[发明专利]图像文本行检测方法及装置、存储介质和电子设备

权利要求书

1.一种图像文本行检测方法，其特征在于，包括：

获取待检测图像；

利用已训练的识别模型获取所述待检测图像的文本概率置信图；

对所述文本概率置信图进行后处理以获取所述待检测图像的文本行检测结果。

2.根据权利要求1所述的图像文本行检测方法，其特征在于，所述方法还包括：

预先训练所述识别模型，包括：

获取训练图像集；

根据所述训练图像集对全卷积神经网络FCN模型进行训练以获取所述识别模型；其中，所述FCN模型具有特征金字塔网络FPN结构。

3.根据权利要求2所述的图像文本行检测方法，其特征在于，所述根据所述训练图像集对FCN模型进行训练包括：

利用所述FCN模型对所述训练图像集分别执行分类任务和回归任务，并分别利用分类损失函数和回归损失函数对所述FCN模型进行优化。

4.根据权利要求3所述的图像文本行检测方法，其特征在于，利用FCN模型对所述训练图像集执行分类任务，利用分类损失函数对FCN模型进行优化包括：

利用所述FCN模型对训练图像执行分类任务以获取对应的文本概率置信图；

利用分类损失函数计算所述概率置信图的误差损失，并根据所述误差损失优化所述FCN模型。

5.根据权利要求3所述的图像文本行检测方法，其特征在于，利用FCN模型对所述训练图像集执行回归任务，利用回归损失函数对FCN模型进行优化包括：

利用所述FCN模型对训练图像执行回归任务以获取对应的包括多个文本行检测框的文本框检测图像；

利用所述回归损失函数计算所述文本框检测图像的误差损失，并根据所述误差损失优化所述FCN模型。

6.根据权利要求3所述的图像文本行检测方法，其特征在于，所述训练所述识别模型包括多个训练周期，所述方法还包括：

配置各训练周期中所述分类损失函数的权重值依次下降；且，

配置各训练周期中所述回归损失函数的权重值依次提升。

7.根据权利要求3所述的图像文本行检测方法，其特征在于，所述分类损失函数为：

其中，所述x_i为所述概率置信图上像素点的预测值，所述为对应像素点的GroundTruth的像素值。

8.一种图像文本行检测装置，其特征在于，包括：

图像获取模块，用于获取待检测图像；

概率置信图获取模块，用于已训练的识别模型获取所述待检测图像的文字概率置信图；

检测结果生成模块，用于根据所述文字概率置信图获取所述待检测图像的文本行检测结果。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任一项所述的图像文本行检测方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任一项所述的图像文本行检测方法。