CN114153959A - 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
CN114153959A
CN114153959A CN202111494112.3A CN202111494112A CN114153959A CN 114153959 A CN114153959 A CN 114153959A CN 202111494112 A CN202111494112 A CN 202111494112A CN 114153959 A CN114153959 A CN 114153959A
Authority
CN
China
Prior art keywords
sample
attribute
matching
attribute value
target
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
CN202111494112.3A
Other languages
English (en)
Inventor
赵田雨
陈露露
黄灿
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 CN202111494112.3A priority Critical patent/CN114153959A/zh
Publication of CN114153959A publication Critical patent/CN114153959A/zh
Priority to PCT/CN2022/129025 priority patent/WO2023103653A1/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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • 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

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)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (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，该方法通过将待检测图像输入预设键值匹配模型，以使预设键值匹配模型输出属性数据与属性值数据的匹配关系，这样，不仅能够为键值匹配提供一个端到端的网络模型，有效提升键值匹配效率，还能够通过该预设键值匹配模型中的语义分割子模型获取到准确性更高的目标属性值数据区域和目标属性数据区域，然后通过该图匹配子模型根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中所述属性数据与所述属性值数据的匹配关系，从而达到有效提升键值匹配结果准确性的效果。

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大多需要依赖键值对中Key(属性数据)和Value(属性值数据)的位置信息，然后根据键值对之间的位置关系，结合文字识别结果进行查找匹配，然而，相关技术中针对键值对的位置检测通常存在检测结果准确性较低的问题，通过现有的位置检测方法得到的Key和Value的位置信息，无法保证键值匹配结果的准确性。
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，所述待检测图像包括至少一个属性数据和至少一个属性值数据；
将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系；
其中，所述预设键值匹配模型包括语义分割子模型，以及与所述语义分割子模型耦合的图匹配子模型；
所述语义分割子模型，用于获取所述待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据所述文本覆盖区域，所述文本中心区域，以及所述属性数据区域确定目标属性数据区域，并根据所述文本覆盖区域，所述文本中心区域，以及所述属性值数据区域确定目标属性值数据区域；
所述图匹配子模型，用于根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中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：
获取模块，被配置为获取待检测图像，所述待检测图像包括至少一个属性数据和至少一个属性值数据；
确定模块，被配置为将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系；
其中，所述预设键值匹配模型包括语义分割子模型，以及与所述语义分割子模型耦合的图匹配子模型；
所述语义分割子模型，用于获取所述待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据所述文本覆盖区域，所述文本中心区域，以及所述属性数据区域确定目标属性数据区域，并根据所述文本覆盖区域，所述文本中心区域，以及所述属性值数据区域确定目标属性值数据区域；
所述图匹配子模型，用于根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中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，通过将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系，这样，不仅能够为键值匹配提供一个端到端的网络模型，即可以通过该预设键值匹配模型直接获取到该待检测图像中的键值匹配关系，从而有效提升键值匹配效率，还能够通过该预设键值匹配模型中的语义分割子模型获取到准确性更高的目标属性值数据区域和目标属性数据区域，然后通过该图匹配子模型根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中所述属性数据与所述属性值数据的匹配关系，从而能够有效提升键值匹配结果的准确性。
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文本相关区域的示意图；
图3是本公开一示例性实施例示出的一种预设键值匹配模型的框图；
图4是本公开一示例性实施例示出的一种预设键值匹配模型的训练流程图；
图5是本公开一示例性实施例示出的一种键值匹配装置的框图；
图6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。
在详细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，通常需要先通过位置检测模型检测属性数据和属性值数据的位置，然后再根据该属性数据和属性值数据的位置，以及文字识别的结果结合预设好的关系字典进行查找匹配，然而，由于文档图像中经常存在不同行之间的粘连现象，而相关技术中的位置检测模型通常在识别属性数据的位置以及属性值数据的位置时，在存在粘连现象的文档图像中，经常无法准确地识别到该属性数据和该属性值数据的位置，以准确性较差的位置进行后续的查找匹配过程，无疑会导致匹配结果的准确性较差，并且，相关技术中没有一个端到端的网络模型适用于该键值匹配过程，通常都是经过两个或者多个模型结合起来实现键值匹配，这样不仅不利于减少键值匹配过程所需的计算量，也不利于提升键值匹配效率。
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，该方法通过将待检测图像输入预设键值匹配模型，以使该预设键值匹配模型输出该属性数据与该属性值数据的匹配关系，这样，不仅为键值匹配提供了一个端到端的网络模型，即可以通过该预设键值匹配模型直接获取到该待检测图像中的键值匹配关系，从而有效提升键值匹配效率，还能够通过该预设键值匹配模型中的语义分割子模型获取到准确性更高的目标属性值数据区域和目标属性数据区域，然后通过该图匹配子模型根据该目标属性数据区域和该目标属性值数据区域确定该待检测图像中该属性数据与该属性值数据的匹配关系，从而达到有效提升键值匹配结果准确性的效果。
下面结合具体实施例对本公开的技术方案进行详细阐述。
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；如图1所示，该方法可以包括以下步骤：
步骤101，获取待检测图像，该待检测图像包括至少一个属性数据和至少一个属性值数据。
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。
步骤102，将该待检测图像输入预设键值匹配模型，以使该预设键值匹配模型输出该属性数据与该属性值数据的匹配关系。
其中，该预设键值匹配模型包括语义分割子模型，以及与该语义分割子模型耦合的图匹配子模型；
该语义分割子模型，用于获取该待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据该文本覆盖区域，该文本中心区域，以及该属性数据区域确定目标属性数据区域，并根据该文本覆盖区域，该文本中心区域，以及该属性值数据区域确定目标属性值数据区域；
该图匹配子模型，用于根据该目标属性数据区域和该目标属性值数据区域确定该待检测图像中该属性数据与该属性值数据的匹配关系。
需要说明的是，该文本覆盖区域可以是能够覆盖文本的最小区域，该文本中心区域可以是包括文本中心与文本的长宽比相同，且位于该文本覆盖区域内的区域，该属性数据区域为属性数据所在的区域，该属性值数据区域为属性值数据所在的区域，如图2所示，图2是本公开一示例性实施例示出的一种文本相关区域的示意图，在该图2中，针对键值对文本(公司名称：ABC有限公司)，a区域为该文本的文本覆盖区域，b区域为该文本的文本中心区域，c区域为属性数据区域，d区域为属性值数据区域。
以上技术方案，通过将该待检测图像输入预设键值匹配模型，以使该预设键值匹配模型输出该属性数据与该属性值数据的匹配关系，这样，不仅能够为键值匹配提供一个端到端的网络模型，即可以通过该预设键值匹配模型直接获取到该待检测图像中的键值匹配关系，从而有效提升键值匹配效率，还能够通过该预设键值匹配模型中的语义分割子模型获取到准确性更高的目标属性值数据区域和目标属性数据区域，然后通过该图匹配子模型根据该目标属性数据区域和该目标属性值数据区域确定该待检测图像中该属性数据与该属性值数据的匹配关系，从而能够有效提升键值匹配结果的准确性。
可选地，该语义分割子模型根据该文本覆盖区域，该文本中心区域，以及该属性数据区域确定目标属性数据区域，并根据该文本覆盖区域，该文本中心区域，以及该属性值数据区域确定目标属性值数据区域，对应的具体实施方式可以是：
按照预设倍数对该文本中心区域进行等比扩大，以得到扩大后的目标文本中心区域，获取该目标文本中心区域与该文本覆盖区域的第一交集区域，并获取该第一交集区域与该属性数据区域的第二交集区域，将该第二交集区域作为该目标属性数据区域，并获取该第一交集区域与该属性值数据区域的第三交集区域，将该第三交集区域作为该目标属性值数据区域。
以上技术方案，能够根据该待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域获取到准确性和可靠性更高的目标属性数据区域和目标属性值数据区域，从而能够为后续匹配关系的确定提供可靠的数据依据，从而能够有效提升键值匹配结果的准确性。
可选地，该图匹配子模型，用于：
根据该目标属性数据区域建立第一关系图，并根据该目标属性值数据区域建立第二关系图，根据该第一关系图和该第二关系图确定该待检测图像中该属性数据与该属性值数据的匹配关系。
其中，该第一关系图包括每个目标属性数据区域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目标属性值数据区域对应的属性值节点，以及不同的该属性值节点之间的第二连线。
需要说明的是，在根据该目标属性数据区域建立第一关系图时，可以先根据目标属性数据区域确定属性数据的第一位置信息，然后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。在根据目标属性值数据区域建立第二关系图时，可以先根据目标属性值数据区域确定属性值数据的第二位置信息，然后据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。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。
其中，根据该目标属性数据区域确定该第一位置信息，根据该目标属性值数据区域确定该第二位置信息的实施方式可以包括以下三种：
方式一：可以将该目标属性数据区域的位置作为该第一位置信息，将该目标属性值数据区域作为该第二位置信息；
方式二，可以将目标属性数据区域的中心位置作为该第一位置信息，将该目标属性值数据区域的中心位置作为该第二位置信息；
方式三，可以将该目标属性数据区域内的任一点作为该第一位置信息，将该目标属性值数据区域内的任一点作为该第二位置信息。
还需要指出的是，以上所述的根据该第一关系图和该第二关系图确定该待检测图像中该属性数据与该属性值数据的匹配关系的实施方式可以包括：提取该第一关系图中每个该属性节点对应的第一特征，每条该第一连线对应的第二特征，该第二关系图中每个该属性值节点对应的第三特征，每条该第二连线对应的第四特征，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。
另外，以上所述的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，可以通过以下S11至S13所示的步骤：
S11，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。
S12，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。
S13，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 BDA0003400259390000101
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 BDA0003400259390000102
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 BDA0003400259390000103
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，可以根据该待检测图像中的至少一个目标属性数据区域建立第一关系图，并根据该待检测图像中的至少一个目标属性值数据区域建立第二关系图，根据该第一关系图和该第二关系图确定该待检测图像中该属性数据与该属性值数据的匹配关系，能够有效提升键值匹配结果的准确性。
图3是本公开一示例性实施例示出的一种预设键值匹配模型的框图；如图3所示，该预设键值匹配模型包括特征提取子模型301，该特征提取子模型分别与该语义分割子模型302和该图匹配子模型303耦合；
该特征提取子模型301，用于通过降采样的方式获取该待检测图像对应的第一特征图，并将该第一特征图输入该语义分割子模型，以使该语义分割子模型302根据该第一特征图确定该待检测图像中的该文本覆盖区域，该文本中心区域，该属性数据区域，以及该属性值数据区域；
该特征提取子模型301，还用于获取该待检测图像对应的第二特征图和第三特征图，并将该第二特征图和该第三特征图输入该图匹配子模型，使该图匹配子模型303根据该第二特征图，该第三特征图，该第一关系图和该第二关系图确定该待检测图像中该属性数据与该属性值数据的匹配关系，其中，该第二特征图对应的网络深度浅于该第三特征图对应的网络深度。
可选地，该图匹配子模型用于：
从该第二特征图中提取该第一关系图中每个该属性节点对应的第一特征，并从该第三特征图中提取每条该第一连线对应的第二特征，从该第二特征图中提取该第二关系图中每个该属性值节点对应的第三特征，并从该第三特征图中提取每条该第二连线对应的第四特征，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。
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。
以上技术方案，能够通过使该特征提取子模型301同时为该语义分割子模型302和该图匹配子模型303提供特征数据，从而能够有效简化模型结构，减小模型自身体积，提升模型处理效率。
图4是本公开一示例性实施例示出的一种预设键值匹配模型的训练流程图；如图4所示，该预设键值匹配模型通过以下步骤训练得到：
S21，获取多个目标图像样本。
其中，该目标图像样本包括文本覆盖区域的标注数据，文本中心区域的标注数据，属性数据区域的标注数据，属性值数据区域的标注数据，以及属性数据与属性值数据匹配关系的标注数据。
S22，将每个目标图像样本输入预设初始网络模型，该预设初始网络包括第一初始子网络和第二初始子网络。
可选地，该预设初始网络还可以包括第三初始子网络，该第三初始子网络与该第一初始子网络和该第二初始子网络耦合，该第三初始子网络，用于获取该目标图像样本对应的第一样本特征图，第二样本特征图，以及第三样本特征图，该第二样本特征图对应的网络深度浅于该第三样本特征图对应的网络深度，并将该第一样本特征图输入该第一初始子网络，并将该第二样本特征图与该第三样本特征图输入该第二初始子网络。
S23，通过该第一初始子网络获取该目标图像样本中的文本覆盖区域样本，文本中心区域样本，属性数据区域样本，以及属性值数据区域样本，根据该文本覆盖区域样本，该文本中心区域样本，该属性数据区域样本确定目标属性数据区域样本，并根据该文本覆盖区域样本，该文本中心区域样本，该属性值数据区域样本确定目标属性值数据区域样本，并将该目标属性数据区域样本和该目标属性值数据区域样本输入该第二初始子网络。
本步骤中，可以按照预设倍数对该文本中心区域样本进行等比扩大，以得到扩大后的目标文本中心区域样本，获取该目标文本中心区域样本与该文本覆盖区域样本的第一交集样本区域，并获取该第一交集样本区域与该属性数据区域样本的第二交集样本区域，将该第二交集样本区域作为该目标属性数据区域样本，并获取该第一交集样本区域与该属性值数据区域样本的第三交集样本区域，将该第三交集样本区域作为该目标属性值数据区域。
S24，该第二初始子网络根据该目标属性数据区域样本建立该目标图像样本对应的第一关系图样本，并根据该目标属性值数据区域样本建立该目标图像样本对应的第二关系图样本。
其中，该第一关系图样本包括每个目标属性数据区域样本对应的属性节点样本和不同的该属性节点样本之间的第一连线样本，该第二关系图样本包括每个目标属性值数据区域样本对应的属性值节点样本，以及不同的该属性值节点样本之间的第二连线样本；获取该属性节点样本对应的第一样本特征，该第一连线样本对应的第二样本特征，该属性值节点样本对应的第三样本特征，和该第二连线样本对应的第四样本特征。
以上所述的获取该属性节点样本对应的第一样本特征，该第一连线样本对应的第二样本特征，该属性值节点样本对应的第三样本特征，和该第二连线样本对应的第四样本特征，对应的实施方式可以是：
该第二初始子网络从该目标图像样本对应的第二样本特征图中提取该第一关系图样本中每个该属性节点样本对应的该第一样本特征，和该第二关系图样本中每个该属性值节点样本对应的第三样本特征；并从该目标图像样本对应的该第三样本特征图中提取该第一连线样本对应的第二样本特征，和该第二连线样本对应的第四样本特征。
S25，根据该第一样本特征，该第二样本特征，该第三样本特征和该第四样本特征，以及该目标图像样本中的标注数据，通过预设损失函数计算每个属性节点样本与待匹配的属性值节点样本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，可以根据每个该属性节点样本的第一样本特征和每个该属性值节点样本对应的第三样本特征确定节点相似度矩阵，并根据每条该第一连线样本对应的第二样本特征和每条该第二连接样本对应的第四样本特征确定连线相似度矩阵；根据该节点相似度矩阵和该连线相似度矩阵生成目标关系矩阵；获取该目标关系矩阵对应的双随机矩阵；根据该双随机矩阵确定每个属性节点样本与待匹配的属性值节点样本的距离向量；根据该距离向量通过预设损失函数确定该损失值。
示例地，可以通过该第一邻接矩阵A1表示该第一关系图样本，通过第二邻接矩阵A2表示该第二关系图样本，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S24中确定的该第一样本特征为P1，该第二样本特征为E1，该第三样本特征为P2，该第四样本特征为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 BDA0003400259390000141
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 BDA0003400259390000142
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确定属性节点样本与每个属性值节点样本的距离向量：
Figure BDA0003400259390000151
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 BDA0003400259390000152
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 BDA0003400259390000153
以上损失函数中，
Figure BDA0003400259390000154
为根据标注的属性数据区域与对应的属性值数据区域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样本与待匹配的属性值节点样本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，得到最优的预设键值匹配模型。
通过以上训练方式，能够针对键值匹配训练一个端到端的的预设键值匹配模型，该预设键值匹配模型的泛化性较强，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。
图5是本公开一示例性实施例示出的一种键值匹配装置的框图；如图5所示，该装置可以包括：
获取模块501，被配置为获取待检测图像，该待检测图像包括至少一个属性数据和至少一个属性值数据；
确定模块502，被配置为将该待检测图像输入预设键值匹配模型，以使该预设键值匹配模型输出该属性数据与该属性值数据的匹配关系；
其中，该预设键值匹配模型包括语义分割子模型，以及与该语义分割子模型耦合的图匹配子模型；
该语义分割子模型，用于获取该待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据该文本覆盖区域，该文本中心区域，以及该属性数据区域确定目标属性数据区域，并根据该文本覆盖区域，该文本中心区域，以及该属性值数据区域确定目标属性值数据区域；
该图匹配子模型，用于根据该目标属性数据区域和该目标属性值数据区域确定该待检测图像中该属性数据与该属性值数据的匹配关系。
上述技术方案，通过将该待检测图像输入预设键值匹配模型，以使该预设键值匹配模型输出该属性数据与该属性值数据的匹配关系，这样，不仅为键值匹配提供了一个端到端的网络模型，有效提升键值匹配效率，还能够通过该预设键值匹配模型中的语义分割子模型获取到准确性更高的目标属性值数据区域和目标属性数据区域，然后通过该图匹配子模型根据该目标属性数据区域和该目标属性值数据区域确定该待检测图像中该属性数据与该属性值数据的匹配关系，从而能够有效提升键值匹配结果的准确性。
可选地，该语义分割子模型，用于：
按照预设倍数对该文本中心区域进行等比扩大，以得到扩大后的目标文本中心区域，获取该目标文本中心区域与该文本覆盖区域的第一交集区域，并获取该第一交集区域与该属性数据区域的第二交集区域，将该第二交集区域作为该目标属性数据区域，并获取该第一交集区域与该属性值数据区域的第三交集区域，将该第三交集区域作为该目标属性值数据区域。
可选地，该图匹配子模型，用于：
根据该目标属性数据区域建立第一关系图，并根据该目标属性值数据区域建立第二关系图，根据该第一关系图和该第二关系图确定该待检测图像中该属性数据与该属性值数据的匹配关系；
其中，该第一关系图包括每个目标属性数据区域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目标属性值数据区域对应的属性值节点，以及不同的该属性值节点之间的第二连线。
可选地，该预设键值匹配模型还包括特征提取子模型，该特征提取子模型分别与该语义分割子模型和该图匹配子模型耦合；
该特征提取子模型，用于通过降采样的方式获取该待检测图像对应的第一特征图，并将该第一特征图输入该语义分割子模型，以使该语义分割子模型根据该第一特征图确定该待检测图像中的该文本覆盖区域，该文本中心区域，该属性数据区域，以及该属性值数据区域；
该特征提取子模型，还用于获取该待检测图像对应的第二特征图和第三特征图，并将该第二特征图和该第三特征图输入该图匹配子模型，使该图匹配子模型根据该第二特征图，该第三特征图，该第一关系图和该第二关系图确定该待检测图像中该属性数据与该属性值数据的匹配关系，其中，该第二特征图对应的网络深度浅于该第三特征图对应的网络深度。
可选地，该图匹配子模型，用于：
从该第二特征图中提取该第一关系图中每个该属性节点对应的第一特征，并从该第三特征图中提取每条该第一连线对应的第二特征，从该第二特征图中提取该第二关系图中每个该属性值节点对应的第三特征，并从该第三特征图中提取每条该第二连线对应的第四特征，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，该装置还可以包括模型训练模块503，被配置为：
获取多个目标图像样本，该目标图像样本包括文本覆盖区域的标注数据，文本中心区域的标注数据，属性数据区域的标注数据，属性值数据区域的标注数据，以及属性数据与属性值数据匹配关系的标注数据；
将每个目标图像样本输入预设初始网络模型，该预设初始网络包括第一初始子网络和第二初始子网络；
通过该第一初始子网络获取该目标图像样本中的文本覆盖区域样本，文本中心区域样本，属性数据区域样本，以及属性值数据区域样本，根据该文本覆盖区域样本，该文本中心区域样本，该属性数据区域样本确定目标属性数据区域样本，并根据该文本覆盖区域样本，该文本中心区域样本，该属性值数据区域样本确定目标属性值数据区域样本，并将该目标属性数据区域样本和该目标属性值数据区域样本输入该第二初始子网络；
该第二初始子网络根据该目标属性数据区域样本建立该目标图像样本对应的第一关系图样本，并根据该目标属性值数据区域样本建立该目标图像样本对应的第二关系图样本，其中，该第一关系图样本包括每个目标属性数据区域样本对应的属性节点样本和不同的该属性节点样本之间的第一连线样本，该第二关系图样本包括每个目标属性值数据区域样本对应的属性值节点样本，以及不同的该属性值节点样本之间的第二连线样本；获取该属性节点样本对应的第一样本特征，该第一连线样本对应的第二样本特征，该属性值节点样本对应的第三样本特征，和该第二连线样本对应的第四样本特征；
根据该第一样本特征，该第二样本特征，该第三样本特征和该第四样本特征，以及该目标图像样本中的标注数据，通过预设损失函数计算每个属性节点样本与待匹配的属性值节点样本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，该预设初始网络还包括第三初始子网络，该第三初始子网络与该第一初始子网络和该第二初始子网络耦合，
该第三初始子网络，用于获取该目标图像样本对应的第一样本特征图，第二样本特征图，以及第三样本特征图，该第二样本特征图对应的网络深度浅于该第三样本特征图对应的网络深度，并将该第一样本特征图输入该第一初始子网络，并将该第二样本特征图与该第三样本特征图输入该第二初始子网络；
相应地，该模型训练模块，被配置为：
通过该第二初始子网络从该目标图像样本对应的第二样本特征图中提取该第一关系图样本中每个该属性节点样本对应的该第一样本特征，和该第二关系图样本中每个该属性值节点样本对应的第三样本特征；并从该目标图像样本对应的该第三样本特征图中提取该第一连线样本对应的第二样本特征，和该第二连线样本对应的第四样本特征。
上述技术方案，不仅能够为键值匹配提供了一个端到端的网络模型，有效提升键值匹配效率，还能够通过该特征提取子模型同时为该语义分割子模型和该图匹配子模型提供特征数据，从而能够有效简化模型结构，减小模型自身体积，提升模型处理效率，通过该预设键值匹配模型中的语义分割子模型获取到准确性更高的目标属性值数据区域和目标属性数据区域，然后通过该图匹配子模型根据该目标属性数据区域和该目标属性值数据区域确定该待检测图像中该属性数据与该属性值数据的匹配关系，从而能够有效提升键值匹配结果的准确性。
下面参考图6，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6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6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6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，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，所述待检测图像包括至少一个属性数据和至少一个属性值数据；将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系；其中，所述预设键值匹配模型包括语义分割子模型，以及与所述语义分割子模型耦合的图匹配子模型；所述语义分割子模型，用于获取所述待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据所述文本覆盖区域，所述文本中心区域，以及所述属性数据区域确定目标属性数据区域，并根据所述文本覆盖区域，所述文本中心区域，以及所述属性值数据区域确定目标属性值数据区域；所述图匹配子模型，用于根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中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，获取模块还可以被描述为“获取待检测图像，所述待检测图像包括至少一个属性数据和至少一个属性值数据”。
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，所述待检测图像包括至少一个属性数据和至少一个属性值数据；
将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系；
其中，所述预设键值匹配模型包括语义分割子模型，以及与所述语义分割子模型耦合的图匹配子模型；
所述语义分割子模型，用于获取所述待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据所述文本覆盖区域，所述文本中心区域，以及所述属性数据区域确定目标属性数据区域，并根据所述文本覆盖区域，所述文本中心区域，以及所述属性值数据区域确定目标属性值数据区域；
所述图匹配子模型，用于根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中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，所述语义分割子模型，用于：
按照预设倍数对所述文本中心区域进行等比扩大，以得到扩大后的目标文本中心区域，获取所述目标文本中心区域与所述文本覆盖区域的第一交集区域，并获取所述第一交集区域与所述属性数据区域的第二交集区域，将所述第二交集区域作为所述目标属性数据区域，并获取所述第一交集区域与所述属性值数据区域的第三交集区域，将所述第三交集区域作为所述目标属性值数据区域。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述图匹配子模型，用于：
根据所述目标属性数据区域建立第一关系图，并根据所述目标属性值数据区域建立第二关系图，根据所述第一关系图和所述第二关系图确定所述待检测图像中所述属性数据与所述属性值数据的匹配关系；
其中，所述第一关系图包括每个目标属性数据区域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目标属性值数据区域对应的属性值节点，以及不同的所述属性值节点之间的第二连线。
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，所述预设键值匹配模型还包括特征提取子模型，所述特征提取子模型分别与所述语义分割子模型和所述图匹配子模型耦合；
所述特征提取子模型，用于通过降采样的方式获取所述待检测图像对应的第一特征图，并将所述第一特征图输入所述语义分割子模型，以使所述语义分割子模型根据所述第一特征图确定所述待检测图像中的所述文本覆盖区域，所述文本中心区域，所述属性数据区域，以及所述属性值数据区域；
所述特征提取子模型，还用于获取所述待检测图像对应的第二特征图和第三特征图，并将所述第二特征图和所述第三特征图输入所述图匹配子模型，使所述图匹配子模型根据所述第二特征图，所述第三特征图，所述第一关系图和所述第二关系图确定所述待检测图像中所述属性数据与所述属性值数据的匹配关系，其中，所述第二特征图对应的网络深度浅于所述第三特征图对应的网络深度。
根据本公开的一个或多个实施例，示例5提供了示例2的方法，所述图匹配子模型用于：
从所述第二特征图中提取所述第一关系图中每个所述属性节点对应的第一特征，并从所述第三特征图中提取每条所述第一连线对应的第二特征，从所述第二特征图中提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，并从所述第三特征图中提取每条所述第二连线对应的第四特征，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6提供了示例1-5任一项所述的方法，所述预设键值匹配模型通过以下方式训练得到：
获取多个目标图像样本，所述目标图像样本包括文本覆盖区域的标注数据，文本中心区域的标注数据，属性数据区域的标注数据，属性值数据区域的标注数据，以及属性数据与属性值数据匹配关系的标注数据；
将每个目标图像样本输入预设初始网络模型，所述预设初始网络包括第一初始子网络和第二初始子网络；
通过所述第一初始子网络获取所述目标图像样本中的文本覆盖区域样本，文本中心区域样本，属性数据区域样本，以及属性值数据区域样本，根据所述文本覆盖区域样本，所述文本中心区域样本，所述属性数据区域样本确定目标属性数据区域样本，并根据所述文本覆盖区域样本，所述文本中心区域样本，所述属性值数据区域样本确定目标属性值数据区域样本，并将所述目标属性数据区域样本和所述目标属性值数据区域样本输入所述第二初始子网络；
所述第二初始子网络根据所述目标属性数据区域样本建立所述目标图像样本对应的第一关系图样本，并根据所述目标属性值数据区域样本建立所述目标图像样本对应的第二关系图样本，其中，所述第一关系图样本包括每个目标属性数据区域样本对应的属性节点样本和不同的所述属性节点样本之间的第一连线样本，所述第二关系图样本包括每个目标属性值数据区域样本对应的属性值节点样本，以及不同的所述属性值节点样本之间的第二连线样本；获取所述属性节点样本对应的第一样本特征，所述第一连线样本对应的第二样本特征，所述属性值节点样本对应的第三样本特征，和所述第二连线样本对应的第四样本特征；
根据所述第一样本特征，所述第二样本特征，所述第三样本特征和所述第四样本特征，以及所述目标图像样本中的标注数据，通过预设损失函数计算每个属性节点样本与待匹配的属性值节点样本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7提供了示例6的方法，所述预设初始网络还包括第三初始子网络，所述第三初始子网络与所述第一初始子网络和所述第二初始子网络耦合，
所述第三初始子网络，用于获取所述目标图像样本对应的第一样本特征图，第二样本特征图，以及第三样本特征图，所述第二样本特征图对应的网络深度浅于所述第三样本特征图对应的网络深度，并将所述第一样本特征图输入所述第一初始子网络，并将所述第二样本特征图与所述第三样本特征图输入所述第二初始子网络；
相应地，所述获取所述属性节点样本对应的第一样本特征，所述第一连线样本对应的第二样本特征，所述属性值节点样本对应的第三样本特征，和所述第二连线样本对应的第四样本特征，包括：
所述第二初始子网络从所述目标图像样本对应的第二样本特征图中提取所述第一关系图样本中每个所述属性节点样本对应的所述第一样本特征，和所述第二关系图样本中每个所述属性值节点样本对应的第三样本特征；并从所述目标图像样本对应的所述第三样本特征图中提取所述第一连线样本对应的第二样本特征，和所述第二连线样本对应的第四样本特征。
根据本公开的一个或多个实施例，示例8提供了一种键值匹配装置，所述装置包括：
获取模块，被配置为获取待检测图像，所述待检测图像包括至少一个属性数据和至少一个属性值数据；
确定模块，被配置为将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系；
其中，所述预设键值匹配模型包括语义分割子模型，以及与所述语义分割子模型耦合的图匹配子模型；
所述语义分割子模型，用于获取所述待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据所述文本覆盖区域，所述文本中心区域，以及所述属性数据区域确定目标属性数据区域，并根据所述文本覆盖区域，所述文本中心区域，以及所述属性值数据区域确定目标属性值数据区域；
所述图匹配子模型，用于根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中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以上示例1-7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，以实现以上示例1-7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 (10)

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，所述待检测图像包括至少一个属性数据和至少一个属性值数据；
将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系；
其中，所述预设键值匹配模型包括语义分割子模型，以及与所述语义分割子模型耦合的图匹配子模型；
所述语义分割子模型，用于获取所述待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据所述文本覆盖区域，所述文本中心区域，以及所述属性数据区域确定目标属性数据区域，并根据所述文本覆盖区域，所述文本中心区域，以及所述属性值数据区域确定目标属性值数据区域；
所述图匹配子模型，用于根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中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，所述语义分割子模型，用于：
按照预设倍数对所述文本中心区域进行等比扩大，以得到扩大后的目标文本中心区域，获取所述目标文本中心区域与所述文本覆盖区域的第一交集区域，并获取所述第一交集区域与所述属性数据区域的第二交集区域，将所述第二交集区域作为所述目标属性数据区域，并获取所述第一交集区域与所述属性值数据区域的第三交集区域，将所述第三交集区域作为所述目标属性值数据区域。
3.根据权利要求1所述的方法，其特征在于，所述图匹配子模型，用于：
根据所述目标属性数据区域建立第一关系图，并根据所述目标属性值数据区域建立第二关系图，根据所述第一关系图和所述第二关系图确定所述待检测图像中所述属性数据与所述属性值数据的匹配关系；
其中，所述第一关系图包括每个目标属性数据区域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目标属性值数据区域对应的属性值节点，以及不同的所述属性值节点之间的第二连线。
4.根据权利要求3所述的方法，其特征在于，所述预设键值匹配模型还包括特征提取子模型，所述特征提取子模型分别与所述语义分割子模型和所述图匹配子模型耦合；
所述特征提取子模型，用于通过降采样的方式获取所述待检测图像对应的第一特征图，并将所述第一特征图输入所述语义分割子模型，以使所述语义分割子模型根据所述第一特征图确定所述待检测图像中的所述文本覆盖区域，所述文本中心区域，所述属性数据区域，以及所述属性值数据区域；
所述特征提取子模型，还用于获取所述待检测图像对应的第二特征图和第三特征图，并将所述第二特征图和所述第三特征图输入所述图匹配子模型，使所述图匹配子模型根据所述第二特征图，所述第三特征图，所述第一关系图和所述第二关系图确定所述待检测图像中所述属性数据与所述属性值数据的匹配关系，其中，所述第二特征图对应的网络深度浅于所述第三特征图对应的网络深度。
5.根据权利要求4所述的方法，其特征在于，所述图匹配子模型用于：
从所述第二特征图中提取所述第一关系图中每个所述属性节点对应的第一特征，并从所述第三特征图中提取每条所述第一连线对应的第二特征，从所述第二特征图中提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，并从所述第三特征图中提取每条所述第二连线对应的第四特征，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。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述预设键值匹配模型通过以下方式训练得到：
获取多个目标图像样本，所述目标图像样本包括文本覆盖区域的标注数据，文本中心区域的标注数据，属性数据区域的标注数据，属性值数据区域的标注数据，以及属性数据与属性值数据匹配关系的标注数据；
将每个目标图像样本输入预设初始网络模型，所述预设初始网络包括第一初始子网络和第二初始子网络；
通过所述第一初始子网络获取所述目标图像样本中的文本覆盖区域样本，文本中心区域样本，属性数据区域样本，以及属性值数据区域样本，根据所述文本覆盖区域样本，所述文本中心区域样本，所述属性数据区域样本确定目标属性数据区域样本，并根据所述文本覆盖区域样本，所述文本中心区域样本，所述属性值数据区域样本确定目标属性值数据区域样本，并将所述目标属性数据区域样本和所述目标属性值数据区域样本输入所述第二初始子网络；
所述第二初始子网络根据所述目标属性数据区域样本建立所述目标图像样本对应的第一关系图样本，并根据所述目标属性值数据区域样本建立所述目标图像样本对应的第二关系图样本，其中，所述第一关系图样本包括每个目标属性数据区域样本对应的属性节点样本和不同的所述属性节点样本之间的第一连线样本，所述第二关系图样本包括每个目标属性值数据区域样本对应的属性值节点样本，以及不同的所述属性值节点样本之间的第二连线样本；获取所述属性节点样本对应的第一样本特征，所述第一连线样本对应的第二样本特征，所述属性值节点样本对应的第三样本特征，和所述第二连线样本对应的第四样本特征；
根据所述第一样本特征，所述第二样本特征，所述第三样本特征和所述第四样本特征，以及所述目标图像样本中的标注数据，通过预设损失函数计算每个属性节点样本与待匹配的属性值节点样本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。
7.根据权利要求6所述的方法，其特征在于，所述预设初始网络还包括第三初始子网络，所述第三初始子网络与所述第一初始子网络和所述第二初始子网络耦合；
所述第三初始子网络，用于获取所述目标图像样本对应的第一样本特征图，第二样本特征图，以及第三样本特征图，所述第二样本特征图对应的网络深度浅于所述第三样本特征图对应的网络深度，并将所述第一样本特征图输入所述第一初始子网络，并将所述第二样本特征图与所述第三样本特征图输入所述第二初始子网络；
相应地，所述获取所述属性节点样本对应的第一样本特征，所述第一连线样本对应的第二样本特征，所述属性值节点样本对应的第三样本特征，和所述第二连线样本对应的第四样本特征，包括：
所述第二初始子网络从所述目标图像样本对应的第二样本特征图中提取所述第一关系图样本中每个所述属性节点样本对应的所述第一样本特征，和所述第二关系图样本中每个所述属性值节点样本对应的第三样本特征；并从所述目标图像样本对应的所述第三样本特征图中提取所述第一连线样本对应的第二样本特征，和所述第二连线样本对应的第四样本特征。
8.一种键值匹配装置，其特征在于，所述装置包括：
获取模块，被配置为获取待检测图像，所述待检测图像包括至少一个属性数据和至少一个属性值数据；
确定模块，被配置为将所述待检测图像输入预设键值匹配模型，以使所述预设键值匹配模型输出所述属性数据与所述属性值数据的匹配关系；
其中，所述预设键值匹配模型包括语义分割子模型，以及与所述语义分割子模型耦合的图匹配子模型；
所述语义分割子模型，用于获取所述待检测图像中的文本覆盖区域，文本中心区域，属性数据区域，以及属性值数据区域，根据所述文本覆盖区域，所述文本中心区域，以及所述属性数据区域确定目标属性数据区域，并根据所述文本覆盖区域，所述文本中心区域，以及所述属性值数据区域确定目标属性值数据区域；
所述图匹配子模型，用于根据所述目标属性数据区域和所述目标属性值数据区域确定所述待检测图像中所述属性数据与所述属性值数据的匹配关系。
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。
CN202111494112.3A 2021-12-08 2021-12-08 键值匹配方法、装置、可读介质及电子设备 Pending CN114153959A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111494112.3A CN114153959A (zh) 2021-12-08 2021-12-08 键值匹配方法、装置、可读介质及电子设备
PCT/CN2022/129025 WO2023103653A1 (zh) 2021-12-08 2022-11-01 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
CN202111494112.3A CN114153959A (zh) 2021-12-08 2021-12-08 键值匹配方法、装置、可读介质及电子设备

Publications (1)

Publication Number Publication Date
CN114153959A true CN114153959A (zh) 2022-03-08

Family

ID=80454040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111494112.3A Pending CN114153959A (zh) 2021-12-08 2021-12-08 键值匹配方法、装置、可读介质及电子设备

Country Status (2)

Country Link
CN (1) CN114153959A (zh)
WO (1) WO2023103653A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116060A (zh) * 2022-08-25 2022-09-27 深圳前海环融联易信息科技服务有限公司 键值文件处理方法、装置、设备、介质和计算机程序产品
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050195221A1 (en) * 2004-03-04 2005-09-08 Adam Berger System and method for facilitating the presentation of content via device displays
CN113239807B (zh) * 2021-05-14 2024-04-02 北京百度网讯科技有限公司 训练票据识别模型和票据识别的方法和装置
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
CN114153959A (zh) * 2021-12-08 2022-03-08 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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115116060A (zh) * 2022-08-25 2022-09-27 深圳前海环融联易信息科技服务有限公司 键值文件处理方法、装置、设备、介质和计算机程序产品
CN115116060B (zh) * 2022-08-25 2023-01-24 深圳前海环融联易信息科技服务有限公司 键值文件处理方法、装置、设备、介质

Also Published As

Publication number Publication date
WO2023103653A1 (zh) 2023-06-15

Similar Documents

Publication Publication Date Title
EP3893125A1 (en) Method and apparatus for searching video segment, device, medium and computer program product
WO2022033111A1 (zh) 图像信息提取方法、训练方法及装置、介质和电子设备
CN110826567B (zh) 光学字符识别方法、装置、设备及存储介质
WO2023103653A1 (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
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
WO2023016111A1 (zh) 键值匹配方法、装置、可读介质及电子设备
CN112907628A (zh) 视频目标追踪方法、装置、存储介质及电子设备
CN112883968A (zh) 图像字符识别方法、装置、介质及电子设备
CN114494709A (zh) 特征提取模型的生成方法、图像特征提取方法和装置
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
CN114898154A (zh) 一种增量式目标检测方法、装置、设备及介质
CN111126159A (zh) 用于实时跟踪行人的方法、装置、电子设备和介质
CN110020150B (zh) 信息推荐方法及装置
CN113140012A (zh) 图像处理方法、装置、介质及电子设备
JP2022541832A (ja) 画像を検索するための方法及び装置
CN110750994A (zh) 一种实体关系抽取方法、装置、电子设备及存储介质
CN113191257B (zh) 笔顺检测方法、装置和电子设备
CN114463768A (zh) 表格识别方法、装置、可读介质和电子设备
CN115359400A (zh) 视频识别方法、装置、介质及电子设备
CN114862720A (zh) 画布还原方法、装置、电子设备和计算机可读介质
CN114612909A (zh) 字符识别方法、装置、可读介质及电子设备
CN115002675A (zh) 数据匹配方法、装置、可读介质及电子设备
CN111221424B (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
CN114495080A (zh) 字体识别方法、装置、可读介质及电子设备

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