CN112434620B - 场景文字识别方法、装置、设备和计算机可读介质 - Google Patents

Abstract

本发明公开的实施例公开了场景文字识别方法、装置、设备和计算机可读介质。该方法包括：对获取的输入图像进行预处理，得到处理后的输入图像；将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果；将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。该实施方式实现了针对图像的场景文字识别，满足用户对文字识别的需求。另外，通过选择设备进行训练，基于训练得到的参数生成场景文字识别模型，避免了大数据量的数据传输，降低了通信代价，也提高了对边缘设备上数据的利用率。

Description

场景文字识别方法、装置、设备和计算机可读介质

技术领域

本发明公开的实施例涉及计算机领域，具体涉及场景文字识别方法、装置、设备和计算机可读介质。

背景技术

目前场景文字识别技术已经广泛应用到工业和商业中，但目前的场景文字识别技术安全性低、数据传输资源网络宽带消耗高。从而严重影响了场景文字识别技术的快速进步和发展。

发明内容

本发明公开的内容部分用于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。本发明公开的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。

本发明公开的实施例提出了场景文字识别方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本发明公开的实施例提供了一种场景文字识别方法，该方法包括：对获取的输入图像进行预处理，得到处理后的输入图像；将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果，其中，所述场景文字识别模型是通过联合学习训练得到的，所述场景文字识别模型的训练包括：响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；控制所述目标设备开始训练；响应于确定所述训练完成，获取训练得到的设备模型的参数；基于所述设备模型的参数，生成所述场景文字识别模型；将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。

第二方面，本发明公开的实施例提供了一种场景文字识别装置，装置包括：处理单元，被配置成对获取的输入图像进行预处理，得到处理后的输入图像；生成单元，被配置成将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果，其中，所述场景文字识别模型是通过联合学习训练得到的，所述场景文字识别模型的训练包括：响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；控制所述目标设备开始训练；响应于确定所述训练完成，获取训练得到的设备模型的参数；基于所述设备模型的参数，生成所述场景文字识别模型；显示单元，被配置成将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。

第三方面，本发明公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。

第四方面，本发明公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。

本发明公开的上述各个实施例中的一个实施例具有如下有益效果：通过对输入图像的预处理，得到用于输入场景文字识别模型的输入图像，从而得到识别结果。实现了针对图像的场景文字识别，满足用户对文字识别的需求。另外，通过选择设备进行训练，基于训练得到的参数生成场景文字识别模型，避免了大数据量的数据传输，降低了通信代价，也提高了对边缘设备上数据的利用率。

附图说明

结合附图并参考以下具体实施方式，本发明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，元件和元素不一定按照比例绘制。

图1是根据本发明公开的实施例的场景文字识别方法的一个应用场景的示意图；

图2是根据本发明公开的场景文字识别方法的实施例的流程图；

图3是根据本发明公开的场景文字识别方法的生成场景文字识别模型的实施例的流程图；

图4是根据本发明公开的场景文字识别装置的实施例的结构示意图；

图5是适于用来实现本发明公开的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发明公开的实施例。虽然附图中显示了本发明公开的某些实施例，然而应当理解的是，本发明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，本发明公开的附图及实施例仅用于示例性作用，并非用于限制本发明公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本发明公开中的实施例及实施例中的特征可以相互组合。

需要注意，本发明公开中提及的“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，本发明公开中提及的“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”。

本发明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。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本发明公开一些实施例的场景文字识别方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以对获取的输入图像102进行预处理，如附图标记103所示，得到处理后的输入图像104。然后，计算设备101可以将处理后的输入图像104输入至预先训练的场景文字识别模型105，输出识别结果106。最后，计算设备101可以将识别结果106传输至目标显示设备107，以及控制目标显示设备107显示识别结果106。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备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计算设备。

继续参考图2，示出了根据本发明公开的场景文字识别方法的实施例的流程200。该方法可以由图1中的计算设备101来执行。该场景文字识别方法，包括以下步骤：

步骤201，对获取的输入图像进行预处理，得到处理后的输入图像。

在实施例中，场景文字识别方法的执行主体(如图1所示的计算设备101)可以对获取的输入图像进行预处理，得到处理后的输入图像。这里，预处理可以是对输入图像进行图像二值化处理。输入图像可以是待识别的包含文字的图像。

在实施例的可选的实现方式中，上述执行主体可以通过有线连接方式或无线连接方式获取上述输入图像。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果。

在实施例中，上述执行主体可以将上述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果。这里，上述场景文字识别模型可以是已经训练好的用于提取图像中的文字的深度神经网络(例如，FedOCR模型)。识别结果可以是输入图像中包含的文字。

在实施例的可选的实现方式中，上述场景文字识别模型的训练包括：响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；控制所述目标设备开始训练；响应于确定所述训练完成，获取训练得到的设备模型的参数；基于所述设备模型的参数，生成所述场景文字识别模型。

步骤203，将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。

在实施例的可选的实现方式中，上述执行主体可以将上述识别结果传输至目标显示设备，以及控制上述目标显示设备显示上述识别结果。

本发明公开的上述各个实施例中的一个实施例具有如下有益效果：通过对输入图像的预处理，得到用于输入场景文字识别模型的输入图像，从而得到识别结果。实现了针对图像的场景文字识别，满足用户对文字识别的需求。另外，通过选择设备进行训练，基于训练得到的参数生成场景文字识别模型，避免了大数据量的数据传输，降低了通信代价，也提高了对边缘设备上数据的利用率。

继续参考图3，示出了根据本发明公开的场景文字识别方法的生成场景文字识别模型的实施例的流程300。该方法可以由图1中的计算设备101来执行。该训练方法，包括以下步骤：

步骤301，响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备。

在实施例中，响应于接收到目标用户的训练请求，场景文字识别方法的执行主体(如图1所示的计算设备101)可以从设备库中选择(例如，随机选择)至少一个设备作为目标设备。上述设备库中存储至少一个用于参与训练的设备。

步骤302，控制所述目标设备开始训练。

在实施例中，上述执行主体可以通过如下步骤控制上述目标设备开始训练：第一步，上述执行主体可以获取初始模型和上述初始模型的模型参数；第二步，上述执行主体可以将上述模型参数传输至上述目标设备；第三步，上述执行主体可以基于上述目标设备的本地数据，控制上述目标设备开始训练。这里，上述初始模型可以是未经训练，或者训练后未达到预设条件的模型。上述初始模型也可以是具有深度神经网络结构的模型。初始模型的存储位置在本发明公开中同样不限制。

可选的，响应于确定达到结束训练条件，上述执行主体可以训练完成。这里，结束训练条件可以是执行预设次数训练任务。上述训练采用了梯度下降算法对模型进行迭代更新。

步骤303，响应于确定所述训练完成，获取训练得到的设备模型的参数。

在实施例中，响应于确定上述训练完成，上述执行主体可以获取训练得到的设备模型的参数。

步骤304，基于所述设备模型的参数，生成所述场景文字识别模型。

在实施例中，上述执行主体可以基于上述设备模型的参数，通过如下步骤生成上述场景文字识别模型：

第一步，上述执行主体将上述设备模型的参数传输至中心服务器。

在实施例的可选的实现方式中，上述执行主体可以基于预设加密方法(例如，对称加密方法)对上述设备模型的参数进行加密。然后，响应于确定上述加密完成，上述执行主体可以将加密后的设备模型的参数传输至上述中心服务器。

第二步，上述执行主体可以控制上述中心服务器对上述设备模型的参数进行聚合，得到聚合参数。

在实施例的可选的实现方式中，上述执行主体可以基于预设聚合算法(例如，平均聚合算法)，控制上述中心服务器对上述设备模型的参数进行取均值，得到均值结果作为聚合参数。

第三步，上述执行主体可以基于上述聚合参数，生成上述场景文字识别模型。

在实施例的可选的实现方式中，上述执行主体可以将上述聚合参数确定为上述初始模型的参数，从而，得到上述场景文字识别模型。

从图3中可以看出，与图2对应的实施例的描述相比，图3对应的一些实施例中的场景文字识别的流程300体现了对如何得到场景文字识别模型进行扩展的步骤。由此，这些实施例描述的方案可以通过选择目标设备、控制目标设备训练而后获取训练的参数。获取的训练的参数来生成场景文字识别模型。另外，对设备模型的参数进行加密，可以防止信息泄露，提高了安全性。

进一步参考图4，作为对上述各图上述方法的实现，本发明公开提供了一种场景文字识别装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，实施例的场景文字识别装置400包括：处理单元401、生成单元402和显示单元403。其中，处理单元401，被配置成对获取的输入图像进行预处理，得到处理后的输入图像；生成单元402，被配置成将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果，其中，所述场景文字识别模型是通过联合学习训练得到的，所述场景文字识别模型的训练包括：响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；控制所述目标设备开始训练；响应于确定所述训练完成，获取训练得到的设备模型的参数；基于所述设备模型的参数，生成所述场景文字识别模型；显示单元403，被配置成将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。

在实施例的可选的实现方式中，上述控制所述目标设备开始训练，包括：获取初始模型和所述初始模型的模型参数；将所述模型参数传输至所述目标设备；基于所述目标设备的本地数据，控制所述目标设备开始训练。

在实施例的可选的实现方式中，上述基于所述设备模型的参数，生成所述场景文字识别模型，包括：将所述设备模型的参数传输至中心服务器；控制所述中心服务器对所述设备模型的参数进行聚合，得到聚合参数；基于所述聚合参数，生成所述场景文字识别模型。

在实施例的可选的实现方式中，上述将所述设备模型的参数传输至中心服务器，包括：基于预设加密方法，对所述设备模型的参数进行加密；响应于确定所述加密完成，将加密后的设备模型的参数传输至所述中心服务器。

在实施例的可选的实现方式中，控制所述中心服务器对所述设备模型的参数进行聚合，得到聚合参数，包括：基于预设聚合算法，控制所述中心服务器对所述设备模型的参数进行聚合，得到聚合参数。

在实施例的可选的实现方式中，基于所述聚合参数，生成所述场景文字识别模型，包括：将所述聚合参数确定为所述初始模型的参数，得到所述场景文字识别模型。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

下面参考图5，其示出了适于用来实现本发明公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本发明公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本发明公开的一些实施例，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，本发明公开的一些实施例包括一种计算机程序产品，其包括承载在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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本发明公开的一些实施例的方法中限定的上述功能。

需要说明的是，本发明公开的一些实施例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。在本发明公开的一些实施例中，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。而在本发明公开的一些实施例中，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装置中所包含的；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：对获取的输入图像进行预处理，得到处理后的输入图像；将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果，其中，所述场景文字识别模型是通过联合学习训练得到的，所述场景文字识别模型的训练包括：响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；控制所述目标设备开始训练；响应于确定所述训练完成，获取训练得到的设备模型的参数；基于所述设备模型的参数，生成所述场景文字识别模型；将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。

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发明公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括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，图示了按照本发明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。

描述于本发明公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括处理单元、生成单元和显示单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，处理单元还可以被描述为“对获取的输入图像进行预处理，得到处理后的输入图像的单元”。

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。

以上描述仅为本发明公开的一些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，本发明公开的实施例中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本发明公开的实施例中公开的(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。

Claims (7)

1.一种场景文字识别方法，其特征在于，包括：

对获取的输入图像进行预处理，得到处理后的输入图像；

将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果，其中，所述场景文字识别模型是通过联合学习训练得到的，所述场景文字识别模型的训练包括：

响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；

获取初始模型和所述初始模型的模型参数，将所述模型参数传输至所述目标设备，控制所述目标设备基于所述目标设备的本地数据采用梯度下降算法对所述模型参数开始训练；

响应于确定所述训练完成，获取训练得到的设备模型的参数；

将所述设备模型的参数传输至中心服务器，控制所述中心服务器对所选择的至少一个目标设备的所述设备模型的参数进行聚合，得到聚合参数，基于所述聚合参数，生成所述场景文字识别模型；

将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。

2.根据权利要求1所述的一种场景文字识别方法，其特征在于，所述将所述设备模型的参数传输至中心服务器，包括：

基于预设加密方法，对所述设备模型的参数进行加密；

响应于确定所述加密完成，将加密后的设备模型的参数传输至所述中心服务器。

3.根据权利要求1所述的一种场景文字识别方法，其特征在于，所述控制所述中心服务器对所选择的至少一个目标设备的所述设备模型的参数进行聚合，得到聚合参数，包括：

基于预设聚合算法，控制所述中心服务器对所选择的至少一个目标设备的所述设备模型的参数进行聚合，得到聚合参数。

4.根据权利要求1所述的一种场景文字识别方法，其特征在于，所述基于所述聚合参数，生成所述场景文字识别模型，包括：

将所述聚合参数确定为所述初始模型的模型参数，得到所述场景文字识别模型。

5.一种场景文字识别装置，其特征在于，包括：

处理单元，被配置成对获取的输入图像进行预处理，得到处理后的输入图像；

生成单元，被配置成将所述处理后的输入图像输入至预先训练的场景文字识别模型，输出识别结果，其中，所述场景文字识别模型是通过联合学习训练得到的，所述场景文字识别模型的训练包括：

响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；

获取初始模型和所述初始模型的模型参数，将所述模型参数传输至所述目标设备，控制所述目标设备基于所述目标设备的本地数据采用梯度下降算法对所述模型参数开始训练；

响应于确定所述训练完成，获取训练得到的设备模型的参数；

将所述设备模型的参数传输至中心服务器，控制所述中心服务器对所选择的至少一个目标设备的所述设备模型的参数进行聚合，得到聚合参数，基于所述聚合参数，生成所述场景文字识别模型；

显示单元，被配置成将所述识别结果传输至目标显示设备，以及控制所述目标显示设备显示所述识别结果。

6.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

7.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。