[發(fā)明專利]一種任意字符組合的OCR數(shù)據(jù)生成的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110978686.1
• 申請(qǐng)日: 2021-08-25
• 公開（公告）號(hào): CN113435163B
• 公開（公告）日: 2021-11-16
• 發(fā)明（設(shè)計(jì)）人: 苗功勛;孫強(qiáng);陳姝;熊英超;韋文峰
• 申請(qǐng)（專利權(quán)）人: 南京中孚信息技術(shù)有限公司
• 主分類號(hào): G06F40/109
• 分類號(hào): G06F40/109;G06F40/242;G06F40/279;G06K9/20
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開了光學(xué)字符識(shí)別技術(shù)領(lǐng)域的一種任意字符組合的OCR數(shù)據(jù)生成的方法，包括通過字符字典、字體庫(kù)和語(yǔ)料庫(kù)生成字符?字體映射字典，得到字符和所有支持的字體之間的對(duì)應(yīng)關(guān)系；從語(yǔ)料庫(kù)中獲取待生成圖片的一行文本，切分文本成多個(gè)字符串，找到各個(gè)字符串與其對(duì)應(yīng)的字體；將找到的各個(gè)字符串對(duì)應(yīng)的字體進(jìn)行排列得到文字圖片；將文字圖片進(jìn)行拼接得到最終圖片；本發(fā)明改進(jìn)了以往OCR數(shù)據(jù)生成時(shí)，在背景圖片上繪制指定文字的環(huán)節(jié)，實(shí)現(xiàn)了任意字符組合的OCR數(shù)據(jù)生成方式，簡(jiǎn)單高效。

技術(shù)領(lǐng)域

本發(fā)明涉及光學(xué)字符識(shí)別技術(shù)領(lǐng)域，具體為一種任意字符組合的OCR數(shù)據(jù)生成的方法。

背景技術(shù)

目前，OCR（光學(xué)字符識(shí)別， Optical Character Recognition）領(lǐng)域的主流算法分為兩種，一種是兩階段算法，另一種是端到端算法。兩階段算法一般由文字檢測(cè)算法和文字識(shí)別算法組成，主要思路是，先使用文字檢測(cè)算法從圖像中獲取文本行的檢測(cè)框，然后再使用文字識(shí)別算法去識(shí)別文本框中的內(nèi)容。端到端算法是在一個(gè)算法中完成文字檢查和文字識(shí)別。雖然端到端算法模型更小，速度更快，但是多用于固定場(chǎng)景的OCR，如票據(jù)類、銀行卡等場(chǎng)景，所以對(duì)于輸入較為靈活的場(chǎng)景，一般還是采用兩階段算法。

在兩階段算法中，文字檢測(cè)算法相對(duì)實(shí)現(xiàn)更加簡(jiǎn)單，所需的數(shù)據(jù)量較少，文字識(shí)別算法則是OCR的核心模塊，直接影響輸出結(jié)果的準(zhǔn)確性，往往需要上百上千萬(wàn)的數(shù)據(jù)進(jìn)行訓(xùn)練，如果全用人工標(biāo)注，將消耗大量的人力，所以一般需要使用數(shù)據(jù)生成的方法以達(dá)到海量數(shù)據(jù)的需求。

對(duì)于文字識(shí)別算法而言，輸入是文字圖片，輸出是圖片對(duì)應(yīng)的文字，所以在生成此類OCR數(shù)據(jù)時(shí)，需要使用文字生成一張對(duì)應(yīng)的文字圖片，同時(shí)保存文字和文字圖片，一般生成步驟如下：

1.從各個(gè)渠道獲取語(yǔ)料庫(kù)，語(yǔ)料庫(kù)的形式多樣，可以是文章、字典也可以是短語(yǔ)。

2.根據(jù)實(shí)際語(yǔ)言需求和目標(biāo)需求，一般會(huì)采用隨機(jī)切割語(yǔ)料中的文章長(zhǎng)度或者隨機(jī)抽取字符組合等各種方式，從語(yǔ)料庫(kù)中生成文本內(nèi)容。

3.生成一張透明圖片，一般為了方便更換文字背景，生成更加真實(shí)的圖片，會(huì)先生成一張透明圖片，在這張透明圖片上生成文字，然后把透明文字圖片粘貼到目標(biāo)背景圖片上。當(dāng)然也有些方法不事先成透明圖片，而是直接在一張背景圖片進(jìn)行裁剪等操作作為文字繪制時(shí)的背景圖片。

4.文字的字體、字體大小、字體顏色等參數(shù)設(shè)置，為了更加接近真實(shí)圖片，往往會(huì)根據(jù)實(shí)際需求，設(shè)定不同的參數(shù)。

5.使用字體在透明圖片（背景圖片）上繪制文字，這一步是文字圖片生成過程中的核心環(huán)節(jié)，文字生成的好壞直接影響算法模型的準(zhǔn)確性。

6.把透明文字圖片進(jìn)行變換，一般會(huì)進(jìn)行加噪，或者變形，加背景圖片等各種變換操作，這樣就生成了最終的文字圖片。

現(xiàn)有的OCR數(shù)據(jù)生成方法中，在以上的各個(gè)步驟中，一般都已經(jīng)有了各種方法實(shí)現(xiàn)，而對(duì)于5這個(gè)環(huán)節(jié)，單一圖片往往只用單一字體生成數(shù)據(jù)，由于字體是分語(yǔ)言的且單個(gè)字體支持的字符數(shù)量有限，對(duì)于不支持的字符，會(huì)用空白或者“#”之類的字符代替，所以生成的數(shù)據(jù)有很大的局限性，主要問題如下：

1. 無(wú)法實(shí)現(xiàn)多語(yǔ)言混合的數(shù)據(jù)生成，一般來說，單個(gè)字體一般只支持一到兩種語(yǔ)言，如果給定的語(yǔ)料使用多種語(yǔ)言，則無(wú)法生成給定文本對(duì)應(yīng)的圖片，而實(shí)際使用時(shí)，存在多語(yǔ)言混用的情況。

2. 無(wú)法支持不常用字符的數(shù)據(jù)生成，以中文為例，中文常見漢字約3500個(gè)，但中文實(shí)際有上萬(wàn)的漢字，單個(gè)字體有時(shí)甚至都無(wú)法覆蓋3500個(gè)漢字，更不用說其他不常用的漢字。

3. 無(wú)法支持特殊符號(hào)的數(shù)據(jù)生成，諸如★、⊙、█、⊕等特殊符號(hào)，還有一些數(shù)學(xué)符號(hào)，有的字體支持這些符號(hào)，更多的字體不支持這些符號(hào)，如果想利用指定字體生成數(shù)據(jù)時(shí)，語(yǔ)料庫(kù)存在這些符號(hào)，則會(huì)導(dǎo)致生成的數(shù)據(jù)有誤，文本內(nèi)容無(wú)法與生成的圖片一致，為模型訓(xùn)練帶來了干擾。