[发明专利]一种基于多尺度特征的场景文本识别方法

说明书

本发明公开一种基于多尺度特征的场景文本识别方法，包括：获取场景文本图像数据集，并对场景文本图像数据集中的图像数据进行尺寸调整；构建文本识别模型，并利用尺寸调整后的场景文本图像数据集对文本识别模型进行训练；文本识别模型包括多尺度特征编码模块、多层注意力机制解码模块；多尺度特征编码模块用于获取若干个尺度的字符特征，多层注意力机制解码模块联合二维注意力机制和一维注意力机制对若干个尺度的字符特征进行融合，得到场景文本中的字符识别结果；采集待识别场景文本图像，将场景文本图像调整到统一尺寸后输入训练好的文本识别模型，完成场景文本中多尺度字符的识别。本发明能够对场景文本中的多尺度字符进行快速准确识别。

技术领域

本发明涉及场景文本识别技术领域，特别是涉及一种基于多尺度特征的场景文本识别方法。

背景技术

近年来，随着深度神经网络的飞速发展，大大推动了人工智能技术的创新应用。场景文本识别，作为人工智能技术的一部分，受到广泛的关注。不同于扫描文档中的光学字符识别，场景文本识别因文本字体多样、分辨率低、易受光影变化影响等问题而十分具有挑战性。目前主流的方案概括为，使用深层卷积神经网络提取图像高阶特征，使用循环神经网络关联水平特征向量，最后使用CTC(Connectionist Temporal Classification，连接主义时间分类)或注意力机制进行转录。针对于场景文本中不规则文本的情况，研究人员主要从文本纠正，背景噪声，注意力机制漂移等方面来考虑，忽视了文本中的字符多尺度问题。字符多尺度问题，常常是伴随着倾斜文本，弯曲文本以及字体风格独特文本出现的。由于目前的场景文本识别技术仅仅保留了深层卷积神经网络的最后一层输出，其固定的且过大的感受野无法适应文本中同时出现字符大小不同的情况，且在字符普遍较小的情况下，其过大的感受野甚至会有一半以上落在背景区域，严重影响识别器的性能。

因此，目前亟需一种能够对场中文本中的多尺度字符进行快速准确识别的方法。

发明内容

本发明的目的是提供一种基于多尺度特征的场景文本识别方法，以解决现有技术中存在的技术问题，能够对场景文本中的多尺度字符进行快速准确识别。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于多尺度特征的场景文本识别方法，包括如下步骤：

获取场景文本图像数据集，并对所述场景文本图像数据集中的图像数据进行尺寸调整；

构建文本识别模型，并利用尺寸调整后的场景文本图像数据集对所述文本识别模型进行训练；所述文本识别模型包括多尺度特征编码模块、多层注意力机制解码模块；所述多尺度特征编码模块用于获取若干个尺度的字符特征，所述多层注意力机制解码模块联合二维注意力机制和一维注意力机制对若干个尺度的字符特征进行融合，得到场景文本中的字符识别结果；

采集待识别场景文本图像，将场景文本图像调整到统一尺寸后输入训练好的文本识别模型，完成场景文本中多尺度字符的识别。

优选地，对所述场景文本图像数据集中的图像数据进行尺寸调整的方法包括：

采用双线性插值或下采样方法，将所述场景文本图像数据集中的所有图像数据调整到统一尺寸。

优选地，所述多尺度特征编码模块包括输入层、卷积层、若干个残差层，下采样层、BLSTM，所述输入层、卷积层、若干个残差层、下采样层、BLSTM依次连接；所述下采样层用于将二维特征下采样至一维特征，并将所述一维特征输入至所述BLSTM；所述BLSTM用于对所述一维特征进行水平特征关系的建模，所述BLSTM的输出与所述多尺度特征编码模块若干个尺度的输出相连接。

优选地，所述残差层的网络结构包括卷积层、批标准化层、非线性层、下采样层；所述非线性层采用ReLU激活函数。

优选地，所述一维注意力机制包括GRU，所述多层注意力机制解码模块联合二维注意力机制和一维注意力机制对若干个尺度的字符特征进行融合的具体方法包括：