CN114842485B - 一种字幕去除方法、装置及电子设备 - Google Patents

Abstract

本公开提供了一种字幕去除方法、装置及电子设备，涉及人工智能技术领域，具体设计深度学习、图像处理、计算机视觉技术领域。该方法包括：获取待处理图像；将待处理图像输入预先训练完成的字幕识别模型中，通过模型参数对待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，字幕识别模型为利用样本图像的输出结果与样本图像的针对字幕的笔画位置的真值的差异关系，对模型参数进行调整后，所得到的模型；对该待处理图像中识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。通过本方案，可以提高字幕去除的效果。

Description

一种字幕去除方法、装置及电子设备

技术领域

本公开涉及人工智能技术领域，具体设计深度学习、图像处理、计算机视觉技术领域，尤其涉及一种字幕去除方法、装置及电子设备。

背景技术

字幕是指以文字形式显示视频中的对话等非影像内容，并且，通常采用后期加工的方式，将字幕合成到视频中的各帧图像中。

当需要对字幕去除时，相关技术将图像中带有字幕的区域进行涂抹，或者利用图像修复算法对字幕所在的矩形区域进行修复。

公开内容

本公开提供了一种字幕去除方法、装置及电子设备。

根据本公开的一方面，提供了一种字幕去除方法，包括：

获取待处理图像；

将所述待处理图像输入预先训练完成的字幕识别模型中，通过模型参数对所述待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，所述字幕识别模型为利用样本图像的输出结果与所述样本图像的针对字幕的笔画位置的真值的差异关系，对所述模型参数进行调整后，所得到的模型；所述样本图像是对不包含字幕的原始图像，进行加字幕处理得到；所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

根据本公开的另一方面，提供了一种字幕识别模型的训练方法，包括：

获取样本图像，以及所述样本图像的针对字幕的笔画位置的真值；其中，所述样本图像为对不包含字幕的原始图像，进行加字幕处理得到的图像，所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

将所述样本图像输入字幕识别模型，得到输出结果；

基于所述样本图像的输出结果以及所述笔画位置的真值，确定所述字幕识别模型的模型损失；

响应于利用所述模型损失确定所述字幕识别模型未收敛，调整所述字幕识别模型的模型参数，直至所述字幕识别模型收敛。

根据本公开的另一方面，提供了一种字幕去除方法装置，包括：

获取模块，用于获取待处理图像；

确定模块，用于将所述待处理图像输入预先训练完成的字幕识别模型中，通过模型参数对所述待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，所述字幕识别模型为利用样本图像的输出结果与所述样本图像的针对字幕的笔画位置的真值的差异关系，对所述模型参数进行调整后，所得到的模型；所述样本图像是对不包含字幕的原始图像，进行加字幕处理得到；所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

修复模块，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

根据本公开的另一方面，提供了一种字幕识别模型的训练装置，包括：

获取模块，用于获取样本图像，以及所述样本图像的针对字幕的笔画位置的真值；其中，所述样本图像为对不包含字幕的原始图像，进行加字幕处理得到的图像，所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

输入模块，用于将所述样本图像输入字幕识别模型，得到输出结果；

确定模块，用于基于所述样本图像的输出结果以及所述笔画位置的真值，确定所述字幕识别模型的模型损失；

调整模块，用于响应于利用所述模型损失确定所述字幕识别模型未收敛，调整所述字幕识别模型的模型参数，直至所述字幕识别模型收敛。

本公开还提供一种电子设备，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上述字幕去除方法或字幕识别模型的训练方法。

本公开还提供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上述字幕去除方法或字幕识别模型的训练方法。

本公开还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述字幕去除方法或字幕识别模型的训练方法。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例所提供的一种字幕去除方法的流程图；

图2是本公开实施例所提供的原始图像示意图；

图3是本公开实施例所提供的样本图像示意图；

图4是本公开实施例所提供的待处理图像的示意图；

图5是本公开实施例所提供的字幕掩码图像的示意图；

图6是本公开实施例所提供的修复图像；

图7是本公开实施例所提供的一种字幕识别模型的训练方法的流程图；

图8是本公开实施例所提供的一种字幕去除装置的结构示意图；

图9是本公开实施例所提供的一种字幕识别模型的训练装置的结构示意图；

图10是用来实现本公开实施例的字幕去除方法或字幕识别模型的训练方法的电子设备的框图。

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和精神。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。

字幕是经过后期加工加入到视频的各帧图像中的，往往会在一定程度上破坏了视频画面原有的内容。当想要对视频进行创作时，需要对该视频的各帧图像先进行字幕去除处理，然后再进行后续的处理，例如，视频画面有中文字幕，那么该视频在海外播放的时候可能需要改成英文字幕，此时，需要先去除该视频的中文字幕，然后，对去除字幕的该视频添加英文字幕。

相关技术中，将图像中带有字幕的预估区域进行涂抹、加马赛克等处理；或者，先利用特征识别网络识别出字幕所在的矩形区域，再利用图像修复算法对字幕所在的矩形区域进行修复。可见，相关技术中均是针对整个字幕所在区域的修复处理，导致字幕去除的效果较差。

基于上述描述，为了提升图像中字幕去除的效果，本公开实施例提供了一种字幕去除方法，该方法可以于电子设备中。在具体应用中，该电子设备可以是各种终端设备，例如，计算机，手机等；也可以是服务器，本公开对此并不限定。

具体而言，该字幕去除方法的执行主体可以为字幕去除装置。示例性的，当该字幕去除方法应用于终端设备时，该字幕去除装置可以为运行于终端设备中的、用于对图像进行字幕去除的应用程序，例如：多线程应用程序。示例性的，当该字幕去除方法应用于服务器时，该字幕去除装置可以为运行于服务器中的计算机程序，该计算机程序可以用于对图像进行字幕去除的任务。

其中，本公开实施例所提供的一种字幕去除方法，可以包括以下步骤：

获取待处理图像；

将所述待处理图像输入预先训练完成的字幕识别模型中，通过模型参数对所述待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，所述字幕识别模型为利用样本图像的输出结果与所述样本图像的针对字幕的笔画位置的真值的差异关系，对所述模型参数进行调整后，所得到的模型；所述样本图像是对不包含字幕的原始图像，进行加字幕处理得到；所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

本公开实施例所提供的字幕去除方法中，预先基于样本图像与原始图像的像素差异，生成样本图像的针对字幕的笔画位置的真值，并利用样本图像和笔画位置的真值训练得到字幕识别模型；这样，在对待处理图像进行字幕去除时，可以通过字幕识别模型的模型参数进行针对字幕的笔画位置的识别，从而，对待处理图像中字幕的笔画位置进行修复。相对于相关技术对整个字幕区域的修复，本方案对字幕的笔画位置进行像素修复，可以提升修复的精细度，从而提高字幕去除的效果。

下面结合附图，对本公开实施例所提供的一种字幕去除方法进行介绍。

如图1所示，本公开实施例所提供的一种字幕去除方法，可以包括以下步骤：

S101，获取待处理图像；

其中，待处理图像为：待去除字幕的图像。需要说明的是，所谓的去除字幕是指：将待处理图像中的字幕区域修复为不包括字幕的画面区域；并且，在对待处理图像进行字幕去除后，去除字幕后的区域与原有的非字幕区域能够构成连贯的画面区域。

可以理解的是，待处理图像中的字幕区域可以位于待处理图像中的任一位置。并且，字幕区域中的字幕可以为各种文字类型，例如，字幕可以为中文字幕，也可以为英文字幕；当然，字幕中也可以包括数字、符号等。

另外，待处理图像可以为任一视频中的任意图像帧，本实施例并不对从视频中抽取待处理图像的实现方式进行限定。并且，本实施例中，对待处理图像的色彩模式和分辨率等显示参数没有限制。例如，待处理图像的色彩模式可以为位图模式、灰度模式或RGB(Red,Green,Blue，红绿蓝)模式等。例如，待处理图像的分辨率可以为256×256、1024×768等。

S102，将所述待处理图像输入预先训练完成的字幕识别模型中，通过模型参数对所述待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，所述字幕识别模型为利用样本图像的输出结果与所述样本图像的针对字幕的笔画位置的真值的差异关系，对所述模型参数进行调整后，所得到的模型；所述样本图像是对不包含字幕的原始图像，进行加字幕处理得到；所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

为了提升字幕去除的效果，可以对字幕的笔画位置进行精细定位以及精细修复，其中，笔画位置为待识别图像中，表征为字幕笔画的像素点的位置，因此，可以预先训练用于对字幕的笔画位置进行识别的字幕识别模型；从而，在获得待处理图像后，可以通过该字幕识别模型的模型参数，对待处理图像中字幕的笔画位置进行识别。该字幕识别模型可以是深度学习模型等，具体的模型结构不做限定。

可以理解的，字幕识别模型训练时所需的样本图像是对原始图像进行加字幕处理得到的图像，因此，样本图像与对应的原始图像仅字幕的笔画位置处的像素点有所差异，而其他位置的像素值是完全相同的。那么，可以通过比较样本图像与对应的原始图像的每一对应位置的像素差异，从而得到样本图像的针对字幕的笔画位置的真值。

示例性的，真值的类型可以是，表征为字幕笔画的像素点的位置信息，相应的，此时，识别结果则可以是模型所识别出的表征为字幕笔画的像素点的位置信息。关于真值的设置方式将在下文中进行具体地示例性介绍。

其中，原始图像的获取方式可以包括：从网络中下载原始图像、使用图像采集设备拍摄原始图像，或者从公开的图像数据集中获取原始图像，等等。此外，还可以事先准备多行不同的文字内容，该文字内容可以包含中文、英文以及数字、符号等。当进行加字幕处理时，如图2-图3所示，可以先随机选取一张原始图像，如图2；然后从多行文字内容中随机选一行文字内容，例如，“合成字幕示例-showcase”，同时，随机选一个字体，例如，楷体、宋体等，用该字体把选定的文字内容叠加到该图像上，得到样本图像，如图3。以上得到样本图像的方法仅是示例性说明，并不对本公开实施例的技术方案进行限定。

利用上述样本图像，以及笔画位置的真值对字幕识别模型进行训练，得到训练完成的字幕识别模型。具体的，在一种实现方式中，将样本图像不断输入待训练的字幕识别模型中，得到输出结果，再基于输出结果与笔画位置的真值计算模型损失，同时利用梯度下降法不断调整该字幕识别模型的模型参数，直到模型收敛，得到训练完成的字幕识别模型。

S103，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

当确定了待处理图像中字幕笔画的位置后再进行修复，显然，相比现有技术的对字幕所在的矩形区域进行修复更加精细，从而字幕去除的效果更好。

本公开实施例所提供的字幕去除方法中，预先基于样本图像与原始图像的像素差异，生成样本图像的针对字幕的笔画位置的真值，并利用样本图像和笔画位置的真值训练得到字幕识别模型；这样，在对待处理图像进行字幕去除时，可以通过字幕识别模型的模型参数进行针对字幕的笔画位置的识别，从而，对待处理图像中字幕的笔画位置进行修复。相对于相关技术对整个字幕区域的修复，本方案对字幕的笔画位置进行像素修复，可以提升修复的精细度，从而提高字幕去除的效果。

可选地，在本公开的另一实施例中，所述对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像，包括：

利用预定的图像修复算法，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

示例性的，可以利用预先设置好的图像修复算法，计算每一待修复像素点的像素替换值，从而将字幕笔画位置的像素点的像素值进行替换，使得替换后的图像中的字幕区域与非字幕区域能够构成连贯的画面区域。其中，图像修复算法可以为现有技术中的任一用于图像修复的算法，本公开实施例不做具体限定。

本实施例中，利用预定的图像修复算法，对待处理图像中的识别结果所表征的位置进行像素修复，可以得到不包含字幕的修复图像。

可选地，本公开的另一实施例中，所述笔画位置的真值的获取方式，可以包括步骤A1-A3：

步骤A1，对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

做差处理，即是对样本图像与原始图像每一对应位置的像素点的像素值做差，在进行图像处理时，可以将图像看做一个包含各个位置像素点的像素值的多维向量，在做差处理时，将样本图像与原始图像的向量相同位置上的每一数值对应相减，从而得到处理结果。

步骤A2，根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

可以理解的，样本图像与对应的原始图像仅字幕区域的像素点有所差异，因此，可以将作差处理后不为0的像素点的位置信息，作为差异像素点的位置信息。

步骤A3，基于所确定的差异像素点的位置信息，确定笔画位置的真值。

在一种实现方式中，可以将所述所确定的差异像素点的位置信息，确定为所述识别结果的真值；

或者，在另一实现方式中，可以基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

其中，字幕掩码图像的生成方式可以为，基于所确定的差异像素点的位置信息，将样本图像二值化处理，示例性的，可以将差异像素点的位置信息所指示的像素点的像素值设置为255，其他位置的像素值设置为0。

本实施例中，通过对样本图像和原始图像相对应位置的像素点进行做差处理，得到处理结果；再根据处理结果，确定样本图像和原始图像之间的差异像素点的位置信息；基于所确定的差异像素点的位置信息，确定笔画位置的真值。可见，本方案中，通过对样本图像和原始图像相对应位置的像素点进行做差处理，从而确定笔画位置的真值，简单易操作。

可选地，在本公开的另一实施例中，上述样本图像可以为：经过数据增强处理后的图像；

其中，数据增益处理可以包括：模糊处理，压缩处理、加噪声处理，裁剪处理、旋转处理、镜像处理，以及改变图像长宽比等中的一种或多种。通过数据增强处理，可以使得经过加字幕处理所合成的样本图像更接近实际获取的视频中的带字幕的视频帧，从而提高该字幕识别模型泛化能力，即，对新鲜样本的适应能力。同时，通过数据增益处理，也能够增加字幕识别模型的训练集，从而使得训练得到的字幕识别模型的识别效果更好。

相应的，所述样本图像与所述原始图像的像素差异为：经过数据增强处理后的样本图像，与经过所述数据增强处理后的对应的原始图像的像素差异。

可以理解的，若对样本图像进行数据增益处理，同时也需要对原始图像进行相同的数据增益处理，从而仍然能够通过比较样本图像与对应的原始图像的像素差异，得到针对字幕中的笔画位置的真值。

本实施例中，样本图像为经过数据增强处理后的图像；样本图像与原始图像的像素差异为，经过数据增强处理后的样本图像，与经过数据增强处理后的原始图像的像素差异。可见，本方案中，对样本图像进行数据增强处理，使得样本图像更接近实际获取的视频中的带字幕的视频帧，从而进一步提高字幕识别模型的识别效果。

可选地，在本公开的另一实施例中，所述利用预定的图像修复算法，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像，包括：

将所述待处理图像以及所述识别结果输入预先训练完成的图像修复模型，得到不包含字幕的修复图像；

其中，所述图像修复模型为利用所述样本图像、所述笔画位置的真值，以及所述样本图像对应的原始图像，训练得到的模型。

其中，笔画位置的真值即上文中基于样本图像与原始图像的像素差异得到的笔画位置的真值，可以为差异像素点的位置信息，也可以为基于差异像素点的位置信息，所生成样本图像对应的字幕掩码图像。

这样，上述训练字幕识别模型所利用的样本图像及差异像素点的位置信息，可以作为训练图像修复模型的训练集，原始图像可以作为修复后的图像的真值。不断训练该图像修复模型，直到模型收敛，得到训练完成的图像修复模型。

在一种实现方式中，如图4-图6所示，可以将待处理图像，如图4，以及对应的字幕掩码图像，如图5，拼接，然后输入该像修复模型中，直接得到不包含字幕的修复图像，如图6。

本实施例中，通过将待处理图像以及所述识别结果输入预先训练完成的图像修复模型，得到不包含字幕的修复图像。可见，本实施例中，通过图像修复模型进行图像的修复，可以进一步提高字幕去除的效果。

本公开实施例还提供了一种字幕识别模型的训练方法，如图7所示，该方法可以包括步骤S701-S704：

S701，获取样本图像，以及所述样本图像的针对字幕的笔画位置的真值；其中，所述样本图像为对不包含字幕的原始图像，进行加字幕处理得到的图像，所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

其中，原始图像的获取方式可以包括：从网络中下载原始图像、使用图像采集设备拍摄原始图像，或者从公开的图像数据集中获取原始图像，等等。对原始图像进行加字幕处理，得到样本图像。具体的加字幕处理的过程，已在上文中详细介绍，在此不再赘述。

S702，将所述样本图像输入字幕识别模型，得到输出结果；

该输出结果为针对样本图像中字幕的笔画位置的识别结果，示例性的，输出结果的类型可以是，表征为字幕笔画的像素点的位置信息。

S703，基于所述样本图像的输出结果以及所述笔画位置的真值，确定所述字幕识别模型的模型损失；

在一种实现方式中，可以将该输出结果和所述笔画位置的真值，带入预定的损失函数中，计算模型损失。损失函数可以为交叉熵损失函数等等，本公开实施例并不做限定。

S704，响应于利用所述模型损失确定所述字幕识别模型未收敛，调整所述字幕识别模型的模型参数，直至所述字幕识别模型收敛。

在一种实现方式中，可以基于样本图像和所述笔画位置的真值，利用预定的损失函数，计算模型损失，判断该模型损失是否小于预定阈值；如果小于，判定字幕识别模型收敛；否则，调整所述字幕识别模型的模型参数，调整的方法可以为梯度下降法；然后，返回获取样本图像，以及所述样本图像的针对字幕的笔画位置的真值的步骤，重复以上训练的过程，直至该字幕识别模型收敛。

可选地，所述笔画位置的真值的确定方式，包括：

对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

基于所确定的差异像素点的位置信息，确定所述笔画位置的真值。

通过对样本图像和原始图像相对应位置的像素点进行做差处理，确定样本图像和原始图像之间的差异像素点的位置信息，从而进一步确定笔画位置的真值，简单易操作。

可选地，在一种实现方式中，所述基于所确定的差异像素点的位置信息，确定所述笔画位置的真值，包括：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

本实施例中，笔画位置的真值可以为所确定的差异像素点的位置信息，也可为基于所确定的差异像素点的位置信息，生成该样本图像对应的字幕掩码图像。关于字幕掩码图像的说明已在上文中详细描述，在此不再赘述。

可选地，所述样本图像为：经过数据增强处理后的图像；

所述样本图像与所述原始图像的像素差异为：经过数据增强处理后的样本图像，与经过所述数据增强处理后的原始图像的像素差异。

对样本图像进行数据增强处理，能够使得样本图像更接近实际获取的视频中的带字幕的视频帧，从而提高该字幕识别模型泛化能力，即，对新鲜样本的适应能力。同时，通过数据增益处理，也能够增加字幕识别模型的训练集，从而使得训练得到的字幕识别模型的识别效果更好。

本公开实施例所提供的字幕识别模型的训练方法中，预先基于样本图像与原始图像的像素差异，生成样本图像的针对字幕的笔画位置的真值，利用样本图像和笔画位置的真值训练得到字幕识别模型；这样，训练完成的字幕识别模型，可以进行针对字幕的笔画位置的识别。相对于相关技术对整个字幕区域的识别，本方案训练得到字幕识别模型可以对字幕的笔画位置进行像素修复。因此，通过本方案可以提升字幕识别模型识别字幕的精细度。

本公开实施例还提供了一种字幕去除装置，如图8所示，该装置包括：

获取模块810，用于获取待处理图像；

确定模块820，用于将所述待处理图像输入预先训练完成的字幕识别模型中，通过模型参数对所述待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，所述字幕识别模型为利用样本图像的输出结果与所述样本图像的针对字幕的笔画位置的真值的差异关系，对所述模型参数进行调整后，所得到的模型；所述样本图像是对不包含字幕的原始图像，进行加字幕处理得到；所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

修复模块830，用于对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

可选地，所述笔画位置的真值的获取方式，包括：

对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

基于所确定的差异像素点的位置信息，确定所述笔画位置的真值。

可选地，所述基于所确定的差异像素点的位置信息，确定所述笔画位置的真值，包括：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

可选地，所述样本图像为：经过数据增强处理后的图像；

所述样本图像与所述原始图像的像素差异为：经过数据增强处理后的样本图像，与经过所述数据增强处理后的对应的原始图像的像素差异。

可选地，所述修复模块，具体用于：

利用预定的图像修复算法，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

可选地，所述修复模块利用预定的图像修复算法，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像，包括：

将所述待处理图像以及所述识别结果输入预先训练完成的图像修复模型，得到不包含字幕的修复图像；

其中，所述图像修复模型为利用所述样本图像、所述笔画位置的真值以及所述原始图像，训练得到的模型。

本公开实施例还提供了一种字幕识别模型的训练装置，如图9所示，该装置包括：

获取模块910，用于获取样本图像，以及所述样本图像的针对字幕的笔画位置的真值；其中，所述样本图像为对不包含字幕的原始图像，进行加字幕处理得到的图像，所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

输入模块920，用于将所述样本图像输入字幕识别模型，得到输出结果；

确定模块930，用于基于所述样本图像的输出结果以及所述笔画位置的真值，确定所述字幕识别模型的模型损失；

调整模块940，用于响应于利用所述模型损失确定所述字幕识别模型未收敛，调整所述字幕识别模型的模型参数，直至所述字幕识别模型收敛。

可选地，所述确定模块930，包括：

做差子模块，用于对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

第一确定子模块，用于根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

第二确定子模块，用于基于所确定的差异像素点的位置信息，确定所述笔画位置的真值。

可选地，所述第二确定子模块，具体用于：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

可选地，所述样本图像为：经过数据增强处理后的图像；

所述样本图像与所述原始图像的像素差异为：经过数据增强处理后的样本图像，与经过所述数据增强处理后的原始图像的像素差异。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

本公开提供的一种电子设备，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上述字幕去除方法或字幕识别模型的训练方法。

本公开还提供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上述字幕去除方法或字幕识别模型的训练方法。

本公开还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述字幕去除方法或字幕识别模型的训练方法。

图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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。

计算单元1001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1001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1001执行上文所描述的各个方法和处理，例如字幕去除方法。例如，在一些实施例中，字幕去除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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的字幕去除方法或字幕识别模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行字幕去除方法或字幕识别模型的训练方法。

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执行也可以不同的次序执行，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。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (11)

1.一种字幕去除方法，包括：

获取待处理图像；其中，所述待处理图像为：待去除字幕的图像；

将所述待处理图像输入预先训练完成的属于深度学习模型的字幕识别模型中，通过模型参数对所述待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，所述字幕识别模型为以样本图像作为输入内容且利用样本图像的输出结果与所述样本图像的针对字幕的笔画位置的真值的差异关系，对所述模型参数进行调整后，所得到的模型；所述样本图像是对不包含字幕的原始图像，进行加字幕处理得到；所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像；

所述笔画位置的真值的获取方式，包括：

对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

基于所确定的差异像素点的位置信息，确定所述笔画位置的真值；

其中，所述基于所确定的差异像素点的位置信息，确定所述笔画位置的真值，包括：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

2.根据权利要求1所述的方法，其中，所述样本图像为：经过数据增强处理后的图像；

所述样本图像与所述原始图像的像素差异为：经过数据增强处理后的样本图像，与经过所述数据增强处理后的原始图像的像素差异。

3.根据权利要求1所述的方法，其中，所述对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像，包括：

利用预定的图像修复算法，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像。

4.根据权利要求3所述的方法，其中，所述利用预定的图像修复算法，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像，包括：

将所述待处理图像以及所述识别结果输入预先训练完成的图像修复模型，得到不包含字幕的修复图像；

其中，所述图像修复模型为利用所述样本图像、所述笔画位置的真值以及所述原始图像，训练得到的模型。

5.一种字幕识别模型的训练方法，包括：

获取样本图像，以及所述样本图像的针对字幕的笔画位置的真值；其中，所述样本图像为对不包含字幕的原始图像，进行加字幕处理得到的图像，所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

将所述样本图像输入属于深度学习模型的字幕识别模型，得到输出结果；

基于所述样本图像的输出结果以及所述笔画位置的真值，确定所述字幕识别模型的模型损失；

响应于利用所述模型损失确定所述字幕识别模型未收敛，调整所述字幕识别模型的模型参数，直至所述字幕识别模型收敛；

所述笔画位置的真值的确定方式，包括：

对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

基于所确定的差异像素点的位置信息，确定所述笔画位置的真值；

其中，所述基于所确定的差异像素点的位置信息，确定所述笔画位置的真值，包括：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

6.根据权利要求5所述的方法，其中，所述基于所确定的差异像素点的位置信息，确定所述笔画位置的真值，包括：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

7.根据权利要求5或6所述的方法，其中，所述样本图像为：经过数据增强处理后的图像；

所述样本图像与所述原始图像的像素差异为：经过数据增强处理后的样本图像，与经过所述数据增强处理后的原始图像的像素差异。

8.一种字幕去除装置，包括：

获取模块，用于获取待处理图像；其中，所述待处理图像为：待去除字幕的图像；

确定模块，用于将所述待处理图像输入预先训练完成的属于深度学习模型的字幕识别模型中，通过模型参数对所述待处理图像中字幕的笔画位置进行识别，得到识别结果；其中，所述字幕识别模型为以样本图像作为输入内容且利用样本图像的输出结果与所述样本图像的针对字幕的笔画位置的真值的差异关系，对所述模型参数进行调整后，所得到的模型；所述样本图像是对不包含字幕的原始图像，进行加字幕处理得到；所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

修复模块，对所述待处理图像中的所述识别结果所表征的位置进行像素修复，得到不包含字幕的修复图像；

所述笔画位置的真值的获取方式，包括：

对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

基于所确定的差异像素点的位置信息，确定所述笔画位置的真值；

其中，所述基于所确定的差异像素点的位置信息，确定所述笔画位置的真值，包括：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

9.一种字幕识别模型的训练装置，包括：

获取模块，用于获取样本图像，以及所述样本图像的针对字幕的笔画位置的真值；其中，所述样本图像为对不包含字幕的原始图像，进行加字幕处理得到的图像，所述笔画位置的真值是基于所述样本图像与所述原始图像的像素差异得到；

输入模块，用于将所述样本图像输入属于深度学习模型的字幕识别模型，得到输出结果；

确定模块，用于基于所述样本图像的输出结果以及所述笔画位置的真值，确定所述字幕识别模型的模型损失；

调整模块，用于响应于利用所述模型损失确定所述字幕识别模型未收敛，调整所述字幕识别模型的模型参数，直至所述字幕识别模型收敛；

所述确定模块，包括：

做差子模块，用于对所述样本图像和所述原始图像相对应位置的像素点进行做差处理，得到处理结果；

第一确定子模块，用于根据所述处理结果，确定所述样本图像和所述原始图像之间的差异像素点的位置信息；

第二确定子模块，用于基于所确定的差异像素点的位置信息，确定所述笔画位置的真值；

其中，所述基于所确定的差异像素点的位置信息，确定所述笔画位置的真值，包括：

将所确定的差异像素点的位置信息，确定为所述笔画位置的真值；

或者，

基于所确定的差异像素点的位置信息，生成所述样本图像对应的字幕掩码图像，作为所述笔画位置的真值；其中，所述字幕掩码图像中与所确定的差异像素点相对应的位置为掩码区域。

10.一种电子设备，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1-7中任一项所述的方法。

11.一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1-7中任一项所述的方法。

Images