CN114067327A - 文本识别方法、装置、可读介质及电子设备 - Google Patents
文本识别方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN114067327A CN114067327A CN202111371072.3A CN202111371072A CN114067327A CN 114067327 A CN114067327 A CN 114067327A CN 202111371072 A CN202111371072 A CN 202111371072A CN 114067327 A CN114067327 A CN 114067327A
- Authority
- CN
- China
- Prior art keywords
- text
- character
- target
- word
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 125
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
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;根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,获取所述文本图像对应的文本内容。也就是说,本公开在对文本图像进行识别时,增加了该文本图像对应的词粒度的特征,这样,使得该文本图像的特征更完整,从而提高了文本图像识别的准确率。
Description
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Transformer模型识别文本图像中的文本内容,但是,Transformer模型是对文本图像中的每个独立的字符进行识别,导致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;
根据所述文本图像和所述文本词文本图像对应的,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;
其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,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:
文本图像获取模块,用于获取待识别的文本图像;
文本内容获取模块,用于根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;
其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,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;根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,获取所述文本图像对应的文本内容。也就是说,本公开在对文本图像进行识别时,增加了该文本图像对应的词粒度的特征,这样,使得该文本图像的特征更完整,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是根据本公开一示例性实施例提供的一种文本识别方法的流程图;
图2是根据本公开一示例性实施例提供的一种文本识别模型的示意图;
图3是根据本公开一示例性实施例提供的一种字符识别方法的流程图;
图4是根据本公开一示例性实施例提供的一种文本识别方法的示意图;
图5是根据本公开一示例性实施例提供的一种文本识别装置的框图;
图6是根据本公开一示例性实施例提供的第二种文本识别装置的框图;
图7是根据本公开一示例性实施例提供的第三种文本识别装置的框图;
图8是根据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。
首先,对本公开的应用场景进行说明。传统的OCR(Optical CharacterRecognition,光学字符识别)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,通过文本识别对文本检测步骤中分割好的文字区域子图进行识别,得到文本图像对应的文本转译信息(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。其中,Transformer模型由编码器和解码器组成,针对输入的文本图像,先通过字符嵌入模型进行字符嵌入编码,之后,再经过若干attention进行字符预测,但是,由于字符嵌入模型是基于字符粒度的,而在NLP(Natural Language Processing,自然语言处理)领域,大多数针对嵌入编码的研究是基于词粒度(word)的,是基于巨量预料训练得到的词嵌入模型,因此,相比词嵌入模型,字符嵌入模型不够成熟,性能比较差,导致通过该字符嵌入模型得到的文本图像对应的字符嵌入特征不够准确,从而导致文本图像识别的准确率比较低。
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,在对文本图像进行识别时,增加了该文本图像对应的词粒度的特征,这样,使得该文本图像的特征更完整,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是根据本公开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。
其中,该文本图像可以是对目标图像进行文本行检测后得到的一行文本对应的图像。
S102、根据该文本图像和该文本图像对应的文本词,通过预先训练的文本识别模型,获取该文本图像对应的文本内容。
其中,该文本词可以是该文本图像对应的字符所组成的词语,该文本词可以包括至少一个,不同的文本词对应不同的词嵌入向量;该文本识别模型可以是基于Transformer模型训练得到的模型。该文本识别模型可以包括编码子模型和字符识别子模型,该编码子模型用于根据输入的该文本图像输出该文本图像中每个字符对应的字符编码特征向量,该字符识别子模型用于根据每个字符编码特征向量和该文本词对应的词嵌入向量,获取该文本图像对应的文本内容。该文本识别模型可以参照现有技术的模型训练方法进行训练,此处不再赘述。
图2是根据本公开一示例性实施例提供的一种文本识别模型的示意图,如图2所示,左侧的虚线框为编码子模型,右侧较大的虚线框为字符识别子模型,该字符识别子模型可以包括解码子模型(小虚线框)、线性层以及softmax层,该编码子模型的结构与Transformer模型中的编码器的结构类似,该解码子模型的结构与Transformer模型中的解码器的结构类似。
在本步骤中,在得到待识别的文本图像后,可以将该文本图像输入预先训练的字符嵌入模型,得到该文本图像对应的字符嵌入特征向量,之后,将该字符嵌入特征向量输入该编码子模型,通过该编码子模型得到该文本图像中的每个字符对应的字符编码特征向量。其中,该字符嵌入模型可以是基于CNN(Convolutional Neural Networks,卷积神经网络)训练得到的模型,该字符嵌入模型可以参考现有技术的模型训练方法训练得到,此处不再赘述。
进一步地,在得到该文本图像中每个字符对应的字符编码特征向量后,可以循环执行字符识别步骤,直至该字符识别子模型输出的目标字符为预设终止字符,将新的文本字符作为该文本图像对应的文本内容。其中,图3是根据本公开一示例性实施例提供的一种字符识别方法的流程图,如图3所示,该字符识别步骤可以包括:
S1、获取该文本图像中已识别的文本字符。
该文本图像中已识别的文本字符可以是该字符识别模型输出的所有目标字符。
S2、获取该文本字符对应的字符解码特征向量。
在得到该文本图像中已识别的文本字符后,可以参考Transformer模型中的输出嵌入,获取该文本字符对应的字符解码特征向量。
S3、获取目标文本词对应的目标词嵌入向量。
其中,该目标文本词可以是该文本图像中在该目标字符之前与该目标字符距离最近的词。
在一种可能的实现方式中,在得到该文本字符后,可以确定该文本字符中的文本词,将距离该目标字符距离最近的文本词作为该目标文本词。示例地,若该文本字符包括“I”、“”(空格)、“l”、“o”、“v”、“e”、“”、“C”,该目标字符为“C”,则该目标文本词可以是“love”。
需要说明的是,以上述文本字符为例,在该目标字符为“l”、“o”、“v”或者“e”的情况下,该目标文本词均为“I”,在该目标字符为“C”的情况下,该目标文本词才会更新为“love”。
在另一种可能的实现方式中,在该字符识别子模型输出该目标字符后,可以确定该字符识别子模型输出的该目标字符是否为空格,在该目标字符为空格的情况下,更新该目标文本词。继续以上述文本字符为例,文本字符“I”和文本字符“l”之间有一个空格,文本字符“e”和文本字符“C”之间有一个空格,若该字符识别子模型输出的目标字符为“l”、“o”、“v”、“e”中的任意一个,则该目标文本词不会被更新,该目标文本词为“I”,若该字符识别子模型输出的目标字符为空格,则将该目标文本词更新为“love”。
在该目标字符不为空格的情况下,可以将该目标字符作为待定字符,并存储该待定字符。在需要更新该目标文本词的情况下,可以获取存储的该待定字符,将存储的该待定字符作为新的目标文本词,并删除存储的该待定字符。示例地,在该字符识别子模型输出的目标字符为“I”的情况下,不更新该目标文本词,将该目标字符作为该待定字符,并存储该待定字符“I”,之后,在该字符识别子模型输出的目标字符为空格的情况下,获取存储的该待定字符“I”,将该目标文本词更新为“I”,删除存储的该待定字符“I”;在该字符识别子模型输出的该目标字符为“l”的情况下,不更新该目标文本词,将该目标字符作为该待定字符,并存储该待定字符“l”,在该字符识别子模型输出的目标字符为“o”、“v”、“e”的情况下,可以参照该目标字符为“l”的处理方法,也不更新该目标文本词,这样,存储的该待定字符包括“l”、“o”、“v”、“e”;之后,在该符识别子模型输出的目标字符为空格的情况下,获取存储的该待定字符“l”、“o”、“v”、“e”,并将该待定字符“love”作为新的目标文本词。
进一步地,在确定该目标文本词后,可以将该目标文本词输入预先训练的词嵌入模型,以获取该词嵌入模型输出的该目标文本词对应的目标词嵌入向量。其中,该词嵌入模型可以是现有技术中用于获取词特征向量的模型。
S4、根据该字符解码特征向量和该目标词嵌入向量,确定目标字符向量。
在得到该文本字符对应的字符解码特征向量和该目标词对应的目标词嵌入向量后,可以将该字符解码特征向量与该目标词嵌入向量进行拼接,得到该目标字符向量,也可以将该字符解码特征向量与该目标词嵌入向量相加,得到该目标字符向量,本公开对此不作限定。
S5、将每个字符编码特征向量和该目标字符向量输入该字符识别子模型,以获取该字符识别子模型输出的该目标字符。
其中,该字符识别子模型包括第一解码子模型和第二解码子模型,示例地,以图2所示的文本识别模型为例,该第一解码子模型可以包括该字符识别子模型中最下面的多头注意力层、Add&Norm层,该第二解码子模型可以包括该第一解码子模型上面的多头注意力层、Add&Norm层、前馈网络、Add&Norm层。
在得到该目标字符向量后,可以将该目标字符向量输入该第一解码子模型,以获取该第一解码子模型输出的目标字符特征向量,将每个字符编码特征向量和该目标字符特征向量输入该第二解码子模型,以获取该第二解码子模型输出的该目标字符。图4是根据本公开一示例性实施例提供的一种文本识别方法的示意图,如图4所示,通过该文本识别模型输出该目标字符后,可以先确定该目标字符是否空格,在该目标字符不为空格的情况下,将该目标字符作为待定字符,并存储该待定字符,示例地,可以将该待定字符存储在栈中,在该目标字符为空格的情况下,获取存储的该待定字符,将该待定字符作为新的目标文本词,之后,获取该目标文本词对应的目标词嵌入向量,再将该目标词嵌入向量与该字符解码特征向量相加,得到目标字符向量,并将该目标字符向量输入该第一解码子模型,得到该目标字符特征向量,再将该目标字符特征向量和每个字符编码特征向量输入该第二解码子模型,最后,再通过线性层和softmax层,输出该目标字符。
S6、将该文本字符和该目标字符作为新的文本字符。
在该字符识别子模型输出该目标字符后,可以对该文本字符进行更新,将该文本字符和该目标字符作为新的文本字符。
在该字符识别子模型输出的该目标字符为预设终止字符的情况下,可以将该文本字符作为该文本图像对应的文本内容。示例地,在该字符识别子模型输出的该目标字符为“/eos”的情况下,若该文本字符包括“O”、“C”、“R”、“”、“i”、“s”、“”、“g”、“r”、“e”、“a”、“t”、“!”,则该文本图像对应的文本内容可以是“OCR is great!”
示例地,表1为该文本识别模型的处理流程,如表1所示,第一行表示该文本识别模型的解码时刻,第二行表示该字符识别模型的输入,第三行表示该编码子模型输出的字符编码特征向量,第四行表示该目标文本词对应的目标词嵌入向量,第五行表示该文本识别模型输出的目标字符。
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
/sos | O | C | R | i | s | g | r | e | a | t | ! | ||
c2 | c3 | c4 | c5 | c6 | c7 | c8 | c9 | c10 | c11 | c12 | c13 | c14 | |
- | - | - | - | w1 | w1 | w1 | w2 | w2 | w2 | w2 | w2 | w2 | |
O | C | R | i | s | g | r | e | a | t | ! | /eos |
表1
由表1可以看出,第1时刻至第4时刻由于已解码的文本字符中没有文本词,因此,第1时刻至第4时刻的目标词嵌入向量为空,在第5时刻输出第一个空格后,才获取到目标文本词(OCR)对应的目标词嵌入向量w1,并且在输出第二个空格后,将该目标词嵌入向量更新为w2(目标词“is”对应的目标词嵌入向量)。
采用上述方法,在对文本图像进行识别时,结合了文本图像中每个字符的特征和每个词的特征,这样,使得该文本图像的特征更完整,从而提高了文本图像识别的准确率,同时,可以通过成熟的词嵌入模型获取每个词对应词嵌入向量,使得获取的词嵌入向量比较准确,从而进一步提高了文本图像识别的准确率。
图5是根据本公开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:
文本图像获取模块501,用于获取待识别的文本图像;
文本内容获取模块502,用于根据该文本图像和该文本图像对应的文本词,通过预先训练的文本识别模型,获取该文本图像对应的文本内容;
其中,该文本识别模型包括编码子模型和字符识别子模型,该编码子模型用于根据输入的该文本图像输出该文本图像中每个字符对应的字符编码特征向量,该字符识别子模型用于根据每个字符编码特征向量和该文本词对应的词嵌入向量,获取该文本图像对应的文本内容。
可选地,该文本词包括至少一个,不同的文本词对应不同的词嵌入向量;该文本内容获取模块502,还用于:
循环执行字符识别步骤,直至该字符识别子模型输出的目标字符为预设终止字符,将新的文本字符作为该文本图像对应的文本内容;该字符识别步骤包括:
获取该文本图像中已识别的文本字符;
获取该文本字符对应的字符解码特征向量;
获取目标文本词对应的目标词嵌入向量,该目标文本词为该文本图像中在该目标字符之前与该目标字符距离最近的词;
根据该字符解码特征向量和该目标词嵌入向量,确定目标字符向量;
将每个该字符编码特征向量和该目标字符向量输入该字符识别子模型,以获取该字符识别子模型输出的该目标字符;
将该文本字符和该目标字符作为新的文本字符。
可选地,图6是根据本公开一示例性实施例提供的第二种文本识别装置的框图,如图6所示,该装置可以包括:
空格确定模块503,用于确定该字符识别子模型输出的该目标字符是否为空格;
文本词更新模块504,用于在该目标字符为空格的情况下,更新该目标文本词。
可选地,图7是根据本公开一示例性实施例提供的第三种文本识别装置的框图,如图7所示,该装置可以包括:
字符存储模块505,用于在该目标字符不为空格的情况下,将该目标字符作为待定字符,并存储该待定字符。
可选地,该文本词更新模块504,还用于:
获取存储的该待定字符;
将存储的该待定字符作为新的目标文本词;
删除存储的该待定字符。
可选地,该文本内容获取模块502,还用于:
将该目标文本词输入预先训练的词嵌入模型,以获取该词嵌入模型输出的该目标文本词对应的目标词嵌入向量。
可选地,述字符识别子模型包括第一解码子模型和第二解码子模型,该文本内容获取模块502,还用于:
将该目标字符向量输入该第一解码子模型,以获取该第一解码子模型输出的目标字符特征向量;
将每个该字符编码特征向量和该目标字符特征向量输入该第二解码子模型,以获取该第二解码子模型输出的该目标字符。
通过上述装置,在对文本图像进行识别时,增加了该文本图像对应的词粒度的特征,这样,使得该文本图像的特征更完整,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8,其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)800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8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8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805: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806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,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809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待识别的文本图像;根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,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,文本图像获取模块还可以被描述为“获取待识别的文本图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种文本识别方法,所述方法包括:获取待识别的文本图像;根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,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,所述文本词包括至少一个,不同的文本词对应不同的词嵌入向量;所述根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,获取所述文本图像对应的文本内容包括:循环执行字符识别步骤,直至所述字符识别子模型输出的目标字符为预设终止字符,将新的文本字符作为所述文本图像对应的文本内容;所述字符识别步骤包括:获取所述文本图像中已识别的文本字符;获取所述文本字符对应的字符解码特征向量;获取目标文本词对应的目标词嵌入向量,所述目标文本词为所述文本图像中在所述目标字符之前与所述目标字符距离最近的词;根据所述字符解码特征向量和所述目标词嵌入向量,确定目标字符向量;将每个所述字符编码特征向量和所述目标字符向量输入所述字符识别子模型,以获取所述字符识别子模型输出的所述目标字符;将所述文本字符和所述目标字符作为新的文本字符。
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,所述方法还包括:确定所述字符识别子模型输出的所述目标字符是否为空格;在所述目标字符为空格的情况下,更新所述目标文本词。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述方法还包括:在所述目标字符不为空格的情况下,将所述目标字符作为待定字符,并存储所述待定字符。
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,所述更新所述目标文本词包括:获取存储的所述待定字符;将存储的所述待定字符作为新的目标文本词;删除存储的所述待定字符。
根据本公开的一个或多个实施例,示例6提供了示例2的方法,所述获取所述目标文本词对应的目标词嵌入向量包括:将所述目标文本词输入预先训练的词嵌入模型,以获取所述词嵌入模型输出的所述目标文本词对应的目标词嵌入向量。
根据本公开的一个或多个实施例,示例7提供了示例2至示例6中任一示例的方法,所述字符识别子模型包括第一解码子模型和第二解码子模型,所述将每个所述字符编码特征向量和所述目标字符向量输入所述字符识别子模型,以获取所述字符识别子模型输出的所述目标字符包括:将所述目标字符向量输入所述第一解码子模型,以获取所述第一解码子模型输出的目标字符特征向量;将每个所述字符编码特征向量和所述目标字符特征向量输入所述第二解码子模型,以获取所述第二解码子模型输出的所述目标字符。
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,所述装置包括:文本图像获取模块,用于获取待识别的文本图像;文本内容获取模块,用于根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,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;
根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;
其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,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,所述文本词包括至少一个,不同的文本词对应不同的词嵌入向量;所述根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,获取所述文本图像对应的文本内容包括:
循环执行字符识别步骤,直至所述字符识别子模型输出的目标字符为预设终止字符,将新的文本字符作为所述文本图像对应的文本内容;所述字符识别步骤包括:
获取所述文本图像中已识别的文本字符;
获取所述文本字符对应的字符解码特征向量;
获取目标文本词对应的目标词嵌入向量,所述目标文本词为所述文本图像中在所述目标字符之前与所述目标字符距离最近的词;
根据所述字符解码特征向量和所述目标词嵌入向量,确定目标字符向量;
将每个所述字符编码特征向量和所述目标字符向量输入所述字符识别子模型,以获取所述字符识别子模型输出的所述目标字符;
将所述文本字符和所述目标字符作为新的文本字符。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定所述字符识别子模型输出的所述目标字符是否为空格;
在所述目标字符为空格的情况下,更新所述目标文本词。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在所述目标字符不为空格的情况下,将所述目标字符作为待定字符,并存储所述待定字符。
5.根据权利要求4所述的方法,其特征在于,所述更新所述目标文本词包括:
获取存储的所述待定字符;
将存储的所述待定字符作为新的目标文本词;
删除存储的所述待定字符。
6.根据权利要求2所述的方法,其特征在于,所述获取所述目标文本词对应的目标词嵌入向量包括:
将所述目标文本词输入预先训练的词嵌入模型,以获取所述词嵌入模型输出的所述目标文本词对应的目标词嵌入向量。
7.根据权利要求2-6任一项所述的方法,其特征在于,所述字符识别子模型包括第一解码子模型和第二解码子模型,所述将每个所述字符编码特征向量和所述目标字符向量输入所述字符识别子模型,以获取所述字符识别子模型输出的所述目标字符包括:
将所述目标字符向量输入所述第一解码子模型,以获取所述第一解码子模型输出的目标字符特征向量;
将每个所述字符编码特征向量和所述目标字符特征向量输入所述第二解码子模型,以获取所述第二解码子模型输出的所述目标字符。
8.一种文本识别装置,其特征在于,所述装置包括:
文本图像获取模块,用于获取待识别的文本图像;
文本内容获取模块,用于根据所述文本图像和所述文本图像对应的文本词,通过预先训练的文本识别模型,获取所述文本图像对应的文本内容;
其中,所述文本识别模型包括编码子模型和字符识别子模型,所述编码子模型用于根据输入的所述文本图像输出所述文本图像中每个字符对应的字符编码特征向量,所述字符识别子模型用于根据每个所述字符编码特征向量和所述文本词对应的词嵌入向量,输出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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371072.3A CN114067327A (zh) | 2021-11-18 | 2021-11-18 | 文本识别方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371072.3A CN114067327A (zh) | 2021-11-18 | 2021-11-18 | 文本识别方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067327A true CN114067327A (zh) | 2022-02-18 |
Family
ID=80278127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371072.3A Pending CN114067327A (zh) | 2021-11-18 | 2021-11-18 | 文本识别方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067327A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188632A (zh) * | 2023-04-24 | 2023-05-30 | 之江实验室 | 一种图像的生成方法、装置、存储介质及电子设备 |
CN116612466A (zh) * | 2023-07-20 | 2023-08-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的内容识别方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199730A1 (zh) * | 2019-03-29 | 2020-10-08 | 北京市商汤科技开发有限公司 | 文本识别方法及装置、电子设备和存储介质 |
CN111753600A (zh) * | 2019-03-29 | 2020-10-09 | 北京市商汤科技开发有限公司 | 文本识别方法、装置及存储介质 |
CN112883968A (zh) * | 2021-02-24 | 2021-06-01 | 北京有竹居网络技术有限公司 | 图像字符识别方法、装置、介质及电子设备 |
CN113591546A (zh) * | 2021-06-11 | 2021-11-02 | 中国科学院自动化研究所 | 语义增强型场景文本识别方法及装置 |
-
2021
- 2021-11-18 CN CN202111371072.3A patent/CN114067327A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199730A1 (zh) * | 2019-03-29 | 2020-10-08 | 北京市商汤科技开发有限公司 | 文本识别方法及装置、电子设备和存储介质 |
CN111753600A (zh) * | 2019-03-29 | 2020-10-09 | 北京市商汤科技开发有限公司 | 文本识别方法、装置及存储介质 |
CN111753822A (zh) * | 2019-03-29 | 2020-10-09 | 北京市商汤科技开发有限公司 | 文本识别方法及装置、电子设备和存储介质 |
CN112883968A (zh) * | 2021-02-24 | 2021-06-01 | 北京有竹居网络技术有限公司 | 图像字符识别方法、装置、介质及电子设备 |
CN113591546A (zh) * | 2021-06-11 | 2021-11-02 | 中国科学院自动化研究所 | 语义增强型场景文本识别方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188632A (zh) * | 2023-04-24 | 2023-05-30 | 之江实验室 | 一种图像的生成方法、装置、存储介质及电子设备 |
CN116612466A (zh) * | 2023-07-20 | 2023-08-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的内容识别方法、装置、设备及介质 |
CN116612466B (zh) * | 2023-07-20 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 基于人工智能的内容识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN113436620B (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN112883967B (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 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN114067327A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
CN112883968A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112883966B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN113204977A (zh) | 信息翻译方法、装置、设备和存储介质 | |
CN110659639A (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
CN114463769A (zh) | 表格识别方法、装置、可读介质和电子设备 | |
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 | |
CN113191257A (zh) | 笔顺检测方法、装置和电子设备 | |
CN110674813B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
CN115270981A (zh) | 对象处理方法、装置、可读介质及电子设备 | |
CN115984868A (zh) | 文本处理方法、装置、介质及设备 | |
CN114495081A (zh) | 文本识别的方法、装置、可读介质和电子设备 | |
CN114429629A (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
CN112651231B (zh) | 口语信息处理方法、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 |