CN114677691B - 文本识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种文本识别方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于OCR等场景。实现方案为：一种文本识别方法包括：获取待处理图像的整图场景和文本图像；确定所述整图场景对应的第一文本识别模型；以及根据所述第一文本识别模型对所述文本图像进行文本识别，得到文本信息。

Description

文本识别方法、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，具体为深度学习、图像处理、计算机视觉技术领域，可应用于OCR(Optical Character Recognition，光学字符识别)等场景。具体地，本公开涉及一种文本识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

近年来，文本识别技术的研究和发展不断深化，使得在诸多应用领域中得以广泛使用。自动化且高效的文本识别能够有效缓解人力成本，提高智能化操作水平。因而，如何提供更为有效的文本识别仍然是研究关注的热点。随着科技和社会的不断进步，应用文本识别的领域更加广泛，促使了与文本识别相关的场景更加多样化，且文字在分布方式也趋于复杂化，由此给文本识别带来了更多的技术挑战。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种文本识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种文本识别方法。所述方法包括：获取待处理图像的整图场景和文本图像；确定所述整图场景对应的第一文本识别模型；以及根据所述第一文本识别模型对所述文本图像进行文本识别，得到文本信息。

根据本公开的另一方面，提供了一种文本识别装置。所述装置包括：图像获取单元，被配置为获取待处理图像的整图场景和文本图像；模型确定单元，被配置为确定所述整图场景对应的第一文本识别模型；文本识别单元，被配置为根据所述第一文本识别模型对所述文本图像进行文本识别，得到文本信息。

根据本公开的另一方面，提供了一种电子设备，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；其中存储器存储有能够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如上所述的方法。

根据本公开的另一方面，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，所述计算机指令用于使计算机执行如上所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如上所述的方法。

根据本公开的一个或多个实施例，可以提升文本识别的准确率。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开一个实施例的文本识别方法的流程图；

图3示出了根据本公开另一个实施例的文本识别方法的流程图；

图4示出了用于说明根据本公开实施例的文本识别方法的自动化识别服务流水线的示意图；

图5示出了根据本公开一个实施例的文本识别装置的结构框图；

图6示出了根据本公开另一个实施例的文本识别装置的结构框图；

图7示出了能够用于实现本公开实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在相关技术中，面对文本识别场景更加多样化、文字分布方式趋于复杂化的问题，尚未存在有效的应对方法。这可能归因于传统的文本识别一般采用单一通用的文字检测模型和文本识别模型进行处理，使得当输入图像所涉及的场景各异时，难以准确地判断场景，进而影响文本识别的准确率。同时，也无法很好地应对文字分布不均匀或版式较多的问题。

此外，由于传统的文本识别方法以串行方式对多个文本行进行处理，这也导致了识别速度较慢或产生速率瓶颈的问题。

针对以上技术问题，本公开提出了一种文本识别方法。下面将结合附图详细描述本公开的实施例。

在详细描述本公开实施例的方法之前，首先结合图1描述可以在其中实施本公开实施例的方法的示例性系统。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开实施例的可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行根据本公开实施例的文本识别方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来输入待处理图像，其中所述待处理图像包括待识别的文本。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual PrivateServer)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了根据本公开一个实施例的文本识别方法200的流程图。如图2所示，方法200包括如下步骤：

在步骤S202，获取待处理图像的整图场景和文本图像。

在步骤S204，确定整图场景对应的第一文本识别模型。

在步骤S206，根据第一文本识别模型对文本图像进行文本识别，得到文本信息。

根据本公开实施例的文本识别方法，可以基于与待处理图像的整图场景对应的文本识别模型来进行文本识别，由此可以在文本识别过程中引入基于场景的识别要素，从而可以解决由于使用单一通用的文本识别模型所导致的准确率低的问题，继而提升在不同应用场景下文本识别的准确率。因此，根据本公开实施例的文本识别方法能够自适应多种场景和多文字分布，从而确保为广泛的应用领域提供有效的文本识别解决方案。

本公开的技术方案中，所涉及的图像的获取、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。

以下将对根据本公开实施例的文本识别方法的各步骤的一个或多个方面进行详细描述。

在步骤S202，待处理图像可以涉及诸多应用文本识别的场景，这可以取决于需要使用文本识别的应用领域。例如，待处理图像可以涉及诸如票据或证件，其中自动的文本识别可以帮助节省信息录入的时间。又例如，待处理图像可以涉及网络截图或图片，其中自动的文本识别可以帮助快速获取图片中的文字信息。

因此，待处理图像的整图场景可以是指应用文本识别的场景，例如，票据或证件场景，或网络截图或图片场景。换言之，待处理图像的整图场景可以反映待处理图像是针对文本识别的哪个具体应用领域，例如，是要针对证件进行文本识别，还是要对网络截图进行文本识别。

在一个示例中，可以直接获取到待处理图像的整图场景。

在另一个示例中，可以通过对待处理图像进行场景识别来获取待处理图像的整图场景。每个场景可以具有表征其场景属性的至少一个场景特征。例如，对于街景场景，场景特征可以是诸如建筑物、道路等。对于文档场景，场景特征可以是诸如数量较多的文字等。类似地，其余候选场景也具有能够表征其场景属性的场景特征。因此，可以基于场景特征识别出待处理图像属于哪种场景，即整图场景。

例如，场景识别可以通过本领域已知的Inception神经网络来实现，其中在特征提取之后设计了特征增强模块以在通道(channel)维度上对特征进行空间信息增强，由此建立不同空间信息之间的关联，从而提高场景识别的准确率。另外，该神经网络的输入数据为整个待处理图像，而非待处理图像中的文本行，这是因为以整个图像作为处理对象可以确保最大化地利用所有视觉信息，从而有利于基于每个场景的场景特征来判断待处理图像属于哪种场景。

在步骤S204之前，根据一些实施例，方法200还可以包括获取候选场景；以及根据候选场景对第二文本识别模型进行分类，得到类别信息与第二文本识别模型之间的对应关系。

相应地，在所述确定整图场景对应的第一文本识别模型的步骤S204中，可以包括根据整图场景和所述对应关系，在第二文本识别模型中确定第一文本识别模型。

按照这种方式，通过针对文本识别所涉及的应用领域预先设置一定的候选场景类别，可以借助于引入场景这一识别要素来提升文本识别的准确率，因为此时不再如传统方法仅使用单一通用的文本识别模型，而是增加了额外的识别要素来辅助后续的文本识别。

在示例中，考虑到实际应用文本识别所涉及应用领域的广泛性，所述候选场景可以包括街景、网图、商品、文档、随拍、卡证和票据这七个场景。

街景场景可以是指图像内容涉及诸如店铺、街道广告牌、车辆、行人等街景。网图场景可以涉及来源于诸如即时通信软件、社交媒体网站或视频播放网站等的网络截图或图片。商品场景可以涉及包含商品或商品标识(logo)的商品文字图片。文档场景可以涉及诸如文件等的文档图片。随拍场景可以涉及任意自然场景下拍摄的图片。卡证场景可以是指图像内容涉及诸如银行卡、身份证等证件或卡片。票据场景可以是指图像内容涉及诸如发票、行程单等票据。

一般而言，上述七个候选场景几乎可以覆盖目前应用文本识别的各应用领域。然而，本领域技术人员也可以理解，上述的候选场景是为了说明本公开实施例的方法所举出的示例。在实际应用中，可以根据实际情况缩减或扩充候选场景，本发明并不意在对此进行限制。

因此，可以根据各个候选场景分类出对应的文字识别模型，即得到类别信息与文本识别模型之间的对应关系。例如，以街景场景为例，可以得到关于街景的类别信息与对应的街景识别模型之间的对应关系。同样地，对于上述七个候选场景，可以分别得到关于各个场景的类别信息与各自的识别模型之间的对应关系。

此外，候选场景可以包括兜底场景。在示例中，兜底场景可以例如是上述的随拍场景。由于随拍场景本身可以涉及任意自然场景下拍摄的图片，因此对应的场景特征较之其他场景的场景特征而言更具一般性。在此情况下，可以利用随拍场景作为兜底场景以在不易或无法进行场景识别时使用。

通过这种方式，在场景的区分度较低或缺乏明显的场景特征的情况下，可以使用兜底场景以使预先设置的候选场景能够覆盖所有的应用场景。

在步骤S204中，根据一些实施例，根据整图场景和所述对应关系在第二文本识别模型中确定第一文本识别模型可以包括：获取整图场景的置信度；以及响应于确定置信度低于阈值，将兜底场景对应的第二文本识别模型确定为第一文本识别模型。

如前所述，整图场景可以是例如通过场景识别所获取的。此时，可以判断识别的整图场景是否准确，也即整图场景的置信度。本文中，设置兜底场景可以起到这样的作用：在通过置信度检测机制对整图场景的准确度进行判断时，如果置信度低、即准确度低，则可以转而使用更具一般性的兜底场景来覆盖此时的场景，这可以避免因为分类不准确而导致后续文本识别的不准确。

在示例中，在判断整图场景是否准确时，可以例如任意选取待处理图像的一个或多个场景特征，并判断所选取的场景特征是否与识别的场景相符，由此为场景识别给予相应的置信度得分。置信度的阈值可以根据对分类准确度的要求而不同地设置。

因此，当置信度得分低于该阈值时，可以判断场景识别不准确。因此这时可以将与兜底场景对应的文本识别模型确定为将要执行文本识别操作的文本识别模型。

此外，在包括兜底场景的情况下，与兜底场景对应的文本识别模型可以是以包括至少两个候选场景的训练图像进行训练而得到的，且可以被用作预训练模型来训练与多个候选场景中其余场景对应的文本识别模型。

以随拍场景作为兜底场景为例，可以通过使用包括包括至少两个候选场景，例如上述的七个场景(即街景、网图、商品、文档、随拍、卡证和票据)的训练图像来训练与该兜底场景对应的文本识别模型。假设每个场景具有100万个训练图像，则可以将总共700万个训练图像融合在一起，作为用于训练与该兜底场景对应的文本识别模型的训练图像。

同时，训练出的与兜底场景对应的文本识别模型可以用作预训练模型来训练与其余六个场景(即街景、网图、商品、文档、卡证和票据)对应的文本识别模型。这里，针对这六个场景中的每个场景，可以分别进一步使用对应场景的训练图像进行训练。即，与街景场景对应的文本识别模型可以使用包含街景场景的训练图像进行训练，其余的文本识别模型也是采用类似方式，均以对应场景的训练图像进行训练。在示例中，与所述七个场景对应的文本识别模型均可以采用ResNet(残差网络)作为主干网络(backbone)。

通过这种方式，由于与兜底场景对应的文本识别模型是通过大量融合的训练数据经多轮迭代而训练出的，其可以具有一定的通用性，这使得在出现场景识别错误的情况下，改为使用与兜底场景对应的文本识别模型反而能够实现相对更高的准确率，也就是相对于经由与错误场景对应的文本识别模型而言更高的准确率。例如，如果在场景识别时将商品场景误判为文档场景，经由与文档场景对应的文本识别模型进行识别所达到的准确率可能低于经由与兜底场景对应的文本识别模型进行识别所达到的准确率。

在步骤S206，文本识别操作可以使用本领域已知的卷积递归神经网络(Convolutional Recurrent Neural Network，CRNN)以及连接时序分类(ConnectionistTemporal Classification，CTC)解码来实现。另外，输入数据是文本的词级或行级的图像，不需要标注详细的字符级信息。

如上所述，根据本公开实施例的文本识别方法，可以基于与待处理图像的整图场景对应的文本识别模型来进行文本识别，由此可以在文本识别过程中引入基于场景的识别要素，从而可以解决由于使用单一通用的文本识别模型所导致的准确率低的问题，继而提升在不同应用场景下文本识别的准确率。

图3示出了根据本公开另一个实施例的文本识别方法300的流程图。

如图3所示，方法300可以包括图像获取步骤S302、整图场景获取步骤S304、文本图像获取S305、场景与文本关联步骤S306以及基于场景的文本识别步骤S308。

根据方法300，在执行整图场景获取步骤S304的过程中，还可以并行地执行文本图像获取步骤S305，即：文本图像获取步骤S305与整图场景获取步骤S304可以并行地执行。

通过这种方式，文本图像获取操作与整图场景获取操作可以相互独立地执行，以使得文本图像的获取不必受限于特定场景要求，因而可以使本公开实施例的方法面向各种文字分布方式。同时，由于文本图像获取操作与整图场景获取操作并行地执行，还可以节省处理时间，提升整体的文本识别速度。

在示例中，文本图像获取步骤S305可以包括对文本图像的文本行执行剪裁(crop)操作以提取至少一个文本行。可以在步骤S306中使所述至少一个文本行中的每个文本行均关联到在整图场景获取步骤S304中获取的场景。

举例而言，如果检测并提取出10个文本行，则可以为每个文本行分配场景属性，即所有的10个文本行中的每个文本行可以具有相同的场景属性。因此，可以基于该场景属性在后续的基于场景的文本识别步骤S308中通过与场景对应的文本识别模型识别每个文本行。在示例中，可以为每个文本行构建一个组(patch)，该组可以包括相应的文本行及其场景属性。在步骤S308中，每个组可以被分发到与场景对应的文本识别模型，从而得到端对端的文本识别结果。

通过这种方式，单独地为每个文本行构建了用于进行端到端的文本识别的组，使得相应的文本行能够根据其场景而使用对应的文本识别模型进行识别，由此提升文本识别准确率。

根据一些实施例，基于场景的文本识别步骤S308可以包括确定文本行的文本长度；基于文本长度，将文本行分发给第一文本识别模型包括的对应的子文本识别模型进行文本识别，得到文本信息，其中，分发给同一子文本识别模型的至少两个文本行同时输入至所述子文本识别模型。

举例而言，如果检测并提取出10个文本行，可以将该10个文本行按照文本长度排序并分配到不同的长度区间。在示例中，可以设置三个长度阈值，即256、512、1024(这里可以指像素上的数目)，并将该10个文本行分别分配到[0,256]、[256,512]、[512,1024]、[1024,…]这四个区间中的对应区间。换言之，在这种情况下，文本识别模型可以包括四个子文本识别模型，以分别用于处理与上述各长度区间对应的文本行。

通过这种方式，可以解决传统方法在文本识别时的串行处理问题，使得长度差异较大的文本行可以通过各自的子模型并行处理，而长度差异较小的文本行也可以通过同一子模型以同一批次被并行处理，由此提高了文本识别速度。

因此，根据本公开实施例的文本识别方法能够自适应多种场景和多文字分布，从而确保为广泛的应用领域提供有效的文本识别解决方案。

图4示出了用于说明根据本公开实施例的文本识别方法的自动化识别服务流水线的示意图。

如图4所示，自动化识别服务流水线可以从进程401开始，其中可以获取待处理图像。例如，在进程401处获取的待处理图像可以例如是身份证的照片或电子扫描图片。可以理解的是，根据文本识别所应用的各种不同领域，待处理图像也可涉及各种不同的场景。因此，待处理图像除了包括待识别的文本之外，还包括图像内容所涉及场景的场景信息。

进程401可以继续进行到分发进程402，在这里，所获取的待处理图像可以被分别分发到场景获取进程403和文本检测进程404。场景获取进程403和文本获取进程404可以并行地执行。

在场景获取进程403中，场景可以包括街景、网图、商品、文档、随拍、卡证和票据这七个场景。换言之，在场景获取进程403中，可以获取待处理图像的整图场景的类别信息。另外，还可以将随拍场景设置为兜底场景。

在文本获取进程404中，可以检测并提取至少一个文本行。

场景获取进程403和文本获取进程404各自的处理结果可以在收集进程405处被收集。在这里，可以使每个文本行均关联到所识别出的场景。为此，可以为每个文本行构建相应的组，每个组可以包括相应的文本行及其场景。另外，在这里还可以附加地判断场景识别的准确度，以确定是否需要将场景修改为兜底场景。即，在场景识别不准确的情况下，可以将文本行与兜底场景关联，而不是与所识别出的场景关联。

收集进程405可以继续进行到分发进程406以将针对每个文本行构建的组分发到与其场景对应的文本识别模型407-1至407-7之一。举例而言，在场景识别进程403中识别出待处理图像涉及卡证场景、且该场景识别是准确的情况下，则在分发进程406可以相应地将文本行的每个组分发到与卡证场景对应的文本识别模型407-6。

在文本识别模型407-1至407-7任一者中进行文本识别的结果可以在收集进程408中被收集以经过后续的后处理进程409直至结果进程410。

根据本公开实施例的文本识别方法的自动化识别服务能够针对不同场景、不同文字分布自适应地进行场景识别，并自适应地采用对应的文本识别模型进行文本识别，由此提升了文本识别的准确率。

图5示出了根据本公开一个实施例的文本识别装置500的结构框图。

如图5所示，装置500包括图像获取单元502、模型确定单元504和文本识别单元506。

图像获取单元502被配置为获取待处理图像的整图场景和文本图像。

模型确定单元504被配置为确定整图场景对应的第一文本识别模型。

文本识别单元506被配置为根据第一文本识别模型对文本图像进行文本识别，得到文本信息。

上述单元502至506所执行的操作可以与结合图2描述的步骤S202至S206相对应，因此这里不再过多赘述其各个方面的细节。

图6示出了根据本公开另一个实施例的文本识别装置600的框图。图6所示的单元602、604和606可以分别对应于图5所示的单元502、504和506。

根据一些实施例，文本识别装置600还可以包括：场景获取单元603-1，被配置为获取候选场景；以及分类单元603-2，被配置为根据候选场景对第二文本识别模型进行分类，得到类别信息与第二文本识别模型之间的对应关系。候选场景包括兜底场景。模型确定单元604可以包括：第一子确定单元6040，被配置为根据整图场景和所述对应关系，在第二文本识别模型中确定第一文本识别模型。

根据一些实施例，第一子确定单元6040可以包括：置信度获取单元6040-1，被配置为获取整图场景的置信度；以及兜底场景确定单元6040-2，被配置为响应于确定置信度低于阈值，将兜底场景对应的第二文本识别模型确定为第一文本识别模型。兜底场景对应的第二文本识别模型可以是根据包括至少两个候选场景的训练图像进行训练得到的。

根据一些实施例，文本识别单元606可以包括：长度确定单元6060，被配置为确定文本行的文本长度，文本图像包括所述文本行；分发单元6062，被配置为基于文本长度，将文本行分发给第一文本识别模型包括的对应的子文本识别模型进行文本识别，得到文本信息，其中，分发给同一子文本识别模型的至少两个文本行同时输入至子文本识别模型。

根据一些实施例，图像获取单元602可以包括：并行操作单元6020，被配置为并行获取整图场景和文本图像。

根据本公开的另一方面，还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；其中存储器存储有能够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，以使所述至少一个处理器能够执行根据本公开实施例所述的方法。

根据本公开的另一方面，还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根据本公开实施例所述的方法。

根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开实施例所述的方法。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储电子设备700操作所需的各种程序和数据。计算单元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。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701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701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701执行上文所描述的各个方法和处理，例如文本识别方法。例如，在一些实施例中，文本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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的文本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701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本识别方法。

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)、复杂可编程逻辑设备(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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

本公开的技术方案中，所涉及的图像的获取、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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (8)

1.一种文本识别方法，包括：

获取预定的多个候选场景以及待处理图像的整图场景和文本图像，其中，所述多个候选场景中的一个候选场景被确定为兜底场景；

根据所述多个候选场景对多个第二文本识别模型进行分类，得到类别信息与所述多个第二文本识别模型之间的对应关系；

根据所述整图场景和所述对应关系，在所述多个第二文本识别模型中确定与所述整图场景对应的第一文本识别模型；以及

根据所述第一文本识别模型对所述文本图像进行文本识别，得到文本信息；

其中，所述根据所述整图场景和所述对应关系，在所述第二文本识别模型中确定所述第一文本识别模型，包括：

获取所述整图场景的置信度；以及

响应于确定所述置信度低于阈值，将所述兜底场景对应的第二文本识别模型确定为所述第一文本识别模型，其中，所述兜底场景对应的第二文本识别模型是根据包括至少两个候选场景的训练图像进行训练得到的。

2.根据权利要求1所述的方法，所述根据所述第一文本识别模型对所述文本图像进行文本识别，得到文本信息，包括：

确定文本行的文本长度，所述文本图像包括所述文本行；

基于所述文本长度，将所述文本行分发给所述第一文本识别模型包括的对应的子文本识别模型进行文本识别，得到所述文本信息，其中，分发给同一子文本识别模型的至少两个文本行同时输入至所述子文本识别模型。

3.根据权利要求1所述的方法，其中，所述获取待处理图像的整图场景和文本图像，包括：

并行获取所述整图场景和所述文本图像。

4.一种文本识别装置，包括：

图像获取单元，被配置为获取预定的多个候选场景以及待处理图像的整图场景和文本图像，其中，所述多个候选场景中的一个候选场景被确定为兜底场景；

分类单元，被配置为根据所述多个候选场景对多个第二文本识别模型进行分类，得到类别信息与所述多个第二文本识别模型之间的对应关系；

模型确定单元，被配置为根据所述整图场景和所述对应关系，在所述多个第二文本识别模型中确定与所述整图场景对应的所述第一文本识别模型；以及

文本识别单元，被配置为根据所述第一文本识别模型对所述文本图像进行文本识别，得到文本信息；

其中，所述第一子确定单元包括：

置信度获取单元，被配置为获取所述整图场景的置信度；以及

兜底场景确定单元，被配置为响应于确定所述置信度低于阈值，将所述兜底场景对应的第二文本识别模型确定为第一文本识别模型，其中，所述兜底场景对应的第二文本识别模型是根据包括至少两个候选场景的训练图像进行训练得到的。

5.根据权利要求4所述的装置，其中，所述文本识别单元包括：

长度确定单元，被配置为确定文本行的文本长度，所述文本图像包括所述文本行；

分发单元，被配置为基于所述文本长度，将所述文本行分发给所述第一文本识别模型包括的对应的子文本识别模型进行文本识别，得到所述文本信息，其中，分发给同一子文本识别模型的至少两个文本行同时输入至所述子文本识别模型。

6.根据权利要求4所述的装置，其中，所述图像获取单元包括：

并行操作单元，被配置为并行获取所述整图场景和所述文本图像。

7.一种电子设备，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

所述存储器存储有能够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1-3中任一项所述的方法。

8.一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计算机执行根据权利要求1-3中任一项所述的方法。