[發明專利]OCR訓練數據生成方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202110620906.3
• 申請日: 2021-06-03
• 公開（公告）號: CN113361512A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 朱軍;禤少茵
• 申請（專利權）人: 廣州市新文溯科技有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06T5/30
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 謝曲曲

本申請涉及一種OCR訓練數據生成方法、裝置、計算機設備和存儲介質。所述方法包括：通過獲取訓練語料庫，獲取圖像參數信息，根據圖像參數信息建立空白圖像，提取訓練語料庫中預設字符串，按照預設的生成字符參數信息將提取的字符串中的字符寫入空白圖像中，生成初始圖像，對初始圖像進行圖像增強處理，得到訓練圖像，根據訓練圖像生成訓練OCR深度學習引擎的訓練數據。本方案用于優化傳真圖像和掃描圖像的識別，生成的訓練數據中的圖片具備真實傳真圖像或掃描圖像特征，使用該訓練數據進行訓練后的OCR模型在進行識別傳真圖像和掃描圖像時，識別率有著顯著的提升。

技術領域

本申請涉及OCR識別技術領域，特別是涉及一種OCR訓練數據生成方法、裝置、計算機設備和存儲介質。

背景技術

神經網絡模型目前在大多數學科、領域應用上都取得比傳統模型更好的精度效果，同時也具備良好的應用泛化性。目前常用的神經網絡模型主要有卷積神經網絡(CNN)、循環神經網絡(RNN)以及tansformer網絡這三種；同時正在發展的圖神經網絡(GNN)也在生物、化學等領域有著一定的應用。

任何的神經網絡模型離不開模型訓練，這需要構建相關的訓練數據，并與神經網絡模型進行權重訓練。對于OCR模型的訓練任務，需要生成固定尺寸的文本行圖像，并記錄各個圖像對應的文本行字符；將數字圖像輸入至神經網絡模型中，模型對輸入圖像數據進行預測；將輸出的預測文本行字符與真實文本行字符進行計算，得到模型預測的誤差值；將誤差數值對模型參數進行更新。

目前常用的OCR訓練圖像生成方法，是使用random隨機算法生成隨機灰度或者彩色底色的無字符內容圖像。使用opencv等數字圖像處理庫對圖像寫入隨機尺度的字符圖像。并結合簡單的高斯濾波、仿射變化、加粗、裁剪等算法對圖像進行增噪，獲得訓練圖像。

上述使用的訓練圖像生成方法，是針對在自然場景下的字符識別，許多的噪聲處理都是為了增加訓練場景情況的復雜性。但在傳統的掃描電子文檔、傳真文檔的OCR識別任務上，所面對的是字符筆畫的缺失、由于曝光度等問題造成筆畫的細粗化以及傳真條件下的低分辨率問題。因此目前的訓練圖像生成方法無法針對該情況生成相應的訓練數據文件，導致目前的OCR模型在識別掃描電子文檔、傳真文檔的識別率不高。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高OCR識別引擎在識別掃描、傳真文檔字符的準確度的OCR訓練數據生成方法、裝置、計算機設備和存儲介質。

一種OCR訓練數據生成方法，方法包括：

獲取訓練語料庫；

獲取圖像參數信息，根據圖像參數信息建立空白圖像；

提取訓練語料庫中預設字符串，按照預設的生成字符參數信息將提取的字符串中的字符寫入空白圖像中，生成初始圖像；

對初始圖像進行圖像增強處理，得到訓練圖像；

根據訓練圖像生成訓練數據。

在其中一個實施例中，按照預設的生成字符參數信息將提取的字符串中的字符寫入空白圖像中，生成初始圖像，包括：

根據圖像參數信息獲取生成字符參數信息；

從訓練語料庫的字符串中獲取生成字符；

根據生成字符參數信息將生成字符寫入空白圖像，得到初始圖像。

在其中一個實施例中，圖像參數信息包括圖像寬度；根據生成字符參數信息將字符寫入空白圖像，得到初始圖像，包括：

從空白圖像的字符起始水平位置開始，根據生成字符參數信息將生成字符寫入空白圖像中，直到下一個生成字符的字符起始水平位置超過圖像寬度，停止寫入，得到初始圖像。

在其中一個實施例中，對初始圖像進行圖像增強處理，得到訓練圖像，包括：