CN114495081A - 文本识别的方法、装置、可读介质和电子设备 - Google Patents

Abstract

本公开涉及一种文本识别的方法、装置、可读介质和电子设备，涉及计算机技术领域，包括：获取待识别的文本行图片；将该文本行图片输入预先训练的文本识别模型，以得到该文本识别模型输出的该文本行图片中的文本；其中，该文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，该第一目标字符是将第一语义融合特征进行字符转换后得到的字符，该第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与该样本图片的第一语义特征进行融合处理得到的特征，该第一语义特征是根据该第一目标序列特征得到的特征。这样，能够使得文本行图片特征提取的更完整，从而提高了文本图像识别的准确率。

Description

文本识别的方法、装置、可读介质和电子设备

技术领域

本公开涉及计算机技术邻域，具体地，涉及一种文本识别的方法、装置、可读介质和电子设备。

背景技术

随着文本识别技术的广泛应用，人们对文本行图片识别准确率的要求越来越高，需要能够准确识别文本行图片中的每个字符。相关技术中，通过基于CTC(ConnectionistTemporal Classification，联结主义时间分类)或者是基于序列解码的文本识别模型来识别文本行图像中的文本内容。

但是，上述两种方式都只用到了文本行图片本身的特征，对于部分比较复杂的文本行图片，通过上述文本识别模型对该文本行图片进行识别时，会导致部分字符无法正常识别，从而使得文本行图片识别的准确率较低。

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的方法，包括：获取待识别的文本行图片；将所述文本行图片输入预先训练的文本识别模型，以得到所述文本识别模型输出的所述文本行图片中的文本；其中，所述文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，所述第一目标字符是将第一语义融合特征进行字符转换后得到的字符，所述第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与所述样本图片的第一语义特征进行融合处理得到的特征，所述第一语义特征是根据所述第一目标序列特征得到的特征。

第二方面，本公开提供一种文本识别的装置，包括：获取模块，用于获取待识别的文本行图片；识别模块，用于将所述文本行图片输入预先训练的文本识别模型，以得到所述文本识别模型输出的所述文本行图片中的文本；其中，所述文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，所述第一目标字符是将第一语义融合特征进行字符转换后得到的字符，所述第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与所述样本图片的第一语义特征进行融合处理得到的特征，所述第一语义特征是根据所述第一目标序列特征得到的特征。

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上述第一方面所述文本识别的方法的步骤。

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，以实现上述第一方面所述文本识别的方法的步骤。

通过上述技术方案，通过获取待识别的文本行图片；将该文本行图片输入预先训练的文本识别模型，以得到该文本识别模型输出的该文本行图片中的文本；其中，该文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，该第一目标字符是将第一语义融合特征进行字符转换后得到的字符，该第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与该样本图片的第一语义特征进行融合处理得到的特征，该第一语义特征是根据该第一目标序列特征得到的特征。也就是说，本公开在对文本行图片进行识别时，通过文本识别模型将文本行图片的语义特征和序列特征进行融合处理，从而得到文本行图片的语义融合特征，根据语义融合特征得到文本行图片的文本内容。这样，使得该文本行图片的特征更完整，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是根据一示例性实施例提供的一种文本识别的方法的流程图；

图2是根据一示例性实施例提供的一种文本识别模型的结构图；

图3是根据一示例性实施例提供的一种文本识别模型的训练方法的流程图；

图4是根据一示例性实施例提供的另一种文本识别模型的训练方法的流程图；

图5是根据一示例性实施例提供的一种文本识别的装置的结构图；

图6是根据一示例性实施例提供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。本公开可以应用在对文本行图片识别的场景下，随着文本识别技术的广泛应用，人们对文本行图片识别准确率的要求越来越高，需要能够准确识别文本行图片中的每个字符。相关技术中，常使用OCR(Optical CharacterRecognition，光学字符识别)模型来对文本行图片中的文本进行识别，但无论是基于CTC或者是基于序列解码的OCR模型都只用到了文本行图片本身的特征，对于部分比较复杂的文本行图片，例如广告、电影海报等文本行图片，文本行图片中的特征信息较为丰富，通过上述文本识别模型对该文本行图片进行识别时，可能会导致部分字符无法正常识别，从而使得文本行图片识别的准确率较低。

为了技术上述存在的技术问题，本公开提供一种文本识别的方法、装置、可读介质和电子设备，在对文本行图片进行识别时，通过文本识别模型将文本行图片的语义特征和序列特征进行融合处理，从而得到文本行图片的语义融合特征，根据语义融合特征得到文本行图片的文本内容。这样，使得该文本行图片的特征更完整，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是根据一示例性实施例提供的一种文本识别的方法的流程图，如图1所示，该方法可以包括以下步骤：

在步骤S101中，获取待识别的文本行图片。

在步骤S102中，将该文本行图片输入预先训练的文本识别模型，以得到该文本识别模型输出的该文本行图片中的文本。

其中，该文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，该第一目标字符是将第一语义融合特征进行字符转换后得到的字符，该第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与该样本图片的第一语义特征进行融合处理得到的特征，该第一语义特征是根据该第一目标序列特征得到的特征。

在一些实施例中，如图2所示，该文本识别模型可以包括特征提取模型、至少一个语义融合模型、解码模型以及第一全连接层，其中，在至少一个语义融合模型为多个的情况下，多个该语义融合模型依次串联耦合；

在一种可能的实现方式中，文本识别模型包括一个语义融合模型，那么，可以将特征提取模型的输出作为语义融合模型的输入，该语义融合模型的输出作为解码模型的输入。

在另一种可能的实现方式中，文本识别模型包括多个语义融合模型，每个语义融合模型之间依次串联耦合，特征提取模型的输出作为第一个语义融合模型的输入，此后每个语义融合模型的输出作为下一个语义融合模型的输入，以此类推，依次直至最后一个语义融合模型，将最后一个语义融合模型的输出作为解码模型的输入。通过多个语义融合模块依次对文本行图片进行特征提取，有利于更准确的提取文本行图片中字符的语义信息。

该特征提取模型，用于从输入的文本行图片中获取第二待编码序列特征。

其中，该特征提取模型例如可以是基于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，此处不再赘述。该特征提取模型例如可以是image2vector模型。

示例地，该特征提取模型从输入的文本行图片中获取第二待编码序列特征，其中，为了提高数据处理的效率，该第二待编码序列特征可以是固定维度的序列(sequence)特征，固定维度例如可以是512。

该语义融合模型，用于对该特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征，并根据该第二目标序列特征获取该文本行图片的第二语义特征，并将该第二目标序列特征与该第二语义特征进行融合，得到该第二语义融合特征。

示例地，如图2所示，可以将该第二目标序列特征与该第二语义特征进行相加，得到该第二语义融合特征。

在一些实施例中，该语义融合模型可以包括：编码子模型、第二全连接层和语言子模型；

该编码子模型，用于对该特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征。

其中，该编码子模型可以是encoder模型架构下任意一种可行的encoder算法，本公开对此不作限制，编码子模型用于将第二待编码特征编码为向量特征(第二目标序列特征)，例如利用attention机制提取512维度的向量序列特征。

示例地，通过该编码子模型对特征提取模型输出的第二待编码序列特征进行编码，也就是说，将第二待编码特征转化为一个固定维度的向量特征(第二目标序列特征)。

该第二全连接层，用于将该编码子模型输出的第二目标序列特征转换为第二待处理字符。

该语言子模型，用于从该第二全连接层输出的该第二待处理字符中，提取该第二语义特征。

其中，该语言子模型例如可以是基于BERT(Bidirectional EncoderRepresentations from Transformers)框架，通过现有技术的模型训练方法训练得到的，此处不再赘述。通过该语言子模型，将第二待处理字符中的语义特征进行提取，得到第二语义特征。

另外，考虑到第二待处理字符中可能包括部分无用信息，这些无用信息将会造成干扰，影响模型识别的效率。因此，为了进一步提高特征提取的准确度，同时提高数据处理的效率，还可以获取第二待处理字符的置信度，将置信度大于或者等于预设置信度阈值的第二待处理字符输入语言子模型中，也就是说，将置信度小于预设置信度阈值的第二待处理字符进行去除，即将第二待处理字符中的无用信息(也即噪音)进行去除。这样，能够有效提高特征提取的准确度和数据处理的效率。

解码模型，用于对该语义融合模型输出的第二语义融合特征进行解码；

该第一全连接层，用于将该解码模型输出的解码后的第二语义融合特征，转换为第二目标字符。

采用上述方法，在对文本行图片进行识别时，通过文本识别模型将文本行图片的语义特征和序列特征进行融合处理，从而得到文本行图片的语义融合特征，根据语义融合特征得到文本行图片的文本内容。这样，使得该文本行图片的特征更完整，从而提高了文本图像识别的准确率。

下面对上述文本识别模型的训练方法进行说明，如图3所示，该文本识别模型可以通过以下方法步骤训练得到：

在步骤S301中，获取多个用于训练的样本图片。

需要说明的是，获取到的多个样本图片中的每一个样本图片均为包含文本的图片。

在步骤S302中，从该样本图片中获取第一目标序列特征。

可以理解的，可以从该样本图片中提取第一待编码序列特征，并对该第一待编码序列特征进行编码处理，从而到该第一目标序列特征。

示例地，可以通过上述的image2vector模型来提取样本图片中固定维度的第一待编码序列特征，固定维度例如可以为512。可以通过编码子模型来对该第一待编码序列特征进行编码处理，得到第一目标序列特征。例如，可以通过encoder模型的attention机制提取第一待编码序列特征中的512维度的向量序列特征，得到第一目标序列特征。

在步骤S303中，根据该第一目标序列特征获取该样本图片的第一语义特征。

示例地，可以通过上述的语义融合模型获取样本图片的第一语义特征。

在一些实施例中，如图4所示，根据该第一目标序列特征获取该样本图片的第一语义特征可以包括以下步骤：

在步骤S3031中，将该第一目标序列特征转换为第一待处理字符。

示例地，可以通过上述第二全连接层将该第一目标序列特征转换为第一待处理字符，以便于语言子模型提取出样本图片的语义特征。

在步骤S3032中，从该第一待处理字符中提取该第一语义特征。

示例地，可以通过上述BERT模型从该第一待处理字符中提取该第一语义特征，以得到该样本图片中包含更强语义的语义特征。

在步骤S304中，将该第一目标序列特征与该第一语义特征进行融合，得到该第一语义融合特征。

在本步骤中，将该第一目标序列特征与该第一语义特征进行融合，从而得到该样本图片中最能够反映语义信息的语义融合特征，从而提高了模型识别结果的准确性。

示例地，可以将该第一目标序列特征和该第一语义特征相加，从而得到该第一语义融合特征。

在一种可能的实现方式中，文本识别模型包括一个语义融合模块，将该语义融合模型得到的第一语义融合特征作为解码模型的输入。

在另一种可能的实现方式中，文本识别模型包括多个语义融合模型，可以将该第一语义融合特征作为下一个语义融合模型的输入。以此类推，依次直至最后一个语义融合模型，将最后一个语义融合模型的输出的第一语义融合特征作为解码模型的输入。通过多个语义融合模块依次对文本行图片进行特征提取，有利于更准确的提取文本图片中的字符的语义信息。

在步骤S305中，将该第一语义融合特征转换为该第一目标字符。

可以理解的，可以对该第一语义融合特征进行解码处理，并将解码后的第一语义融合特征转换为对应的该第一目标字符。

示例地，可以通过decoder模型将该第一语义融合特征进行解码处理，通过上述第一全连接层将解码后的第一语义融合特征转换为对应的该第一目标字符。

在步骤S306中，根据该第一目标字符对预设训练模型进行训练，得到该文本识别模型。

根据第一目标序列特征与该第一语义特征进行融合得到第一语义融合特征，并将该第一语义融合特征转换为第一目标字符，从而根据该第一目标字符对预设训练模型进行训练，得到该文本识别模型。

另外，考虑到第一待处理字符中可能包括部分无用信息，这些无用信息将会干扰模型的识别。因此，为了进一步提高特征提取的准确度，同时提高数据处理的效率，还可以获取第一待处理字符的置信度，将置信度大于或者等于预设置信度阈值的第一待处理字符输入语言子模型中，也就是说，将置信度小于预设置信度阈值的第二待处理字符进行去除，即将第一待处理字符中的无用信息(也即噪音)进行去除。这样，能够有效提高特征提取的准确度和数据处理的效率。通过语言子模型从该置信度大于或者等于预设置信度阈值的该第一待处理字符中，提取该第一语义特征。

采用上述方法，在对文本行图片进行识别时，通过文本识别模型将文本行图片的语义特征和序列特征进行融合处理，从而得到文本行图片的语义融合特征，根据语义融合特征得到文本行图片的文本内容。这样，使得该文本行图片的特征更完整，从而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的装置的结构图，如图5所示，该装置500包括：

获取模块501，用于获取待识别的文本行图片；

识别模块502，用于将该文本行图片输入预先训练的文本识别模型，以得到该文本识别模型输出的该文本行图片中的文本；

其中，该文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，该第一目标字符是将第一语义融合特征进行字符转换后得到的字符，该第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与该样本图片的第一语义特征进行融合处理得到的特征，该第一语义特征是根据该第一目标序列特征得到的特征。

可选地，该文本识别模型是通过以下方式训练得到：

获取多个用于训练的样本图片；

从该样本图片中获取第一目标序列特征；

根据该第一目标序列特征获取该样本图片的第一语义特征；

将该第一目标序列特征与该第一语义特征进行融合，得到该第一语义融合特征；

将该第一语义融合特征转换为该第一目标字符；

根据该第一目标字符对预设训练模型进行训练，得到该文本识别模型。

可选地，该根据该第一目标序列特征获取该样本图片的第一语义特征包括：

将该第一目标序列特征转换为第一待处理字符；

从该第一待处理字符中提取该第一语义特征。

可选地，该方法还包括：

获取该第一待处理字符的置信度；

该从该第一待处理字符中提取该语义特征包括：

从该置信度大于或者等于预设置信度阈值的该第一待处理字符中，提取该第一语义特征。

可选地，该将该第一目标序列特征与该第一语义特征进行融合，得到该第一语义融合特征包括：

将该第一目标序列特征和该第一语义特征相加，得到该第一语义融合特征。

可选地，该从该样本图片中获取第一目标序列特征包括：

从该样本图片中提取第一待编码序列特征，并对该第一待编码序列特征进行编码处理，得到该第一目标序列特征。

可选地，该将该第一语义融合特征转换为该第一目标字符包括：

对该第一语义融合特征进行解码处理，并将解码后的第一语义融合特征转换为对应的该第一目标字符。

可选地，该文本识别模型包括特征提取模型、至少一个语义融合模型、解码模型以及第一全连接层，其中，在至少一个语义融合模型为多个的情况下，多个该语义融合模型依次串联耦合；

该特征提取模型，用于从输入的该文本行图片中获取第二待编码序列特征；

该语义融合模型，用于对该特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征，并根据该第二目标序列特征获取该文本行图片的第二语义特征，并将该第二目标序列特征与该第二语义特征进行融合，得到该第二语义融合特征；

解码模型，用于对该语义融合模型输出的第二语义融合特征进行解码；

该第一全连接层，用于将该解码模型输出的解码后的第二语义融合特征，转换为第二目标字符。

可选地，该语义融合模型包括：编码子模型、第二全连接层和语言子模型；

该编码子模型，用于对该特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征；

该第二全连接层，用于将该编码子模型输出的第二目标序列特征转换为第二待处理字符；

该语言子模型，用于从该第二全连接层输出的该第二待处理字符中，提取该第二语义特征。

采用上述装置，在对文本行图片进行识别时，通过文本识别模型将文本行图片的语义特征和序列特征进行融合处理，从而得到文本行图片的语义融合特征，根据语义融合特征得到文本行图片的文本内容。这样，使得该文本行图片的特征更完整，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6，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)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，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：获取待识别的文本行图片；将所述文本行图片输入预先训练的文本识别模型，以得到所述文本识别模型输出的所述文本行图片中的文本；其中，所述文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，所述第一目标字符是将第一语义融合特征进行字符转换后得到的字符，所述第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与所述样本图片的第一语义特征进行融合处理得到的特征，所述第一语义特征是根据所述第一目标序列特征得到的特征。

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“获取待识别的文本行图片的模块”。

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提供一种文本识别的方法，所述方法包括：获取待识别的文本行图片；将所述文本行图片输入预先训练的文本识别模型，以得到所述文本识别模型输出的所述文本行图片中的文本；其中，所述文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，所述第一目标字符是将第一语义融合特征进行字符转换后得到的字符，所述第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与所述样本图片的第一语义特征进行融合处理得到的特征，所述第一语义特征是根据所述第一目标序列特征得到的特征。

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，所述文本识别模型是通过以下方式训练得到：获取多个用于训练的样本图片；从所述样本图片中获取第一目标序列特征；根据所述第一目标序列特征获取所述样本图片的第一语义特征；将所述第一目标序列特征与所述第一语义特征进行融合，得到所述第一语义融合特征；将所述第一语义融合特征转换为所述第一目标字符；根据所述第一目标字符对预设训练模型进行训练，得到所述文本识别模型。

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，所述根据所述第一目标序列特征获取所述样本图片的第一语义特征包括：将所述第一目标序列特征转换为第一待处理字符；从所述第一待处理字符中提取所述第一语义特征。

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：获取所述第一待处理字符的置信度；所述从所述第一待处理字符中提取所述语义特征包括：从所述置信度大于或者等于预设置信度阈值的所述第一待处理字符中，提取所述第一语义特征。

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，所述将所述第一目标序列特征与所述第一语义特征进行融合，得到所述第一语义融合特征包括：将所述第一目标序列特征和所述第一语义特征相加，得到所述第一语义融合特征。

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，所述从所述样本图片中获取第一目标序列特征包括：从所述样本图片中提取第一待编码序列特征，并对所述第一待编码序列特征进行编码处理，得到所述第一目标序列特征。

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，所述将所述第一语义融合特征转换为所述第一目标字符包括：对所述第一语义融合特征进行解码处理，并将解码后的第一语义融合特征转换为对应的所述第一目标字符。

根据本公开的一个或多个实施例，示例8提供了示例1至7任一项的方法，所述文本识别模型包括特征提取模型、至少一个语义融合模型、解码模型以及第一全连接层，其中，在至少一个语义融合模型为多个的情况下，多个所述语义融合模型依次串联耦合；所述特征提取模型，用于从输入的所述文本行图片中获取第二待编码序列特征；所述语义融合模型，用于对所述特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征，并根据所述第二目标序列特征获取所述文本行图片的第二语义特征，并将所述第二目标序列特征与所述第二语义特征进行融合，得到所述第二语义融合特征；解码模型，用于对所述语义融合模型输出的第二语义融合特征进行解码；所述第一全连接层，用于将所述解码模型输出的解码后的第二语义融合特征，转换为第二目标字符。

根据本公开的一个或多个实施例，示例9提供了示例8的方法，所述语义融合模型包括：编码子模型、第二全连接层和语言子模型；所述编码子模型，用于对所述特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征；所述第二全连接层，用于将所述编码子模型输出的第二目标序列特征转换为第二待处理字符；所述语言子模型，用于从所述第二全连接层输出的所述第二待处理字符中，提取所述第二语义特征。

根据本公开的一个或多个实施例，示例10提供了一种文本识别的装置，所述装置包括：获取模块，用于获取待识别的文本行图片；识别模型，用于将所述文本行图片输入预先训练的文本识别模型，以得到所述文本识别模型输出的所述文本行图片中的文本；其中，所述文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，所述第一目标字符是将第一语义融合特征进行字符转换后得到的字符，所述第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与所述样本图片的第一语义特征进行融合处理得到的特征，所述第一语义特征是根据所述第一目标序列特征得到的特征。

根据本公开的一个或多个实施例，示例11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9中任一项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12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9中任一项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 (12)

1.一种文本识别的方法，其特征在于，所述方法包括：

获取待识别的文本行图片；

将所述文本行图片输入预先训练的文本识别模型，以得到所述文本识别模型输出的所述文本行图片中的文本；

其中，所述文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，所述第一目标字符是将第一语义融合特征进行字符转换后得到的字符，所述第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与所述样本图片的第一语义特征进行融合处理得到的特征，所述第一语义特征是根据所述第一目标序列特征得到的特征。

2.根据权利要求1所述的方法，其特征在于，所述文本识别模型是通过以下方式训练得到：

获取多个用于训练的样本图片；

从所述样本图片中获取第一目标序列特征；

根据所述第一目标序列特征获取所述样本图片的第一语义特征；

将所述第一目标序列特征与所述第一语义特征进行融合，得到所述第一语义融合特征；

将所述第一语义融合特征转换为所述第一目标字符；

根据所述第一目标字符对预设训练模型进行训练，得到所述文本识别模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一目标序列特征获取所述样本图片的第一语义特征包括：

将所述第一目标序列特征转换为第一待处理字符；

从所述第一待处理字符中提取所述第一语义特征。

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：

获取所述第一待处理字符的置信度；

所述从所述第一待处理字符中提取所述语义特征包括：

从所述置信度大于或者等于预设置信度阈值的所述第一待处理字符中，提取所述第一语义特征。

5.根据权利要求2所述的方法，其特征在于，所述将所述第一目标序列特征与所述第一语义特征进行融合，得到所述第一语义融合特征包括：

将所述第一目标序列特征和所述第一语义特征相加，得到所述第一语义融合特征。

6.根据权利要求2所述的方法，其特征在于，所述从所述样本图片中获取第一目标序列特征包括：

从所述样本图片中提取第一待编码序列特征，并对所述第一待编码序列特征进行编码处理，得到所述第一目标序列特征。

7.根据权利要求6所述的方法，其特征在于，所述将所述第一语义融合特征转换为所述第一目标字符包括：

对所述第一语义融合特征进行解码处理，并将解码后的第一语义融合特征转换为对应的所述第一目标字符。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述文本识别模型包括特征提取模型、至少一个语义融合模型、解码模型以及第一全连接层，其中，在至少一个语义融合模型为多个的情况下，多个所述语义融合模型依次串联耦合；

所述特征提取模型，用于从输入的所述文本行图片中获取第二待编码序列特征；

所述语义融合模型，用于对所述特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征，并根据所述第二目标序列特征获取所述文本行图片的第二语义特征，并将所述第二目标序列特征与所述第二语义特征进行融合，得到所述第二语义融合特征；

所述解码模型，用于对所述语义融合模型输出的第二语义融合特征进行解码；

所述第一全连接层，用于将所述解码模型输出的解码后的第二语义融合特征，转换为第二目标字符。

9.根据权利要求8所述的方法，其特征在于，所述语义融合模型包括：编码子模型、第二全连接层和语言子模型；

所述编码子模型，用于对所述特征提取模型输出的第二待编码序列特征进行编码处理，得到第二目标序列特征；

所述第二全连接层，用于将所述编码子模型输出的第二目标序列特征转换为第二待处理字符；

所述语言子模型，用于从所述第二全连接层输出的所述第二待处理字符中，提取所述第二语义特征。

10.一种文本识别的装置，其特征在于，所述装置包括：

获取模块，用于获取待识别的文本行图片；

识别模块，用于将所述文本行图片输入预先训练的文本识别模型，以得到所述文本识别模型输出的所述文本行图片中的文本；

其中，所述文本识别模型是根据第一目标字符对预设训练模型进行训练得到的，所述第一目标字符是将第一语义融合特征进行字符转换后得到的字符，所述第一语义融合特征是将用于训练的样本图片中的第一目标序列特征与所述样本图片的第一语义特征进行融合处理得到的特征，所述第一语义特征是根据所述第一目标序列特征得到的特征。

11.一种计算机可读介质，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至9中任一项所述方法的步骤。

12.一种电子设备，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至9中任一项所述方法的步骤。

Images