CN114463734A - 文字识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种文字识别方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及深度学习及计算机视觉技术领域。具体实现方案为：获取目标图像；从目标图像中检测出文字区域；将文字区域从目标图像中分离出来，得到文字区域图像；将文字区域图像划分为有序的多个图像块；对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容。

Description

文字识别方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习及计算机视觉领域，可应用于图像处理及光学字符识别(Optical Character Recognition)等场景，具体涉及一种文字识别方法、装置、电子设备及存储介质。

背景技术

在相关技术中，针对文字识别的模型训练通常采用编码解码的方式，但该训练方法流程繁琐且效果不佳，会影响模型实际的训练速度以及识别效果。

发明内容

本公开提供了一种用于文字识别的方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种文字识别方法，包括：获取目标图像；从目标图像中检测出文字区域；将文字区域从目标图像中分离出来，得到文字区域图像；将文字区域图像划分为有序的多个图像块；对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容。

可选的，在将文字区域图像输入视觉转换器之前，还包括：对文字区域图像进行预处理，其中，预处理包括以下至少之一：对文字区域图像进行背景过滤，对文字区域图像进行透视变化处理来对文字区域图像进行矫正。

可选的，对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容，包括：采用目标视觉转换器模型，对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容，其中，目标视觉转换器模型采用多组样本数据进行训练得到，多组样本数据中包括图像和该图像中的文字内容。

可选的，上述方法还包括：分别分离多组样本数据中的图像的文字区域图像；采用多组样本数据中的图像的文字区域图像和图像中的文字内容进行训练，得到初始视觉转换器模型；对多组样本数据中的图像进行增强处理，得到增强图像；基于多组样本数据中的图像分别对应的增强图像，以及图像中的文字内容对初始视觉转换器模型进行优化训练，得到目标视觉转换器模型。

可选的，增强处理包括以下至少之一：变换增强处理，噪声增强处理，模糊增强处理，天气增强处理，摄像增强处理。

可选的，目标图像包括：车牌图像，文字内容包括：车牌号码。

根据本公开的另一方面，提供了一种文字识别装置，包括：获取模块，用于获取目标图像；检测模块，用于从目标图像中检测出文字区域；分离模块，用于将文字区域从目标图像中分离出来，得到文字区域图像；划分模块，用于将文字区域图像划分为有序的多个图像块；预测模块，用于对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容。

可选的，上述装置还包括：预处理模块，用于对文字区域图像进行预处理，其中，预处理包括以下至少之一：对文字区域图像进行背景过滤，对文字区域图像进行透视变化处理来对文字区域图像进行矫正。

可选的，预测模块还用于采用目标视觉转换器模型，对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容，其中，目标视觉转换器模型采用多组样本数据进行训练得到，多组样本数据中包括图像和该图像中的文字内容。

可选的，预测模块还包括：图像分离单元，用于分别分离多组样本数据中的图像的文字区域图像；模型训练单元，用于采用多组样本数据中的图像的文字区域图像和图像中的文字内容进行训练，得到初始视觉转换器模型；图像增强单元，用于对多组样本数据中的图像进行增强处理，得到增强图像；模型优化单元，用于基于多组样本数据中的图像分别对应的增强图像，以及图像中的文字内容对初始视觉转换器模型进行优化训练，得到目标视觉转换器模型。

可选的，增强处理包括以下至少之一：变换增强处理，噪声增强处理，模糊增强处理，天气增强处理，摄像增强处理。

可选的，目标图像包括：车牌图像，文字内容包括：车牌号码。

根据本公开的还一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的方法。

根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任一项的方法。

根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述任一项的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例提供的文字识别方法的流程图；

图2是根据本公开实施例提供的文字识别方法的示意图；

图3是ViTSTR网络结构工作流程示意图；

图4是文字识别领域的相关技术中的两种方案的训练框架和本公开可选实施方式的训练框架的对比示意图；

图5是视觉转换器模型结构中单类识别头部分的示意图；

图6a为本公开可选实施方式提供的车牌图像的变换增强效果的示意图；

图6b为本公开可选实施方式提供的车牌图像的噪声增强效果的示意图；

图6c为本公开可选实施方式提供的车牌图像的模糊增强效果的示意图；

图6d为本公开可选实施方式提供的车牌图像的天气增强效果的示意图；

图6e为本公开可选实施方式提供的车牌图像的摄像方面的增强效果的示意图；

图7是根据上述本公开可选实施方式提供的车牌识别流程示意图；

图8是根据本公开实施例提供的文字识别装置的结构框图；

图9是用来实现本公开实施例的文字识别的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

术语说明

用于快速高效的场景文本识别视觉转换器(Vision Transformer for Fast andEfficient Scene Text Recognition，简称ViTSTR)，是一种简单的单阶段模型，使用预训练的视觉转换器(ViT)来执行场景文本识别。ViTSTR模型具有非常高的准确性，而使用的参数量和计算量却很少，同时，由于ViT架构中固有的并行计算，ViTSTR模型的速度也很快。

主干网络(Backbone)，网络结构中的一部分，常用于实现特征提取。

编码解码(Encoder-Decoder)，深度学习中的一个模型框架。所谓编码，就是将输入序列转化成一个固定长度的向量，所谓解码，就是将之前生成的固定向量再转化成输出序列。编码解码的模型框架可以看作是一种文本处理领域的研究模式，应用场景异常广泛。

转换器模型(Transformer)，一种基于编码解码结构的模型，它抛弃了以往的seq2seq模型中的循环神经网络(RNN)，采用自注意力机制(Self-attention)或者多重头部自注意力机制(Mulit-head-self-attention)，使得输入的数据可以并行处理，提高运行效率。

自然语言处理技术(Natural Language Processing，简称NLP)，是研究人与计算机交互的语言问题的一门学科。

视觉转换器模型(Vision Transformer，简称ViT)，一种视觉模型，该模型尽可能地基于最初为文本的任务而设计的Transformer体系结构。ViT将输入图像表示为图像块序列，并直接预测图像的类标签。

网格搜索，一项模型超参数(即需要预先优化设置而非通过训练得到的参数)优化技术，常用于优化三个或者更少数量的超参数，本质是一种穷举法。对于每个超参数，使用者选择一个较小的有限集去探索。然后，这些超参数笛卡尔乘积得到若干组超参数。网格搜索使用每组超参数训练模型，挑选验证集误差最小的超参数作为最好的超参数。

高效准确的场景文本检测(Efficient and Accuracy Scene Text，简称EAST)，一种用于场景文本检测的算法，该算法的关键部分是神经网络模型，该模型经过训练可以直接从完整图像中预测文本实例的存在及其几何形状。

在本公开实施例中，提供了一种文字识别方法，图1是本公开实施例提供的文字识别方法的流程图，如图1所示，该方法包括：

步骤S102，获取目标图像；

步骤S104，从目标图像中检测出文字区域；

步骤S106，将文字区域从目标图像中分离出来，得到文字区域图像；

步骤S108，将文字区域图像划分为有序的多个图像块；

步骤S110，对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容。

通过上述处理，根据从目标图像中分离出来的文字区域图像，可以确定识别区域，将文字区域图像划分为有序的多个图像块，并对这些图像块并行采用自我注意机制进行预测，可以更快速、更准确地得到目标图像的文字识别结果，进而得到更好的文字识别效果。

作为一种可选的实施例，目标图像可以包括多种场景下的图像，例如，可以是车牌图像，文字内容可以包括多种，例如，可以是车牌号码。通过对目标车牌图像进行文字识别，可以得到车牌号码的识别结果，进而快速、准确地完成对车牌的识别。需要说明的是，上述进行预测所采用的自我注意机制可以是预先基于某一目标场景下的图像进行训练得到的，由于该自我注意机制学习到了该场景下的特征，以及特征之间的关联关系，因此，在对该场景下的目标图像进行文字内容预测时，则可以直接预测出目标图像在该场景下的文字内容。如上述所列举场景，目标场景为车牌识别场景时，该自我注意机制可以学习到车牌的75个字符中所包括的字母和数字，因此，在对车牌号进行预测时，可以直接预测出包括该75个字符中的字符，对于其它干扰的字符或者文字可以直接辨别出来，有效地提升了预测效率和准确性。

作为一种可选的实施例，在将文字区域图像输入视觉转换器之前，还可以进行多种操作，例如，可以采取以下操作：对文字区域图像进行预处理，其中，预处理包括以下至少之一：对文字区域图像进行背景过滤，对文字区域图像进行透视变化处理来对文字区域图像进行矫正。通过在开始识别之前对文字区域图像进行预处理，可以极大程度地避免文字区域图像中其它噪声因素在后续识别过程中产生影响，以提高文字识别过程的准确性。例如，通过对文字区域图像进行背景过滤，可以减少背景图像对文字识别的干扰，进一步地确定文字识别区域；而通过对文字区域图像进行透视变化处理，可以最大限度地减轻因图片拍摄角度等因素对文字识别结果的影响。

作为一种可选的实施例，在对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容时可以采用多种方式，例如，可以采用以下方式：采用目标视觉转换器模型，对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容，其中，目标视觉转换器模型采用多组样本数据进行训练得到，多组样本数据中包括图像和该图像中的文字内容。由于目标视觉转换器模型可以是经过大量实际样本图像和该样本图像中的文字内容训练得到的，所以在采用该目标视觉转换器模型对目标文字区域图像进行识别时，可以达到提高文字识别的效率和准确性的效果。

作为一种可选的实施例，还可以采用以下方式：分别分离多组样本数据中的图像的文字区域图像；采用多组样本数据中的图像的文字区域图像和图像中的文字内容进行训练，得到初始视觉转换器模型；对多组样本数据中的图像进行增强处理，得到增强图像；基于多组样本数据中的图像分别对应的增强图像，以及图像中的文字内容对初始视觉转换器模型进行优化训练，得到目标视觉转换器模型。在得到初始视觉转换器模型的基础上，通过让初始视觉转换器模型对样本图像针对不同的实际应用场景做增强处理，得到增强后的样本图像，再根据增强后的样本图像进行文字识别，这样就可以使初始视觉转换器充分训练其在不同的实际应用场景下的文字识别能力，进一步地提高模型的文字识别的准确性，得到最终的目标视觉转换器模型。

需要说明的是，上述不同的实际应用场景，包括但不限于：监控场景、地下停车场场景、夜晚场景、恶劣天气场景等，其它能够获得文字区域图像的场景都属于上述的实际应用场景，在此不再一一举例说明。

作为一种可选的实施例，增强处理可以包括多种，例如，可以包括以下至少之一：变换增强处理，噪声增强处理，模糊增强处理，天气增强处理，摄像增强处理。

图像增强的目的是改进图片的质量。其中，上述的变换增强处理包括但不限于：图像的几何变换、旋转变换、缩放变换等；噪声增强处理指对存在于图像数据中的不必要的或多余的干扰信息进行处理，例如，噪声增强处理可以包括但不限于：高斯噪声、散粒噪声、脉冲噪声、散斑干扰等；模糊增强处理指对图像中因光学因素、大气因素、人工因素、技术因素等造成的模糊进行处理，包括但不限于：高斯模糊、散焦模糊、运动模糊、玻璃模糊、缩放模糊等；天气增强处理指对图像中因天气因素造成的偏色、模糊噪声等影响进行处理，包括但不限于：雾、雪、霜、雨、阴影等；摄像增强处理指针对图像因摄像技术、摄像参数等因素造成的影响进行处理，包括但不限于：对比度、亮度、压缩、像素等调节。

通过对文字区域图像进行单独的或组合式的增强处理，可以在模型的优化训练过程中加强模型在不同的实际应用场景中的文字识别能力，使得模型可以在各种场景中都具有较高的识别准确率。

需要说明的是，上述增强处理仅作举例说明用，其它针对图片的处理技术也属于可选增强处理方式之一，在此不再一一举例说明。

基于上述实施例及可选实施例，提供了一种可选实施方式。

当前的车牌文字识别模型训练方案中包含解码加码等方式，比较繁琐。应用本公开可选实施方式的车牌识别模型训练方案，能够大大缩小训练的时间以及模型预测时间，提升车牌识别性能；并采用结合实际场景在训练过程中加入相应组合式的增强方法，使得模型能得到更好的车牌识别效果。

本公开可选实施方式应用在光学字符识别(Optical Character Recognition，简称OCR)车牌识别领域。

在相关技术中的车牌识别OCR文字识别训练方案中传统的训练方式都进行编码解码等方式进行训练，训练过程繁琐且效果不佳，影响实际的训练速度以及效果，也缺少相应组合式增强方式在模型上的优化。

图2是根据本公开可选实施方式提供的文字识别方法的示意图，如图2所示，在本可选实施方式中以车牌识别为例进行说明，该流程包括如下步骤：

(1)车牌的标注以及数据处理工作，首先根据标注的四角点信息将RGB的车牌图片进行抠图以及透视变换矫正。所标注采集的车牌数据包含几个主要元素：RGB图像、车牌的四个角的座位位置(以顺时针坐标保存下来)，以及车牌号的文字转写。

(2)首先该网络用到的是用于快速高效的场景文本识别视觉转换器ViTSTR的网络结构，图3是ViTSTR网络结构工作流程示意图，如图3所示，输入图像首先被转换成一些集合块(或称为分块patch)，这些集合块会被转换成一维的嵌入向量(embeddings)。作为模型加密(Encode)的输入，上述的集合patch块中的分块一个个加入到该Encode中，模型在训练过程中是端到端的训练，训练过程中会预测车牌的一连串的车牌文字号码。其中，在模型预处理当中，会加入[GO]作为字符串预先定义的开始信号，加入[s]作为字符串预先定义的空格字符。

(3)图4a是本公开实施例所采用的文字识别方法的对比方案一的示意图，如图4a所示，在该对比方案一中，训练框架是图片经过矫正(Rectify)之后，经过主干网络(Backbone)之后能够得到序列(Sequence)，最后再去预测具体的文字行信息。图4b是本公开实施例所采用的文字识别方法的对比方案二的示意图，如图4b所示，在该对比方案二中，加入编码解码(Encoder-Decoder)的转换器模型(Transformer)。其中，在该对比方案中的训练框架，也是需要编码解码这样的流程才可以得到文字行信息，具体的流程就是首先将像“京”，“冀”，“粤”的省份文字、A-Z除O以及I的字母、0-9的数字等75个字符用1到75去映射，解码就是模型预测之后，将预测的数字序列再去找到原来的文字符号的对应，从而得到文字行信息。

在训练过程中，本公开可选实施方式对相关技术中的方案进行了优化，本公开可选实施方式就像自然语言处理(Natural Language Processing，简称NLP)技术中一样，转换器模型通过并行的自我注意(self-attention)和预测来克服序列建模和预测的难点。图4c是本公开可选实施方式所采用的文字识别方法的示意图，如图4c所示，在该方案中，如之前提到的，基于转换器模型的训练框架仍然需要一个主干网络和一个编码解码。但是本公开可选实施方式只需要预先加载文字信息，通过编码之后即可以预测出来车牌的文字行信息。同时也会用到经过他人用大量模型去预训练的一个预训练模型对本公开选实施方式中的模型进行训练，从而保证车牌识别效果。由于在本公开可选实施方式中，省去了相关技术方案中复杂的训练流程，所以这种简单而高效的ViTSTR文字识别模型能够使得模型的参数量跟计算量大大减少。

图5是本公开可选实施方式的与ViTSTR对比的视觉转换器模型结构中单类识别头部分的示意图，如图1和图5所示，ViT模型和ViTSTR模型结构的不同点在于ViTSTR用正确的序列化的多重字符预测头部替换掉了原有单一的单类识别头，就可以在预测过程中实现并行地预测结果。

在训练过程当中，因为实际的场景当中含有各种各样的场景，为了能够增强模型识别能力。在本公开可选实施方式中加入了各种各样的类似于车牌现实场景中的增强，并且通过调试不同种类的以及不同程度的增强对于模型识别能力的增益。以下图例中示出了模拟车牌现实场景中的各种增强的效果。其中，车牌在现实场景中的增强可以分为几大类，例如，图6a为本公开可选实施方式提供的车牌图像的变换增强效果的示意图，其中，交换增强效果的处理包括：透视、收缩和旋转等。图6b为本公开可选实施方式提供的车牌图像的噪声增强效果的示意图，其中噪声增强效果的处理包括：高斯噪声、散粒噪声、脉冲噪声和散斑干扰等。图6c为本公开可选实施方式提供的车牌图像的模糊增强效果的示意图，其中，该模糊增强效果的处理包括：高斯模糊、散焦模糊、运动模糊、玻璃模糊和缩放模糊等。图6d为本公开可选实施方式提供的车牌图像的天气增强效果的示意图，其中，天气增强效果的处理包括：雾、雪、霜、雨和阴影等。图6e为本公开可选实施方式提供的车牌图像的摄像方面的增强效果的示意图，其中，摄像方面的增强效果的处理包括：对比度、亮度、压缩、像素等。

在采用增强效果时，可以采用上述所列举的增强中的单组增强，也可以采用多组增强组合的方式。相对于单组增强而言，将所有组进行随机组合能够显著提高准确性。因此，在本公开可选实施方式中采用了随机组合的方式，在训练期间使用简单的网格搜索方式，能够获得很高的训练效果。即采用本公开可选实施方式提及的组合式数据增强方式，能够大幅度提升模型的识别能力，使得模型鲁棒性更强。

(4)图7是根据上述本公开可选实施方式提供的车牌识别流程示意图，如图7所示，在预测阶段，输入原始的车牌RGB图像。

(5)通过EAST检测，进行车牌四角点的检测得到车牌区域，过滤背景，使用透视变换，将图片进行矫正。

(6)将(5)中的图片输入到ViTSTR模型中，最后即得到车牌的结果。

采用本公开可选实施方式提供的车牌识别方法，使用训练好的车牌ViTSTR模型进行识别，一是可以提升车牌识别的效率，使得车牌识别性能大大提高，并且车牌识别准确性也较高，因而达到较佳的识别效果。二是采用本公开可选实施方式提及的组合式数据增强方式，在识别流程中采用上述数据增强的方式时，也能够大幅度提升模型对车牌的识别能力，使得模型鲁棒性更强。

在本公开实施例中，还提供了一种文字识别装置，图8是根据本公开实施例提供的文字识别装置的结构框图，如图8所示，该装置包括：获取模块81，检测模块82，分离模块83，划分模块84和预测模块85，下面对该装置进行说明。

获取模块81，用于获取目标图像；检测模块82，连接至上述获取模块81，用于从目标图像中检测出文字区域；分离模块83，连接至上述检测模块82，用于将文字区域从目标图像中分离出来，得到文字区域图像；划分模块84，连接至上述分离模块83，用于将文字区域图像划分为有序的多个图像块；预测模块85，连接至上述划分模块84，用于对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容。

作为一种可选的实施例，上述装置还包括：预处理模块，用于对文字区域图像进行预处理，其中，预处理包括以下至少之一：对文字区域图像进行背景过滤，对文字区域图像进行透视变化处理来对文字区域图像进行矫正。

作为一种可选的实施例，预测模块还用于采用目标视觉转换器模型，对有序的多个图像并行采用自我注意机制进行预测，得到目标图像中的文字内容，其中，目标视觉转换器模型采用多组样本数据进行训练得到，多组样本数据中包括图像和该图像中的文字内容。

作为一种可选的实施例，预测模块还包括：图像分离单元，用于分别分离多组样本数据中的图像的文字区域图像；模型训练单元，用于采用多组样本数据中的图像的文字区域图像和图像中的文字内容进行训练，得到初始视觉转换器模型；图像增强单元，用于对多组样本数据中的图像进行增强处理，得到增强图像；模型优化单元，用于基于多组样本数据中的图像分别对应的增强图像，以及图像中的文字内容对初始视觉转换器模型进行优化训练，得到目标视觉转换器模型。

作为一种可选的实施例，增强处理包括以下至少之一：变换增强处理，噪声增强处理，模糊增强处理，天气增强处理，摄像增强处理。

作为一种可选的实施例，目标图像包括：车牌图像，文字内容包括：车牌号码。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如文字识别方法。例如，在一些实施例中，文字识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的文字识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文字识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种文字识别方法，包括：

获取目标图像；

从所述目标图像中检测出文字区域；

将所述文字区域从所述目标图像中分离出来，得到文字区域图像；

将所述文字区域图像划分为有序的多个图像块；

对有序的所述多个图像并行采用自我注意机制进行预测，得到所述目标图像中的文字内容。

2.根据权利要求1所述的方法，其中，在将所述文字区域图像输入视觉转换器之前，还包括：

对所述文字区域图像进行预处理，其中，所述预处理包括以下至少之一：对所述文字区域图像进行背景过滤，对所述文字区域图像进行透视变化处理来对所述文字区域图像进行矫正。

3.根据权利要求1所述的方法，其中，所述对有序的所述多个图像并行采用自我注意机制进行预测，得到所述目标图像中的文字内容，包括：

采用目标视觉转换器模型，对有序的所述多个图像并行采用自我注意机制进行预测，得到所述目标图像中的文字内容，其中，所述目标视觉转换器模型采用多组样本数据进行训练得到，所述多组样本数据中包括图像和该图像中的文字内容。

4.根据权利要求3所述的方法，其中，所述方法还包括：

分别分离所述多组样本数据中的图像的文字区域图像；

采用所述多组样本数据中的图像的文字区域图像和所述图像中的文字内容进行训练，得到初始视觉转换器模型；

对所述多组样本数据中的图像进行增强处理，得到增强图像；

基于所述多组样本数据中的图像分别对应的增强图像，以及图像中的文字内容对所述初始视觉转换器模型进行优化训练，得到所述目标视觉转换器模型。

5.根据权利要求4所述的方法，其中，所述增强处理包括以下至少之一：

变换增强处理，噪声增强处理，模糊增强处理，天气增强处理，摄像增强处理。

6.根据权利要求1至5中任一项所述的方法，其中，所述目标图像包括：车牌图像，所述文字内容包括：车牌号码。

7.一种文字识别装置，包括：

获取模块，用于获取目标图像；

检测模块，用于从所述目标图像中检测出文字区域；

分离模块，用于将所述文字区域从所述目标图像中分离出来，得到文字区域图像；

划分模块，用于将所述文字区域图像划分为有序的多个图像块；

预测模块，用于对有序的所述多个图像并行采用自我注意机制进行预测，得到所述目标图像中的文字内容。

8.根据权利要求7所述的装置，其中，所述装置还包括：

预处理模块，用于对所述文字区域图像进行预处理，其中，所述预处理包括以下至少之一：对所述文字区域图像进行背景过滤，对所述文字区域图像进行透视变化处理来对所述文字区域图像进行矫正。

9.根据权利要求7所述的装置，其中，所述预测模块还用于采用目标视觉转换器模型，对有序的所述多个图像并行采用自我注意机制进行预测，得到所述目标图像中的文字内容，其中，所述目标视觉转换器模型采用多组样本数据进行训练得到，所述多组样本数据中包括图像和该图像中的文字内容。

10.根据权利要求9所述的装置，其中，所述预测模块还包括：

图像分离单元，用于分别分离所述多组样本数据中的图像的文字区域图像；

模型训练单元，用于采用所述多组样本数据中的图像的文字区域图像和所述图像中的文字内容进行训练，得到初始视觉转换器模型；

图像增强单元，用于对所述多组样本数据中的图像进行增强处理，得到增强图像；

模型优化单元，用于基于所述多组样本数据中的图像分别对应的增强图像，以及图像中的文字内容对所述初始视觉转换器模型进行优化训练，得到所述目标视觉转换器模型。

11.根据权利要求10所述的装置，其中，所述的增强处理包括以下至少之一：

变换增强处理，噪声增强处理，模糊增强处理，天气增强处理，摄像增强处理。

12.根据权利要求7至11中任一项所述的装置，其中，所述目标图像包括：车牌图像，所述文字内容包括：车牌号码。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的方法。

Images