[发明专利]一种字符版面确定方法及装置

权利要求书

1.一种字符版面确定方法，其特征在于，包括：

将待测图像输入预先训练的深度全卷积神经网络模型，得到所述深度全卷积神经网络模型输出的字符行区域图像和中轴区域图像，所述字符行区域图像中包括：组成字符行的像素点区域和其余区域，所述中轴区域图像中包括：组成字符行中轴的像素点区域和其余区域；所述深度全卷积神经网络模型为预先利用标注有字符行及其中轴的真实区域的训练图像进行训练得到；

对组成字符行的像素点区域进行字符检测，得到字符行区域包含的目标字符的位置；

根据目标字符与各中轴的像素点区域的位置关系，确定字符行区域所包含的各目标字符分别对应的中轴；

同一字符行区域中对应于同一中轴的各目标字符，按照目标字符的位置与中轴的设定端点的距离关系，确定各目标字符的先后排序顺序，该先后排序顺序作为各目标字符的读序。

2.根据权利要求1所述的方法，其特征在于，所述根据目标字符与各中轴的像素点区域的位置关系，确定字符行区域所包含的各目标字符分别对应的中轴的步骤之前还包括：

采用骨架化算法，将各中轴的像素点区域细化为一条宽度为一个单位像素的曲线。

3.根据权利要求1或2所述的方法，其特征在于，所述根据目标字符与各中轴的像素点区域的位置关系，确定字符行区域所包含的各目标字符分别对应的中轴的步骤包括：

针对各目标字符，确定目标字符所属的字符行区域中包含的中轴的条数；

若仅有一条，则将该唯一一条中轴作为所述目标字符对应的中轴；

若至少包含两条，则计算所述目标字符与包含的每一条中轴的最短距离值；

确定各最短距离值中最小的一个所对应的中轴，作为所述目标字符对应的中轴。

4.根据权利要求1或2所述的方法，其特征在于，所述根据目标字符与各中轴的像素点区域的位置关系，确定字符行区域所包含的各目标字符分别对应的中轴的步骤包括：

针对各目标字符，计算所述目标字符与各中轴的最短距离值；

确定各最短距离值中最小的一个所对应的中轴，作为所述目标字符对应的中轴。

5.根据权利要求2所述的方法，其特征在于，在所述采用骨架化算法，将各中轴的像素点区域细化为一条宽度为一个单位像素的曲线之后，该方法还包括：

以中轴中任意一像素点开始迭代，直至查找到8方向邻域内同属于该中轴的像素点的数量小于2的目标像素点为止，将目标像素点确定为所述中轴的端点；

对于所述中轴的各端点，计算端点与设定原点间的距离，并选取距离最短的一个端点，作为所述中轴的首端点。

6.根据权利要求5所述的方法，其特征在于，所述同一字符行区域中对应于同一中轴的各目标字符，按照目标字符的位置与中轴的设定端点的距离关系，确定各目标字符的先后排序顺序，包括：

同一字符行区域中对应于同一中轴的各目标字符，计算目标字符的位置与中轴的首端点的距离；

按照距离从小到大的顺序，确定各目标字符的先后排序顺序。

7.根据权利要求1或2所述的方法，其特征在于，所述训练图像中字符行的真实区域为，采用多边形标注的字符行的真实区域。

8.根据权利要求1或2所述的方法，其特征在于，所述深度全卷积神经网络模型为多通道深度全卷积神经网络模型，多通道深度全卷积神经网络模型的预训练过程，包括：

利用训练图像中人工标注的字符行的真实区域为正样本，其余未标注为字符行的区域为负样本，输入多通道深度全卷积神经网络模型的第一通道，对所述第一通道进行训练；

利用训练图像中人工标注的字符行的中轴的真实区域为正样本，其余未标注为字符行的中轴的区域为负样本，输入多通道深度全卷积神经网络模型的第二通道，对所述第二通道进行训练。