[發明專利]用于光學字符識別的訓練數據生成方法、系統和電子設備

有效

• 申請號: 201811112547.5
• 申請日: 2018-09-21
• 公開（公告）號: CN109272043B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 郭新然;劉永強;桂晨光;鄧超;王超
• 申請（專利權）人: 京東數字科技控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 趙婷

本公開提供了一種用于光學字符識別的訓練數據生成方法，包括獲得文字信息，獲得背景圖像，所述背景圖像包括從真實場景的圖像中提取的第一背景圖像，以及基于所述文字信息以及所述背景圖像，生成用于光學字符識別的訓練數據。本公開還提供了一種用于光學字符識別的訓練數據生成系統、一種電子設備以及一種計算機可讀存儲介質。

技術領域

本公開涉及計算機技術領域，更具體地，涉及一種用于光學字符識別的訓練數據生成方法、系統和電子設備。

背景技術

隨著機器學習，深度學習的發展，在光學字符識別(OCR)領域，之前一些傳統的分類識別方法，被各種深度神經網絡所代替，相比于傳統方法，深度學習算法可以自主的提取特征，進行學習，獲得更好的識別效果。但是，深度學習常常依靠數據推動，為了得到一個好的模型，往往需要上億甚至更多的數據來支撐這個訓練過程，現實中的訓練樣本往往達不到這么多，所以需要利用樣本生成算法生成文字訓練樣本進行訓練。

發明內容

有鑒于此，本公開提供了一種用于光學字符識別的訓練數據生成方法、系統和電子設備。

本公開的一個方面提供了一種用于光學字符識別的訓練數據生成方法，包括獲得文字信息，獲得背景圖像，所述背景圖像包括從真實場景的圖像中提取的第一背景圖像，以及基于所述文字信息以及所述背景圖像，生成用于光學字符識別的訓練數據。

根據本公開實施例，所述基于所述文字信息以及所述背景圖像，生成用于光學字符識別的訓練數據包括，基于所述文字信息以及所述背景圖像，分批次生成用于光學字符識別的訓練數據，其中，在生成訓練數據的過程中，調整參數使每批次生成的訓練數據的數量增加。

根據本公開實施例，所述獲得文字信息包括從字符集中隨機選取多個字符作為文字信息，以及/或者，從語料庫中隨機抽取連續字符串作為文字信息。

根據本公開實施例，所述方法還包括去除所述語料庫中重復的語料，以及/或者，在所述字符集包括多種字體的字符的情況下，從所述字符集中剔除錯誤字符，所述錯誤字符包括不支持特定字體的特定字符。

根據本公開實施例，所述獲得背景圖像包括隨機選用第一方式或第二方式獲得背景圖像，其中，所述第一方式包括從背景庫中選取從真實場景的圖像中提取的第一背景圖像作為背景圖像，所述第二方式包括基于圖像處理方法隨機生成的第二背景圖像作為背景圖像。

根據本公開實施例，所述基于圖像處理方法隨機生成的第二背景圖像作為背景圖像包括獲得文字顏色，獲得顏色差值范圍，基于所述文字顏色以及所述顏色差值范圍，確定背景顏色，以及基于所述背景顏色，生成背景圖像。

根據本公開實施例，所述基于所述文字信息以及所述背景圖像，生成用于光學字符識別的訓練數據包括組合所述文字信息和所述背景圖像，獲得組合圖像，以及處理所述組合圖像，生成用于光學字符識別的訓練數據。

根據本公開實施例，所述處理所述組合圖像包括將所述組合圖像縮小，然后放大到原始尺寸，以及/或者，將所述組合圖像按照圖像質量因子存儲為jpg格式，其中，所述圖像質量因子的值設定在預設范圍內。

本公開的另一個方面提供了一種用于光學字符識別的訓練數據生成系統，包括文字獲得模塊、背景獲得模塊以及數據生成模塊。文字獲得模塊，用于獲得文字信息。背景獲得模塊，用于獲得背景圖像，所述背景圖像包括從真實場景的圖像中提取的第一背景圖像。數據生成模塊，用于基于所述文字信息以及所述背景圖像，生成用于光學字符識別的訓練數據。

根據本公開實施例，所述數據生成模塊用于基于所述文字信息以及所述背景圖像，分批次生成用于光學字符識別的訓練數據，其中，在生成訓練數據的過程中，調整參數使每批次生成的訓練數據的數量增加。

根據本公開實施例，所述文字獲得模塊用于執行從字符集中隨機選取多個字符作為文字信息，以及/或者，從語料庫中隨機抽取連續字符串作為文字信息。