[發明專利]樣本數據集的生成方法、裝置及電子設備

在審

• 申請號: 202210148525.4
• 申請日: 2022-02-17
• 公開（公告）號: CN114529909A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 黃聚;李煜林;王鵬;謝群義;欽夏孟;姚錕
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06V30/19
• 分類號: G06V30/19;G06K9/62;G06T3/00;G06T7/10;G06T11/60
• 代理公司: 北京博浩百睿知識產權代理有限責任公司 11134
• 代理人: 宮傳芝

本公開提供了樣本數據集的生成方法、裝置及電子設備，涉及人工智能技術領域，尤其涉及深度學習、圖像處理、計算機視覺技術領域，可應用于光學字符識別場景。具體實現方案為：獲取原始圖像，其中，原始圖像中至少包括文本區域；對原始圖像進行色彩變換處理，得到至少一個第一圖像；對至少一個第一圖像進行裁剪處理，得到多個第一子圖像；對多個第一子圖像進行貼合處理，得到多個目標圖像；基于多個目標圖像生成樣本數據集，其中，樣本數據集用于對預設模型進行訓練，預設模型至少用于識別待識別圖像中的文本區域。

技術領域

本公開涉及人工智能技術領域，尤其涉及深度學習、圖像處理、計算機視覺技術領域，可應用于光學字符識別等場景，具體而言，涉及一種樣本數據集的生成方法、裝置及電子設備。

背景技術

目前，隨著OCR(光學字符識別)技術的快速發展，設備逐步替代人工對紙質文件(比如：發票、文章等)所對應的圖像中的文字進行查閱或審核，但由于這些紙質文件的版式復雜多樣，且存在大量文字重疊，文字行長短不一的問題，因此通過相關設備對紙質文件所對應的圖像中的文字進行檢測仍舊存在一定的缺陷。

目前，現有的數據增廣方法對數據本身的利用不夠，沒有充分挖掘數據的潛力，并不能有效增加樣本數據集。

發明內容

本公開提供了一種樣本數據集的生成方法、裝置及電子設備。

根據本公開的一方面，提供了一種樣本數據集的生成方法，包括：獲取原始圖像，其中，原始圖像中至少包括文本區域；對原始圖像進行色彩變換處理，得到至少一個第一圖像；對至少一個第一圖像進行裁剪處理，得到多個第一子圖像；對多個第一子圖像進行貼合處理，得到多個目標圖像；基于多個目標圖像生成樣本數據集，其中，樣本數據集用于對預設模型進行訓練，預設模型至少用于識別待識別圖像中的文本區域。

進一步地，樣本數據集的生成方法還包括：從多個色彩變換處理方式中隨機確定目標處理方式；基于目標處理方式對原始圖像進行色彩變換，得到至少一個第一圖像。

進一步地，樣本數據集的生成方法還包括：在目標處理方式為色彩擾動處理方式時，對原始圖像的顏色通道進行隨機增強，得到至少一個第一圖像，其中，顏色通道至少包括：亮度通道、飽和度通道。

進一步地，樣本數據集的生成方法還包括：在目標處理方式為噪聲添加方式時，從多個噪聲信號中隨機確定目標噪聲信號；基于目標噪聲信號對原始圖像進行噪聲疊加處理，得到至少一個第一圖像。

進一步地，樣本數據集的生成方法還包括：在目標處理方式為灰度處理方式時，將原始圖像轉換為灰度圖像，得到至少一個第一圖像。

進一步地，樣本數據集的生成方法還包括：確定至少一個第一圖像中的每個第一圖像所對應的裁剪數量，其中，裁剪數量表征對每個第一圖像進行裁剪所得到的圖像數量；基于裁剪數量將每個第一圖像裁剪為多個圖像，得到多個第一子圖像。

進一步地，樣本數據集的生成方法還包括：檢測至少一個第一圖像中的目標文本區域；基于裁剪數量以及目標文本區域對每個第一圖像進行裁剪，得到多個第一子圖像，其中，目標文本區域位于多個第一子圖像中的任意一個圖像中。

進一步地，樣本數據集的生成方法還包括：從多個第一子圖像中確定組成每個目標圖像的至少一個第二圖像；隨機確定至少一個第二圖像在對應的目標圖像上的圖像位置；基于圖像位置對至少一個第二圖像進行貼合，得到多個目標圖像。

進一步地，樣本數據集的生成方法還包括：對多個目標圖像進行幾何變換處理，得到多個第三圖像；基于多個第三圖像構建樣本數據集。

進一步地，樣本數據集的生成方法還包括：通過如下任意一種或多種方式對多個目標圖像進行幾何變換處理：對多個目標圖像進行旋轉操作；對多個目標圖像進行仿射變換操作；對多個目標圖像進行透視變換操作。