[发明专利]文本检测方法、装置及计算机可读存储介质

说明书

本申请公开了一种文本检测方法、装置及存储介质，属于机器视觉技术领域。该方法包括：提取当前视频帧的特征信息，基于提取的特征信息从当前视频帧中获取文本区域，文本区域为当前视频帧中包含有文本的图像区域；将文本区域作为神经网络的输入，利用神经网络对文本区域内包含的字符进行检测，并输出文本检测结果，神经网络包括多个神经网络模型；基于当前视频帧的文本检测结果和除当前视频帧之外的多个视频帧的文本检测结果确定当前视频帧中包含的文本。本申请可以不对文本区域进行分割，而是直接将该文本区域输入到神经网络中进行检测，并输出检测结果。由于不需要对文本区域进行分割，因此，避免了因分割不准确所导致的识别准确性低的问题。

技术领域

本发明涉及机器视觉技术领域，特别涉及一种文本检测方法、装置及计算机可读存储介质。

背景技术

当前，播放的视频中经常会包含有文本。为了更好的对视频的内容进行分析和审核，可以对视频中的文本进行检测。

相关技术中，可以从视频帧中检测文本区域。之后，可以确定文本区域内每个字符的位置信息，并根据每个字符的位置信息对文本区域进行分割，从而得到多个字符区域。对多个字符区域中的每个字符区域内的字符进行识别，从而输出多个字符。

然而，当采用上述方法在视频帧中检测文字时，由于需要根据每个字符的位置信息对文本区域进行划分，因此，当视频帧的成像质量不佳导致确定的每个字符的位置信息不准确时，将导致划分得到的字符区域也不准确，在这种情况下，对每个字符区域内的字符进行识别时的识别准确性也较低。

发明内容

本发明实施例提供了一种文本检测方法、装置及计算机可读存储介质，可以用于解决相关技术中由于字符区域分割不准确所导致的识别准确性较低的问题。所述技术方案如下：

第一方面，提供了一种文本检测方法，所述方法包括：

提取当前视频帧的特征信息，基于提取的特征信息从所述当前视频帧中获取文本区域，所述文本区域为当前视频帧中包含有文本的图像区域；

将所述文本区域作为神经网络的输入，利用所述神经网络对所述文本区域内包含的字符进行检测，并输出文本检测结果，所述神经网络包括多个神经网络模型；

基于所述当前视频帧的文本检测结果以及与所述当前视频帧相关的多个视频帧的文本检测结果确定所述当前视频帧中包含的文本。

可选地，所述利用所述神经网络对所述文本区域内包含的字符进行检测，并输出文本检测结果，包括：

利用卷积神经网络CNN模型从所述文本区域内提取多个特征图，并基于所述多个特征图生成多个特征向量，所述多个特征图中的每个特征图用于表征所述文本区域的一种像素特征，所述多个特征向量中的每个特征向量用于表征所述文本区域中一个子区域内的像素特征；

基于所述多个特征向量确定多个字符检测结果，所述多个字符检测结果中的每个字符检测结果包括至少一个字符以及所述至少一个字符中每个字符对应的概率值；

基于所述多个字符检测结果输出文本检测结果。

可选地，所述基于所述多个特征向量确定多个字符检测结果，包括：

根据每个特征向量对应的子区域在所述文本区域内的位置信息，按照文本书写的顺序，对所述多个特征向量进行排序；

将所述多个特征向量作为循环神经网络RNN模型的输入，利用所述RNN模型基于所述多个特征向量的顺序依次生成多个中间向量，所述多个中间向量中的每个中间向量用于表征至少一个字符的字符特征；

基于所述多个中间向量中的每个中间向量，确定所述每个中间向量对应的至少一个字符以及所述至少一个字符中每个字符对应的概率值。