CN114724164A

CN114724164A - 文本识别方法、装置、介质及设备

Info

Publication number: CN114724164A
Application number: CN202210349395.0A
Authority: CN
Inventors: 张宇轩; 黄灿
Original assignee: Beijing Youzhuju Network Technology Co Ltd
Current assignee: Beijing Youzhuju Network Technology Co Ltd
Priority date: 2022-04-01
Filing date: 2022-04-01
Publication date: 2022-07-08

Abstract

本公开涉及一种文本识别方法、装置、介质及设备，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文本识别模型，获得所述文本识别模型输出的字符识别结果，其中，所述字符识别结果包括所述文本图像中包含的每一字符，以及每一所述字符对应的方向信息和位置信息；所述文本识别模型包括编码子模型、解码子模型和多个输出层，所述编码子模型用于对所述文本图像进行特征提取并编码，获得编码向量；所述解码子模型用于根据所述编码向量进行解码，获得解码特征，所述多个输出层分别基于所述解码特征进行映射，分别输出所述字符、所述字符对应的方向信息和位置信息，以获得所述字符识别结果。

Description

文本识别方法、装置、介质及设备

技术领域

本公开涉及图像处理领域，具体地，涉及一种文本识别方法、装置、介质及设备。

背景技术

OCR(Optical Character Recognition，光学字符识别)是通常用于目前的图像中的文本识别，通过OCR技术可以将图像中的文字转换成文本格式，进而供文字处理软件进一步编辑加工的技术。

相关技术中，在进行文本识别时通常是针对图像中文本水平向右排列的文本行进行识别，而随着平面设计布局的多样性以及图像的多样性，该文本识别方式在多样性排版的文本行识别的准确度不足，导致难以进行识别结果的语义理解。

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文本识别模型，获得所述文本识别模型输出的字符识别结果，其中，所述字符识别结果包括所述文本图像中包含的每一字符，以及每一所述字符对应的方向信息和位置信息；

所述文本识别模型包括编码子模型、解码子模型和多个输出层，所述编码子模型用于对所述文本图像进行特征提取并编码，获得编码向量；所述解码子模型用于根据所述编码向量进行解码，获得解码特征，所述多个输出层分别基于所述解码特征进行映射，分别输出所述字符、所述字符对应的方向信息和位置信息，以获得所述字符识别结果。

第二方面，本公开提供一种文本识别装置，所述装置包括：

获取模块，用于获取待识别的文本图像；

第一处理模块，用于根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果，其中，所述字符识别结果包括所述文本图像中包含的每一字符，以及每一所述字符对应的方向信息和位置信息；

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，以实现第一方面所述方法的步骤。

通过上述技术方案，在对待识别的文本图像进行文本识别时，可以基于文本识别模型对该文本图像进行特征提取并编码，以基于编码的特征获得相应的解码特征，并且通过多个输出层基于同一解码特征进行不同维度的映射，使得可以基于同一解码特征在获得文本识别的字符的同时，获得字符对应的方向信息和位置信息，一方面可以提高文本识别的精细度和准确度，另一方面可以保证获得的方向信息和位置信息与字符的匹配度，降低进行方向识别和位置识别的数据处理量，提高文本识别的效率。另外基于方向信息也可以为确定识别的字符对应的文本行的语义理解提供准确的数据支持，提升用户使用体验。

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是根据本公开的一种实施方式提供的文本识别方法的流程图；

图2是根据本公开的一种实施方式提供的文本图像的示意图；

图3是基于本公开的一种实施方式提供的文本识别模型的结构示意图；

图4是根据本公开的实施方式提供的训练文本图像和旋转文本图像的示意图；

图5是为根据本公开的一种实施方式提供的显示界面的示意图；

图6是根据本公开的实施方式提供的文本识别装置的框图；

图7示出了适于用来实现本公开实施例的电子设备的结构示意图。

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。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

图1所示，为根据本公开的实施方式提供的文本识别方法的流程图，如图1所示，所述方法可以包括：

在步骤11中，获取待识别的文本图像。

作为示例，该文本图像可以是用户输入的图像，如平面设计图像，如图2所示。作为另一示例，该文本图像可以是从上游业务接收到的文本图像，其可以对初始的图像进行分割提取，获得初始的图像中包含文本行的子图像，将每一子图像确定作为文本图像。如上游业务为图像分割，其可以基于OCR技术中的文本区域检测技术获得相应的文本区域，如NMS(Non Maximum Suppression，非极大值抑制)等，获得子图像，如图2中的A1、A2和A3，并将A1、A2和A3分别作为待识别的文本图像进行处理。

在步骤12中，将文本图像输入文本识别模型，获得文本识别模型输出的字符识别结果，其中，所述字符识别结果包括文本图像中包含的每一字符，以及每一字符对应的方向信息和位置信息。

如图3所示，为基于本公开的一种实施方式提供的文本识别模型的结构示意图，所述文本识别模型包括编码子模型31、解码子模型32和多个输出层33，所述编码子模型31用于对所述文本图像进行特征提取并编码，获得编码向量；所述解码子模型32用于根据所述编码向量进行解码，获得解码特征，所述多个输出层33分别基于所述解码特征进行映射，分别输出所述字符、所述字符对应的方向信息和位置信息，以获得所述字符识别结果。

如图3所示，该多个输出层33包括三个输出层，分别记为F1、F2和F3，其中F1层用于输出字符，F2层用于输出方向信息，F3层用于输出位置信息。

作为示例，该多个输出层可以分别输出其对应的序列，即字符序列、方向信息序列和位置信息序列，该三个序列中对应的字符排列顺序相同。作为另一示例，该多个输出层可以融合获得一个输出序列S，输出序列S中的每一元素Si包含字符Ci、该字符Ci的方向信息Di和字符Ci的位置信息Li。其中，方向信息可以是字符的朝向信息，如上、下、左、右的朝向，位置信息可以是该字符对应的矩形框的4个顶点的坐标信息。

由此，通过上述技术方案，在对待识别的文本图像进行文本识别时，可以基于文本识别模型对该文本图像进行特征提取并编码，以基于编码的特征获得相应的解码特征，并且通过多个输出层基于同一解码特征进行不同维度的映射，使得可以基于同一解码特征在获得文本识别的字符的同时，获得字符对应的方向信息和位置信息，一方面可以提高文本识别的精细度和准确度，另一方面可以保证获得的方向信息和位置信息与字符的匹配度，降低进行方向识别和位置识别的数据处理量，提高文本识别的效率。另外基于方向信息也可以为确定识别的字符对应的文本行的语义理解提供准确的数据支持，提升用户使用体验。

在一种可能的实施例中，所述文本识别模型可以通过如下方式确定：

获取训练样本集，其中，所述训练样本集中的每一训练样本包括训练文本图像，所述训练文本图像对应的目标字符、每一所述目标字符对应的目标方向信息和目标位置信息。

作为示例，可以从网络或者训练数据集中获得多张训练文本图像，该多张训练图像可以包括多种方向排版下的图像。之后可以由标注人员对该训练文本图像进行标注，获得其对应的目标字符、目标方向信息和目标位置信息。

作为另一示例，所述训练样本集可以通过以下方式确定：

获取训练样本集中的第一训练样本，即可以将上文所述的由标注人员进行标注所得的训练样本作为该第一训练样本。

之后，将所述第一训练样本中的训练文本图像以预定的旋转角度进行旋转，获得旋转文本图像；

基于所述旋转角度、和所述第一训练样本中的训练文本图像对应的目标方向信息和目标位置信息，生成所述旋转文本图像对应的目标方向信息和目标位置信息。

其中，预定的旋转角度可以是90度、180度或者270度。如图4所示训练文本图像a，其对应的方向信息为上，将其绕中心旋转180度，则获得图像b，其对应的方向信息为下。训练文本图像c对应的方向信息为左，绕中心旋转180度，则获得图像d，其对应的方向信息为右。由此，可以通过对训练文本图像进行旋转获得对应的多个方向的旋转文本图像，由此可以基于已有的训练文本图像对训练样本集进行多样性扩展。

示例地，可以从第一训练样本中以预设的概率随机选择部分训练文本图像进行旋转文本图像生成。为了便于旋转文本图像对应的目标位置信息的转换表示，可以对各个图像进行预处理，例如通过放缩(resize)操作或补齐(pad)操作进行预处理，从而可以将各个图像转换至统一的尺寸，之后可以对统一尺寸的图像对应的坐标进行映射，如进行归一化进行表示。示例地，如图像a，其中a1点的坐标为(0,0)，a2点的坐标为(0,1)，a3点的坐标为(1,1)，a4点的坐标为(1,0)；针对图像b，其中b1点的坐标为(0,0)，b2点的坐标为(0,1)，b3点的坐标为(1,1)，b4点的坐标为(1,0)。其中，各个字符的位置信息可以通过初始的训练文本图像中的目标位置信息经过旋转变化计算得到。

之后，根据所述旋转文本图像、所述旋转文本图像对应的目标方向信息和目标位置信息、所述第一训练样本中的训练文本图像对应的目标字符，生成第二训练样本；将所述第一训练样本和所述第二训练样本添加至所述训练样本集中。

由此，可以基于初始的第一训练样本生成多个朝向对应的第二训练样本，无需用户进行过多的标注，降低标注工作量，同时可以为模型训练提供更多样性的训练数据，提高模型训练的准确性和泛化性。

获取训练样本集后，则以训练样本图像作为模型的输入，训练文本图像对应的目标字符、目标方向信息和目标位置信息作为模型的目标输出，基于每一输出层对应的预测损失确定所述模型的目标损失。

示例地，该模型的结构即上文所述的文本识别模型的结构，以图3所示模型为例，针对F1层，可以将该F1层输出的预测字符与目标字符之间计算交叉熵损失，从而获得F1层对应的预测损失；针对F2层，可以将该F2层输出的每一预测字符的方向信息与目标方向信息之间计算交叉熵损失，从而获得F2层对应的预测损失；针对F3层，可以将该F3层输出的每一预测字符的位置信息与目标位置信息之间计算L1损失，从而获得F1层对应的预测损失。之后可以将该多个输出层对应的预测损失进行加权求和，获得该目标损失，每一输出层对应的权重可以基于实际应用场景进行预先设置，本公开对此不进行限定。

示例地，通过如下公式计算目标损失Loss：

其中，N表示一个批处理(batchsize)的训练文本图像中的总字符数，i表示第i个字符，M表示字符识别的类别数，即字符辞典中的类别书。y_ic表示符号函数，如果第i个字符属于类别c则取值为1，否则取值为0。p_ic表示第i个字符识别成第c类的概率。类似地，z_ij表示符号函数，如果第i个字符的方向属于类别j则取值为1，否则取值为0。D表示方向的类别数量，示例地可以包括上、下、左、右4个方向。q_ij表示第i个字符识别成第j类的概率。d表示位置信息中的4个坐标点的横纵坐标的8个值中一个，例如可以均选择左下角的坐标点对应的横坐标，该场景下x_d则表示目标位置信息中的左下角的坐标点对应的横坐标，x'_d则表示预测的位置信息中左下角的坐标点对应的横坐标。l₁、l₂、l₃分别表示字符识别、方向识别、位置回归的预测损失的权重，示例地可以取值1、1、10，本领域技术人员可以基于实际应用场景进行设置。

根据目标损失对模型进行训练，将训练完成的模型作为所述文本识别模型。

示例地，可以在满足结束条件的情况下结束模型训练，获得该文本识别模型。在未满足结束条件的情况下，则可以基于目标损失通过梯度下降法对模型的参数进行更新，从而获得更新后的模型，以基于更新后的模型再次进行上述训练的步骤，直至满足结束条件。作为示例，该结束条件可以是目标损失小于损失阈值。作为另一示例，该结束条件可以是模型的训练次数达到次数阈值。

由此，通过上述技术方案，可以将字符识别、方向识别和位置回归通过一个模型进行训练预测，从而可以使得模型的参数在更新时可以满足多个输出特征的更新要求，既可以在输出字符的同时，获得方向信息和位置信息，又使得能够在模型的训练过程中，不仅确定字符识别的预测损失，同时可以确定方向信息和位置信息的预测损失，并结合上述三者进行模型参数的更新可以基于方向信息和位置信息的预测对字符识别进行约束，提高模型训练的准确性和效率，同时拓宽训练所得的文本识别模型的应用场景。

在一种可能的实施例中，在所述根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果的步骤之前，所述方法还包括：

对所述文本图像预处理，获得所述文本图像在预设尺寸下的目标文本图像。示例地，该预处理可以是放缩操作和/或补齐操作，从而可以将文本图像处理至预设尺寸，便于对图像的统一处理。

之后，将所述目标文本图像对应的坐标映射至目标范围，获得所述目标文本图像的目标坐标信息。其中，该目标范围可以是[0,1]，可以是将目标文本图像的长和宽分别映射至目标范围内，即目标文本图像的四个顶点坐标分别为(0,0)，(0,1)，(1,1)，(1,0)。

所述根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果的示例性实现方式可以包括：

将所述目标坐标信息下的所述目标文本图像输入所述文本识别模型，获得所述文本识别模型输出的字符识别结果。

示例地，可以将目标坐标信息下的目标文本图像输入文本识别模型，则可以基于文本识别模型对标准化处理过的目标文本图像进行识别，保证获得的识别字符的准确性同时提高识别效率。并且，可以基于目标坐标信息确定出该每一字符的位置信息，保证确定出的位置信息与目标文本图像之间的匹配一致性，从而保证字符识别结果的准确性。

在一种可能的实施例中，所述多个输出层包括字符输出层、方向输出层和位置输出层；

将所述文本图像输入所述文本识别模型的编码子模型，获得所述编码特征。该编码子模型可以包括CNN(Convolutional Neural Networks，卷积神经网络)和Transformer模型的编码器，其中，CNN网络用于对文本图像进行特征提取，编码器可以对提取出的特征进行编码，获得所述编码向量。其中，CNN网络和编码器的结构设置可以基于本领域中常用的结构和用户需求进行设置，在此不再赘述。

在所述解码子模型对所述编码特征进行解码的过程中，基于每一解码步获得的解码子特征输入所述字符输出层，获得当前解码步对应的字符。其中，所述解码子模型可以为Transformer模型的解码器，该解码器在进行解码时是基于上一解码步的输出结果以及编码向量进行解码，从而可以在每一解码步获得相应的字符。其中，该字符输出层可以为一交叉熵分类层，以用于基于解码子特征进行分类，将分类指示的字符确定为该解码步对应的字符。相应地，在各个解码步解码结束之后，可以将各个解码步解码出的字符进行拼接获得文本图像对应的字符。

对各个解码步获得的解码子特征进行拼接，获得所述解码特征；将所述解码特征输入所述方向输出层，获得所述每一所述字符对应的方向信息；将所述解码特征输入所述位置输出层，获得所述每一所述字符对应的位置信息。

示例地，可以保存解码子模型在每一解码步输出的解码子特征，并进行逐步拼接，则可以获得各个解码步的解码子特征拼接而成的解码特征。在该实施例中，为了降低数据计算量，可以基于解码特征和方向输出层进行一次特征映射，从而可以一次性获得解码特征对应的各个字符对应的方向信息，其中，该方向信息中的字符的排列顺序和字符的解码顺序相同。同样地，可以基于解码特征和位置输出层进行一次特征映射，一次性获得解码特征对应的各个字符对应的位置信息，其中，该位置信息中的字符的排列顺序和字符的解码顺序相同。

由此，通过上述技术方案可以在进行字符识别的基础上，结合字符识别过程中的解码特征分别进行映射，获得每一字符对应的方向信息和位置信息，在保证方向信息和位置信息与字符一一匹配的情况下，进一步降低进行方向预测和位置预测的数据计算量，并且提高数据处理效率，提升用户使用体验。

在一种可能的实施例中，所述方法还可以包括：

在显示界面显示所述字符识别结果和所述文本图像，其中，在所述显示界面中与所述文本图像对应的显示区域显示每一字符，并在每一所述字符对应的目标位置显示所述字符的方向信息，以及在所述文本图像中基于每一所述字符的位置信息显示位置标识。

如图5所示，为根据本公开的一种实施方式提供的显示界面的示意图，其中，H1表示文本图像，H2表示文本图像对应的显示区域，则可以在该显示区域中显示该文本图像对应的每一字符。示例地，可以在每一字符的下方位置显示该字符的方向信息，从而可以使得对字符和方向信息的显示一一对应，便于用户查看。

作为示例，位置标识可以是标识框，该标识框可以是矩形框或者圆形框等。其中，如上文所述，该文本图像可以映射至目标范围内，从而可以基于输出的字符的位置信息确定出该字符对应的4个顶点的坐标，则可以基于该4个顶点的坐标映射至该文本图像中的相应位置，进而绘制矩形框，如图5中的虚线矩形框所示。同样地，基于4个顶点的坐标可以确定中心点坐标，基于中心点坐标也能绘制圆形框或者椭圆框，其表现形式可以基于实际应用场景进行设置，本公开对比不进行限定。

由此，通过上述技术方案，可以对文本图像的字符识别结果在显示界面中为用户进行显示，便于用户查看，同时通过显示位置标识可以及时为用户提高明确的字符指示，以使得用户可以明确该字符识别结果是否准确，便于用户及时且准确的对字符识别结果进行评判，提升用户使用体验。

在一种可能的实施例中，所述方法还包括：

基于每一所述字符对应的方向信息对所述字符进行拼接，获得所述文本图像对应的文本序列。

示例地，可以预先设置每一方向信息对应的拼接顺序，如方向信息为上和左时，可以将按照识别出的字符的顺序对字符进行拼接，方向信息为下和右时，可以将按照识别出的字符的顺序的反顺序对字符进行拼接。示例地，解码所得的字符为“好真气空天今”，方向信息为下，则可以按照解码顺序的反顺序进行拼接，获得文本序列“今天空气真好”。

基于所述文本序列进行目标处理，获得目标特征，其中，所述目标处理包括语种转换处理和/或语音合成处理；

输出所述目标特征。

通过上述示例获得的文本序列为符合自然语言处理的文本序列，则可以进一步地对该文本序列进行相应的后续处理。示例地，可以基于文本序列进行语种转换，可以调用本领域中常用的翻译器，以适用于文本图像翻译场景，转换的目标语种可以根据实际应用场景设置。作为另一示例，可以基于文本序列进行语音合成，如基于TTS(Text To Speech，从文本到语音)技术进行合成，从而可以为用户进行语音提示。作为另一示例，可以在基于文本序列进行语种转换之后，基于转换后的特征进行语音合成，以进一步扩展应用场景，提升用户使用体验。

本公开还提供一种文本识别装置，如图6所示，所述装置10包括：

获取模块100，用于获取待识别的文本图像；

第一处理模块200，用于根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果，其中，所述字符识别结果包括所述文本图像中包含的每一字符，以及每一所述字符对应的方向信息和位置信息；

所述文本识别模型包括编码子模型、解码子模型和多个输出层，所述编码子模型用于对所述文本图像进行特征提取并编码，获得编码向量；所述解码子模型用于根据所述编码向量进行解码，获得解码特征，所述多个输出层分别基于所述解码特征进行映射，分别输出所述字符、所述字符对应的方向信息和位置信息，以获得所述字符识别结果

可选地，所述文本识别模型通过训练模块确定，所述训练模块包括：

获取子模块，用于获取训练样本集，其中，所述训练样本集中的每一训练样本包括训练文本图像，所述训练文本图像对应的目标字符、每一所述目标字符对应的目标方向信息和目标位置信息；

确定子模块，用于以所述训练样本图像作为模型的输入，所述训练文本图像对应的目标字符、目标方向信息和目标位置信息作为模型的目标输出，基于每一输出层对应的预测损失确定所述模型的目标损失；

训练子模块，用于根据所述目标损失对所述模型进行训练，将训练完成的模型作为所述文本识别模型。

可选地，所述训练样本集通过以下方式确定：

获取训练样本集中的第一训练样本；

将所述第一训练样本中的训练文本图像以预定的旋转角度进行旋转，获得旋转文本图像；

基于所述旋转角度、和所述第一训练样本中的训练文本图像对应的目标方向信息和目标位置信息，生成所述旋转文本图像对应的目标方向信息和目标位置信息；

根据所述旋转文本图像、所述旋转文本图像对应的目标方向信息和目标位置信息、所述第一训练样本中的训练文本图像对应的目标字符，生成第二训练样本；

将所述第一训练样本和所述第二训练样本添加至所述训练样本集中。

可选地，所述装置还包括：

显示模块，用于在显示界面显示所述字符识别结果和所述文本图像，其中，在所述显示界面中与所述文本图像对应的显示区域显示每一字符，并在每一所述字符对应的目标位置显示所述字符的方向信息，以及在所述文本图像中基于每一所述字符的位置信息显示位置标识。

可选地，所述装置还包括：

拼接模块，用于基于每一所述字符对应的方向信息对所述字符进行拼接，获得所述文本图像对应的文本序列；

第二处理模块，用于基于所述文本序列进行目标处理，获得目标特征，其中，所述目标处理包括语种转换处理和/或语音合成处理；

输出模块，用于输出所述目标特征。

可选地，所述装置还包括：

第三处理模块，用于第一处理模块根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果之前，对所述文本图像预处理，获得所述文本图像在预设尺寸下的目标文本图像；

映射模块，用于将所述目标文本图像对应的坐标映射至目标范围，获得所述目标文本图像的目标坐标信息；

所述第一处理模块用于：

可选地，所述多个输出层包括字符输出层、方向输出层和位置输出层；

所述第一处理模块用于：

将所述文本图像输入所述文本识别模型的编码子模型，获得所述编码特征；在所述解码子模型对所述编码特征进行解码的过程中，基于每一解码步获得的解码子特征输入所述字符输出层，获得当前解码步对应的字符；对各个解码步获得的解码子特征进行拼接，获得所述解码特征；将所述解码特征输入所述方向输出层，获得所述每一所述字符对应的方向信息；将所述解码特征输入所述位置输出层，获得所述每一所述字符对应的位置信息。

下面参考图7，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7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7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7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：获取待识别的文本图像；根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果，其中，所述字符识别结果包括所述文本图像中包含的每一字符，以及每一所述字符对应的方向信息和位置信息；所述文本识别模型包括编码子模型、解码子模型和多个输出层，所述编码子模型用于对所述文本图像进行特征提取并编码，获得编码向量；所述解码子模型用于根据所述编码向量进行解码，获得解码特征，所述多个输出层分别基于所述解码特征进行映射，分别输出所述字符、所述字符对应的方向信息和位置信息，以获得所述字符识别结果。

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，其中，所述方法包括：

获取待识别的文本图像；

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，其中，所述文本识别模型通过如下方式确定：

获取训练样本集，其中，所述训练样本集中的每一训练样本包括训练文本图像，所述训练文本图像对应的目标字符、每一所述目标字符对应的目标方向信息和目标位置信息；

以所述训练样本图像作为模型的输入，所述训练文本图像对应的目标字符、目标方向信息和目标位置信息作为模型的目标输出，基于每一输出层对应的预测损失确定所述模型的目标损失；

根据所述目标损失对所述模型进行训练，将训练完成的模型作为所述文本识别模型。

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，其中，所述训练样本集通过以下方式确定：

获取训练样本集中的第一训练样本；

根据本公开的一个或多个实施例，示例4提供了示例1的方法，其中，所述方法还包括：

根据本公开的一个或多个实施例，示例5提供了示例1的方法，其中，所述方法还包括：

基于每一所述字符对应的方向信息对所述字符进行拼接，获得所述文本图像对应的文本序列；

输出所述目标特征。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，其中，在所述根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果的步骤之前，所述方法还包括：

对所述文本图像预处理，获得所述文本图像在预设尺寸下的目标文本图像；

将所述目标文本图像对应的坐标映射至目标范围，获得所述目标文本图像的目标坐标信息；

所述根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果，包括：

根据本公开的一个或多个实施例，示例7提供了示例1的方法，其中，所述多个输出层包括字符输出层、方向输出层和位置输出层；

将所述文本图像输入所述文本识别模型的编码子模型，获得所述编码特征；

在所述解码子模型对所述编码特征进行解码的过程中，基于每一解码步获得的解码子特征输入所述字符输出层，获得当前解码步对应的字符；

对各个解码步获得的解码子特征进行拼接，获得所述解码特征；

将所述解码特征输入所述方向输出层，获得所述每一所述字符对应的方向信息；

将所述解码特征输入所述位置输出层，获得所述每一所述字符对应的位置信息。

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，其中，所述装置包括：

获取模块，用于获取待识别的文本图像；

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1-7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

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；

2.根据权利要求1所述的方法，其特征在于，所述文本识别模型通过如下方式确定：

3.根据权利要求2所述的方法，其特征在于，所述训练样本集通过以下方式确定：

获取训练样本集中的第一训练样本；

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

输出所述目标特征。

6.根据权利要求1所述的方法，其特征在于，在所述根据所述文本图像和文本识别模型，获得所述文本识别模型输出的字符识别结果的步骤之前，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述多个输出层包括字符输出层、方向输出层和位置输出层；

8.一种文本识别装置，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图像；

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。