CN114004229A - 文本识别方法、装置、可读介质及电子设备 - Google Patents

Abstract

本公开涉及一种文本识别方法、装置、可读介质及电子设备，所述方法包括：获取待识别的文本图像中每个字符对应的热力图；根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；根据所述特征图像，获取所述文本图像对应的文本内容。也就是说，本公开可以根据待识别的文本图像中的每个字符对应的热力图，对该文本图像进行第一下采样处理，这样，可以避免对该文本图像的宽或高进行过度压缩，使得根据第一下采样处理后得到的特征图像获取的文本内容更加准确，从而提高了文本图像识别的准确率。

Description

文本识别方法、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，涉及一种文本识别方法、装置、可读介质及电子设备。

背景技术

随着文本图像识别技术的广泛应用，人们对文本图像识别的准确率的要求越来越高，需要能够准确识别文本图像中的每个字符。相关技术中，通过基于深度学习的神经网络模型识别文本图像中的文本内容。

但是，针对部分比较复杂的文本图像，例如广告、电影海报等文本图像，文本图像中的标题往往会使用特殊排版，这样，通过同一个神经网络模型对该文本图像进行识别时，会导致部分字符无法正常识别，从而使得文本图像识别的准确率比较低。

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，本公开提供一种文本识别方法，所述方法包括：

获取待识别的文本图像中每个字符对应的热力图；

根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；

根据所述特征图像，获取所述文本图像对应的文本内容。

第二方面，本公开提供一种文本识别装置，所述装置包括：

热力图获取模块，用于获取待识别的文本图像中每个字符对应的热力图；

特征图像获取模块，用于根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；

文本内容获取模块，用于根据所述特征图像，获取所述文本图像对应的文本内容。

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本公开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，以实现本公开第一方面所述方法的步骤。

通过上述技术方案，通过获取待识别的文本图像中每个字符对应的热力图；根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；根据所述特征图像，获取所述文本图像对应的文本内容。也就是说，本公开可以根据待识别的文本图像中的每个字符对应的热力图，对该文本图像进行第一下采样处理，这样，可以避免对该文本图像的宽或高进行过度压缩，使得根据第一下采样处理后得到的特征图像获取的文本内容更加准确，从而提高了文本图像识别的准确率。

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是根据一示例性实施例提供的一种文本识别方法的流程图；

图2是根据一示例性实施例提供的一种文本图像的示意图；

图3是根据一示例性实施例提供的一种热力图；

图4是根据一示例性实施例提供的另一种文本识别方法的流程图；

图5是根据一示例性实施例提供的一种文本识别装置的框图；

图6是根据一示例性实施例提供的另一种文本识别装置的框图；

图7是根据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。

首先，对本公开的应用场景进行说明。传统的OCR技术分为文本检测和文本识别两个步骤，通过文本检测对文本图像进行分割得到该文本图像中的文字区域，通过文本识别获取该文字区域中的文本内容。相关技术中，基于深度学习的文本识别主要包括以CRNN(Convolutional Recurrent Neural Network，卷积循环神经网络)为代表的CTC(Connectionist Temporal Classification，联结主义时间分类)方法和以Transformer为代表的Attention(注意力)方法，CTC方法和Attention方法对于水平文本图像的识别能力较强，但是针对部分特殊文本图像，例如广告、电影海报等文本图像，由于文本图像的标题往往使用了特殊排版，其中包括了不同高度的文本行，全部文本图像均按照一维文本行进行下采样处理，会使得二维文本的高度被过度压缩，导致信息丢失，从而无法正常识别；全部文本图像均按照二维文本的高度进行下采样处理，使得需要处理的序列长度更长，计算量大幅增加，导致文本识别的效率太低。

为了技术上述存在的技术问题，本公开提供一种文本识别方法、装置、可读介质及电子设备，可以根据待识别的文本图像中的每个字符对应的热力图，对该文本图像进行第一下采样处理，这样，可以避免对该文本图像的宽或高进行过度压缩，使得根据第一下采样处理后得到的特征图像获取的文本内容更加准确，从而提高了文本图像识别的准确率。

下面结合具体实施例对本公开进行说明。

图1是根据一示例性实施例提供的一种文本识别方法的流程图，如图1所示，该方法可以包括：

S101、获取待识别的文本图像中每个字符对应的热力图。

在本步骤中，在获取待识别的文本图像后，可以将待识别的文本图像输入预先训练的热力图获取模型，输出该文本图像中每个字符对应的热力图。示例地，图2是根据一示例性实施例提供的一种文本图像的示意图，如图2所示，该文本图像包括三种不同高度的文本行：“1”、“5”和“％”、“EXTRA DE DTO”，其中，“1”最高，“EXTRA DE DTO”最低。针对图2所示的文本图像，图3是根据一示例性实施例提供的一种热力图，如图3所示，左侧最高的热力图为“1”对应的热力图，上面两个热力图分别为“5”和“％”对应的热力图，下面的多个热力图为“EXTRA DE DTO”中每个字符对应的热力图(图中仅示出了4个热力图，其它热力图未展示)。

可选地，在获取待识别的文本图像中每个字符对应的热力图前，可以对待识别的文本图像进行第二下采样处理，得到该文本图像对应的下采样图像，之后，再获取该下采样图像中每个字符对应的热力图。其中，该第二下采样处理和该第一下采样处理的参数不同。

示例地，可以通过预先训练的特征图像获取模型对该文本图像进行第二下采样处理，得到该文本图像对应的下采样图像。其中，该特征图像获取模型可以是基于CNN(Convolutional Neural Networks，卷积神经网络模型)框架，通过现有技术的模型训练方法训练得到的，此处不在赘述。其中，该CNN框架包括ResNet18的前两个block，该特征图像获取模型进行第二下采样处理的下采样倍率可以是预先通过试验测试得到的，例如，该下采样倍率可以是4。若该文本图像对应的尺寸为(H，W)，下采样倍率为N，则对该文本图像进行第二下采样处理后得到的特征图像的尺寸为(H/N，W/N)。

S102、根据多个热力图，对该文本图像进行第一下采样处理，得到该文本图像对应的特征图像。

在本步骤中，在得到该文本图像中每个字符对应的热力图后，针对每个字符，可以根据该字符对应的热力图，通过现有技术的下采样方法，对该字符进行第一下采样处理，得到该文本图像对应的特征图像。

S103、根据该特征图像，获取该文本图像对应的文本内容。

在本步骤中，在得到该文本图像对应的特征图像后，可以对该特征图像进行识别，得到该文本图像对应的文本内容。其中，可以通过解码模块对该特征图像进行识别，该解码模块的实现方式可以参照现有技术的Transformer模型，示例地，该解码模块可以由多个编码器和多个解码器组成。

采用上述方法，可以根据待识别的文本图像中的每个字符对应的热力图，对该文本图像进行第一下采样处理，这样，可以避免对该文本图像的宽或高进行过度压缩，使得根据第一下采样处理后得到的特征图像获取的文本内容更加准确，从而提高了文本图像识别的准确率。

图4是根据一示例性实施例提供的另一种文本识别方法的流程图，如图4所示，该方法可以包括：

S401、将待识别的文本图像输入预先训练的热力图获取模型，输出该文本图像中每个字符对应的热力图。

在本步骤中，在将该文本图像输入该热力图获取模型之前，可以对该文本图像进行第二下采样处理，得到该文本图像对应的下采样图像，之后，再将该下采样图像输入该热力图获取模型，输出该文本图像中每个字符对应的热力图。

其中，该热力图获取模型可以通过以下方式训练得到：

S1、获取样本集。

其中，该样本集包括多个样本图像，以及该样本图像中每个字符对应的字符区域。

针对每个样本图像，可以对该样本图像中每个字符对应的字符区域进行标注，示例地，可以通过bounding box方法检测该样本图像中每个字符对应的四个顶点，通过该四个顶点确定该字符对应的字符区域。需要说明的是，上述确定字符区域的方法只是举例说明，也可以通过现有技术的其它方法确定该字符区域，本公开对此不作限定。

S2、通过该样本集对目标神经网络模型进行训练，得到该热力图获取模型。

在获取该样本集后，可以循环执行模型训练步骤，直至根据该字符区域和预测热力图确定训练后的目标神经网络满足预设停止迭代条件，将训练后的目标神经网络模型作为该热力图获取模型，该预测热力图为该样本图像输入该训练后的目标神经网络模型后输出的热力图。该模型训练步骤可以包括：

将多个样本图像输入该目标神经网络模型，输出每个样本图像对应的预测热力图，在根据该字符区域和该预测热力图确定该目标神经网络模型不满足该预设停止迭代条件的情况下，根据该字符区域和该预测热力图确定目标损失值，根据该目标损失值更新该目标神经网络模型的参数，得到训练后的目标神经网络模型，并将该训练后的目标神经网络模型作为新的目标神经网络模型。

其中，该预设停止迭代条件可以是现有技术中常用的停止迭代的条件，本公开对该预设停止迭代条件不作限定。

S402、根据多个热力图，确定该文本图像对应的复杂度。

其中，该复杂度可以用于表征该文本图像的二维程度，示例地，该复杂度的取值越大，表示该文本图像的二维程度越高，该复杂度的取值越小，表示该文本图像的二维程度越低。

在本步骤中，在得到该下采样图像中每个字符对应的热力图后，可以获取垂直方向的热力图的数量，将最大数量作为该文本图像对应的复杂度。继续以图3所示的热力图为例，垂直方向的热力图的数量包括1和2，则可以确定该文本图像对应的复杂度为2。

S403、根据该文本图像的复杂度，对该文本图像进行所述第一下采样处理，得到该文本图像对应的特征图像。

在本步骤中，在一种可能的实现方式中，在确定该文本图像的复杂度后，可以确定该文本图像的复杂度与预设复杂度阈值之间的差值；根据该差值，从预先训练的多个下采样模型中确定目标下采样模型，不同的下采样模型对应不同的下采样倍率；通过该目标下采样模型对该文本图像进行第一下采样处理，得到该文本图像对应的特征图像。

其中，该下采样倍率可以包括高度下采样倍率和宽度下采样倍率，在得到该文本图像的复杂度与预设复杂度阈值之间的差值后，可以根据该差值和预设采样倍率阈值，确定该文本图像对应的目标高度下采样倍率和目标宽度下采样倍率，之后，再根据该目标高度下采样倍率和该目标宽度下采样倍率，从多个下采样模型中确定该目标下采样模型。该预设采样倍率阈值可以是高度下采样倍率和宽度下采样倍率的乘积，在该预设采样倍率阈值确定后，可以根据该预设采样倍率阈值确定该高度下采样倍率和该宽度下采样倍率，该预设采样倍率阈值可以根据试验预先测试得到，例如，该预设采样倍率阈值可以是8。

示例地，在该预设采样倍率阈值为8的情况下，多个下采样模型可以包括第一下采样模型、第二下采样模型以及第三下采样模型，该第一下采样模型对应的下采样倍率可以是(8,1)，该第二下采样模型对应的下采样倍率可以是(4,2)，该第三下采样模型对应的下采样倍率可以是(2,4)，其中第一个数字表示高度下采样倍率，第二个数字表示宽度下采样倍率。若该文本图像的复杂度与预设复杂度阈值之间的差值为0，表示该文本图像的复杂度很低，该文本图像中文本行的水平程度很高，则可以确定该文本图像对应的高度下采样倍率很高，宽度下采样倍率很低，例如，该高度下采样倍率可以是8，该宽度下采样倍率可以是1，即将该第一下采样模型作为该目标下采样模型；若该文本图像的复杂度与预设复杂度阈值之间的差值为1，表示该文本图像的复杂度比较低，该文本图像中文本行的水平程度比较高，则可以确定该文本图像对应的高度下采样倍率比较高，宽度下采样倍率比较低，例如，该高度下采样倍率可以是4，该宽度下采样倍率可以是2，即将该第二下采样模型作为该目标下采样模型；若该文本图像的复杂度与预设复杂度阈值之间的差值为2，表示该文本图像的复杂度比较高，该文本图像中文本行的水平程度比较低，该文本行更加二维，则可以确定该文本图像对应的高度下采样倍率很低，宽度下采样倍率很高，例如，该高度下采样倍率可以是2，该宽度下采样倍率可以是4，即将该第三下采样模型作为该目标下采样模型。

需要说明的是，上述下采样模型对应的下采样倍率只是举例说明，本公开对此不作限定。多个下采样模型可以通过现有技术的模型训练方法训练得到，此处不再赘述。

在另一种可能的实现方式中，在确定该文本图像的复杂度后，可以根据预先建立的采样倍率关联关系，确定该复杂度对应的下采样倍率，该采样倍率关联关系可以包括不同的复杂度对应的下采样倍率。示例地，若该文本图像的复杂度为1，则该下采样倍率可以是(8,1)，若该文本图像的复杂度为2，则该下采样倍率可以是(4,2)，若该文本图像的复杂度为3，则该下采样倍率可以是(2,4)。上述下采样倍率只是举例说明，本公开对此不作限定。

进一步地，在确定该文本图像对应的下采样倍率后，可以通过现有技术的下采样处理方法对该文本图像进行第一下采样处理，得到该文本图像对应的特征图像。

S404、根据该特征图像，获取该文本图像对应的文本内容。

采用上述方法，可以获取待识别的文本图像中的每个字符对应的热力图，根据多个热力图确定该文本图像的复杂度，并根据该复杂度确定对该文本图像进行第一下采样处理的下采样倍率，这样，可以避免对该文本图像的宽或高进行过度压缩，使得根据第一下采样处理后得到的特征图像获取的文本内容更加准确，从而提高了文本图像识别的准确率；并且，根据该复杂度确定的对该文本图像进行第一下采样处理的下采样倍率更加准确，从而进一步提高了文本图像识别的准确率。

图5是根据一示例性实施例提供的一种文本识别装置的框图，如图5所示，该装置可以包括：

热力图获取模块501，用于获取待识别的文本图像中每个字符对应的热力图；

特征图像获取模块502，用于根据多个该热力图，对该文本图像进行第一下采样处理，得到该文本图像对应的特征图像；

文本内容获取模块503，用于根据该特征图像，获取该文本图像对应的文本内容。

可选地，该热力图获取模块501，还用于：

将待识别的该文本图像输入预先训练的热力图获取模型，输出该文本图像中每个字符对应的热力图。

可选地，该热力图获取模块501，还用于：

获取样本集，该样本集包括多个样本图像，以及该样本图像中每个字符对应的字符区域；

通过该样本集对目标神经网络模型进行训练，得到该热力图获取模型。

可选地，该特征图像获取模块502，还用于：

根据多个该热力图，确定该文本图像对应的复杂度；

根据该文本图像的复杂度，对该文本图像进行该第一下采样处理，得到该文本图像对应的特征图像。

可选地，该特征图像获取模块502，还用于：

确定该文本图像的复杂度与预设复杂度阈值之间的差值；

根据该差值，从预先训练的多个下采样模型中确定目标下采样模型，不同的下采样模型对应不同的下采样倍率；

通过该目标下采样模型对该文本图像进行该第一下采样处理，得到该文本图像对应的特征图像。

可选地，该下采样倍率包括高度下采样倍率和宽度下采样倍率；该特征图像获取模块502，还用于：

根据该差值和预设采样率阈值，确定该文本图像对应的目标高度下采样倍率和目标宽度下采样倍率；

根据该目标高度下采样倍率和该目标宽度下采样倍率，从多个下采样模型中确定该目标下采样模型。

可选地，图6是根据一示例性实施例提供的另一种文本识别装置的框图，如图6所示，该装置还包括：

下采样图像获取模块504，用于对待识别的该文本图像进行第二下采样处理，得到该文本图像对应的下采样图像；

该热力图获取模块501，还用于：

获取该下采样图像中每个字符对应的热力图。

通过上述装置，可以根据待识别的文本图像中的每个字符对应的热力图，对该文本图像进行第一下采样处理，这样，可以避免对该文本图像的宽或高进行过度压缩，使得根据第一下采样处理后得到的特征图像获取的文本内容更加准确，从而提高了文本图像识别的准确率。

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。

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700(例如终端设备或服务器)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700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700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700，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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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，电子设备可以利用诸如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：获取待识别的文本图像中每个字符对应的热力图；根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；根据所述特征图像，获取所述文本图像对应的文本内容。

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，热力图获取模块还可以被描述为“获取待识别的文本图像中每个字符对应的热力图的模块”。

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提供了一种文本识别方法，包括：获取待识别的文本图像中每个字符对应的热力图；根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；根据所述特征图像，获取所述文本图像对应的文本内容。

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，所述获取待识别的文本图像中每个字符对应的热力图包括：将待识别的所述文本图像输入预先训练的热力图获取模型，输出所述文本图像中每个字符对应的热力图。

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，所述热力图获取模型通过以下方式训练得到：获取样本集，所述样本集包括多个样本图像，以及所述样本图像中每个字符对应的字符区域；通过所述样本集对目标神经网络模型进行训练，得到所述热力图获取模型。

根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像包括：根据多个所述热力图，确定所述文本图像对应的复杂度；根据所述文本图像的复杂度，对所述文本图像进行所述第一下采样处理，得到所述文本图像对应的特征图像。

根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述根据所述文本图像的复杂度，对所述文本图像进行所述第一下采样处理，得到所述文本图像对应的特征图像包括：确定所述文本图像的复杂度与预设复杂度阈值之间的差值；根据所述差值，从预先训练的多个下采样模型中确定目标下采样模型，不同的下采样模型对应不同的下采样倍率；通过所述目标下采样模型对所述文本图像进行所述第一下采样处理，得到所述文本图像对应的特征图像。

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，所述下采样倍率包括高度下采样倍率和宽度下采样倍率；所述根据所述差值，从预先训练的多个下采样模型中确定目标下采样模型包括：根据所述差值和预设采样率阈值，确定所述文本图像对应的目标高度下采样倍率和目标宽度下采样倍率；根据所述目标高度下采样倍率和所述目标宽度下采样倍率，从多个所述下采样模型中确定所述目标下采样模型。

根据本公开的一个或多个实施例，示例7提供了示例1至示例6中任一示例的方法，在所述获取待识别的文本图像中每个字符对应的热力图前，所述方法还包括：对待识别的所述文本图像进行第二下采样处理，得到所述文本图像对应的下采样图像；所述获取待识别的文本图像中每个字符对应的热力图包括：获取所述下采样图像中每个字符对应的热力图。

根据本公开的一个或多个实施例，示例8提供了一种文本识别装置，包括：热力图获取模块，用于获取待识别的文本图像中每个字符对应的热力图；特征图像获取模块，用于根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；文本内容获取模块，用于根据所述特征图像，获取所述文本图像对应的文本内容。

根据本公开的一个或多个实施例，示例9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至示例7中任一示例所述方法的步骤。

根据本公开的一个或多个实施例，示例10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至示例7中任一示例所述方法的步骤。

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 (10)

1.一种文本识别方法，其特征在于，所述方法包括：

获取待识别的文本图像中每个字符对应的热力图；

根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；

根据所述特征图像，获取所述文本图像对应的文本内容。

2.根据权利要求1所述的方法，其特征在于，所述获取待识别的文本图像中每个字符对应的热力图包括：

将待识别的所述文本图像输入预先训练的热力图获取模型，输出所述文本图像中每个字符对应的热力图。

3.根据权利要求2所述的方法，其特征在于，所述热力图获取模型通过以下方式训练得到：

获取样本集，所述样本集包括多个样本图像，以及所述样本图像中每个字符对应的字符区域；

通过所述样本集对目标神经网络模型进行训练，得到所述热力图获取模型。

4.根据权利要求1所述的方法，其特征在于，所述根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像包括：

根据多个所述热力图，确定所述文本图像对应的复杂度；

根据所述文本图像的复杂度，对所述文本图像进行所述第一下采样处理，得到所述文本图像对应的特征图像。

5.根据权利要求4所述的方法，其特征在于，所述根据所述文本图像的复杂度，对所述文本图像进行所述第一下采样处理，得到所述文本图像对应的特征图像包括：

确定所述文本图像的复杂度与预设复杂度阈值之间的差值；

根据所述差值，从预先训练的多个下采样模型中确定目标下采样模型，不同的下采样模型对应不同的下采样倍率；

通过所述目标下采样模型对所述文本图像进行所述第一下采样处理，得到所述文本图像对应的特征图像。

6.根据权利要求5所述的方法，其特征在于，所述下采样倍率包括高度下采样倍率和宽度下采样倍率；所述根据所述差值，从预先训练的多个下采样模型中确定目标下采样模型包括：

根据所述差值和预设采样率阈值，确定所述文本图像对应的目标高度下采样倍率和目标宽度下采样倍率；

根据所述目标高度下采样倍率和所述目标宽度下采样倍率，从多个所述下采样模型中确定所述目标下采样模型。

7.根据权利要求1-6任一项所述的方法，其特征在于，在所述获取待识别的文本图像中每个字符对应的热力图前，所述方法还包括：

对待识别的所述文本图像进行第二下采样处理，得到所述文本图像对应的下采样图像；

所述获取待识别的文本图像中每个字符对应的热力图包括：

获取所述下采样图像中每个字符对应的热力图。

8.一种文本识别装置，其特征在于，所述装置包括：

热力图获取模块，用于获取待识别的文本图像中每个字符对应的热力图；

特征图像获取模块，用于根据多个所述热力图，对所述文本图像进行第一下采样处理，得到所述文本图像对应的特征图像；

文本内容获取模块，用于根据所述特征图像，获取所述文本图像对应的文本内容。

9.一种计算机可读介质，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1-7中任一项所述方法的步骤。

10.一种电子设备，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1-7中任一项所述方法的步骤。

Images