[发明专利]一种基于图像的文本识别方法、系统和介质

权利要求书

1.一种基于图像的文本识别方法，其特征在于，所述所述方法包括：

步骤S1、识别所述图像中的文本，以获得第一文本集；

步骤S2、对所述第一文本集中的文本进行预处理，以获得第二文本集，其中所述预处理包括屏蔽词处理和分词处理；

步骤S3、对所述第二文本集中的文本建立索引，所述索引为key-value形式的键值对，其中key表示索引关键词，value表示所述索引关键词在所述第二文本集中的文本位置；

步骤S4、从预先训练好的模型中获取语料关键词库，计算所述索引关键词与所述语料关键词库中的预料关键词的相似度，其中所述语料关键词库由所述模型预先训练语料库获得；以及

步骤S5、基于所述相似度确定所述图像中的关键元素，作为所述图像的检索要素。

2.根据权利要求1所述的基于图像的文本识别方法，其特征在于，所述屏蔽词处理为利用屏蔽词库过滤所述第一文本集。

3.根据权利要求2所述的基于图像的文本识别方法，其特征在于，所述分词处理包括：

基于Trie树加在文本字典，对经过所述屏蔽词处理的第一文本集进行切分，以生成第一切分词和对应的第一切分位置；

对于所述第一文本集中未包含在所述文本字典中的文本，利用马尔科夫模型和Viterbi算法计算最优状态序列，以获得第二切分词和对应的第二切分位置；以及

整合所述第一切分词、第二切分词、第一切分位置、第二切分位置作为所述第二文本集。

4.根据权利要求1所述的基于图像的文本识别方法，其特征在于，所述模型为Word2Vec算法中的Skip-Gram模型，所述语料关键词库中的预料关键词以词向量矩阵的形式存储在二进制文件中。

5.一种基于图像的文本识别系统，其特征在于，所述所述系统包括：

识别单元，被配置为：识别所述图像中的文本，以获得第一文本集；

预处理单元，被配置为：对所述第一文本集中的文本进行屏蔽词处理和分词处理，以获得第二文本集；

索引建立单元，被配置为：对所述第二文本集中的文本建立索引，所述索引为key-value形式的键值对，其中key表示索引关键词，value表示所述索引关键词在所述第二文本集中的文本位置；

匹配单元，被配置为：从预先训练好的模型中获取语料关键词库，计算所述索引关键词与所述语料关键词库中的预料关键词的相似度，其中所述语料关键词库由所述模型预先训练语料库获得；以及

确定单元，被配置为：基于所述相似度确定所述图像中的关键元素，作为所述图像的检索要素。

6.根据权利要求5所述的基于图像的文本识别系统，其特征在于，所述预处理单元进一步被配置为：所述屏蔽词处理为利用屏蔽词库过滤所述第一文本集。

7.根据权利要求6所述的基于图像的文本识别系统，其特征在于，所述预处理单元进一步被配置为，所述分词处理包括：

基于Trie树加在文本字典，对经过所述屏蔽词处理的第一文本集进行切分，以生成第一切分词和对应的第一切分位置；

对于所述第一文本集中未包含在所述文本字典中的文本，利用马尔科夫模型和Viterbi算法计算最优状态序列，以获得第二切分词和对应的第二切分位置；以及

整合所述第一切分词、第二切分词、第一切分位置、第二切分位置作为所述第二文本集。

8.根据权利要求5所述的基于图像的文本识别系统，其特征在于，所述模型为Word2Vec算法中的Skip-Gram模型，所述语料关键词库中的预料关键词以词向量矩阵的形式存储在二进制文件中。

9.一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据权利要求1-4中任一项所述的基于图像的文本识别方法中的步骤。