CN115719488A - 文本识别方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本公开提供了文本识别方法、装置、电子设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于OCR等场景。具体实现方案为：在确定待识别图像中的文本为竖排文本的情况下，确定待识别图像的背景复杂度；确定与背景复杂度相匹配的目标识别模式；按照目标识别模式，确定待识别图像中的目标字符区域；以及基于目标字符区域，对待识别图像进行文本识别，得到识别结果。

Description

文本识别方法、装置、电子设备以及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于OCR等场景。尤其涉及文本识别方法、装置、电子设备、存储介质以及程序产品。

背景技术

OCR(Optical Character Recognition，光学字符识别)，可以是指利用电子设备，例如扫描仪或数码相机，采集具有文本内容的待处理图像。并利用文本识别方法，将待处理图像中的文本内容进行识别并转换为计算机可以处理的语言的技术。OCR是自动识别技术研究和应用领域中的一个重要方面。

发明内容

本公开提供了一种文本识别方法、装置、电子设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种文本识别方法，包括：在确定待识别图像中的文本为竖排文本的情况下，确定上述待识别图像的背景复杂度；确定与上述背景复杂度相匹配的目标识别模式；按照上述目标识别模式，确定上述待识别图像中的目标字符区域；以及基于上述目标字符区域，对上述待识别图像进行文本识别，得到识别结果。

根据本公开的另一方面，提供了一种文本识别装置，包括：复杂度确定模块，用于在确定待识别图像中的文本为竖排文本的情况下，确定上述待识别图像的背景复杂度；模式确定模块，用于确定与上述背景复杂度相匹配的目标识别模式；处理模块，用于按照上述目标识别模式，确定上述待识别图像中的目标字符区域；以及识别模块，用于基于上述目标字符区域，对上述待识别图像进行文本识别，得到识别结果。

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；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如本公开的方法。

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，上述计算机指令用于使上述计算机执行如本公开的方法。

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，上述计算机程序在被处理器执行时实现如本公开的方法。

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示意性示出了根据本公开实施例的可以应用文本识别方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的文本识别方法的流程图；

图3示意性示出了根据本公开实施例的利用解码识别模式确定目标字符区域的示意图；

图4示意性示出了根据本公开实施例的字符索引序列的示意图；

图5示意性示出了根据本公开实施例的利用二值化识别模式确定目标字符区域的示意图；

图6示意性示出了根据本公开另一实施例的投影图的示意图；

图7示意性示出了根据本公开另一实施例的文本识别方法的流程图；

图8示意性示出了根据本公开实施例的文本检测框的示意图；

图9示意性示出了根据本公开实施例的文本识别装置的框图；以及

图10示意性示出了根据本公开实施例的适于实现文本识别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。

本公开提供了一种文本识别方法、装置、电子设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种文本识别方法，包括：在确定待识别图像中的文本为竖排文本的情况下，确定待识别图像的背景复杂度；确定与背景复杂度相匹配的目标识别模式；按照目标识别模式，确定待识别图像中的目标字符区域；以及基于目标字符区域，对待识别图像进行文本识别，得到识别结果。

在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、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1示意性示出了根据本公开实施例的可以应用文本识别方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用文本识别方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的文本识别方法及装置。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的文本识别方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的文本识别装置也可以设置于终端设备101、102、或1 03中。

或者，本公开实施例所提供的文本识别方法一般也可以由服务器105执行。相应地，本公开实施例所提供的文本识别装置一般可以设置于服务器105中。本公开实施例所提供的文本识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的文本识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，在用户利用终端设备101、102、103采集视频时，服务器105可以接收到来自终端设备101、102、103的视频，由服务器105对视频进行拆帧，得到多个视频帧；将视频帧作为待识别图像。在确定待识别图像中的文本为竖排文本的情况下，确定待识别图像的背景复杂度。确定与背景复杂度相匹配的目标识别模式。按照目标识别模式，确定待识别图像中的目标字符区域。基于目标字符区域，对待识别图像进行文本识别，得到识别结果。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对待识别图像进行分析，并最终得到识别结果。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的文本识别方法的流程图。

如图2所示，该方法200包括操作S210～S240。

在操作S210，在确定待识别图像中的文本为竖排文本的情况下，确定待识别图像的背景复杂度。

在操作S220，确定与背景复杂度相匹配的目标识别模式。

在操作S230，按照目标识别模式，确定待识别图像中的目标字符区域。

在操作S240，基于目标字符区域，对待识别图像进行文本识别，得到识别结果。

根据本公开的实施例，待识别图像可以是图像或者视频帧，其获取方式不做限定，只要包括文本内容的图像即可。

根据本公开的实施例，竖排文本可以是指按照竖向方式排布的文本。例如，文字内容为故事会三个字，按照由上到下的方式排列，形成竖排文本。

相关技术中的通用文本识别模型，是利用包括横排文本的图像作为训练样本训练得到的。将通用文本识别模型直接应用到识别包括竖排文本的待识别图像中，会导致识别处理效率低以及识别精度低的问题。在确定待识别图像中的文本为竖排文本的情况下，可以利用本公开实施例提供的文本识别方法来识别包括竖排文本的待识别图像，以提高识别精度。

根据本公开的实施例，在确定待识别图像中的文本为竖排文本的情况下，确定待识别图像的背景复杂度。背景复杂度可以指识别难度。可以基于待识别图像的图像清晰度来确定背景复杂度，但是并不局限于此，还可以基于待识别图像的噪声含量来确定背景复杂度。只要背景复杂度能够体现文本识别难度即可。

根据本公开的实施例，确定与背景复杂度相匹配的目标识别模式，可以包括：按照背景复杂度的数值由高到低进行等级划分，预先设置多个背景复杂度等级。生成背景复杂度等级与识别模式之间的映射关系，每个背景复杂度等级与一个识别模式相匹配。基于背景复杂度确定目标背景复杂度等级。基于映射关系，确定与目标背景复杂度等级相匹配的目标识别模式。

根据本公开的实施例，按照目标识别模式，确定待识别图像中的目标字符区域，可以包括：按照目标识别模式，来检测待识别图像中的文字区域，得到待识别图像中的目标字符区域。该目标字符区域可以是用检测框来表示其边界的字符区域。

根据本公开的实施例，基于目标字符区域，对待识别图像进行文本识别，得到识别结果，包括：基于目标字符区域，对待识别图像进行处理，得到处理后的图像；对处理后的图像进行文本识别，得到识别结果。该处理，可以包括以下至少一项：裁剪、旋转、拼接、去除噪声。对处理后的图像进行文本识别可以包括：将处理后的图像输入至通用识别模型中，得到识别结果。

根据本公开的实施例，通用识别模型可以包括CNN(卷积神经网络)+RNN(循环神经网络)+CTC(Connectionist Temporal Classification，连续序列分类)模型或者CNN+RNN+Attention seq2seq模型。但是并不局限于此。只要是现有技术公开的用于进行文本检测和识别的模型即可。

根据本公开的实施例，利用目标识别模式，确定待识别图像中的目标字符区域，以便基于目标字符区域，对待识别图像进行文本识别，得到识别结果，可以对待识别图像进行针对性处理，使得文本识别精准、有效。

根据相关示例，可以采用直接旋转待识别图像的识别方式。例如，可以在确定待识别图像中的文本为竖排文本的情况下，将待识别图像进行旋转，使得待识别图像中的竖排文本转换为横排文本，得到旋转后的图像。将旋转后的图像输入至通用文本识别模型中，得到识别结果。

与直接旋转待识别图像的识别方式相比，利用本公开实施例提供的文本识别方法，适用范围广，能够有效识别特殊字符，避免因采用旋转的方式使得特殊字符例如“三”旋转后成为“川”而导致识别错误的问题。

根据另一相关示例，可以采用竖排识别模型识别的方式。例如，可以采集包括竖排文本的图像，作为训练样本。利用包括竖排文本的图像来训练一个竖排文本识别模型。以便利用竖排文本识别模型处理包括竖排文本的待识别图像，得到识别结果。

与竖排识别模型识别的方式相比，利用本公开实施例提供的文本识别方法，能够快速、有效的对包括竖排文本的待识别图像进行识别，避免因采集训练样本、利用训练样本训练模型等操作而花费大量的时间和成本的问题。

根据本公开的示例性实施例，用于处理待识别图像的识别模式可以包括解码识别模式和二值化识别模式。可以基于背景复杂度来从解码识别模式和二值化识别模式中确定目标识别模式。

根据本公开的实施例，确定与背景复杂度相匹配的目标识别模式，可以包括：在确定背景复杂度大于或者等于预定背景复杂度阈值的情况下，确定目标识别模式为解码识别模式。在确定背景复杂度小于预定背景复杂度阈值的情况下，确定目标识别模式为二值化识别模式。

根据本公开的实施例，预定背景复杂度阈值可以根据实际情况确定，只要是能够基于待识别图像的背景复杂度和预定背景复杂度阈值，适配到待识别图像的目标识别模式即可。

根据本公开的实施例，利用预定背景复杂度来将待识别图像的识别难度进行区分，从而利用适配的目标识别模式来进行识别，使得识别具有针对性的同时，提高识别速度和精度。

根据本公开的实施例，确定待识别图像的背景复杂度，可以包括如下操作。

例如，对待识别图像进行颜色聚类处理，得到待识别图像的颜色类别结果。基于颜色类别结果，确定背景复杂度。

根据本公开的实施例，对待识别图像进行颜色聚类处理，得到待识别图像的颜色类别结果，可以包括：将待识别图像输入至颜色聚类模型中，得到待识别图像的颜色类别结果。该颜色聚类模型可以包括：K-means模型、GMM模型、Mean shift模型或者Quick shift模型。但是并不局限于此。只要是开源的用于进行颜色类别识别的模型结构即可。

根据本公开的实施例，基于颜色类别结果，确定背景复杂度，可以包括：预先生成颜色类别结果与背景复杂度之间的映射关系。基于待识别图像的颜色类别结果和映射关系，确定待识别图像的背景复杂度。例如，颜色类别结果表征颜色种类数量越大，背景复杂度越大，相应的背景复杂度级别越高。进而通过背景复杂度来确定待识别图像的文本识别难度。利用颜色类别结果来确定背景复杂度，能够简单且有效。

根据本公开的实施例，在目标识别模式为解码识别模式的情况下，按照目标识别模式，确定待识别图像中的目标字符区域，可以包括如下操作。

例如，对待识别图像进行特征提取，得到特征图序列。特征图序列包括多个特征图，每个特征图与待识别图像中的一个子图像相对应，子图像为预先从待识别图像中划分的图像。基于特征图序列，得到关于字符类别的概率矩阵。基于概率矩阵，得到字符索引序列。字符索引序列包括多个字符索引标签，字符索引标签为用于表征字符类别的标签。基于字符索引序列，确定待识别图像中的目标字符区域。

图3示意性示出了根据本公开实施例的利用解码识别模式确定目标字符区域的示意图。

如图3所示，对待识别图像310进行特征提取，得到特征图序列320。特征图序列包括多个特征图321，每个特征图与待识别图像中的一个子图像311相对应，子图像为预先从待识别图像310中划分的图像。基于特征图序列320，得到关于字符类别330的概率矩阵340。字符类别包括多个，例如{a，b，c，……，x，y，z，-}等，需要说明的是，字符类别“-”用于表征空白，例如无字符。基于概率矩阵340，得到字符索引序列350。字符索引序列350包括多个字符索引标签351。每个字符索引标签与待识别图像中的一个子图像相对应。可以基于字符索引序列350，确定待识别图像310中的目标字符区域312。

根据本公开的实施例，对待识别图像进行特征提取，得到特征图序列，可以包括：将待识别图像输入至特征提取模块中，得到特征图序列。特征提取模块可以包括以下至少一项：卷积神经网络、循环神经网络。

根据本公开的实施例，概率矩阵可以是通过激活函数Softmax处理后的后验概率矩阵。概率矩阵可以包括多个列向量，每个列向量与一个子图像相对应。列向量中每个元素用于表征子图像中对应的字符类别的预测概率。对列向量进行ArgMax函数操作，可以获得与列向量相对应的子图像中字符的字符类别。

根据本公开的实施例，可以利用CTC原理处理概率矩阵，得到CTC算法中间结果，例如字符索引序列。例如，利用CTC算法中序列合并机制以及全局最优方式处理概率矩阵，得到字符索引序列。序列合并机制又称Blank机制，主要包括：在重复的字符之间插入一个“-”的情况下，连续相同字符不进行合并，否则删除字符序列中的连续重复字符。全局最优方式也称寻找概率值最大的路径。可以利用Greedy Search或者BeamSearch方法。

根据本公开的实施例，利用解码识别模式来确定待识别图像中的目标字符区域，能够针对背景复杂度较高、识别难度较大的待识别图像进行文本识别，在降低耗时的同时，提高本公开实施例提供的文本识别方法的应用范围。

根据本公开的实施例，基于字符索引序列，确定待识别图像中的目标字符区域，可以包括如下操作。

例如，从字符索引序列中确定目标字符索引标签。确定目标字符索引标签在字符索引序列中的排列位置信息。基于排列位置信息，确定目标字符区域的中心位置信息。基于目标字符索引标签的数量、待识别图像的尺寸和中心位置信息，确定待识别图像中的目标字符区域。

根据本公开的实施例，字符索引序列包括多个字符索引标签。字符索引标签为用于表征子图像中对应的字符类别的标签。字符类别可以包括非空白字符类别，例如A字符类别、B字符类别等，还可以包括空白字符类别，例如无字符，可以用字符索引标签0来标识。可以从字符索引序列中将用于表征非空白字符类别的字符索引标签作为目标字符索引标签。用于表征非空白字符类别的字符索引标签可以用其他数字来标识。

图4示意性示出了根据本公开实施例的字符索引序列的示意图。

如图4所示，待识别图像410中的竖排文本为“第07集”，利用本公开实施例提供的文本识别方法中的解码识别模式处理待识别图像410，得到字符索引序列420。字符索引序列420中包括28个字符索引标签。可以基于字符索引标签数量确定待识别图像被划分为28个子图像。字符索引序列420中包括3个用于表征非空白字符类别的字符索引标签，例如“479”、“393”和“1098”。将“479”、“393”和“1098”作为目标字符索引标签。

根据本公开的实施例，可以基于目标索引标签在字符索引序列中的排列位置信息，例如“479”排在字符索引序列的第3位。基于该排列位置信息，确定目标字符区域的中心在待识别图像中的位置信息，即中心位置信息。基于目标字符索引标签的数量可以确定目标字符区域的数量，例如多个字符的数量。基于中心位置信息、目标字符索引标签的数量和待识别图像的尺寸，确定待识别图像中的目标字符区域。

需要说明的是，待识别图像的尺寸，可以包括待识别图像的长和宽。但是并不局限于此。待识别图像的尺寸，还可以包括待识别图像中的文本检测框的尺寸，例如文本检测框的长和宽。

如图4所示，可以基于中心位置信息、目标字符索引标签的数量和待识别图像的尺寸，确定待识别图像中的目标字符区域包括“第”目标字符区域、“07”目标字符区域以及“集”目标字符区域。

根据本公开的实施例，在确定目标识别模式为二值化识别模式的情况下，按照目标识别模式，确定待识别图像中的目标字符区域，包括如下操作。

例如，对待识别图像进行二值化处理，得到二值化图像。对二值化图像进行水平投影，得到投影图。基于投影图，确定待识别图像中的目标字符区域。

图5示意性示出了根据本公开实施例的利用二值化识别模式确定目标字符区域的示意图。

如图5所示，待识别图像510中包括竖排文本“第07集”。可以采用自适应二值化算法对待识别图像510进行二值化处理，得到黑底白字的二值化图像520。对二值化图像520进行水平投影，得到投影图530。基于投影图530，确定待识别图像510中的目标字符区域540。

根据相关示例，可以对二值化图像进行竖直投影，得到投影图，基于投影图，确定待识别图像中的目标字符区域。

与竖直投影的方式相比，对二值化图像进行水平投影，能够符合竖排文本的场景，避免将多行文本的文字投影为一个字符。

根据本公开的实施例，利用二值化识别模式对待识别图像进行识别，针对背景复杂度低于预定背景复杂度阈值的待识别图像，能够在保证识别精度的同时，简化识别过程，提高识别效率。

根据本公开的实施例，基于投影图，确定待识别图像中的目标字符区域，可以包括：将投影图中的每个连通域(又称投影域)作为一个目标字符区域。利用本公开的实施例，可以将竖排文本“第07集”中的横向排列的“07”作为一个字符来识别，有助于后续文本识别。

需要说明的是，投影图是通过水平投影二值化图像得到的，所以针对上下结构且中间有间隔的文字，例如“吉”，经水平投影后，会在投影图中显示为具有间隔的两个连通域。在此情况下，可以通过下述操作来避免误将一个文字识别为两个目标字符区域。

例如，基于投影图，确定待识别图像中的目标字符区域，包括：基于投影图，确定多个连通域。确定相邻两个连通域之间的间隔距离，得到多个间隔距离。基于多个间距距离，从多个连通域中确定目标字符区域。

根据本公开的实施例，基于多个间距距离，从多个连通域中确定目标字符区域，可以包括：针对多个间距距离中的每个间距距离，基于间距距离和预定连通域高度，确定两个目标连通域是否满足预定条件。在两个目标连通域满足预定条件的情况下，将两个目标连通域确定为一个目标字符区域。在两个目标连通域不满足预定条件的情况下，将两个目标连通域确定为两个目标字符区域。

图6示意性示出了根据本公开另一实施例的投影图的示意图。

如图6所示，投影图600中包括3个连通域，针对间距610，与间距610相匹配的有两个目标连通域，例如第一目标连通域620和第二目标连通域630。可以基于间距610的间距距离H，确定第一目标连通域620和第二目标连通域630是否满足预定条件。

根据本公开的实施例，两个目标连通域满足于预定条件，可以包括：两个目标连通域之间的间距距离小于或者等于预定连通域高度。两个目标连通域不满足预定条件，可以包括：两个目标连通域之间的间距距离大于预定连通域高度。

根据本公开的实施例，预定连通域高度可以根据实际情况设定。例如，预定连通域高度可以是两个目标连通域的平均高度的一半，但是并不局限于此，还可以是多个连通域的平均高度的一半。只要是能够用于区分两个目标连通域之间的关联关系的预定连通域高度即可。

根据本公开的实施例，在确定两个目标连通域之间的间距距离大于预定连通域高度的情况下，说明两个目标连通域为两个字符，则可以拆分为两个目标字符区域。在确定两个目标连通域之间的间距距离小于或者等于预定连通域高度的情况下，说明两个目标连通域为一个呈上下结构的字符，可以将两个目标连通域合并，作为一个目标字符区域。

根据本公开的实施例，在对待处理图像进行二值化模式识别的情况下，能够利用连通域的间隔距离来确定是否将相邻连通域进行合并，由此提高了特殊字符例如上下结构字符的目标字符区域的识别精度，进而提高对竖排文本的识别精度。

图7示意性示出了根据本公开另一实施例的文本识别方法的流程图。

如图7所示，方法可以包括操作S710～S780。

在操作S710，对待识别图像进行文本检测，确定待识别图像中的每个字符和与字符相邻的字符之间的间距。

根据本公开的实施例，可以对待识别图像进行文本检测，确定字符A和与字符A相邻的字符B在竖直方向上的间距例如第一间距，以及字符A和与字符A相邻的字符C在水平方向上的间距例如第二间距。

根据本公开的实施例，可以利用行文本检测模块对待识别图像进行文本检测，确定每个字符字符和与字符相邻的字符之间的间距。文本检测模块可以包括以下至少一项：Pixel Link、SegLink(Segment Link)、EAST(Efficient and Accuracy Scene Textdetection pipeline)。但是并不局限于此，只要是能够从图像中检测文本的模型即可。在操作S720，基于第一间距和第二间距，确定待识别图像中的文本的排布类型。

根据本公开的实施例，排布类型可以包括竖排类型和横排类型。竖排类型的文本为竖排文本。横排类型的文本为横排文本。针对多个字符，均确定第一间距小于第二间距。在此情况下，确定文本的排布类型为竖排类型。针对多个字符，均确定第一间距大于或者等于第二间距。在此情况下，确定排布类型为横排类型。

在操作S730，在确定待识别图像中的文本为竖排文本的情况下，确定待识别图像的背景复杂度。

在操作S740，确定与背景复杂度相匹配的目标识别模式。

在操作S750，按照目标识别模式，确定待识别图像中的目标字符区域。

在操作S760，基于目标字符区域，对待识别图像进行切分，得到字符图像。

根据本公开的实施例，目标字符区域存在多个。基于目标字符区域，对待识别图像进行切分，得到字符图像，可以包括：按照目标字符区域的数量，对待识别图像进行切分，得到与多个目标字符区域一一对应的多个字符图像。

根据本公开的实施例，对待识别图像进行切分，可以包括：基于目标字符区域的数量，以及文本检测框的尺寸，对文本检测框进行分割，得到与多个目标字符区域一一对应的多个字符图像。

在操作S770，基于字符图像，生成横向文本图像。

根据本公开的实施例，可以按照目标字符的排列顺序，将多个字符图像进行横向拼接，生成横向文本图像。

根据本公开的示例性实施例，可以按照框形来进行切分，得到框形的字符图像。确定每个字符图像的长和宽，并确定多个字符图像的平均长和平均宽。将不符合平均长和平均宽的字符图像，进行缩放操作，得到符合平均长和平均宽的多个字符图像。将符合平均长和平均宽的多个字符图像进行横向拼接，得到横向文本图像。

在操作S780，对横向文本图像进行文本识别，得到识别结果。

根据本公开的实施例，对横向文本图像进行文本识别，得到识别结果可以包括：将横向文本图像输入至通用识别模型中，得到识别结果。

根据本公开的实施例，利用上述方式得到的横向文本图像，有利于通用识别模型的文本识别，在避免对通用识别模型进行进一步训练的同时，提高识别精度。

图8示意性示出了根据本公开实施例的文本检测框的示意图。

如图8所示，对第一待识别图像810进行文本检测，以第一列第一行的字符“第”为例，确定相邻两个字符“第”与“第”之间的第二间距，例如在水平方向的间距，为L1，确定相邻两个字符“第”与“07”之间的第一间距，例如在竖直方向上的间距，为L2。确定L1大于L2。以此为例，确定每个字符与相邻字符之间的第一间距或者第二间距，得到与每个字符相对应的第一间距和第二间距。在确定与每个字符相对应的第一间距小于第二间距的情况下，确定第一待识别图像810中的文本为竖排文本。如图8所示，对第二待识别图像820进行文本检测。以第一列第一行的字符“第”为例，确定相邻两个字符“第”与“第”之间的第一间距，例如在竖直方向上的间距，为L3，确定相邻两个字符“第”与“07”之间的第二间距，例如在水平方向上的间距，为L4。确定L3大于L4。以此为例，确定每个字符与相邻字符之间的第一间距或者第二间距，得到与每个字符相对应的第一间距和第二间距。在确定与每个字符相对应的第一间距大于第二间距的情况下，确定第二待识别图像820中的文本为横排文本。

根据本公开的实施例，利用上述方式确定待识别图像中的文本的排布方式，有效且简单。

图9示意性示出了根据本公开实施例的文本识别装置的框图。

如图9所示，文本识别装置900，包括：复杂度确定模块910、模式确定模块920、处理模块930以及识别模块940。

复杂度确定模块910，用于在确定待识别图像中的文本为竖排文本的情况下，确定待识别图像的背景复杂度。

模式确定模块920，用于确定与背景复杂度相匹配的目标识别模式。

处理模块930，用于按照目标识别模式，确定待识别图像中的目标字符区域。

识别模块940，用于基于目标字符区域，对待识别图像进行文本识别，得到识别结果。

根据本公开的实施例，目标识别模式包括解码识别模式。

根据本公开的实施例，处理模块包括：特征提取子模块、矩阵处理子模块、标签处理子模块以及第一区域确定子模块。

特征提取子模块，用于对待识别图像进行特征提取，得到特征图序列，其中，特征图序列包括多个特征图，每个特征图与待识别图像中的一个子图像相对应，子图像为预先从待识别图像中划分的图像。

矩阵处理子模块，用于基于特征图序列，得到关于字符类别的概率矩阵。

标签处理子模块，用于基于概率矩阵，得到字符索引序列，其中，字符索引序列包括多个字符索引标签，字符索引标签为用于表征字符类别的标签。

第一区域确定子模块，用于基于字符索引序列，确定待识别图像中的目标字符区域。

根据本公开的实施例，第一区域确定子模块包括：标签确定单元、排列确定单元以及中心确定单元。

标签确定单元，用于从字符索引序列中确定目标字符索引标签。

排列确定单元，用于确定目标字符索引标签在字符索引序列中的排列位置信息。

中心确定单元，用于基于排列位置信息，确定目标字符区域的中心位置信息。

第一区域确定单元，用于基于目标字符索引标签的数量、待识别图像的尺寸和中心位置信息，确定待识别图像中的目标字符区域。

根据本公开的实施例，目标识别模式包括二值化识别模式。

根据本公开的实施例，处理模块包括：二值化处理子模块、投影子模块以及第二区域确定子模块。

二值化处理子模块，用于对待识别图像进行二值化处理，得到二值化图像。

投影子模块，用于对二值化图像进行水平投影，得到投影图。

第二区域确定子模块，用于基于投影图，确定待识别图像中的目标字符区域。

根据本公开的实施例，第二区域确定子模块包括：连通域确定单元、距离确定单元以及第二区域确定单元。

连通域确定单元，用于基于投影图，确定多个连通域。

距离确定单元，用于确定相邻两个连通域之间的间隔距离，得到多个间隔距离。

第二区域确定单元，用于基于多个间距距离，从多个连通域中确定目标字符区域。

根据本公开的实施例，模式确定模块包括：第一模式确定子模块。

第一模式确定子模块，用于在确定背景复杂度大于或者等于预定背景复杂度阈值的情况下，确定目标识别模式为解码识别模式。

根据本公开的实施例，模式确定模块包括：第二模式确定子模块。

第二模式确定子模块，用于在确定背景复杂度小于预定背景复杂度阈值的情况下，确定目标识别模式为二值化识别模式。

根据本公开的实施例，复杂度确定模块包括：聚类子模块以及复杂度确定子模块。

聚类子模块，用于对待识别图像进行颜色聚类处理，得到待识别图像的颜色类别结果。

复杂度确定子模块，用于基于颜色类别结果，确定背景复杂度。

根据本公开的实施例，识别模块包括：切分子模块、生成子模块以及识别子模块。

切分子模块，用于基于目标字符区域，对待识别图像进行切分，得到字符图像。

生成子模块，用于基于字符图像，生成横向文本图像。

识别子模块，用于对横向文本图像进行文本识别，得到识别结果。

根据本公开的实施例，文本识别装置还包括：检测模块以及排布确定模块。

检测模块，用于对待识别图像进行文本检测，确定待识别图像中的每个字符和与字符相邻的字符之间的间距，其中，间距包括在竖直方向上的第一间距和在水平方向上的第二间距。

排布确定模块，用于基于第一间距和第二间距，确定待识别图像中的文本的排布类型，其中，排布类型包括竖排类型和横排类型。

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。

根据本公开的实施例，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，存储器存储有可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，以使至少一个处理器能够执行如本公开实施例的方法。

根据本公开的实施例，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如本公开实施例的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例的方法。

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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002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，也可以是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，本发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 (21)

1.一种文本识别方法，包括：

在确定待识别图像中的文本为竖排文本的情况下，确定所述待识别图像的背景复杂度；

确定与所述背景复杂度相匹配的目标识别模式；

按照所述目标识别模式，确定所述待识别图像中的目标字符区域；以及

基于所述目标字符区域，对所述待识别图像进行文本识别，得到识别结果。

2.根据权利要求1所述的方法，其中，所述确定与所述背景复杂度相匹配的目标识别模式，包括：

在确定所述背景复杂度大于或者等于预定背景复杂度阈值的情况下，确定所述目标识别模式为解码识别模式；以及

在确定所述背景复杂度小于所述预定背景复杂度阈值的情况下，确定所述目标识别模式为二值化识别模式。

3.根据权利要求2所述的方法，其中，所述目标识别模式包括所述解码识别模式；

所述按照所述目标识别模式，确定所述待识别图像中的目标字符区域，包括：

对所述待识别图像进行特征提取，得到特征图序列，其中，所述特征图序列包括多个特征图，每个所述特征图与所述待识别图像中的一个子图像相对应，所述子图像为预先从所述待识别图像中划分的图像；

基于所述特征图序列，得到关于字符类别的概率矩阵；

基于所述概率矩阵，得到字符索引序列，其中，所述字符索引序列包括多个字符索引标签，所述字符索引标签为用于表征字符类别的标签；以及

基于所述字符索引序列，确定所述待识别图像中的目标字符区域。

4.根据权利要求3所述的方法，其中，所述基于所述字符索引序列，确定所述待识别图像中的目标字符区域，包括：

从所述字符索引序列中确定目标字符索引标签；

确定所述目标字符索引标签在所述字符索引序列中的排列位置信息；

基于所述排列位置信息，确定所述目标字符区域的中心位置信息；以及

基于所述目标字符索引标签的数量、所述待识别图像的尺寸和所述中心位置信息，确定所述待识别图像中的所述目标字符区域。

5.根据权利要求2所述的方法，其中，所述目标识别模式包括所述二值化识别模式；

所述按照所述目标识别模式，确定所述待识别图像中的目标字符区域，包括：

对所述待识别图像进行二值化处理，得到二值化图像；

对所述二值化图像进行水平投影，得到投影图；以及

基于所述投影图，确定所述待识别图像中的目标字符区域。

6.根据权利要求5所述的方法，其中，所述基于所述投影图，确定所述待识别图像中的目标字符区域，包括：

基于所述投影图，确定多个连通域；

确定相邻两个所述连通域之间的间隔距离，得到多个间隔距离；以及

基于所述多个间距距离，从所述多个连通域中确定所述目标字符区域。

7.根据权利要求1所述的方法，其中，所述确定所述待识别图像的背景复杂度，包括：

对所述待识别图像进行颜色聚类处理，得到所述待识别图像的颜色类别结果；以及

基于所述颜色类别结果，确定所述背景复杂度。

8.根据权利要求1所述的方法，其中，所述基于所述目标字符区域，对所述待识别图像进行文本识别，得到识别结果，包括：

基于所述目标字符区域，对所述待识别图像进行切分，得到字符图像；

基于所述字符图像，生成横向文本图像；以及

对所述横向文本图像进行文本识别，得到识别结果。

9.根据权利要求1所述的方法，还包括：

对所述待识别图像进行文本检测，确定所述待识别图像中的每个字符和与所述字符相邻的字符之间的间距，其中，所述间距包括在竖直方向上的第一间距和在水平方向上的第二间距；以及

基于所述第一间距和所述第二间距，确定所述待识别图像中的文本的排布类型，其中，所述排布类型包括竖排类型和横排类型。

10.一种文本识别装置，包括：

复杂度确定模块，用于在确定待识别图像中的文本为竖排文本的情况下，确定所述待识别图像的背景复杂度；

模式确定模块，用于确定与所述背景复杂度相匹配的目标识别模式；

处理模块，用于按照所述目标识别模式，确定所述待识别图像中的目标字符区域；以及

识别模块，用于基于所述目标字符区域，对所述待识别图像进行文本识别，得到识别结果。

11.根据权利要求10所述的装置，其中，所述模式确定模块包括：

第一模式确定子模块，用于在确定所述背景复杂度大于或者等于预定背景复杂度阈值的情况下，确定所述目标识别模式为解码识别模式；以及

第二模式确定子模块，用于在确定所述背景复杂度小于所述预定背景复杂度阈值的情况下，确定所述目标识别模式为二值化识别模式。

12.根据权利要求11所述的装置，其中，所述目标识别模式包括所述解码识别模式；

所述处理模块包括：

特征提取子模块，用于对所述待识别图像进行特征提取，得到特征图序列，其中，所述特征图序列包括多个特征图，每个所述特征图与所述待识别图像中的一个子图像相对应，所述子图像为预先从所述待识别图像中划分的图像；

矩阵处理子模块，用于基于所述特征图序列，得到关于字符类别的概率矩阵；

标签处理子模块，用于基于所述概率矩阵，得到字符索引序列，其中，所述字符索引序列包括多个字符索引标签，所述字符索引标签为用于表征字符类别的标签；以及

第一区域确定子模块，用于基于所述字符索引序列，确定所述待识别图像中的目标字符区域。

13.根据权利要求12所述的装置，其中，所述第一区域确定子模块包括：

标签确定单元，用于从所述字符索引序列中确定目标字符索引标签；

排列确定单元，用于确定所述目标字符索引标签在所述字符索引序列中的排列位置信息；

中心确定单元，用于基于所述排列位置信息，确定所述目标字符区域的中心位置信息；以及

第一区域确定单元，用于基于所述目标字符索引标签的数量、所述待识别图像的尺寸和所述中心位置信息，确定所述待识别图像中的所述目标字符区域。

14.根据权利要求11所述的装置，其中，所述目标识别模式包括所述二值化识别模式；

所述处理模块包括：

二值化处理子模块，用于对所述待识别图像进行二值化处理，得到二值化图像；

投影子模块，用于对所述二值化图像进行水平投影，得到投影图；以及

第二区域确定子模块，用于基于所述投影图，确定所述待识别图像中的目标字符区域。

15.根据权利要求14所述的装置，其中，所述第二区域确定子模块包括：

连通域确定单元，用于基于所述投影图，确定多个连通域；

距离确定单元，用于确定相邻两个所述连通域之间的间隔距离，得到多个间隔距离；以及

第二区域确定单元，用于基于所述多个间距距离，从所述多个连通域中确定所述目标字符区域。

16.根据权利要求10所述的装置，其中，所述复杂度确定模块包括：

聚类子模块，用于对所述待识别图像进行颜色聚类处理，得到所述待识别图像的颜色类别结果；以及

复杂度确定子模块，用于基于所述颜色类别结果，确定所述背景复杂度。

17.根据权利要求10所述的装置，其中，所述识别模块包括：

切分子模块，用于基于所述目标字符区域，对所述待识别图像进行切分，得到字符图像；

生成子模块，用于基于所述字符图像，生成横向文本图像；以及

识别子模块，用于对所述横向文本图像进行文本识别，得到识别结果。

18.根据权利要求10所述的装置，还包括：

检测模块，用于对所述待识别图像进行文本检测，确定所述待识别图像中的每个字符和与所述字符相邻的字符之间的间距，其中，所述间距包括在竖直方向上的第一间距和在水平方向上的第二间距；以及

排布确定模块，用于基于所述第一间距和所述第二间距，确定所述待识别图像中的文本的排布类型，其中，所述排布类型包括竖排类型和横排类型。

19.一种电子设备，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至9中任一项所述的方法。

20.一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至9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至9中任一项所述的方法。

Images