[发明专利]生成训练数据的方法及装置

说明书

本公开涉及生成训练数据的方法及装置、计算机可存储介质，涉及计算机技术领域。生成训练数据的方法包括：获取包括文字内容的第一图像和与所述文字内容对应的文本，所述第一图像包括文字标记，所述文字标记用于标记所述文字内容的位置；在不同场景条件下，自动对所述第一图像进行拍摄，得到多个第二图像，每个第二图像包括所述文字标记；对于每个第二图像，根据所述文字标记，确定所述文字内容的文字坐标；对于每个第二图像，去除所述文字标记，得到第三图像；将所述文本、所述文字坐标和所述第三图像，确定为训练数据，用于训练光学字符识别OCR模型。

技术领域

本公开涉及计算机技术领域，特别涉及生成训练数据的方法及装置、计算机可存储介质。

背景技术

OCR(Optical Character Recognition，光学字符识别)训练数据是用来训练OCR模型的数据。OCR模型的优劣与训练数据的质量和数量紧密相关。要想让一个优秀的算法把潜力发挥到极致，除了算法设计外，训练数据的数量和标注质量发挥了关键的作用。

目前OCR模型的训练数据的生成方式有人工采集和计算机程序合成两种。

通过人工采集的方式生成训练数据包括以下步骤。首先，人工收集素材。其次，人工在不同场景、不同角度、不同光照等复杂条件下对素材进行拍照，收集大量的图片。然后，人工通过打标工具分别标注出每一张图片的每一条文本行的四个顶点的位置，同时标注出每一条文本行的文本内容。最后，人工多次对标注结果进行校对。

通过人工采集的方式生成训练数据具有人工标注耗时长、标注成本高且存在误差。针对此技术问题，提出了一种通过计算机程序合成的方式生成训练数据的方法。通过计算机程序合成的方式生成训练数据的方法包括通过传统图像合成方法生成、通过Photoshop图像处理软件提供的JavaScript技术对收集的素材进行批量修改生成或通过GAN(Generative Adversarial Network，生成式对抗网络)生成。

发明内容

发明人认为：相关的生成训练数据的方法中，难以模拟现实场景，利用生成的训练数据训练得到的OCR模型识别真实图像的准确性较差。

针对上述技术问题，本公开提出了一种解决方案，模拟现实场景，自动生成符合现实场景的训练数据，提高了利用生成的训练数据训练得到的OCR模型识别真实图像的准确性。

根据本公开的第一方面，提供了一种生成训练数据的方法，包括：获取包括文字内容的第一图像和与所述文字内容对应的文本，所述第一图像包括文字标记，所述文字标记用于标记所述文字内容的位置；在不同场景条件下，自动对所述第一图像进行拍摄，得到多个第二图像，每个第二图像包括所述文字标记；对于每个第二图像，根据所述文字标记，确定所述文字内容的文字坐标；对于每个第二图像，去除所述文字标记，得到第三图像；将所述文本、所述文字坐标和所述第三图像，确定为训练数据，用于训练光学字符识别OCR模型。

在一些实施例中，在不同场景条件下，自动对所述第一图像拍摄，得到至少一个第二图像包括：利用拍摄装置自动对所述第一图像拍摄，得到至少一个第二图像，其中，所述拍摄装置被配置为自动模拟所述不同场景条件。

在一些实施例中，所述不同场景条件包括：光照和拍摄角度中的至少一种。

在一些实施例中，在所述第一图像为纸质图像的情况下，自动模拟所述不同场景条件包括：自动对所述第一图像随机折叠、在所述第一图像上增加污点或对所述第一图像进行纸张变形。

在一些实施例中，获取包括文字内容的第一图像和与所述文字内容对应的文本包括：利用文档合成算法，获取所述第一图像和所述文本。

在一些实施例中，对于每个第二图像，根据所述文字标记，确定所述文字内容的文字坐标包括：对于每个第二图像，利用关键点检测算法，提取所述文字标记；根据所述文字标记的位置坐标，确定所述文字内容的文字坐标。