CN114758342A - 文本识别方法、装置、介质及电子设备 - Google Patents

Abstract

本公开涉及一种文本识别方法、装置、介质及电子设备，包括：获取待识别图像；提取待识别图像中的图像特征；根据图像特征确定目标文本行的坐标位置；根据坐标位置对目标文本行进行并行解码，同步得到待识别图像中所有目标文本行中的文本。这样，通过对文本行的并行解码，能够大大降低文本识别过程中的解码循环复杂度，在保证文本识别精度的前提下大大加速了模型的识别，并且，由于无需对待识别图像中文本行位置进行精准的定位，仅需确定文本行中任意一点的坐标即可实现对文本行的文本识别，因此大大降低了文本检测精度对文本识别精度的影响，提高了文本识别的精度。

Description

文本识别方法、装置、介质及电子设备

技术领域

本公开涉及文本识别技术领域，具体地，涉及一种文本识别方法、装置、介质及电子设备。

背景技术

目前主流的文本识别框架，需要先将文本检测作为前置任务，然后再对检测出来的文本区域进行识别。这样的框架，流程复杂，模型计算的时间长，需要存储的参数量也更多，还需要人为进行额外联调。目前也有很多的端到端文本识别网络，但是现有的端到端文本识别网络仍无法做到检测模块跟识别模块的深度融合，文本的检测和文本的识别仍会被分割为两个部分，因此文本识别的精度仍然需要依赖于文本检测的精度，在文本检测不准确地情况下会很大程度地影响文本识别的准确性。

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。

第一方面，本公开提供一种文本识别方法，所述方法包括：获取待识别图像；提取所述待识别图像中的图像特征；据所述图像特征确定目标文本行的坐标位置；根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

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，用于获取待识别图像；特征提取模块，用于提取所述待识别图像中的图像特征；坐标确定模块，用于根据所述图像特征确定目标文本行的坐标位置；文本识别模块，用于根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

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中所述方法的步骤。

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，以实现第一方面中所述方法的步骤。

通过上述技术方案，在对待识别图像进行端到端的文本识别时，能够在解码阶段先解码待识别图像中目标文本行的位置，然后再对待识别图像中所有的目标文本行进行并行解码，同步解码识别得到该待识别图像中各目标文本行中的文本，从而大大降低了文本识别过程中的解码循环复杂度，在保证模型识别精度的前提下大大加速了文本的识别，并且，由于无需对待识别图像中文本行位置进行精准的定位，仅需确定文本行中任意一点的坐标即可实现对文本行的文本识别，因此大大降低了文本检测精度对文本识别精度的影响，提高了文本识别的精度。

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是根据本公开一示例性实施例示出的一种文本识别方法的流程图。

图2是根据本公开又一示例性实施例示出的一种文本识别方法的流程图。

图3是根据本公开又一示例性实施例示出的一种文本识别方法中目标文本行的解码序列的示意图。

图4是根据本公开又一示例性实施例示出的一种文本识别方法的流程图。

图5是根据本公开一示例性实施例示出的一种文本识别装置的结构框图。

图6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是根据本公开一示例性实施例示出的一种文本识别方法的流程图。如图1所示，所述方法包括步骤101至步骤104。

在步骤101中，获取待识别图像。该待识别图像可以是预设尺寸的包括任意图像内容的图像。

在步骤102中，提取所述待识别图像中的图像特征。

在本实施例中，用于提取该图像特征的方式可以是通过任意特征提取网络来进行该图像特征的提取，例如，可以仅通过例如卷积神经网络(convolutional neuralnetwork,CNN)从该待识别图像中提取特征图作为该图像特征，或者，也可以先通过该卷积神经网络(convolutional neural network,CNN)从该待识别图像中提取特征图，然后通过编码器进一步对该特征图进行编码，从而得到编码之后的图像特征。具体的，提取该待识别图像的图像特征的方式可以实际应用的需求来设置，在本公开中不对该提取图像特征的方法进行限定。

在步骤103中，根据所述图像特征确定目标文本行的坐标位置。

在步骤104中，根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

该目标文本行也即在该待识别图像中预测得到的可能存在的文本行，该目标文本行的坐标位置可以是能够保证该目标文本行所在位置的任意一点的坐标(X,Y)，其中X可以为对应该待识别图像的宽的横坐标，Y可以为对应该待识别图像的高的纵坐标。

也即，在获取到该待识别图像中的图像特征之后，先对该待识别图像中可能存在的文本行的坐标位置进行预测，然后根据预测得到的该目标文本行的坐标文本进一步进行文本的识别，并且在文本识别的步骤中，能够对所有目标文本行进行并行解码，在解码过程的复杂度大大降低。

以包括60行文本行的一个待识别图像为例，假设每个文本行中文本长度最大为25，则每一个文本行包括坐标位置(X，Y)在内的长度总共为27(坐标位置长度为2)。在通过常规的自回归解码方法对文本进行识别时，总共需要进行60*27＝1620次循环解码；而通过本实施例步骤103和步骤104中给出的文本解码方法，在步骤103中确定目标文本行的坐标位置仅需进行60*2次循环解码(坐标位置长度为2)，由于在步骤104中能够对60行目标文本行并行解码，因此仅需进行一个目标文本行中文本长度对应次数(25次)解码即可实现对所有60行目标文本行的文本识别，总共只需要60*2+25＝145次循环解码，相比于常规的文本识别减少了11倍循环解码的次数，将解码循环复杂度从O(n*T)降至O(n*2+(T-2))。

通过上述技术方案，在对待识别图像进行端到端的文本识别时，能够在解码阶段先解码待识别图像中目标文本行的位置，然后再对待识别图像中所有的目标文本行进行并行解码，同步解码识别得到该待识别图像中各目标文本行中的文本，从而大大降低了文本识别过程中的解码循环复杂度，在保证模型识别精度的前提下大大加速了文本的识别，并且，由于无需对待识别图像中文本行位置进行精准的定位，仅需确定文本行中任意一点的坐标即可实现对文本行的文本识别，因此大大降低了文本检测精度对文本识别精度的影响，提高了文本识别的精度。

图2是根据本公开又一示例性实施例示出的一种文本识别方法的流程图。如图2所示，所述方法包括步骤201。

在步骤201中，将各个所述目标文本行的所述坐标位置作为起始符，以将所述目标文本行并行解码在同一解码序列中，同步得到所有所述目标文本行中的文本。

该目标文本行并行解码的解码序列可以如图3中所示。其中，目标文本行1为该待识别图像中的任意一个目标文本行，其中包括作为起始符的坐标位置2(coord:x,y)、识别得到的文本内容(transcription：HELLO)、补全字符4(＜PAD＞：Φ)；该待识别图像中的其他目标文本行按照随机顺序排列在该目标文本行1之后，且每一个目标文本行对应的解码长度可以为固定值，对于目标文本行中文本内容长度不够的情况，能够通过该补全字符4对长度不够的文本进行对齐补全；句子起始标识符5(<SOS>：<)和句子结束标识符6(<EOS>：>)是整个解码序列的起始标识和结束标识。这样，在对该待识别图像中的所有目标文本行并行解码时，能够将各目标文本行对应的坐标位置作为起始符，来在该解码序列中对所有目标文本行同步进行解码，以同步得到该待识别图像中所有目标文本行中的文本。

图4是根据本公开又一示例性实施例示出的一种文本识别方法的流程图。如图4所示，所述方法包括步骤401。

在步骤401中，根据所述图像特征预测所述目标文本行在所述待识别图像中真实位置的所属类别，将所述所属类别确定为所述目标文本行的所述坐标位置；其中，所述所属类别包括横坐标类别和纵坐标类别。

也即，在确定该待识别图像中各目标文本行对应的坐标位置时，是通过分类预测的方法来进行。该类别与该待识别图像中真实的坐标位置之间的对应关系可以是预先设定好的，例如，可以将该待识别图像的横坐标(图像的宽)和纵坐标(图像的高)分别划分为N个区域和M个区域，每一个区域中所包括的坐标的范围对应一个类别，例如横坐标的第一类别对应的可以是在横坐标(X轴)上处于0-100坐标范围内的坐标位置，纵坐标的第一类别对应的可以是在纵坐标(Y轴)上处于0-90坐标范围内的坐标位置，在坐标位置的预测时若预测得到该目标文本行的坐标位置所述类别为横坐标的第一类别和纵坐标的第一类别，则表征该目标文本行的坐标位置在((0-100)，(0-90))这一区间范围内。

在常规的端到端文本识别方法中，对于文本位置的检测，通常都是通过回归方法来对具体的文本位置进行检测，由于图像尺寸大小，最终预测得到的文本位置坐标往往数值巨大，从而导致检测过程耗时较长，位置检测结果不精准等问题。而通过本实施例中的方法，不再通过回归的方法对文本在该待识别图像中具体的坐标进行预测，而是通过预先构建的坐标信息与类别信息之间的映射关系，直接通过分类预测的方式来确定各目标文本行在待识别图像中坐标位置，这样能加快该坐标位置的预测速度，而且，由于该类别数量能够控制在一定数量之内，因此还能进一步加速对目标文本行的解码识别，另外，由于文本位置的类别预测精度相比于直接通过回归方式预测具体的坐标位置精度更高，更不容易产生误差，因此也能够在一定程度上减少该文本检测精度对文本识别精度的影响，有进一步地提高了文本识别的精度。

在一种可能的实施方式中，所述提取所述待识别图像中的图像特征包括：通过基于滑动窗口进行编码的编码器提取所述待识别图像中的图像特征。也即，在特征提取的过程中，在使用编码器确定该图像特征时，可以使用该基于滑动窗口进行编码的编码器。这样，能够缩小编码器自注意力机制(self-attention)的时间损耗，进一步提升编码速度，同时由于滑动窗口中数量较少，还能使得编码精度得到一定的提升。其中，该基于滑动窗口进行编码的编码器可以为例如Swin-transformer中的编码器。

在一种可能的实施方式中，所述提取所述待识别图像中的图像特征、所述根据所述图像特征确定目标文本行的坐标位置以及所述根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本，均由预先训练得到的端到端文本识别模型实现。也即，本公开中通过该预先训练得到的端到端文本识别模型来执行如图1中所示的步骤102至步骤104的文本识别步骤。

其中，本公开中的文本识别方法中，还包括训练该端到端文本识别模型的训练方法，具体包括：通过目标训练数据训练所述端到端文本识别模型，其中，所述目标训练数据通过目标数据增广方式获取得到，所述目标数据增广方式包括以下至少一者：旋转、裁剪、随机改变图像大小、随机改变图像属性、点增强。

在一种可能的实施方式中，所述目标训练数据中的标注数据为所述目标训练数据中表征各文本行所在的图像位置的单个标注点的坐标，所述标注点与所述文本行一一对应。这样，在进行训练数据的标注以得到该目标训练数据时，仅需对该训练数据中的每一个文本行中的任意位置进行一个单点的标注，减少了大量的标注成本，更加有利于该端到端文本识别模型的训练。

图5是根据本公开一示例性实施例示出的一种文本识别装置的结构框图。如图5所示，所述装置包括：获取模块10，用于获取待识别图像；特征提取模块20，用于提取所述待识别图像中的图像特征；坐标确定模块30，用于根据所述图像特征确定目标文本行的坐标位置；文本识别模块40，用于根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

通过上述技术方案，在对待识别图像进行端到端的文本识别时，能够在解码阶段先解码待识别图像中目标文本行的位置，然后再对待识别图像中所有的目标文本行进行并行解码，同步解码识别得到该待识别图像中各目标文本行中的文本，从而大大降低了文本识别过程中的解码循环复杂度，在保证模型识别精度的前提下大大加速了文本的识别，并且，由于无需对待识别图像中文本行位置进行精准的定位，仅需确定文本行中任意一点的坐标即可实现对文本行的文本识别，因此大大降低了文本检测精度对文本识别精度的影响，提高了文本识别的精度。

在一种可能的实施方式中，所述文本识别模块40还用于：将各个所述目标文本行的所述坐标位置作为起始符，以将所述目标文本行并行解码在同一解码序列中，同步得到所有所述目标文本行中的文本。

在一种可能的实施方式中，所述坐标确定模块30还用于：根据所述图像特征预测所述目标文本行在所述待识别图像中真实位置的所属类别，将所述所属类别确定为所述目标文本行的所述坐标位置；其中，所述所属类别包括横坐标类别和纵坐标类别。

在一种可能的实施方式中，所述特征提取模块20还用于：通过基于滑动窗口进行编码的编码器提取所述待识别图像中的图像特征。

在一种可能的实施方式中，所述特征提取模块20、坐标确定模块30、文本识别模块40，均为预先训练得到的端到端文本识别模型中的模块。

在一种可能的实施方式中，所述装置还包括：模型训练模块(未示出)，用于通过目标训练数据训练所述端到端文本识别模型，其中，所述目标训练数据通过目标数据增广方式获取得到，所述目标数据增广方式包括以下至少一者：旋转、裁剪、随机改变图像大小、随机改变图像属性、点增强。

在一种可能的实施方式中，所述目标训练数据中的标注数据为所述目标训练数据中表征各文本行所在的图像位置的单个标注点的坐标，所述标注点与所述文本行一一对应。

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，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：获取待识别图像；提取所述待识别图像中的图像特征；根据所述图像特征确定目标文本行的坐标位置；根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

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，包括：获取待识别图像；提取所述待识别图像中的图像特征；根据所述图像特征确定目标文本行的坐标位置；根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

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，所述根据所述坐标位置对所述目标文本行进行并行解码，同步得到所有所述目标文本行中的文本包括：将各个所述目标文本行的所述坐标位置作为起始符，以将所述目标文本行并行解码在同一解码序列中，同步得到所有所述目标文本行中的文本。

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，所述根据所述图像特征确定目标文本行的坐标位置包括：根据所述图像特征预测所述目标文本行在所述待识别图像中真实位置的所属类别，将所述所属类别确定为所述目标文本行的所述坐标位置；其中，所述所属类别包括横坐标类别和纵坐标类别。

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，所述提取所述待识别图像中的图像特征包括：通过基于滑动窗口进行编码的编码器提取所述待识别图像中的图像特征。

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，所述提取所述待识别图像中的图像特征、所述根据所述图像特征确定目标文本行的坐标位置以及所述根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本，均由预先训练得到的端到端文本识别模型实现。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述方法还包括：通过目标训练数据训练所述端到端文本识别模型，其中，所述目标训练数据通过目标数据增广方式获取得到，所述目标数据增广方式包括以下至少一者：旋转、裁剪、随机改变图像大小、随机改变图像属性、点增强。

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，所述目标训练数据中的标注数据为所述目标训练数据中表征各文本行所在的图像位置的单个标注点的坐标，所述标注点与所述文本行一一对应。

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，包括：获取模块，用于获取待识别图像；特征提取模块，用于提取所述待识别图像中的图像特征；坐标确定模块，用于根据所述图像特征确定目标文本行的坐标位置；文本识别模块，用于根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

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 (10)

1.一种文本识别方法，其特征在于，所述方法包括：

获取待识别图像；

提取所述待识别图像中的图像特征；

根据所述图像特征确定目标文本行的坐标位置；

根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

2.根据权利要求1所述的方法，其特征在于，所述根据所述坐标位置对所述目标文本行进行并行解码，同步得到所有所述目标文本行中的文本包括：

将各个所述目标文本行的所述坐标位置作为起始符，以将所述目标文本行并行解码在同一解码序列中，同步得到所有所述目标文本行中的文本。

3.根据权利要求1所述的方法，其特征在于，所述根据所述图像特征确定目标文本行的坐标位置包括：

根据所述图像特征预测所述目标文本行在所述待识别图像中真实位置的所属类别，将所述所属类别确定为所述目标文本行的所述坐标位置；

其中，所述所属类别包括横坐标类别和纵坐标类别。

4.根据权利要求1所述的方法，其特征在于，所述提取所述待识别图像中的图像特征包括：

通过基于滑动窗口进行编码的编码器提取所述待识别图像中的图像特征。

5.根据权利要求1所述的方法，其特征在于，所述提取所述待识别图像中的图像特征、所述根据所述图像特征确定目标文本行的坐标位置以及所述根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本，均由预先训练得到的端到端文本识别模型实现。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

通过目标训练数据训练所述端到端文本识别模型，其中，所述目标训练数据通过目标数据增广方式获取得到，所述目标数据增广方式包括以下至少一者：旋转、裁剪、随机改变图像大小、随机改变图像属性、点增强。

7.根据权利要求6所述的方法，其特征在于，所述目标训练数据中的标注数据为所述目标训练数据中表征各文本行所在的图像位置的单个标注点的坐标，所述标注点与所述文本行一一对应。

8.一种文本识别装置，其特征在于，所述装置包括：

获取模块，用于获取待识别图像；

特征提取模块，用于提取所述待识别图像中的图像特征；

坐标确定模块，用于根据所述图像特征确定目标文本行的坐标位置；

文本识别模块，用于根据所述坐标位置对所述目标文本行进行并行解码，同步得到所述待识别图像中所有所述目标文本行中的文本。

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。

Images