CN114842474A - 文字识别方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种文字识别方法、装置、电子设备和介质，涉及人工智能技术领域，尤其涉及文本识别技术领域。实现方案为：在第一图像中获取包含待识别的文本行的第一区域；对第一区域进行单字检测，以确定文本行中的每一个单字对应的第一位置信息；基于第一位置信息，确定每一个单字对应的类别；基于类别，确定第一区域中的块区域以及块区域对应的第二位置信息；基于块区域以及对应的第二位置信息，生成第二图像；以及对第二图像进行文字识别。

Description

文字识别方法、装置、电子设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及文本识别技术领域，具体涉及一种文字识别方法、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来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。

随着移动互联网技术的发展和光学字符识别(Optical Character Recognition，OCR)技术的日渐成熟，OCR相关的移动智能设备也得到了长足的发展，扫描仪、词典笔、教辅工具等移动端设备层出不穷，提高移动端设备的文本识别的准确性和稳定性显得尤为重要。

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字识别方法、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，提供了一种文字识别方法，包括：在第一图像中获取包含待识别的文本行的第一区域；对所述第一区域进行单字检测，以确定所述文本行中的每一个单字对应的第一位置信息；基于所述第一位置信息，确定每一个单字对应的类别；基于所述类别，确定所述第一区域中的块区域以及所述块区域对应的第二位置信息；基于所述块区域以及所述对应的所述第二位置信息，生成第二图像；以及对所述第二图像进行文字识别。

根据本公开的另一方面，提供了一种文字识别装置，包括：第一获取模块，被配置为在第一图像中获取包含待识别的文本行的第一区域；第一确定模块，对所述第一区域进行单字检测，以确定所述文本行中的每一个单字对应的第一位置信息；第二确定模块，被配置为基于所述第一位置信息，确定每一个单字对应的类别；第三确定模块，被配置为基于所述类别，确定所述第一区域中的块区域以及所述块区域对应的第二位置信息；第四确定模块，被配置为基于所述块区域以及对应的所述第二位置信息，生成第二图像；以及识别模块，被配置为对所述第二图像进行文字识别。

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文字识别方法。

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所述计算机执行文字识别方法。

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文字识别方法。

根据本公开的一个或多个实施例，提供了一种文字识别方法，对待识别文本行中的单字进行检测和分类，将检测到的单字基于单字的分类来组成块区域，由块区域来重建待识别的第一图像，再对重建得到的待识别的第二图像进行文字识别，从而降低了文本行中非单字区域的噪声对文字识别效果的影响，由此允许采用算力相对较小的轻量模型来对待识别的第二图像进行文字识别，并提升轻量模型的鲁棒性。

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示出了根据本公开的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示出了根据本公开的实施例的文字识别方法的流程图；

图3示出了根据本公开的实施例的文字识别装置的结构框图；以及

图4示出了能够用于实现本公开的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。

相关技术中，移动端的OCR能力由于受限于计算资源和存储资源，无法快速运行复杂的网络，因此在设计解决方案时，通常采用轻量模型进行文字识别，以加快推理速度并实现实时检测和识别。然而，轻量模型的识别能力容易受到外界干扰、噪声的影响，从而影响了模型的稳定性和文字识别的准确性。

为解决上述问题，本公开提供了一种文字识别方法，对待识别文本行中的单字进行检测和分类，将检测到的单字基于单字的分类来组成块区域，由块区域来重建待识别的第一图像，以将待识别文本行中的非文字区域排除在外。再对重建得到的待识别的第二图像进行文字识别，从而降低了文本行中非单字区域的噪声对文字识别效果的影响，由此允许采用算力相对较小的轻量模型来对待识别的第二图像进行文字识别，并提升轻量模型的鲁棒性。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例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文字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来执行文字识别方法。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 Private Server)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示出了根据本公开的实施例的文字识别方法的流程图。如图2所示，文字识别方法200包括：步骤S201、在第一图像中获取包含待识别的文本行的第一区域；步骤S202、对所述第一区域进行单字检测，以确定所述文本行中的每一个单字对应的第一位置信息；步骤S203、基于所述第一位置信息，确定每一个单字对应的类别；步骤S204、基于所述类别，确定所述第一区域中的块区域以及所述块区域对应的第二位置信息；步骤S205、基于所述块区域以及对应的所述第二位置信息，生成第二图像；以及步骤S206、对所述第二图像进行文字识别。

由此，通过对由第一图像中得到的待识别文本行中的单字进行检测和分类，将检测到的单字基于单字的分类来组成块区域，基于块区域来对第一图像进行重建以得到第二图像，以将待识别文本行中的非文字区域排除在外，再对第二图像进行文字识别，从而降低了第一图像包括的文本行中非文字区域的噪声对文字识别效果的影响，由此允许采用算力相对较小的轻量模型来对第二图像进行文字识别，并提升轻量模型的鲁棒性。

根据一些实施例，文字识别方法200还包括：在步骤S201之前，获取待检测图像；以及对所述待检测图像进行文本行检测，以得到所述第一图像。由此，文字识别方法200能够处理任意包含文字的图像，来识别该图像中所包含的文字。具体地，可以利用例如高效而准确的场景文字检测(Efficient and Accurate Scene Text detector，EAST)算法或基于渐进式尺度扩展网络的形状鲁棒文本检测(Shape Robust Text Detection withProgressive Scale Expansion Network，PSENET)算法等算法来检测待检测图像中的文本行，以将具有多行文本行的待检测图像拆分为具有单行文本行的第一图像，并输出包含待识别的文本行的第一区域，以用于进行后续的文字识别。

根据一些实施例，在步骤S202中，所述文本行中的每一个单字对应的第一位置信息包括包含该单字的最小竖直矩形框的边界在所述第一区域中的坐标值。

示例性的，在步骤S202中，可以将包含待识别的文本行的第一区域作为单字检测算法的输入，并输出文本行中的每一个单字对应的位置信息。对文本行进行单字检测所采用的单字检测算法例如可以是上述的EAST算法或PSENET算法，亦可以是任一种能够进行单字检测的算法，本公开对此不做限定。

单字检测算法在对包含待识别的文本行的第一区域进行单字检测时，针对文本行中每一个单字确定能够包含该单字的最小竖直矩形框，以此来排除第一区域中不包含单字的部分，并输出每一个单字对应的最小竖直矩形框的边界在所述第一区域中的坐标值。这一过程相当于将第一区域中的单字以矩形框为单位进行抠出，使得仅抠出的矩形框中包含单字信息，以用于后续的文字识别。而未被抠出的区域中可能包含各种形式的噪声，在这一过程中得以被排除在外，这一方法降低了文本行中非文字区域的噪声对文字识别效果的影响，从而允许采用算力相对较小的轻量模型来对第二图像进行文字识别，并提升轻量模型的鲁棒性和文字识别的准确性。

在一个示例中，每一个单字对应的位置信息可以表示为{第一值，第二值，第三值，第四值}，其中，第一值、第二值、第三值和第四值分别用于表示该单字对应的最小竖直矩形框的四个边界在第一区域中的坐标值。

根据一些实施例，步骤S204包括：基于所述文本行中的每一个单字对应的第一位置信息，确定高度阈值；以及针对所述文本行中的每一个单字，基于该单字的高度与所述高度阈值的比较，将该单字确定为第一类别或第二类别。

示例性的，可以根据每一个单字对应的第一位置信息确定每一个单字的高度，再基于每一个单字的高度来确定高度阈值。在一个示例中，可以将文本行中所包含的单字的高度的中位数作为高度阈值来对单字进行分类。也可以根据其它方式来确定高度阈值，例如单字的高度的均值等，本公开对此不做限定。在确定高度阈值后，针对所述文本行中的每一个单字，基于该单字的高度与所述高度阈值的比较，将该单字确定为第一类别或第二类别。例如，将高度小于高度阈值的单字确定为类别a，并将高度大于等于高度阈值的单字确定为类别b，以此根据高度来实现对单字的分类。

根据一些实施例，步骤S204包括：将满足以下任一条件的至少一个单字划分在一起作为块区域，并确定所述第一区域中的至少一个块区域：多个连续第一类别的单字、多个连续第二类别的单字、以及多个第二类别的单字之间存在不超过一个第一类别的单字；针对所述至少一个块区域中位于所述第一区域左边缘的第一个块区域，基于所述第一个块区域中的各单字对应的第一位置信息，确定所述第一个块区域对应的第二位置信息；以及针对所述至少一个块区域中除所述第一个块区域之外的其余块区域中的每一个块区域，基于该块区域中的各单字对应的第一位置信息以及位于该块区域之前的块区域对应的第二位置信息，确定该块区域对应的第二位置信息。

根据单字的类别来将第一区域中所包含的单字划分为至少一个块区域。示例性的，当基于单字的类别将文本行表示为baaaabbabbaa时(a与b分别对应于第一类别和第二类别)，基于上述块区域的划分条件，可以将这一文本行划分为四个块区域：第一个块区域：b，第二个块区域：aaaa，第三个块区域：bbabb，以及第四个块区域：aa。由此，先基于高度对单字进行分类，而后基于单字类别进行块区域的划分，使得每一个块区域中所包含的单字高度更为接近，这有助于进一步排除高度较小的单字上方和/或下方的噪声的影响。

在确定块区域的位置时，首先需要确定第一区域中第一个块区域的位置，具体地，可以通过确定第一个块区域的四个边界来确定第一个块区域的位置。示例性的，当以第一区域的左上角边界点作为坐标原点时，以该块区域中所有单字的最小上边界坐标值作为该块区域的上边界坐标值，以该块区域中所有单字的最大下边界坐标值作为该块区域的下边界坐标值，以该块区域中第一个单字的左边界坐标值作为该块区域的左边界坐标值，并以该块区域中最后一个单字的右边界坐标值作为该块区域的右边界坐标值，从而确定了第一个块区域对应的第二位置信息。

对于至少一个块区域中除所述第一个块区域之外的其余块区域中的每一个块区域，可以根据与第一个块区域类似的方式来确定该块区域的上下边界的坐标值，而以位于该块区域之前的块区域的右边界坐标值作为该块区域的左边界坐标值，以保证块区域与块区域之间可以无缝相接，并以该块区域中最后一个单字的右边界坐标值作为该块区域的右边界坐标值，从而确定了每一个块区域对应的第二位置信息。

根据一些实施例，在步骤S205中，可以将确定的至少一个块区域进行拼接，以对第一图像进行重建并得到待识别的第二图像，在拼接重建的过程中可以根据原始的第一图像或第一区域的大小，对所拼接的至少一个块区域进行缩放，以获得与原始的第一图像或第一区域大小相同的图像，作为文本识别的对象。

在一个示例中，可以将所确定的至少一个块区域中的每一个块区域分别作为文本识别的对象，并利用文本识别模型对至少一个块区域中的每一个块区域进行分别地识别。

根据一些实施例，在步骤S206中，可以利用例如卷积循环神经网络(Convolutional Recurrent Neural Network，CRNN)或注意力机制(Attention)算法等文字识别模型来对所述第二图像进行文字识别。

根据本公开的另一方面，提供了一种文字识别装置。如图3所示，文字识别装置300包括：第一获取模块301，被配置为在第一图像中获取包含待识别的文本行的第一区域；第一确定模块302，对所述第一区域进行单字检测，以确定所述文本行中的每一个单字对应的第一位置信息；第二确定模块303，被配置为基于所述第一位置信息，确定每一个单字对应的类别；第三确定模块304，被配置为基于所述类别，确定所述第一区域中的块区域以及所述块区域对应的第二位置信息；第四确定模块305，被配置为基于所述块区域以及所述块区域对应的第二位置信息，生成第二图像；以及识别模块306，被配置为对所述第二图像进行文字识别。

由此，通过第一确定模块302和第二确定模块303对由第一图像中得到的待识别文本行中的单字进行检测和分类，由第三确定模块304将检测到的单字基于单字的分类来组成块区域，第四确定模块305基于块区域来对第一图像进行重建以得到第二图像，以将待识别文本行中的非文字区域排除在外。再由识别模块306对第二图像进行文字识别，从而降低了第一图像包括的文本行中非文字区域的噪声对文字识别效果的影响，由此允许采用算力相对较小的轻量模型来对第二图像进行文字识别，并提升轻量模型的鲁棒性。

根据一些实施例，文字识别装置300还包括：第二获取模块，被配置为获取待检测图像；以及检测模块，被配置为对所述待检测图像进行文本行检测，以得到所述第一图像。由此，文字识别装置300能够处理任意包含文字的图像，来识别该图像中所包含的文字。具体地，检测模块可以利用例如高效而准确的场景文字检测(Efficient and AccurateScene Text detector，EAST)算法或基于渐进式尺度扩展网络的形状鲁棒文本检测(ShapeRobust Text Detection with Progressive Scale Expansion Network，PSENET)算法等算法来检测待检测图像中的文本行，以将具有多行文本行的待检测图像拆分为具有单行文本行的第一图像，并输出包含待识别的文本行的第一区域，以用于进行后续的文字识别。

根据一些实施例，所述文本行中的每一个单字对应的第一位置信息包括包含该单字的最小竖直矩形框的边界在所述第一区域中的坐标值。

示例性的，第一确定模块302可以将包含待识别的文本行的第一区域作为单字检测算法的输入，并输出文本行中的每一个单字对应的位置信息。对文本行进行单字检测所采用的单字检测算法例如可以是上述的EAST算法或PSENET算法，亦可以是任一种能够进行单字检测的算法，本公开对此不做限定。

第一确定模块302在利用单字检测算法对包含待识别的文本行的第一区域进行单字检测时，针对文本行中每一个单字确定能够包含该单字的最小竖直矩形框，以此来排除第一区域中不包含单字的部分，并输出每一个单字对应的最小竖直矩形框的边界在所述第一区域中的坐标值。这一过程相当于将第一区域中的单字以矩形框为单位进行抠出，使得仅抠出的矩形框中包含单字信息，以用于后续的文字识别。而未被抠出的区域中可能包含各种形式的噪声，在这一过程中得以被排除在外，以降低文本行中非文字区域的噪声对文字识别效果的影响，从而允许采用算力相对较小的轻量模型来对第二图像进行文字识别，并提升轻量模型的鲁棒性和文字识别的准确性。

在一个示例中，每一个单字对应的位置信息可以表示为{第一值，第二值，第三值，第四值}，其中，第一值、第二值、第三值和第四值分别用于表示该单字对应的最小竖直矩形框的四个边界在第一区域中的坐标值。

根据一些实施例，所述第二确定模块303包括：第一确定单元，被配置为基于所述文本行中的每一个单字对应的第一位置信息，确定高度阈值；以及第二确定单元，被配置为针对所述文本行中的每一个单字，基于该单字的高度与所述高度阈值的比较，将该单字确定为第一类别或第二类别。

示例性的，第一确定单元可以根据每一个单字对应的第一位置信息确定每一个单字的高度，再基于每一个单字的高度来确定高度阈值。在一个示例中，第一确定单元可以将文本行中所包含的单字的高度的中位数作为高度阈值来对单字进行分类。也可以根据其它方式来确定高度阈值，例如单字的高度的均值等，本公开对此不做限定。在确定高度阈值后，第二确定单元针对所述文本行中的每一个单字，基于该单字的高度与所述高度阈值的比较，将该单字确定为第一类别或第二类别。例如，将高度小于高度阈值的单字确定为类别a，并将高度大于等于高度阈值的单字确定为类别b，以此根据高度来实现对单字的分类。

根据一些实施例，所述第三确定模块304包括：第三确定单元，被配置为将满足以下任一条件的至少一个单字划分在一起作为块区域，并确定所述第一区域中的至少一个块区域：多个连续第一类别的单字、多个连续第二类别的单字、以及多个第二类别的单字之间存在不超过一个第一类别的单字；第四确定单元，被配置为针对所述至少一个块区域中位于所述第一区域左边缘的第一个块区域，基于所述第一个块区域中的各单字对应的第一位置信息，确定所述第一个块区域对应的第二位置信息；以及第五确定单元，被配置为针对所述至少一个块区域中除所述第一个块区域之外的其余块区域中的每一个块区域，基于该块区域中的各单字对应的第一位置信息以及位于该块区域之前的块区域对应的第二位置信息，确定该块区域对应的第二位置信息。

第三确定模块304根据单字的类别来将第一区域中所包含的单字划分为至少一个块区域。示例性的，当基于单字的类别将文本行表示为baaaabbabbaa时(a与b对应于第一类别和第二类别)，基于上述块区域的划分条件，第三确定模块304可以将这一文本行划分为四个块区域：第一个块区域：b，第二个块区域：aaaa，第三个块区域：bbabb，以及第四个块区域：aa。由此，第二确定模块303先基于高度对单字进行分类，而后第三确定模块304基于单字类别进行块区域的划分，使得每一个块区域中所包含的单字高度更为接近，这有助于进一步排除高度较小的单字上方和/或下方的噪声的影响。

在确定块区域的位置时，首先由第四确定单元确定第一区域中第一个块区域的位置，具体地，可以通过确定第一个块区域的四个边界来确定第一个块区域的位置。示例性的，当以第一区域的左上角边界点作为坐标原点时，以该块区域中所有单字的最小上边界坐标值作为该块区域的上边界坐标值，以该块区域中所有单字的最大下边界坐标值作为该块区域的下边界坐标值，以该块区域中第一个单字的左边界坐标值作为该块区域的左边界坐标值，并以该块区域中最后一个单字的右边界坐标值作为该块区域的右边界坐标值，从而确定了第一个块区域对应的第二位置信息。

对于至少一个块区域中除所述第一个块区域之外的其余块区域中的每一个块区域，可以由第五确定单元根据与第一个块区域类似的方式来确定该块区域的上下边界的坐标值，而以位于该块区域之前的块区域的右边界坐标值作为该块区域的左边界坐标值，以保证块区域与块区域之间可以无缝相接，并以该块区域中最后一个单字的右边界坐标值作为该块区域的右边界坐标值，从而确定了每一个块区域对应的第二位置信息。

根据一些实施例，第四确定模块305可以将确定的至少一个块区域进行拼接，以对第一图像进行重建并得到待识别的第二图像，在拼接重建的过程中可以根据原始的第一图像或第一区域的大小，对所拼接的至少一个块区域进行缩放，以获得与原始的第一图像或第一区域大小相同的图像，作为文本识别的对象。

在一个示例中，识别模块306可以将所确定的至少一个块区域中的每一个块区域分别作为文本识别的对象，并利用文本识别模型对至少一个块区域中的每一个块区域进行分别地识别。

根据一些实施例，识别模块306可以利用例如卷积循环神经网络(ConvolutionalRecurrent Neural Network，CRNN)或注意力机制(Attention)算法等文字识别模型来对所述第二图像进行文字识别。

如图4所示，电子设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储电子设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

电子设备400中的多个部件连接至I/O接口405，包括：输入单元406、输出单元407、存储单元408以及通信单元409。输入单元406可以是能向电子设备400输入信息的任何类型的设备，输入单元406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407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408可以包括但不限于磁盘、光盘。通信单元409允许电子设备400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401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401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401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408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由计算单元401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401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)、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。

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 (13)

1.一种文字识别方法，包括：

在第一图像中获取包含待识别的文本行的第一区域；

对所述第一区域进行单字检测，以确定所述文本行中的每一个单字对应的第一位置信息；

基于所述第一位置信息，确定每一个单字对应的类别；

基于所述类别，确定所述第一区域中的块区域以及所述块区域对应的第二位置信息；

基于所述块区域以及对应的所述第二位置信息，生成第二图像；以及

对所述第二图像进行文字识别。

2.根据权利要求1所述的方法，还包括：

获取待检测图像；以及

对所述待检测图像进行文本行检测，以得到所述第一图像。

3.根据权利要求1或2所述的方法，其中，所述文本行中的每一个单字对应的第一位置信息包括包含该单字的最小竖直矩形框的边界在所述第一区域中的坐标值。

4.根据权利要求1-3中任一项所述的方法，其中，所述基于所述第一位置信息，确定每一个单字对应的类别包括：

基于所述文本行中的每一个单字对应的第一位置信息，确定高度阈值；以及

针对所述文本行中的每一个单字，基于该单字的高度与所述高度阈值的比较，将该单字确定为第一类别或第二类别。

5.根据权利要求1-4中任一项所述的方法，其中，所述基于所述类别，确定所述第一区域中的块区域以及所述块区域对应的第二位置信息包括：

将满足以下任一条件的至少一个单字划分在一起作为块区域，并确定所述第一区域中的至少一个块区域：多个连续第一类别的单字、多个连续第二类别的单字、以及多个第二类别的单字之间存在不超过一个第一类别的单字；

针对所述至少一个块区域中位于所述第一区域左边缘的第一个块区域，基于所述第一个块区域中的各单字对应的第一位置信息，确定所述第一个块区域对应的第二位置信息；以及

针对所述至少一个块区域中除所述第一个块区域之外的其余块区域中的每一个块区域，基于该块区域中的各单字对应的第一位置信息以及位于该块区域之前的块区域对应的第二位置信息，确定该块区域对应的第二位置信息。

6.一种文字识别装置，包括：

第一获取模块，被配置为在第一图像中获取包含待识别的文本行的第一区域；

第一确定模块，对所述第一区域进行单字检测，以确定所述文本行中的每一个单字对应的第一位置信息；

第二确定模块，被配置为基于所述第一位置信息，确定每一个单字对应的类别；

第三确定模块，被配置为基于所述类别，确定所述第一区域中的块区域以及所述块区域对应的第二位置信息；

第四确定模块，被配置为基于所述块区域以及对应的所述第二位置信息，生成第二图像；以及

识别模块，被配置为对所述第二图像进行文字识别。

7.根据权利要求6所述的装置，还包括：

第二获取模块，被配置为获取待检测图像；以及

检测模块，被配置为对所述待检测图像进行文本行检测，以得到所述第一图像。

8.根据权利要求6或7所述的装置，其中，所述文本行中的每一个单字对应的第一位置信息包括包含该单字的最小竖直矩形框的边界在所述第一区域中的坐标值。

9.根据权利要求6-8中任一项所述的装置，其中，所述第二确定模块包括：

第一确定单元，被配置为基于所述文本行中的每一个单字对应的第一位置信息，确定高度阈值；以及

第二确定单元，被配置为针对所述文本行中的每一个单字，基于该单字的高度与所述高度阈值的比较，将该单字确定为第一类别或第二类别。

10.根据权利要求6-9中任一项所述的装置，其中，所述第三确定模块包括：

第三确定单元，被配置为将满足以下任一条件的至少一个单字划分在一起作为块区域，并确定所述第一区域中的至少一个块区域：多个连续第一类别的单字、多个连续第二类别的单字、以及多个第二类别的单字之间存在不超过一个第一类别的单字；

第四确定单元，被配置为针对所述至少一个块区域中位于所述第一区域左边缘的第一个块区域，基于所述第一个块区域中的各单字对应的第一位置信息，确定所述第一个块区域对应的第二位置信息；以及

第五确定单元，被配置为针对所述至少一个块区域中除所述第一个块区域之外的其余块区域中的每一个块区域，基于该块区域中的各单字对应的第一位置信息以及位于该块区域之前的块区域对应的第二位置信息，确定该块区域对应的第二位置信息。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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1-5中任一项所述的方法。

13.一种计算机程序产品，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权利要求1-5中任一项所述的方法。

Images