于将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述第一关系图，所述第二关系图以及所述待检测图像输入预设图匹配模型，得到所述属性数据与所述属性值数据的匹配关系。
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以上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，以实现以上第一方面所述方法的步骤。
上述技术方案，通过将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述至少一个属性数据的第一位置信息对应的第一关系图，所述至少一个属性值数据的第二位置信息对应的第二关系图，以及所述待检测图像输入预设图匹配模型，以使所述预设图匹配模型输出得到所述属性数据与所述属性值数据的匹配关系，这样，通过该预设图匹配模型进行键值匹配，不仅能够针对不同场景进行键值匹配，提升模型的泛化性，还能够有效保证键值匹配结果准确性。
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是本公开一示例性实施例示出的一种键值匹配方法的流程图；
图2是本公开一示例性实施例示出的一种键值匹配方法的流程示意图；
图3是根据图1所示实施例示出的一种键值匹配方法的流程图；
图4是根据图1所示实施例示出的另一种键值匹配方法的流程图；
图5是本公开另一示例性实施例示出的一种键值匹配装置的框图；
图6是根据图5所示实施例示出的一种键值匹配装置的框图；
图7是本公开一示例性实施例示出的一种电子设备的框图。
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。
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。
在介绍本公开的具体实施方式之前，首先对本公开的应用场景进行以下说明，本公开可以应用于对文档图像中的键值对进行识别和提取的过程中，其中，该文档图像可以是营业执照图像，学位证图像，毕业证图像，身份证图像等证件图像，该键值对是指具有键值关系的一组文本，例如，在营业执照图像中，名称与某某公司构成键值关系，属于一个键值对；在身份证图像中，姓名与张三构成键值关系，属于一个键值对；在毕业证图像中，学校与某某大学构成键值关系，属于一个键值对。
相关技术中，进行键值匹配的方法，要么是根据键值之间的位置关系，将文字识别的结果结合预设好的关系字典进行查找匹配，这种方法经常会因为关系字典中收集的键值对数据较少，涉及的场景比较单一，而导致无法在字典中查找到匹配的键值的情况；要么是将被处理的键值对中的数据划分为n类，使用一个多标签检测模型去检测图像中的数据，这种方法通常需要针对不同的场景训练不同的多标签检测模型，并且每一个场景下的多标签检测模型都需要大量的多标签标注数据，也就是说，训练该多标签检测模型需要投入的标注成本较多，并且得到的该多标签检测模型的泛化性较弱，仅能应用于特定场景，不能应用特定场景以外的其他场景。很明显，无论是关系字典查找匹配，还是分类预测匹配都存在泛化性较差，仅能应用于特定场景的问题。
为了解决以上技术问题，本公开提供了一种键值匹配方法、装置、可读介质及电子设备，该键值匹配方法通过获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；根据该至少一个属性数据的第一位置信息生成第一关系图，并根据该至少一个属性值数据的第二位置信息生成第二关系图；将该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该第一关系图，该第二关系图以及该待检测图像输入预设图匹配模型，得到该属性数据与该属性值数据的匹配关系。这样，通过该预设图匹配模型进行键值匹配，不仅能够针对不同场景进行键值匹配，保证模型的泛化性，还能够有效保证键值匹配结果准确性。
下面结合具体附图对本公开的实施方式进行详细阐述。
图1是本公开一示例性实施例示出的一种键值匹配方法的流程图；参见图1，该方法可以包括：
步骤101，获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息。
其中，该待检测图像可以是营业执照图像，学位证图像，毕业证图像，身份证图像等证件图像。该属性数据为组成键值对中的Key对应的数据，该属性值数据为组成键值对中Value对应的数据，Key与Value形成键值对。
本步骤中，可以通过现有技术中的二分类检测模型对该待检测图像中的属性数据和属性值数据进行类别和位置的检测，以输出得到该待检测图像中每个属性数据对应的第一检测框和每个属性值数据对应的第二检测框，根据该第一检测框确定该第一位置信息，根据该第二检测框确定该第二位置信息。示例地，一种实施方式中：可以将该第一检测框的位置作为该第一位置信息，将该第二检测框作为该第二位置信息；另一种实施方式中，可以将该第一检测框的中心位置作为该第一位置信息，将该第二检测框的中心位置作为该第二位置信息；再一种实施方式中，可以将该第一检测框上的任一点作为该第一位置信息，将该第二检测框上的任一点作为该第二位置信息。
步骤102，根据该至少一个属性数据的第一位置信息生成第一关系图，并根据该至少一个属性值数据的第二位置信息生成第二关系图。
其中，该第一关系图包括每个属性数据所在位置对应的属性节点和不同的该属性节点之间的第一连线，该第二关系图包括每个属性值数据所在位置对应的属性值节点，以及不同的属性值节点之间的第二连线。
本步骤中，可以根据该至少一个属性数据的第一位置信息通过德劳内三角化建图方式生成该第一关系图；根据该至少一个属性值数据的第二位置信息通过全连接建图方式生成该第二关系图。
需要是说明的是，该德劳内三角化建图方式(Delaunay triangulation，Delaunay三角剖分算法)与该全连接建图(即建立全连接网络拓扑图)方式均为现有技术中常用的建图方式，本公开在此不再赘述。
步骤103，将该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该第一关系图，该第二关系图以及该待检测图像输入预设图匹配模型，得到该属性数据与该属性值数据的匹配关系。
其中，该预设图匹配模型通过以下步骤S1至S3训练得到：
S1，获取模型训练样本数据。
其中，该模型训练样本数据包括多个待检测图像样本，每个该待检测图像样本中的每个属性数据的第一位置信息，该待检测图像样本中的每个属性值数据的第二位置信息，以及每个该待检测图像样本对应的第一关系图和第二关系图。
需要说明的是，该待检测图像样本包括对属性数据和属性值数据的种类标注，以及属性数据和属性值数据对应关系的标注数据。
S2，根据每个属性数据的第一位置信息通过预设网络初始模型从该待检测图像样本中获取该待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，并根据每个属性值数据的第二位置信息通过该预设网络初始模型从该待检测图像样本中获取该待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征。
其中，该预设网络初始模型可以包括第一初始子网络和第二初始子网络，该预设初始网络模型可以是神经网络模型，也可以是其他机器学习算法模型。
本步骤中，可以将该待检测图像样本对应的至少一个属性数据的第一位置信息，该第一关系图和该待检测图像作为第一初始子网络的输入，以输出得到该待检测图像样本对应的每个该属性节点对应的第一特征，并将该待检测图像样本对应的至少一个属性数据的第一位置信息，该第一关系图和该待检测图像作为第二初始子网络的输入，以输出得到该待检测图像样本中每条第一连线对应的第二特征；将该待检测图像样本对应的至少一个属性值数据的第二位置信息，该第二关系图和该待检测图像作为该第一初始子网络的输入，以输出得到该待检测图像样本中每个该属性值节点对应的第三特征，并将该待检测图像样本对应的至少一个属性值数据的第二位置信息，该第二关系图和该待检测图像作为第二初始子网络的输入，以输出得到该待检测图像样本中每条第二连线对应的第四特征。
其中，该第二初始子网络的深度大于该第一初始子网络的深度，即该第一初始子网络的隐藏层数量少于该第二初始子网络，该属性节点对应的第一特征和该属性值节点对应的第三特征由浅层网络(第一初始子网络)输出，该第一连线对应的第二特征和该第二连线对应的第四特征由深层网络(第二初始子网络)输出。
需要说明的是，首先由浅层网络获取该第一特征和该第三特征，由深层网络获取该第二特征和第四特征，能够有效获取到该属性节点，属性值节点，该第一连线，该第二连线对应的图像特征，其次，由于网络深度越浅，距离输入越近，包含的特征细节越多，提取到的特征对节点(该属性节点或属性值节点)的描述越准确，因此，能够有效保证提到到的属性节点的第一特征，以及属性值节点的第三特征的准确性，有利于为键值匹配提供可靠的数据依据；通过深层网络提取边(即第一连线和第二连线)的特征，能够有效减少数据处理量，提升模型处理效率。
另外，在该第一初始子网络和该第二初始子网络中可以包括池化层，在获取该第一特征，第二特征，第三特征以及该第四特征时，可以通过该池化层对提取到的特征进行平均池化，例如，特征图的形状为256×64×64(通道数256、长64、宽64)，在提取特征时可以将节点对应的检测框等比例缩放，然后在相应的位置提取特征，再将提取的特征通过该池化层进行平均池化，得到每个检测框的特征向量(256×1×1)。这样，能够有效减少数据维度，从而能够有利于简化网络复杂度，减小模型计算量，达到提升模型效率的技术效果。
S3，根据该待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，以及该待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征，通过预设损失函数计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，根据该损失值对该预设初始网络模型进行迭代训练，以得到该预设图匹配模型。
本步骤中，可以根据每个所述属性节点对应的第一特征和每个所述属性值节点对应的第三特征确定节点相似度矩阵，并根据每条所述第一连线对应的第二特征和每条所述第二连接对应的第四特征确定连线相似度矩阵；根据所述节点相似度矩阵和所述连线相似度矩阵生成目标关系矩阵；获取所述目标关系矩阵对应的双随机矩阵；根据所述双随机矩阵确定每个属性节点与待匹配的属性值节点的距离向量；根据所述距离向量通过预设损失函数确定所述损失值。
示例地，可以通过该第一邻接矩阵A1表示该第一关系图，通过第二邻接矩阵A2表示该第二关系图，通过公式A＝GHT确定该第一邻接矩阵A1对应的关联矩阵分别为G1和H1，该第二邻接矩阵A2对应的关联矩阵分别为G2和H2。在步骤S2中确定该第一特征为P1，该第二特征为E1，该第三特征为P2，该第四特征为E2的情况下，可以通过Mp＝P1P2获取该节点相似度矩阵Mp，并通过以下公式1确定该连线相似度矩阵Me：
Me＝[E1G1|E1H1]Λ[E2G2|E2H2]T……公式1
以上公式1中，该Λ可以是对称参数矩阵；
然后，可以通过以下公式2根据该节点相似度矩阵Mp和该连线相似度矩阵Me确定目标关系矩阵M：
Figure BDA0003205535980000091
以上公式2中：vec(x)表示x的按行展开式，[x]表示x的对角阵，
Figure BDA0003205535980000092
为Kroneckerproduct，克罗内克积。
进一步地，可以获取该目标关系矩阵M对应的特征向量V，然后该特征向量进行双随机化处理，以得到该特征向量V对应的双随机矩阵S，根据该双随机矩阵通过以下公式3确定属性节点与每个属性值节点的距离向量：
Figure BDA0003205535980000101
以上公式3中，α为预设系数，例如可以是200，S为双随机矩阵，i表示双随机矩阵S的行号，j表示双随机矩阵S的列号，S(i,1…m)表示双随机矩阵S的第i行，该双随机矩阵S共有m行，P为属性值节点的位置集合，Pi为第i个属性节点的位置，
Figure BDA0003205535980000102
表征第i个属性值节点特征相对于该属性值节点的位置集合P的权重。
接着，可以通过以下预设损失函数L(d)计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，其中该预设损失函数如下：
Figure BDA0003205535980000103
以上损失函数中，
Figure BDA0003205535980000104
为根据标注的属性数据所在位置与对应的属性值数据所在位置计算得到目标的距离向量，∈为随机小数。
训练过程中，可以获取每个属性节点与待匹配的属性值节点的距离向量对应的损失值，在该损失值小于或者等于预设损失值阈值的情况下，确定模型训练结束，得到最优的预设图匹配模型。
通过以上训练方式得到的预设图匹配模型，其泛化性较强，能够适用于多种不同的键值匹配场景，例如，既可以用于对身份证图像的键值匹配，也可以应用于营业执照图像，学位证图像等多个场景下的键值匹配。
示例地，如图2所示，图2是本公开一示例性实施例示出的一种键值匹配方法的流程示意图，在该图2中包括图像1至4，该图像1为一个待检测图像，该待检测图像中包括属性数据Key1和Key2，以及属性值数据Value1和Value2，通过二分类检测模型分别获取图像1中Key1，Key2，Value1，Value2的位置，从而得到了该图像2中的检测框，在图像2中每个检测框代表识别到的属性数据或者属性值数据的位置，通过预设图匹配模型后得到了Key1与Value1匹配，Key2与Value2匹配(如图2中的3)，根据该匹配关系通过文字识别，从而能够得到该文本信息Key1：Value1，与Key2：Value2(如图2中的4)。这样，通过该预设图匹配模型进行键值匹配，能够有效保证键值匹配结果准确性。
以上技术方案，通过将该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该至少一个属性数据的第一位置信息对应的第一关系图，该至少一个属性值数据的第二位置信息对应的第二关系图，以及该待检测图像输入预设图匹配模型，以使该预设图匹配模型输出得到该属性数据与该属性值数据的匹配关系，这样，通过该预设图匹配模型进行键值匹配，不仅能够针对不同场景进行键值匹配，提升模型的泛化性，还能够有效保证键值匹配结果准确性。
进一步地，图1中步骤103该预设图匹配模型，通过以下图3所示步骤根据该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该第一关系图，该第二关系图以及该待检测图像确定该属性数据与该属性值数据的匹配关系，图3是根据图1所示实施例示出的一种键值匹配方法的流程图，参见图3，该预设图匹配模型，可以用于：
步骤1031，根据该至少一个属性数据的第一位置信息从该待检测图像中获取该第一关系图中每个该属性节点对应的第一特征和每条该第一连线对应的第二特征，并根据该至少一个属性值数据的第二位置信息从该待检测图像中获取该第二关系图中每个该属性值节点对应的第三特征和每条该第二连接对应的第四特征。
本步骤中，可以将该至少一个属性数据的第一位置信息，该第一关系图和该待检测图像作为第一子网络的输入，以输出得到每个该属性节点对应的第一特征，并将该至少一个属性数据的第一位置信息，该第一关系图和该待检测图像作为第二子网络的输入，以输出得到该每条第一连线对应的第二特征，其中，该第一子网络的隐藏层数量少于该第二子网络；将该至少一个属性值数据的第二位置信息，该第二关系图和该待检测图像作为该第一子网络的输入，以输出得到每个该属性值节点对应的第三特征，并将该至少一个属性值数据的第二位置信息，该第二关系图和该待检测图像作为第二子网络的输入，以输出得到每条第二连线对应的第四特征。
需要说明的是，该第一子网络的隐藏层数量少于该第二子网络，即该第二子网络的深度大于该第一子网络的深度，该属性节点对应的第一特征和该属性值节点对应的第三特征由第一子网络(即包含的隐藏层较少的浅层网络)输出，该第一连线对应的第二特征和该第二连线对应的第四特征由第二子网络(即包含的隐藏层较多的深层网络)输出。由于网络深度越浅，距离输入越近，包含的特征细节越多，提取到的特征对节点(该属性节点或属性值节点)的描述越准确，因此通过该浅层网络输出该第一特征和第三特征，能够有效保证该第一特征和该第三特征的准确性，有利于为键值匹配提供可靠的数据依据；通过深层网络提取边(即第一连线和第二连线)的特征，能够有效减少数据处理量，提升模型处理效率。
步骤1032，根据每个该属性节点对应的第一特征和每条该第一连线对应的第二特征，以及每个该属性值节点对应的第三特征和每条该第二连接对应的第四特征确定该属性数据与该属性值数据的匹配关系。
本步骤中，一种可能的实施方式可以包括以下S21至S23所示的步骤：
S21，根据每个该属性节点对应的第一特征和每个该属性值节点对应的第三特征确定节点相似度矩阵。
本步骤中，在该属性节点对应的该第一特征为P1，该属性值节点对应的第三特征为P2的情况下，可以通过Mp＝P1P2获取该节点相似度矩阵Mp。
S22，根据每条该第一连线对应的第二特征和每条该第二连接对应的第四特征确定连线相似度矩阵。
本步骤中，在该属性节点对应的该第一特征为P1，该属性值节点对应的第三特征为P2，该第一连线对应的第二特征为E1，该第二连接对应的第四特征为E2的情况下，可以通过以下公式确定该连线相似度矩阵Me：
Me＝[E1G1|E1H1]Λ[E2G2|E2H2]T
以上公式中，该Λ可以是对称参数矩阵，例如可以是2×2的对称参数矩阵。
S23，根据该节点相似度矩阵和连线相似度矩阵确定每个该属性数据与每个该属性值数据的匹配关系。
本步骤中，可以通过以下公式根据该节点相似度矩阵Mp和该连线相似度矩阵Me确定目标关系矩阵M：
Figure BDA0003205535980000131
以上公式中：vec(x)表示x的按行展开式，[x]表示x的对角阵，
Figure BDA0003205535980000132
为Kroneckerproduct,克罗内克积。
在得到了目标关系矩阵M之后，可以获取该目标关系矩阵M对应的特征向量V，根据该特征向量V确定每个该属性数据与每个属性值数据的匹配关系。
可选地，本步骤中可以继续对该特征向量V进行双随机化处理以得到双随机矩阵S，根据该双随机化矩阵S确定每个属性数据与每个属性值数据的匹配关系。其中，进行双随机化处理的过程属于现有技术，在对该特征向量V进行双随机化处理的过程可以参见现有技术中的实施方式，本公开在此不再赘述。
示例地，若该待检测图像中分别包括3个属性数据(分别为Key1，Key2，Key3)和3个属性值数据(分别为Value1，Value2，Value3)，若得到的双随机矩阵S为：
Figure BDA0003205535980000133
其中，该矩阵的行代表Key1，Key2，Key3，该矩阵的列代表Value1，Value2，Value3，则表征该Key1与该Value1匹配，该Key2与该Value3匹配，该Key3与该Value2匹配。
以上技术方案，能够根据该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该第一关系图，该第二关系图以及该待检测图像确定该属性数据与该属性值数据的匹配关系，能够有效保证键值匹配结果的准确性。
可选地，在图1中步骤102所述的根据该至少一个属性数据的第一位置信息生成第一关系图，并根据该至少一个属性值数据的第二位置信息生成第二关系图之前，该方法还可以包括以下图4所示步骤，图4是根据图1所示实施例示出的另一种键值匹配方法的流程图，如图4所示，该方法还可以包括：
步骤104，获取该属性数据的第一数量和该属性值数据的第二数量。
示例地，该属性数据的第一数量可以是该待检测图像中Key的检测框的数量，该属性值数据的第二数量可以是该待检测图像中Value的检测框的数量。
步骤105，在该第一数量与该第二数量不等的情况下，通过在至少一个该属性数据所在位置处增加相同的属性数据，或，在至少一个该属性值数据所在位置处增加相同的属性值数据，以使该属性数据与该属性值数据的数量相等。
本步骤中，一种可能的实施方式包括：在该第一数量小于该第二数量的情况下，在每个属性数据所在位置处增加一个相同的属性数据，并获取两倍的第一数量与该第二数量的第一差值，从至少一个该属性值数据中获取该第一差值对应数量的目标属性值数据，并在每个该目标属性值数据所在位置处增加一个相同的属性值数据，以得到两倍第一数量的属性数据，和两倍第一数量的属性值数据；
相应地，按照以上实施方式，图1中所述的步骤102的实施方式可以包括：根据该两倍第一数量的属性数据对应的第一位置信息生成第一关系图；根据该两倍第一数量的属性值数据对应的第二位置信息生成第二关系图。
示例地，若属性数据的第一数量为a，属性值数据的第二数量为b，在该a小于b的情况下，直接在待检测图像中每个属性数据所在位置处增加一个数据，即得到了2a个属性数据，对于属性值数据，则在待检测图像中随机选取2a-b个属性值数据，在这些属性值数据所在的位置上依次增加一个属性值数据。由此便得到了2a个属性数据，也得到了2a个属性值数据。
本步骤中，另一种可能的实施方式包括：在该第一数量大于该第二数量的情况下，在每个属性值数据所在位置处增加一个相同的属性值数据，获取两倍的第二数量与该第一数量的第二差值，并从至少一个该属性数据中获取该第二差值对应数量的目标属性数据，并在该目标属性数据所在位置处增加一个相同的属性数据,以得到两倍第二数量的属性数据，和两倍第二数量的属性值数据。
相应地，按照以上实施方式，图1中所述的步骤102的实施方式可以包括：根据该两倍第二数量的属性数据对应的第一位置信息生成第一关系图；根据该两倍第二数量的属性值数据对应的第二位置信息生成第二关系图。
示例地，若属性数据的第一数量为a，属性值数据的第二数量为b，在该a大于b的情况下，直接在待检测图像中每个属性值数据所在位置处增加一个数据，即得到了2b个属性值数据，对于属性数据，则在待检测图像中随机选取2b-a个属性数据，在这些属性数据所在的位置上依次增加一个属性数据。由此便得到了2b个属性数据，也得到了2b个属性值数据。
以上技术方案，能够有效保证该属性数据与该属性值数据的数量相等，从而能够保证每个属性数据均能匹配到相应的属性值数据，有利于扩大可处理的待检测图像的范围，拓展该键值匹配方法的适用范围。
图5是本公开另一示例性实施例示出的一种键值匹配装置的框图；参见图5，该键值匹配装置，可以包括：
第一获取模块401，用于获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；
关系图生成模块402，用于根据该至少一个属性数据的第一位置信息生成第一关系图，并根据该至少一个属性值数据的第二位置信息生成第二关系图；
确定模块403，用于将该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该第一关系图，该第二关系图以及该待检测图像输入预设图匹配模型，得到该属性数据与该属性值数据的匹配关系。
上述技术方案，通过将该至少一个属性数据的第一位置信息，该至少一个属性值数据的第二位置信息，该至少一个属性数据的第一位置信息对应的第一关系图，该至少一个属性值数据的第二位置信息对应的第二关系图，以及该待检测图像输入预设图匹配模型，以使该预设图匹配模型输出得到该属性数据与该属性值数据的匹配关系，这样，通过该预设图匹配模型进行键值匹配，不仅能够针对不同场景进行键值匹配，提升模型的泛化性，还能够有效保证键值匹配结果准确性。
可选地，该第一关系图包括每个属性数据所在位置对应的属性节点和不同的该属性节点之间的第一连线，该第二关系图包括每个属性值数据所在位置对应的属性值节点，以及不同的属性值节点之间的第二连线，该预设图匹配模型，用于：
根据该至少一个属性数据的第一位置信息从该待检测图像中获取该第一关系图中每个该属性节点对应的第一特征和每条该第一连线对应的第二特征，并根据该至少一个属性值数据的第二位置信息从该待检测图像中获取该第二关系图中每个该属性值节点对应的第三特征和每条该第二连接对应的第四特征；
根据每个该属性节点对应的第一特征和每条该第一连线对应的第二特征，以及每个该属性值节点对应的第三特征和每条该第二连接对应的第四特征确定该属性数据与该属性值数据的匹配关系。
可选地，该预设图匹配模型包括第一子网络和第二子网络，该预设图匹配模型，用于：
将该至少一个属性数据的第一位置信息，该第一关系图和该待检测图像作为第一子网络的输入，以输出得到每个该属性节点对应的第一特征，并将该至少一个属性数据的第一位置信息，该第一关系图和该待检测图像作为第二子网络的输入，以输出得到该每条第一连线对应的第二特征，其中，该第一子网络的隐藏层数量少于该第二子网络；
将该至少一个属性值数据的第二位置信息，该第二关系图和该待检测图像作为该第一子网络的输入，以输出得到每个该属性值节点对应的第三特征，并将该至少一个属性值数据的第二位置信息，该第二关系图和该待检测图像作为第二子网络的输入，以输出得到每条第二连线对应的第四特征。
可选地，该预设图匹配模型，用于：
根据每个该属性节点对应的第一特征和每个该属性值节点对应的第三特征确定节点相似度矩阵；
根据每条该第一连线对应的第二特征和每条该第二连接对应的第四特征确定连线相似度矩阵；
根据该节点相似度矩阵和连线相似度矩阵确定每个该属性数据与每个该属性值数据的匹配关系。
可选地，该关系图生成模块，用于：
根据该至少一个属性数据的第一位置信息通过德劳内三角化建图方式生成该第一关系图；
根据该至少一个属性值数据的第二位置信息通过全连接建图方式生成该第二关系图。
图6是根据图5所示实施例示出的一种键值匹配装置的框图；参见图6，该装置还可以包括：
第二获取模块404，用于获取该属性数据的第一数量和该属性值数据的第二数量；
数据增加模块405，用于在该第一数量与该第二数量不等的情况下，通过在至少一个该属性数据所在位置处增加相同的属性数据，或，在至少一个该属性值数据所在位置处增加相同的属性值数据，以使该属性数据与该属性值数据的数量相等。
可选地，该数据增加模块，用于：
在该第一数量小于该第二数量的情况下，在每个属性数据所在位置处增加一个相同的属性数据，并获取两倍的第一数量与该第二数量的第一差值，从至少一个该属性值数据中获取该第一差值对应数量的目标属性值数据，并在每个该目标属性值数据所在位置处增加一个相同的属性值数据，以得到两倍第一数量的属性数据，和两倍第一数量的属性值数据；
相应地，该关系图生成模块，用于：
根据该两倍第一数量的属性数据对应的第一位置信息生成第一关系图；
根据该两倍第一数量的属性值数据对应的第二位置信息生成第二关系图。
可选地，该数据增加模块，用于：
在该第一数量大于该第二数量的情况下，在每个属性值数据所在位置处增加一个相同的属性值数据，获取两倍的第二数量与该第一数量的第二差值，并从至少一个该属性数据中获取该第二差值对应数量的目标属性数据，并在该目标属性数据所在位置处增加一个相同的属性数据,以得到两倍第二数量的属性数据，和两倍第二数量的属性值数据；
相应地，相应地，该关系图生成模块，用于：
根据该两倍第二数量的属性数据对应的第一位置信息生成第一关系图；
根据该两倍第二数量的属性值数据对应的第二位置信息生成第二关系图。
以上技术方案，能够有效保证该属性数据与该属性值数据的数量相等，从而能够保证每个属性数据均能匹配到相应的属性值数据，有利于扩大可处理的待检测图像的范围，拓展该键值匹配方法的适用范围。
可选地，该预设图匹配模型通过以下步骤训练得到：
获取模型训练样本数据，该模型训练样本数据包括多个待检测图像样本，每个该待检测图像样本中的每个属性数据的第一位置信息，该待检测图像样本中的每个属性值数据的第二位置信息，以及每个该待检测图像样本对应的第一关系图和第二关系图；
根据每个属性数据的第一位置信息通过预设网络初始模型从该待检测图像样本中获取该待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，并根据每个属性值数据的第二位置信息通过该预设网络初始模型从该待检测图像样本中获取该待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征；
根据该待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，以及该待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征，通过预设损失函数计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，根据该损失值对该预设初始网络模型进行迭代训练，以得到该预设图匹配模型。
可选地，所述根据所述待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，以及所述待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征，通过预设损失函数计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，包括：
根据每个所述属性节点对应的第一特征和每个所述属性值节点对应的第三特征确定节点相似度矩阵，并根据每条所述第一连线对应的第二特征和每条所述第二连接对应的第四特征确定连线相似度矩阵；
根据所述节点相似度矩阵和所述连线相似度矩阵生成目标关系矩阵；
获取所述目标关系矩阵对应的双随机矩阵；
根据所述双随机矩阵确定每个属性节点与待匹配的属性值节点的距离向量；
根据所述距离向量通过预设损失函数确定所述损失值。
通过以上训练方式得到的预设图匹配模型，其泛化性较强，能够适用于多种不同的键值匹配场景，例如，既可以用于对身份证图像的键值匹配，也可以应用于营业执照图像，学位证图像等多个场景下的键值匹配。
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，服务器可以利用诸如HTTP(HyperText Transfer Protocol，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：获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图；将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述第一关系图，所述第二关系图以及所述待检测图像输入预设图匹配模型，得到所述属性数据与所述属性值数据的匹配关系。。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的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，第一获取模块还可以被描述为“获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息”。
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提供了一种键值匹配方法，所述方法包括：
获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；
根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图；
将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述第一关系图，所述第二关系图以及所述待检测图像输入预设图匹配模型，得到所述属性数据与所述属性值数据的匹配关系。
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，所述第一关系图包括每个属性数据所在位置对应的属性节点和不同的所述属性节点之间的第一连线，所述第二关系图包括每个属性值数据所在位置对应的属性值节点，以及不同的属性值节点之间的第二连线，所述预设图匹配模型，用于：
根据所述至少一个属性数据的第一位置信息从所述待检测图像中获取所述第一关系图中每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，并根据所述至少一个属性值数据的第二位置信息从所述待检测图像中获取所述第二关系图中每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征；
根据每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，以及每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征确定所述属性数据与所述属性值数据的匹配关系。
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，所述预设图匹配模型包括第一子网络和第二子网络，所述根据所述至少一个属性数据的第一位置信息从所述待检测图像中获取所述第一关系图中每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，并根据所述至少一个属性值数据的第二位置信息从所述待检测图像中获取所述第二关系图中每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征，包括：
将所述至少一个属性数据的第一位置信息，所述第一关系图和所述待检测图像作为第一子网络的输入，以输出得到每个所述属性节点对应的第一特征，并将所述至少一个属性数据的第一位置信息，所述第一关系图和所述待检测图像作为第二子网络的输入，以输出得到所述每条第一连线对应的第二特征，其中，所述第一子网络的隐藏层数量少于所述第二子网络；
将所述至少一个属性值数据的第二位置信息，所述第二关系图和所述待检测图像作为所述第一子网络的输入，以输出得到每个所述属性值节点对应的第三特征，并将所述至少一个属性值数据的第二位置信息，所述第二关系图和所述待检测图像作为第二子网络的输入，以输出得到每条第二连线对应的第四特征。
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，所述根据每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，以及每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征确定所述属性数据与所述属性值数据的匹配关系，包括：
根据每个所述属性节点对应的第一特征和每个所述属性值节点对应的第三特征确定节点相似度矩阵；
根据每条所述第一连线对应的第二特征和每条所述第二连接对应的第四特征确定连线相似度矩阵；
根据所述节点相似度矩阵和连线相似度矩阵确定每个所述属性数据与每个所述属性值数据的匹配关系。
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，所述根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图，包括：
根据所述至少一个属性数据的第一位置信息通过德劳内三角化建图方式生成所述第一关系图；
根据所述至少一个属性值数据的第二位置信息通过全连接建图方式生成所述第二关系图。
根据本公开的一个或多个实施例，示例6提供了示例1的方法，在所述根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图之前，所述方法还包括：
获取所述属性数据的第一数量和所述属性值数据的第二数量；
在所述第一数量与所述第二数量不等的情况下，通过在至少一个所述属性数据所在位置处增加相同的属性数据，或，在至少一个所述属性值数据所在位置处增加相同的属性值数据，以使所述属性数据与所述属性值数据的数量相等。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述在所述第一数量与所述第二数量不等的情况下，通过在至少一个所述属性数据所在位置处增加相同的属性数据，包括：
在所述第一数量小于所述第二数量的情况下，在每个属性数据所在位置处增加一个相同的属性数据，并获取两倍的第一数量与所述第二数量的第一差值，从至少一个所述属性值数据中获取所述第一差值对应数量的目标属性值数据，并在每个所述目标属性值数据所在位置处增加一个相同的属性值数据，以得到两倍第一数量的属性数据，和两倍第一数量的属性值数据；
相应地，所述根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图，包括：
根据所述两倍第一数量的属性数据对应的第一位置信息生成第一关系图；
根据所述两倍第一数量的属性值数据对应的第二位置信息生成第二关系图。
根据本公开的一个或多个实施例，示例8提供了示例6的方法，所述在至少一个所述属性值数据所在位置处增加相同的属性值数据，以使所述属性数据与所述属性值数据的数量相等，还包括：
在所述第一数量大于所述第二数量的情况下，在每个属性值数据所在位置处增加一个相同的属性值数据，获取两倍的第二数量与所述第一数量的第二差值，并从至少一个所述属性数据中获取所述第二差值对应数量的目标属性数据，并在所述目标属性数据所在位置处增加一个相同的属性数据,以得到两倍第二数量的属性数据，和两倍第二数量的属性值数据；
相应地，所述预设图匹配模型根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图，包括：
根据所述两倍第二数量的属性数据对应的第一位置信息生成第一关系图；
根据所述两倍第二数量的属性值数据对应的第二位置信息生成第二关系图。
根据本公开的一个或多个实施例，示例9提供了示例1-8任一项的方法，所述预设图匹配模型通过以下步骤训练得到：
获取模型训练样本数据，所述模型训练样本数据包括多个待检测图像样本，每个所述待检测图像样本中的每个属性数据的第一位置信息，所述待检测图像样本中的每个属性值数据的第二位置信息，以及每个所述待检测图像样本对应的第一关系图和第二关系图；
根据每个属性数据的第一位置信息通过预设网络初始模型从所述待检测图像样本中获取所述待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，并根据每个属性值数据的第二位置信息通过所述预设网络初始模型从所述待检测图像样本中获取所述待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征；
根据所述待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，以及所述待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征，通过预设损失函数计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，根据所述损失值对所述预设初始网络模型进行迭代训练，以得到所述预设图匹配模型。
根据本公开的一个或多个实施例，示例10提供了示例9所示的方法，所述根据所述待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，以及所述待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征，通过预设损失函数计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，包括：
根据每个所述属性节点对应的第一特征和每个所述属性值节点对应的第三特征确定节点相似度矩阵，并根据每条所述第一连线对应的第二特征和每条所述第二连接对应的第四特征确定连线相似度矩阵；
根据所述节点相似度矩阵和所述连线相似度矩阵生成目标关系矩阵；
获取所述目标关系矩阵对应的双随机矩阵；
根据所述双随机矩阵确定每个属性节点与待匹配的属性值节点的距离向量；
根据所述距离向量通过预设损失函数确定所述损失值。
根据本公开的一个或多个实施例，示例11提供了一种键值匹配装置，所述装置包括：
第一获取模块，用于获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；
关系图生成模块，用于根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图；
确定模块，用于将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述第一关系图，所述第二关系图以及所述待检测图像输入预设图匹配模型，得到所述属性数据与所述属性值数据的匹配关系。
根据本公开的一个或多个实施例，示例12提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-10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13提供了一种电子设备，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，以实现示例1-10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 (13)

1.一种键值匹配方法，其特征在于，所述方法包括：
获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；
根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图；
将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述第一关系图，所述第二关系图以及所述待检测图像输入预设图匹配模型，得到所述属性数据与所述属性值数据的匹配关系。
2.根据权利要求1所述的方法，其特征在于，所述第一关系图包括每个属性数据所在位置对应的属性节点和不同的所述属性节点之间的第一连线，所述第二关系图包括每个属性值数据所在位置对应的属性值节点，以及不同的属性值节点之间的第二连线，所述预设图匹配模型用于：
根据所述至少一个属性数据的第一位置信息从所述待检测图像中获取所述第一关系图中每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，并根据所述至少一个属性值数据的第二位置信息从所述待检测图像中获取所述第二关系图中每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征；
根据每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，以及每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征确定所述属性数据与所述属性值数据的匹配关系。
3.根据权利要求2所述的方法，其特征在于，所述预设图匹配模型包括第一子网络和第二子网络，所述根据所述至少一个属性数据的第一位置信息从所述待检测图像中获取所述第一关系图中每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，并根据所述至少一个属性值数据的第二位置信息从所述待检测图像中获取所述第二关系图中每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征，包括：
将所述至少一个属性数据的第一位置信息，所述第一关系图和所述待检测图像作为第一子网络的输入，以输出得到每个所述属性节点对应的第一特征，并将所述至少一个属性数据的第一位置信息，所述第一关系图和所述待检测图像作为第二子网络的输入，以输出得到所述每条第一连线对应的第二特征，其中，所述第一子网络的隐藏层数量少于所述第二子网络；
将所述至少一个属性值数据的第二位置信息，所述第二关系图和所述待检测图像作为所述第一子网络的输入，以输出得到每个所述属性值节点对应的第三特征，并将所述至少一个属性值数据的第二位置信息，所述第二关系图和所述待检测图像作为第二子网络的输入，以输出得到每条第二连线对应的第四特征。
4.根据权利要求2所述的方法，其特征在于，所述根据每个所述属性节点对应的第一特征和每条所述第一连线对应的第二特征，以及每个所述属性值节点对应的第三特征和每条所述第二连接对应的第四特征确定所述属性数据与所述属性值数据的匹配关系，包括：
根据每个所述属性节点对应的第一特征和每个所述属性值节点对应的第三特征确定节点相似度矩阵；
根据每条所述第一连线对应的第二特征和每条所述第二连接对应的第四特征确定连线相似度矩阵；
根据所述节点相似度矩阵和连线相似度矩阵确定每个所述属性数据与每个所述属性值数据的匹配关系。
5.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图，包括：
根据所述至少一个属性数据的第一位置信息通过德劳内三角化建图方式生成所述第一关系图；
根据所述至少一个属性值数据的第二位置信息通过全连接建图方式生成所述第二关系图。
6.根据权利要求1所述的方法，其特征在于，在所述根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图之前，所述方法还包括：
获取所述属性数据的第一数量和所述属性值数据的第二数量；
在所述第一数量与所述第二数量不等的情况下，通过在至少一个所述属性数据所在位置处增加相同的属性数据，或，在至少一个所述属性值数据所在位置处增加相同的属性值数据，以使所述属性数据与所述属性值数据的数量相等。
7.根据权利要求6所述的方法，其特征在于，所述在所述第一数量与所述第二数量不等的情况下，通过在至少一个所述属性数据所在位置处增加相同的属性数据，包括：
在所述第一数量小于所述第二数量的情况下，在每个属性数据所在位置处增加一个相同的属性数据，并获取两倍的第一数量与所述第二数量的第一差值，从至少一个所述属性值数据中获取所述第一差值对应数量的目标属性值数据，并在每个所述目标属性值数据所在位置处增加一个相同的属性值数据，以得到两倍第一数量的属性数据，和两倍第一数量的属性值数据；
相应地，所述根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图，包括：
根据所述两倍第一数量的属性数据对应的第一位置信息生成第一关系图；
根据所述两倍第一数量的属性值数据对应的第二位置信息生成第二关系图。
8.根据权利要求6所述的方法，其特征在于，所述在至少一个所述属性值数据所在位置处增加相同的属性值数据，以使所述属性数据与所述属性值数据的数量相等，还包括：
在所述第一数量大于所述第二数量的情况下，在每个属性值数据所在位置处增加一个相同的属性值数据，获取两倍的第二数量与所述第一数量的第二差值，并从至少一个所述属性数据中获取所述第二差值对应数量的目标属性数据，并在所述目标属性数据所在位置处增加一个相同的属性数据,以得到两倍第二数量的属性数据，和两倍第二数量的属性值数据；
相应地，所述预设图匹配模型根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图，包括：
根据所述两倍第二数量的属性数据对应的第一位置信息生成第一关系图；
根据所述两倍第二数量的属性值数据对应的第二位置信息生成第二关系图。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述预设图匹配模型通过以下步骤训练得到：
获取模型训练样本数据，所述模型训练样本数据包括多个待检测图像样本，每个所述待检测图像样本中的每个属性数据的第一位置信息，所述待检测图像样本中的每个属性值数据的第二位置信息，以及每个所述待检测图像样本对应的第一关系图和第二关系图；
根据每个属性数据的第一位置信息通过预设网络初始模型从所述待检测图像样本中获取所述待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，并根据每个属性值数据的第二位置信息通过所述预设网络初始模型从所述待检测图像样本中获取所述待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征；
根据所述待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，以及所述待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征，通过预设损失函数计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，根据所述损失值对所述预设初始网络模型进行迭代训练，以得到所述预设图匹配模型。
10.根据权利要求9所述的方法，其特征在于，所述根据所述待检测图像样本的第一关系图中每个属性节点对应的第一特征和每条第一连接对应的第二特征，以及所述待检测图像样本的第二关系图中每个属性值节点对应的第三特征和每条第二连线对应的第四特征，通过预设损失函数计算每个属性节点与待匹配的属性值节点的距离向量对应的损失值，包括：
根据每个所述属性节点对应的第一特征和每个所述属性值节点对应的第三特征确定节点相似度矩阵，并根据每条所述第一连线对应的第二特征和每条所述第二连接对应的第四特征确定连线相似度矩阵；
根据所述节点相似度矩阵和所述连线相似度矩阵生成目标关系矩阵；
获取所述目标关系矩阵对应的双随机矩阵；
根据所述双随机矩阵确定每个属性节点与待匹配的属性值节点的距离向量；
根据所述距离向量通过预设损失函数确定所述损失值。
11.一种键值匹配装置，其特征在于，所述装置包括：
第一获取模块，用于获取待检测图像中至少一个属性数据的第一位置信息和至少一个属性值数据的第二位置信息；
关系图生成模块，用于根据所述至少一个属性数据的第一位置信息生成第一关系图，并根据所述至少一个属性值数据的第二位置信息生成第二关系图；
确定模块，用于将所述至少一个属性数据的第一位置信息，所述至少一个属性值数据的第二位置信息，所述第一关系图，所述第二关系图以及所述待检测图像输入预设图匹配模型，得到所述属性数据与所述属性值数据的匹配关系。
12.一种计算机可读介质，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1-10中任一项所述方法的步骤。
13.一种电子设备，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1-10中任一项所述方法的步骤。
CN202110915753.5A 2021-08-10 2021-08-10 键值匹配方法、装置、可读介质及电子设备 Pending CN113590857A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110915753.5A CN113590857A (zh) 2021-08-10 2021-08-10 键值匹配方法、装置、可读介质及电子设备
PCT/CN2022/101765 WO2023016111A1 (zh) 2021-08-10 2022-06-28 键值匹配方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110915753.5A CN113590857A (zh) 2021-08-10 2021-08-10 键值匹配方法、装置、可读介质及电子设备

Publications (1)

Publication Number Publication Date
CN113590857A true CN113590857A (zh) 2021-11-02

Family

ID=78256943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110915753.5A Pending CN113590857A (zh) 2021-08-10 2021-08-10 键值匹配方法、装置、可读介质及电子设备

Country Status (2)

Country Link
CN (1) CN113590857A (zh)
WO (1) WO2023016111A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023016111A1 (zh) * 2021-08-10 2023-02-16 北京有竹居网络技术有限公司 键值匹配方法、装置、可读介质及电子设备
WO2023103653A1 (zh) * 2021-12-08 2023-06-15 北京有竹居网络技术有限公司 键值匹配方法、装置、可读介质及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898186A (zh) * 2018-07-03 2018-11-27 北京字节跳动网络技术有限公司 用于提取图像的方法和装置
CN109165572A (zh) * 2018-08-03 2019-01-08 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN110837861A (zh) * 2019-11-06 2020-02-25 亮风台（上海）信息科技有限公司 一种图像匹配方法、装置、设备和存储介质
CN111325141A (zh) * 2020-02-18 2020-06-23 上海商汤临港智能科技有限公司 交互关系识别方法、装置、设备及存储介质
CN111914729A (zh) * 2020-07-28 2020-11-10 中国建设银行股份有限公司 凭证关联方法、装置、计算机设备及存储介质
CN112287144A (zh) * 2020-10-29 2021-01-29 苏州科达科技股份有限公司 图片检索方法、设备及存储介质
US20210383153A1 (en) * 2018-12-14 2021-12-09 Beijing Jingdong Shangke Information Technology Co., Ltd. Method and apparatus for presenting information

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10949661B2 (en) * 2018-11-21 2021-03-16 Amazon Technologies, Inc. Layout-agnostic complex document processing system
US11562591B2 (en) * 2019-12-23 2023-01-24 Insurance Services Office, Inc. Computer vision systems and methods for information extraction from text images using evidence grounding techniques
CN112036295B (zh) * 2020-08-28 2023-12-08 泰康保险集团股份有限公司 票据图像处理方法、装置、存储介质及电子设备
CN112699234A (zh) * 2020-12-08 2021-04-23 上海深杳智能科技有限公司 一种通用文档识别方法、系统、终端及存储介质
CN113590857A (zh) * 2021-08-10 2021-11-02 北京有竹居网络技术有限公司 键值匹配方法、装置、可读介质及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898186A (zh) * 2018-07-03 2018-11-27 北京字节跳动网络技术有限公司 用于提取图像的方法和装置
CN109165572A (zh) * 2018-08-03 2019-01-08 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
US20210383153A1 (en) * 2018-12-14 2021-12-09 Beijing Jingdong Shangke Information Technology Co., Ltd. Method and apparatus for presenting information
CN110837861A (zh) * 2019-11-06 2020-02-25 亮风台（上海）信息科技有限公司 一种图像匹配方法、装置、设备和存储介质
CN111325141A (zh) * 2020-02-18 2020-06-23 上海商汤临港智能科技有限公司 交互关系识别方法、装置、设备及存储介质
CN111914729A (zh) * 2020-07-28 2020-11-10 中国建设银行股份有限公司 凭证关联方法、装置、计算机设备及存储介质
CN112287144A (zh) * 2020-10-29 2021-01-29 苏州科达科技股份有限公司 图片检索方法、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023016111A1 (zh) * 2021-08-10 2023-02-16 北京有竹居网络技术有限公司 键值匹配方法、装置、可读介质及电子设备
WO2023103653A1 (zh) * 2021-12-08 2023-06-15 北京有竹居网络技术有限公司 键值匹配方法、装置、可读介质及电子设备

Also Published As

Publication number Publication date
WO2023016111A1 (zh) 2023-02-16

Similar Documents

Publication Publication Date Title
CN112364860B (zh) 字符识别模型的训练方法、装置和电子设备
CN110826567B (zh) 光学字符识别方法、装置、设备及存储介质
WO2023016111A1 (zh) 键值匹配方法、装置、可读介质及电子设备
CN112883966B (zh) 图像字符识别方法、装置、介质及电子设备
CN112650841A (zh) 信息处理方法、装置和电子设备
CN112766284B (zh) 图像识别方法和装置、存储介质和电子设备
CN112650790A (zh) 目标点云平面确定方法，装置，电子设备及存储介质
CN114153959A (zh) 键值匹配方法、装置、可读介质及电子设备
CN114494709A (zh) 特征提取模型的生成方法、图像特征提取方法和装置
CN117392260B (zh) 一种图像生成方法及装置
CN112907628A (zh) 视频目标追踪方法、装置、存储介质及电子设备
CN113407767A (zh) 确定文本相关性的方法、装置、可读介质及电子设备
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN112241761A (zh) 模型训练方法、装置和电子设备
CN113610034B (zh) 识别视频中人物实体的方法、装置、存储介质及电子设备
CN111459780A (zh) 用户识别方法、装置、可读介质及电子设备
CN113191257B (zh) 笔顺检测方法、装置和电子设备
CN113255812A (zh) 视频边框检测方法、装置和电子设备
CN111915689B (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN111967584A (zh) 生成对抗样本的方法、装置、电子设备及计算机存储介质
CN116778306A (zh) 伪造对象检测方法、相关装置及存储介质
CN111898658B (zh) 图像分类方法、装置和电子设备
CN114495080A (zh) 字体识别方法、装置、可读介质及电子设备
CN113705386A (zh) 视频分类方法、装置、可读介质和电子设备
CN111382233A (zh) 一种相似文本检测方法、装置、电子设备及存储介质

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