文字识别方法、装置、计算机可读介质及电子设备与流程

1.本公开涉及计算机技术邻域，具体地，涉及一种文字识别方法、装置、计算机可读介质及电子设备。


背景技术：

2.在基于序列方法的光学字符识别(optical character recognition，ocr)模型中，编码器(encoder)结构广泛被应用于transformer网络结构中，但是这些网络往往只用标签中字符语义进行损失函数的计算，而忽略了字符之间的相对位置所包含的丰富信息。
3.因此，亟需一种能够融合字符位置信息的ocr识别模型。


技术实现要素：

4.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。
5.第一方面，本公开提供一种文字识别方法，包括：获取包含文本的待识别图片；利用文字识别模型识别所述待识别图片中的文字，得到识别结果；其中，所述文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。
6.第二方面，本公开提供一种文字识别装置，包括：获取模块，用于获取包含文本的待识别图片；处理模块，用于利用文字识别模型识别所述待识别图片中的文字，得到识别结果；其中，所述文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。
7.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，所述计算机程序被处理装置执行时实现前述的文字识别方法的步骤。
8.第四方面，本公开提供一种计算机设备，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，以实现前述的文字识别方法的步骤。
9.通过上述技术方案，获取多个包含文本的待识别图片，利用文字识别模型识别待识别图片中的文字，得到识别结果，文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。融合字符位置信息的文字识别模型，能够有效利用样本图片中字符之间的相对位置信息，结合字符本身的语义信息，提高了文字识别的准确率。
10.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
11.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：
12.图1是本公开一个示例性实施例提供的计算机系统的结构示意图。
13.图2是本公开一个示例性实施例提供的文字识别模型的结构示意图。
14.图3是本公开一个示例性实施例提供的一种文字识别方法的流程图。
15.图4是本公开一个示例性实施例提供的另一种文字识别模型的训练方法的流程图。
16.图5是本公开一个示例性实施例提供的步骤s204的子步骤的流程图。
17.图6是本公开一个示例性实施例提供的文字识别模型的训练装置框图。
18.图7是本公开一个示例性实施例提供的电子设备的结构示意图。
19.附图标记说明
20.120-终端；140-服务器；20-文字识别装置；201-获取模块；203-处理模块；205-转换模块；207-训练模块；30-文字识别装置；301-获取模块；303
‑ꢀ
识别模块；600-计算机设备；601-处理装置；602-rom；603-ram；604-总线；605-i/o接口；606-输入装置；607-输出装置；608-存储装置；609-通信装置。
具体实施方式
21.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。
22.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。
23.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”。
24.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。
25.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”。
26.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。
27.图1示出了本公开一个示例性实施例提供的计算机系统的结构示意图，该计算机系统包括终端120和服务器140。
28.终端120与服务器140之间通过有线或者无线网络相互连接。
29.终端120可以包括智能手机、笔记本电脑、台式电脑、平板电脑、智能音箱、智能机器人中的至少一种。
30.终端120包括显示器；显示器用于显示文字识别结果。
31.终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序；上述第一程序被第一处理器调用执行以实现本公开提供的文字识别方法。第一存储器可以包括但不
限于以下几种：随机存取存储器(random accessmemory，ram)、只读存储器(read only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除只读存储器 (erasable programmable read-only memory，eprom)、以及电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)。
32.第一处理器可以是一个或者多个集成电路芯片组成。可选地，第一处理器可以是通用处理器，比如，中央处理器(central processing unit，cpu)或者网络处理器(network processor，np)。可选地，第一处理器可以用于实现本公开提供的文字识别方法。示例性的，终端中的训练的文字识别模型可以是由终端训练得到的；或，由服务器训练得到，终端从服务器获取。
33.服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序，上述第二程序被第二处理器调用来实现本公开提供的文字识别方法。可选地，第二存储器可以包括但不限于以下几种：ram、rom、prom、eprom、eeprom。可选地，第二处理器可以是通用处理器，比如，cpu或者np。
34.服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(contentdelivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。
35.示例性的，本公开提供的文字识别方法可用于智能问答、人工客服等领域的多种自然语言处理任务中的文字识别基础任务。
36.请参阅图2，图2为本公开一个示例性实施例提供的文字识别模型的结构示意图。
37.图2所示的文字识别模型包括图片特征提取模型、至少一个位置融合模块、decoder(解码器)模型及全连接层。
38.在一种实施方式中，该图片特征提取模型可以是image2vector模型， image2vector模型由卷积神经网络(cnn)结构组成，用于提取样本图片中的图片特征，将该特征转换为固定维度的序列(sequence)特征，例如512 长度的固定维度。
39.示例性的，位置融合模块用于提取固定维度的序列特征中的字符的语义信息及位置特征，位置融合模块包括encoder模型、第一全连接层及第二全连接层；其中，encoder模型可以是encoder模型架构下任意一种可行的 encoder算法，本公开对此不作限制，encoder模型用于将图片特征中的文字编码为向量特征，例如利用attention机制提取512维度的向量序列特征；第一全连接层用于对前述的固定维度的向量序列特征进行升维处理，例如将 512维度的向量序列特征映射为2048维度的高维度向量序列特征；第二全连接层用于对得到高维度向量序列特征进行降维处理，例如将2048维度的向量序列特征映射为512维度的向量序列特征，第二全连接层还用于获取向量序列特征中的字符的语义信息及位置特征，然后根据语义信息及位置特征得到位置融合模块的损失函数。
40.在一种实施方式中，文字识别模型包括多个位置融合模块，多个位置融合模块级联，第一个位置融合模块的输出为第二个位置融合模块的输入，第二个位置融合模块的输出为第三个第二个位置融合模块的输的输入，以此类推，通过多个位置融合模块依次对样
本图片进行特征提取，有利于更准确的提取样本图片中的字符的语义信息及位置特征。
41.decoder模型用于将字符的向量序列特征转换为文字。
42.全连接层用于对decoder模型输出的文字进行分类，并输出最终的分类结果。
43.图3为本公开一个示例性实施例提供的一种文字识别方法的流程图，如图3所示，该方法可以包括以下步骤：
44.在步骤s101中，获取包含文本的待识别图片。
45.在步骤s102中，利用文字识别模型识别所述待识别图片中的文字，得到识别结果。
46.其中，文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。
47.在一些实施例中，该文字识别方法可以是图2所示的文字识别模型。图 2所示的文字识别模型包括图片特征提取模型、至少一个位置融合模块、 decoder(解码器)模型及全连接层。在一种实施方式中，该图片特征提取模型可以是image2vector模型，image2vector模型由卷积神经网络(cnn)结构组成，用于提取样本图片中的图片特征，将该特征转换为固定维度的序列 (sequence)特征，例如512长度的固定维度。
48.下面对上述文字识别模型的训练方法进行说明，请参阅图4，图4为本公开一个示例性实施例提供的一种文字识别模型的训练方法的流程图。该方法用于训练图2所示的文字识别模型。该方法由计算机设备来执行，例如，由图1所示的计算机系统中的终端或服务器来执行。图4所示的文字识别方法包括以下步骤：
49.在步骤s201中，获取多个包含文本的样本图片。
50.需要说明的是，获取到的多个样本图片中的每一个样本图片均为包含文本的图片；示例性的，可以通过人工标注的方式，标注出每一个样本图片中的字符的语义信息及位置特征。如图2所示的样本图片，包括的字符语义信息为“lundekvam”，语义信息包括字符分类特征及字符分类特征对应的分类标签，例如第一个字符l为字母，字符l为26个字母中的第12个，那么第一个字符l的字符分类特征为大写字母l，对应的分类标签为12。位置特征为字符之间的相对位置，例如第一个字符l应该与第二个字符u相邻，而不是与第三个字符n相邻，因此可以给出字符相对位置的标签信息，以第一个字符位置为0，第二个字符位置就是1，依次排列下去，最后一个字符的位置为8，位置标签总长度为9。
51.在步骤s202中，提取样本图片中的图片特征，将图片特征转换为固定维度的序列特征。
52.示例性的，可以通过前述的image2vector模型提取样本图片中的图片特征，将图片特征转换为固定维度的序列特征，例如512长度的固定维度。
53.在步骤s203中，对固定维度的序列特征进行维度转换，得到维度转换后的序列特征。
54.示例性的，可以通过前述的位置融合模块对固定维度的序列特征进行维度转换，得到维度转换后的序列特征。示例性的，通过encoder模型的attention 机制提取图片特征中的512维度的向量序列特征，通过第一全连接层对512 维度的向量序列特征进行升维处理，例如将512维度的向量序列特征映射为 2048维度的高维度向量序列特征；然后通过第二全连接层对得到的2048维度的高维度向量序列特征进行降维处理，例如将2048维度的向量序列特征映射为512维度的向量序列特征，最后得到维度转换后的序列特征。
55.在步骤s204中，获取维度转换后的序列特征中的字符的语义信息及位置特征。
56.语义信息包括前述的字符分类特征及字符分类特征对应的分类标签。
57.位置特征包括字符的位置回归特征及位置回归特征对应的位置标签。如图2所示的样本图片，包括的字符语义信息为“lundekvam”，以第一个字符 l位置为0，第二个字符位置就是1，依次排列下去，最后一个字符的位置为8，位置标签总长度为9，字符之间的相对位置记为[0，1，2，3，4，5， 6，7，8]，0-8为字符相对位置的预定义标签，对预定义标签进行归一化处理，得到[0.0，0.11，0.22，0.33，0.44，0.56，0.67，0.79，0.89]，记为样本图片中字符的位置回归特征，0.0、0.11、0.22等为位置回归特征对应的位置标签，如0.0为第一个字符l的位置标签，0.11为二个字符u的位置标签，以此类推。
[0058]
需要说明的是，步骤s204包括子步骤s2041、子步骤s2042、子步骤 s2043、子步骤s2044、子步骤s2045及子步骤s2046，语义信息及位置特征的具体获取方式将在步骤s204的子步骤中进行详细描述。请参阅图5，图5 是本公开一个示例性实施例示出的步骤s204的子步骤的流程图。
[0059]
在子步骤s2041中，获取维度转换后的序列特征中的字符的语义。
[0060]
如图2所示的样本图片，包括的字符语义为“lundekvam”。
[0061]
在子步骤s2042中，根据字符的语义得到字符分类特征。
[0062]“lundekvam”中均为字母，可以得到“lundekvam”字符分类特征为字母。
[0063]
在子步骤s2043中，根据字符分类特征从预定义的字符标签集中获取字符分类特征对应的分类标签。
[0064]
示例性的，可以将26个字母的标签预定义为1-26的数字，记为字符标签集，第一个字符l为26个字母中的第12个，那么第一个字符l的字符分类特征为大写字母l，对应的分类标签为12。
[0065]
在子步骤s2044中，获取维度转换后的序列特征中的字符之间的相对位置。
[0066]
示例性的，第一个字符l应该与第二个字符u相邻，而不是与第三个字符n相邻，第二个字符u与第三个字符n相邻，记为字符之间的相对位置。
[0067]
在子步骤s2045，获取相对位置的预定义位置标签。
[0068]
示例性的，可以给出字符相对位置的预定义位置标签，以第一个字符位置为0，第二个字符位置就是1，依次排列下去，最后一个字符的位置为8，位置标签总长度为9，字符之间的相对位置记为[0，1，2，3，4，5，6，7， 8]，0-8为字符相对位置的预定义标签。
[0069]
在子步骤s2046中，对预定义标签进行归一化处理，得到位置回归特征及位置回归特征对应的位置标签。
[0070]
对预定义标签进行归一化处理，得到[0.0，0.11，0.22，0.33，0.44，0.56， 0.67，0.79，0.89]，记为样本图片中字符的位置回归特征，0.0、0.11、0.22 等为位置回归特征对应的位置标签，如0.0为第一个字符l的位置标签，0.11 为二个字符u的位置标签，以此类推。
[0071]
需要说明的是，子步骤s2041-s2043与子步骤s2044-s2046之间并没有先后执行关系，即可以先执行子步骤s2041-s2043，再执行子步骤 s2044-s2046，也可以先执行子步骤s2044-s2046，再执行子步骤s2041-s2043，或者可以同时执行。
[0072]
在步骤s105中，利用根据语义信息及位置特征得到的损失函数，对文字识别模型
进行训练。
[0073]
根据维度转换后的序列特征中字符的字符分类特征、字符分类特征对应的分类标签，以及位置回归特征、位置回归特征对应的位置标签确定损失函数，根据该损失函数对文字识别模型进行训练。
[0074]
损失函数的计算公式包括：
[0075]
loss1＝ctc(z1，g1)+λmse(z2，g2)
[0076]
其中，ctc为字符分类损失，z1为字符分类特征，g1为分类标签，z2为位置回归特征，λ为系数，λ的取值范围为0-1，mse为字符位置损失，g2为位置标签。
[0077]
需要说明的是loss1为多个位置融合模块中，最后一个位置融合模块的损失函数，在训练过程中将loss1与文字识别模型的其他模块的损失函数相加，得到最终的损失函数，以对文字识别模型进行训练。
[0078]
在一种实施方式中，λ取值为0.2时，文字识别模型可以达到比较好的识别效果。
[0079]
综上所述，本公开提供的文字识别方法，包括获取多个包含文本的待识别图片，利用文字识别模型识别待识别图片中的文字，得到识别结果，文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。融合字符位置信息的文字识别模型，能够有效利用样本图片中字符之间的相对位置信息，结合字符本身的语义信息，提高了文字识别的准确率。
[0080]
图6是本公开一个示例性实施例示出的一种文字识别装置框图。参照图 7，该装置20包括获取模块201和处理模块203。
[0081]
该获取模块201，用于获取包含文本的待识别图片；
[0082]
该处理模块203，用于利用文字识别模型识别所述待识别图片中的文字，得到识别结果；其中，所述文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。
[0083]
该文字识别装置还包括转换模块205和训练模块207。
[0084]
该获取模块201，还用于获取所述多个包含文本的样本图片；
[0085]
该处理模块203，还用于提取所述样本图片中的图片特征，将所述图片特征转换为固定维度的序列特征；
[0086]
该转换模块205，用于对所述固定维度的序列特征进行维度转换，得到维度转换后的序列特征；
[0087]
该获取模块201，还用于获取所述维度转换后的序列特征中的所述字符的语义信息及位置特征；
[0088]
该训练模块207，用于利用根据所述语义信息及所述位置特征得到的损失函数，对文字识别模型进行训练。
[0089]
可选地，该获取模块201还用于
[0090]
获取所述维度转换后的序列特征中的字符的语义；
[0091]
根据所述字符的语义得到所述字符分类特征；
[0092]
根据所述字符分类特征从预定义的字符标签集中获取所述字符分类特征对应的所述分类标签；
[0093]
获取所述维度转换后的序列特征中的字符之间的相对位置；
[0094]
获取所述相对位置的预定义位置标签；
[0095]
对所述预定义标签进行归一化处理，得到所述位置回归特征及所述位置回归特征对应的位置标签。
[0096]
可选地，该训练模块207，还用于根据所述维度转换后的序列特征中字符的字符分类特征、所述字符分类特征对应的分类标签，以及位置回归特征、所述位置回归特征对应的位置标签确定所述损失函数。
[0097]
可选地，所述损失函数的计算公式包括：
[0098]
loss1＝ctc(z1，g1)+λmse(z2，g2)
[0099]
其中，ctc为字符分类损失，z1为所述字符分类特征，g1为所述分类标签，z2为所述位置回归特征，λ为系数，所述λ的取值范围为0-1，mse为字符位置损失，g2为所述位置标签。
[0100]
可选地，该转换模块205，还用于
[0101]
对所述固定维度的序列特征进行升维处理，得到升维处理后的序列特征；
[0102]
对所述升维处理后的序列特征进行降维处理，得到所述维度转换后的序列特征。
[0103]
可选地，所述文字识别模型包括图片特征提取模型、至少一个位置融合模块、decoder模型及全连接层；
[0104]
所述图片特征提取模型用于提取所述文本行图片中的文本行后，将所述文本行转换为固定维度的序列特征；
[0105]
所述位置融合模块包括encoder模型、第一全连接层及第二全连接层；
[0106]
所述第一全连接层用于对所述固定维度的序列特征进行升维处理，得到升维处理后的序列特征；
[0107]
所述第二全连接层用于对所述升维处理后的序列特征进行降维处理，得到所述维度转换后的序列特征；获取所述维度转换后的序列特征中的字符的语义信息及位置特征；根据所述语义信息及所述位置特征得到损失函数。
[0108]
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(例如图1中的终端或服务器)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。
[0109]
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。
[0110]
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。
[0111]
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。
[0112]
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。
[0113]
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。
[0114]
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：获取包含文本的待识别图片；利用文字识别模型识别所述待识别图片中的文字，得到识别结果；其中，所述文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。
[0115]
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)。
[0116]
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。
[0117]
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。
[0118]
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。
[0119]
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。
[0120]
根据本公开的一个或多个实施例，示例1提供了一种文字识别方法，包括：获取包含文本的待识别图片；
[0121]
利用文字识别模型识别所述待识别图片中的文字，得到识别结果；
[0122]
其中，所述文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。
[0123]
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，所述文字识别模型是通过以下方式训练得到：获取所述多个包含文本的样本图片；
[0124]
提取所述样本图片中的图片特征，将所述图片特征转换为固定维度的序列特征；
[0125]
对所述固定维度的序列特征进行维度转换，得到维度转换后的序列特征；
[0126]
获取所述维度转换后的序列特征中的所述字符的语义信息及位置特征；
[0127]
利用根据所述语义信息及所述位置特征得到的损失函数，对文字识别模型进行训练。
[0128]
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，所述语义信息包括字符分类特征、所述字符分类特征对应的分类标签，所述位置特征包括字符的位置回归特征、所述位置回归特征对应的位置标签；
[0129]
所述获取所述维度转换后的序列特征中的字符的语义信息及位置特征的步骤包括：
[0130]
获取所述维度转换后的序列特征中的字符的语义；
[0131]
根据所述字符的语义得到所述字符分类特征；
[0132]
根据所述字符分类特征从预定义的字符标签集中获取所述字符分类特征对应的所述分类标签；
[0133]
获取所述维度转换后的序列特征中的字符之间的相对位置；
[0134]
获取所述相对位置的预定义位置标签；
[0135]
对所述预定义标签进行归一化处理，得到所述位置回归特征及所述位置回归特征对应的位置标签。
[0136]
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述语义特征及所述位置特征得到所述损失函数的方法包括：
[0137]
根据所述维度转换后的序列特征中字符的字符分类特征、所述字符分类特征对应的分类标签，以及位置回归特征、所述位置回归特征对应的位置标签确定所述损失函数。
[0138]
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述损失函数的计算公式包括：
[0139]
loss1＝ctc(z1，g1)+λmse(z2，g2)
[0140]
其中，ctc为字符分类损失，z1为所述字符分类特征，g1为所述分类标签，z2为所述位置回归特征，λ为系数，所述λ的取值范围为0-1，mse为字符位置损失，g2为所述位置标签。
[0141]
根据本公开的一个或多个实施例，示例6提供了示例2的方法，所述对所述固定维度的序列特征进行维度转换，得到维度转换后的序列特征的步骤包括；
[0142]
对所述固定维度的序列特征进行升维处理，得到升维处理后的序列特征；
[0143]
对所述升维处理后的序列特征进行降维处理，得到所述维度转换后的序列特征。
[0144]
根据本公开的一个或多个实施例，示例7提供了示例2的方法，所述文字识别模型包括图片特征提取模型、至少一个位置融合模块、decoder模型及全连接层；
[0145]
所述图片特征提取模型用于提取所述文本行图片中的文本行后，将所述文本行转换为固定维度的序列特征；
[0146]
所述位置融合模块包括encoder模型、第一全连接层及第二全连接层；
[0147]
所述第一全连接层用于对所述固定维度的序列特征进行升维处理，得到升维处理后的序列特征；
[0148]
所述第二全连接层用于对所述升维处理后的序列特征进行降维处理，得到所述维度转换后的序列特征；获取所述维度转换后的序列特征中的字符的语义信息及位置特征；根据所述语义信息及所述位置特征得到损失函数。
[0149]
根据本公开的一个或多个实施例，示例8提供了一种文字识别装置，包括：获取模块，用于获取包含文本的待识别图片；
[0150]
处理模块，用于利用文字识别模型识别所述待识别图片中的文字，得到识别结果；
[0151]
其中，所述文字识别模型是根据多个包含文本的样本图片中的字符的语义信息及位置特征训练得到的。
[0152]
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，所述计算机程序被处理装置执行时实现前述的文字识别方法的步骤。
[0153]
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，以实现前述的文字识别方法的步骤。
[0154]
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。
[0155]
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。
[0156]
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。